[音樂播放] DAVID馬蘭：這是CS50。 這為10週結束時。 和男孩，我們有一個 良好的班為你今天。 我們很高興地邀請兩 我們從耶魯的朋友趕快到我們今天 並且看的交集 人工智能，機器人技術， 自然語言處理，以及更多。 事實上，在 過去幾週，我們已經 肯定花了很多時間， 特別是在較早的pset， 專注於相當低級別的細節。 它很容易忽視 森林的樹木 並獲得掛在循環和條件 和指針，當然，和類似物。 但現實情況是，你們現在有 配料與你可真 解決了一些有趣的問題，其中 他們那些我們的朋友在耶魯 工作只是害羞劍橋。 所以，首先請允許我介紹一下我們的頭 教學耶魯大學，安迪的助手。 [掌聲] 安迪：首先，只是感謝 你讓一對夫婦Yalies 今天流行下到劍橋。 我們真的很感激。 其次，我們的朋友 回home--傑森， 感謝保持和運行講座。 希望它在紐黑文都好。 所以呀，我超級興奮 今天給大家介紹Scaz。 Scaz運行的機器人實驗室。 他是一個教授，像五 不同的部門在耶魯大學。 在他的實驗室，他有很多很多 機器人，他喜歡玩。 他有一樣的 最酷的工作在世界上。 而他得到一種混亂 與整天各地 長，做了一些工作，以及。 因此，我們實際上增添了一顆 與我們今天的人下來。 因此，事不宜遲，Scaz是 要繼續前進，並為我們介紹一下 以他的機器人朋友。 [掌聲] BRIAN SCASSELLATI：謝謝你，大衛。 謝謝你，安迪。 它是如此美妙的是 這裡與大家今天。 我想首先要非常清楚， 這裡的CS50工作人員在劍橋 一直令人難以置信的熱情好客給我們。 我們非常感謝所有 他們所做的支持我們。 因此，我們希望能 返回的恩情。 所以今天，我們得到的宣布 那我們將有一個新的， CS50的事件之一的一類 下週在紐黑文的發生。 這是CS50研究世博會。 因此，我們將要邀請 everyone-- CS50學生， 工作人員來自美國哈佛大學和Yale--到 下來和我們一起參觀上週五。 我們將有各種各樣的超過 30個不同的人提出 和exhibiting--年級學生展示 了一些他們的研究產品。 我們將有一些創業公司，甚至，看 對於新的高科技人才一點點， 初創公司來自哈佛和耶魯。 而且，我們還會有一些學生團體 尋找一些新的成員。 這將是一個非常激動人心的時刻。 希望你們誰是 下來的哈佛，耶魯遊戲 將能夠停止 年初由一點點， 就在校園中心， 斯特林紀念圖書館。 我們要有一套 展品範圍從自主 帆船使用軟件的方式 保存中世紀手稿。 我們將有廣告 組織網絡和人員 教學軟件編碼在開普敦。 我們將有電腦 音樂表演。 我們會的過程中有更多的機器人。 因此，我們希望你會 參加我們這個活動。 這應該是一個很大的 樂趣，食物一點點， 和很多有趣的 事情要談。 所以我們今天要談 關於自然語言處理。 這是對我們的嘗試 建立接口的新途徑 與我們的設備，因為 在過去的幾個星期， 你一直專注於它是如何說 您可以編寫代碼，編寫軟件 那就是能說一個辦法 機，這就是我要你做的。 但是，我們不應該需要 預計一切 這是在那裡這是我們用來 每個人都在世界 將是精通 在這樣的結構。 因此，我們區分計算機之間 語言和自然languages​​-- 也就是說，事情人類使用 與其他人進行通信。 我們試圖構建一個使用界面 這些自然的溝通機制。 現在，就像所有其他的話題 我們已經開始在CS50， 我們將先從最簡單的 自然語言處理的位 我們可以想像。 我們將開始與 自然語言的歷史的一部分。 然後，我們將建立以 越來越多的最近的系統 並有一些有趣的演示沿途。 因此，我們要開始什麼 可能是第一個自然語言 處理系統。 這是寫在一個軟件系統 1966年由約瑟夫·魏澤鮑姆叫做ELIZA。 伊萊扎被設計成 複製類型的相互作用 你將有一個 羅吉瑞恩心理治療師。 現在，Rogerians，他們有 一個想法，心理治療 參與能夠反映回 給患者和他們交談， 基本上，只給他們一個 治療師的微小點點。 也就是說，一切 治療師說： 被認為是僅僅反映 什麼樣的病人告訴他們。 因此，讓我們嘗試演示這一點。 我們有一個志願者誰願意成為 願意分享他們的最深的， 最黑暗的，和/或假的秘密與伊莉莎？ 當然，你為什麼不來就到了。 太棒了。 你的名字？ 邁爾斯：萬里。 BRIAN SCASSELLATI：萬里。 很高興見到你，萬里。 如果你想抓住這一點。 