由于人们已经逐渐习惯在手机上聊天的体验，同时手机屏幕很小，相对来说语音的交流会更加自然。因此微软认为图形界面的下一代将是 CaaP，所谓「对话即平台」（Conversation as Platform，CaaP）。

作为 CaaP 的技术基础，通用的对话引擎架构往往有两层，下层为面向任务的对话、信息服务和问答、通用聊天三个分别满足使用者不同需求的系统，上层则为调度系统。通过调度系统完成任务的分类和分配，直播，下层系统会根据不同的需求指向不同的 Bot，从而为用户提供流畅的交流体验。

通用对话引擎结构示意图

为了更快速、更高效的开发 Bot，微软推出了 Bot Framework。开发者只用几行语句，就能开发出满足自己需求的 Bot。其中该框架抽取意图和重要信息的功能，由 LUIS（Language Understanding Intelligent Service，微软语言理解服务）提供。

在与敦煌研究院合作的过程中，MSRA 通过使用微软的聊天对话技术为敦煌研究院快速开发了相应的客服、聊天系统，并能轻松集成于同一平台。

阅读理解

在语言之外，领域知识和常识往往在 NLP 中有非常重要的作用，阅读理解正是检测一个系统是否具备常识的最佳方式之一。

2016 年，斯坦福大学推出「NLP 领域的 ImageNet」——SQuAD 阅读理解测试集，通过给定一篇文章并准备相应问题，由算法给出问题的答案。该数据集共有 536 篇文章，107785 个相应问题，并包含训练、开发、测试三部分，评判标准分为精确匹配和部分匹配两部分。

自去年 9 月至今，MSRA 一直在该数据集的测试结果上名列第一，指标为 76.922，但距离人类 82 左右的指标还有一定距离。

SQuAD 测试集测试结果，第一位、第四位均为 MSRA 团队开发的算法系统

中国文化

MSRA 一直在考虑如何将机器翻译与中国文化相结合，因此推出了一系列如微软对联、微软字谜、微软绝句等产品。

不久前 MSRA 还推出了诗歌创作功能，即用户提交照片后可以得到与其意境相符的自由体诗歌，并已率先登陆小冰平台。

NLP 的未来会如何？

在周明博士看来，未来 5－10 年，NLP 技术走向成熟，并将迎来过去 60 年发展最迅速的时期。变化将会体现在如下 6 个部分：

口语机器翻译完全普及：效果会得到提升，但并不意味着同声翻译、专业文献彻底解决；

自然语言会话达到实用：在常见场景下，人类可以通过人机对话完成某些任务，与智能设备交流，但不代表任何任务和不同语言都能达到实用；

智能客服＋人工客服完美结合大大提高效率：问答、简单的任务解决基本可以解决，复杂情况依然无法解决，需要人类智能和人工智能的结合；

自动写诗、新闻、小说、流行歌曲流行起来：输入数据后可以立刻生成新闻稿，人类只需要进行校正，或面向不同的需求进行适用更改；

语音助手、物联网、智能硬件、智能家居普及；

与其它 AI 技术共同在金融、法律、教育、医疗等垂直领域得到广泛应用。

通过对趋势的分析，MSRA 也制定了未来的研究方向，包括：

通过用户画像实现个性化服务：人类的对话是有对象的，目前机器还做不到；

通过可解释的学习洞察人类智能机理：是否会出现可解释的人工智能，可以进行修正和 debug，快速调整系统，目前还没有很好的解决；

通过知识与深度学习结合提升学习效率；

通过迁移学习实现领域自适应；

通过强化学习实现自我演化：即通过显式和隐式反馈不断提升系统；

通过无监督学习充分利用未标注数据。

在问答环节中，周明博士还回答了机器之心关心的 NLP 领域问题，比如 GAN 这种流行的学习方法对 NLP 领域是否有很大帮助？在周明博士看来，GAN 对于机器翻译、信息检索的确会带来帮助，微软也正在研究使用 GAN 来提升机器翻译。但目前 GAN 与 NLP 的结合仍处在开始阶段，「并没有突飞猛进」。