理想的未來絕對不是機器取代人類，在智慧客服的領域中，人機協作才是真的達到為企業降低服務成本，且兼顧用戶滿意度的唯一方案。
1964年在MIT的人工智慧實驗室中，名為「ELIZA」的聊天機器人誕生，她是史上第一個能夠與人類對談的機器人，而她的名字來自於音樂劇《窈窕淑女》的女主角，自然是她的創造人希望她能夠在持續的學習中，成為教養良好的「淑女」。2010年蘋果推出Siri，以及2014年微軟推出Cortana，科技公司不斷地推動機器能與人對話，同時也希望將這項技術應用於產業中，因此智慧客服就成為了落地的首要之選。
屈指一算，從「ELIZA」問世至今55年，機器人與人類溝通的問題真的解決了嗎？其實，從「ELIZA」一直到近年來國內多數銀行都踩過坑的中國「小i機器人」，都是屬於「模式比對」的技術，也就是在資料庫裡存放多個對話範本，根據使用者輸入的內容去比對最接近者。這個技術橫跨數十年，只不過是從精確比對進化到模糊比對而已，本質上沒有出現在範本裡的就無法回答，因此出現了之前讓眾多導入智慧客服系統的銀行怨聲載道的「每個問題必須輸入50種問法」的災難。
AI仍無法處理中文斷句難題
如果是英文，窮舉法可以達到很好的效果，但不幸的是，我們在台灣所使用的，是全世界最複雜的語言中，較為複雜的那個版本──「繁體中文」。就不提英文世界中所有字母大小寫加上數字標點，只需要80個字元就能搞定；中文光是unicode中的中日韓統一表意文字就有20,928個，若再加上注音符號、英文數字與標點，數量就遠遠超過英文。更別提中文天生沒有斷字符號，因此中文斷字成為中文數據預處理的首要難題，別說是機器，就算是人類遇到「小明明明明白白白喜歡他」或是「無線電法國別研究」這樣的斷詞難題，恐怕也只能舉白旗投降。
中文更神奇的一點在於，可以透過虛字與位置調換，將一個句子產生出多種講法。〔圖1〕是我們之前使用了2億筆天貓、淘寶的買家評論數據中抽取出來關於「送貨很快」的說法。驚人的是，2016年1月份統計有1,700多種講法，不過半年時間，2016年7月份統計，卻有高達3,600種講法。這意味著什麼？這表示任何企圖使用窮舉法來解決人機對話問題的，終將失敗。
「意圖識別」成為AI客服技術基礎
人機對話、溝通只是個不切實際的夢想嗎？這波人工智慧浪潮的基礎技術「深度學習」為我們開了一扇窗。深度學習與之前機器學習最大的差別，在於機器學習透過分析人員或是產業知識專家來定義特徵，再交給機器找規則；而深度學習則是從產生特徵到產生規則統統由機器處理。機器可以經由讀取大量語料後，根據文字的上下文關係，無監督地找出其中規則，更能夠根據人類給予的標籤進行監督式的分類預測。也因此，文字分析的技術從過去強調將非結構數據轉換為結構化格式的「自然語言處理」（NLP），正式進化為「自然語言理解」（Nature Language Understanding, NLU），雖然還不甚完美，但是機器開始能夠理解我們人類的語言。以〔圖2〕為例，這是我使用了2.9億個中文句子訓練出來的詞向量，若是我們希望透過類比關係來找出「張惠妹之於阿妹，那周杰倫會之於什麼？」機器可以正確地回答「周董」，而我們詢問「雙子座之於花心，處女座會之於什麼？」機器也能正確地回答「潔癖」。