而且我們要 使用版本ELIZA的 我們已經複製 內CS50 IDE。 並且我們將看看源 在一小會兒代碼這一點。 但現在，我們只是 要通過鍵入伊莉莎來調用它。 伊萊扎將會給您回應 這將是在所有的首都。 而要問你幾個問題。 我們會作出回應，並鍵入 在應對ELIZA。 所以伊莉莎說，“嗨，我是伊莉莎。 什麼是你的問題嗎？“ 你會想 告訴ELIZA今天呢？ 邁爾斯：我只能入睡 如果我有兔子拖鞋上。 BRIAN SCASSELLATI：好吧。 好的。 [笑] “我只能入睡 與兔寶寶拖鞋上“。 伊萊扎說，“餵，你 有什麼心理問題？ 也許這是一個很好的指標。“ 確定。 所以，你想回應？ 邁爾斯：是的。 布賴恩SCASSELLATI：是的。 人的許多話。 我喜歡這一點。 伊莉莎說，“你似乎相當積極。” MILES：不，我，其實，一個電子。 BRIAN SCASSELLATI：“沒有。 其實，我是一個電子。“ “你來我往 因為你是一個電子？“ 現在，我們可以看到一些 在things--我要去 暫停你只是一秒鐘，萬里。 不要去任何地方。 我們不跟你做呢。 伊莉莎是，在某些方面， 回應一些事情 那他的說法，但沒有 任何真正的理解。 而且它也學舌距今約 他的句子成分。 所以我們說，“沒有。 其實，我是一個電子。“ 伊麗莎也回應道：“你來 我，因為你是一個電子？“ 好的。 讓我們給它在這裡多了一個回應。 給它一個很好的，萬里。 邁爾斯：好一個？ 是的，請幫助我。 BRIAN SCASSELLATI：“是的。 請幫幫我。“”你確定嗎？“ MILES：第 BRIAN SCASSELLATI：沒有。 “這是什麼建議嗎？” 邁爾斯：我可能不是一個電子。 BRIAN SCASSELLATI：“我 可能不是一個電子。“ “你是說沒有剛需負？” 好的。 所以萬里，太感謝你了。 MILES：謝謝。 BRIAN SCASSELLATI：非常感謝。 [掌聲] 因此，這伊莉莎項目，在許多方面， 正在響應只是件 我們正在提供，沒有任何深 了解這裡發生了什麼。 這是一種制度 被稱為模式匹配，其中， 我們正在尋找某些 文本位，我們是那麼 要帶出什麼 作為輸入提供， 轉換，潛在地，以某種方式， 然後給它返回給用戶。 做任何你認為 伊麗莎實際上是 在這裡進行有效的心理？ 一個人，也許。 聽眾：[聽不清]。 BRIAN SCASSELLATI：怎麼 這是否讓你有什麼感覺？ 是的，事實上，它的作用。 我們將看到，實際上， 它一會兒就好了源代碼。 所以，你要成為 能夠做到正是這一點。 現在，伊莉莎是一種形式是什麼 我們稱之為今天的聊天機器人。 它只是通過 文本你提供， 提供了最低限度的金額 理解或處理， 然後鸚鵡回給你。 因此，讓我們來看看， 概念上，並談什麼 這是伊莉莎實際上是做什麼。 伊莉莎走的是一條sentence--讓我們 說，“我想打動我的老闆。” 而伊莉莎期待 通過那句話 並試圖找到與 與特定模式匹配。 因此，例如，有一種格式 伊麗莎正在尋找的話 “我想要的。” 而且任何時候它看到的東西 有“我要”的話， 它制定的響應。 並且響應是固定字符串。 在這種情況下，它是“為什麼你要幹什麼？” 我把一個小明星 到底是因為這只是 我們的反應的開始。 而星指出， 我們要採取休息 用戶的utterance--的 “打動我的老闆” - 而且我們要追加的 到該字符串的結尾。 所以，現在，而不是說，“為什麼 你想打動我的老闆。“ 有額外的一點點 處理，我們將盡。 也就是說，我們必須 轉換某些代詞 在這裡，從“我的老闆”到“你的老闆。” 還有可能是一些其他 我們需要做出改變。 因此，而不是僅僅堅持到底 直接到年底，我們將做什麼 是我們將採取的其他地方 白這裡 - 用戶utterance-- 我們會把它一件一件 時間和轉換每串 的道理，每一個字，變成了一句。 因此，我們將取詞“來。” 有沒有轉換 我們需要做的。 “沒話說了。” 有沒有轉換 我們需要做的還有。 “我的”將轉換為“你的。” 而“老闆”，我們就離開的“老大”。 然後最後，什麼 與一期結束， 我們將它轉換成一個問題。 這個非常簡單的模式匹配 其實是相當成功的。 當這個被介紹 在1966--約瑟夫·魏澤鮑姆 在計算機上編程這一點。 現在，電腦在當時 不是台式機機型。 它們共享資源。 而他的學生們 去和伊莉莎聊天。 最終，他不得不 限制對它的訪問 由於他的學生不 讓做任何工作。 他們只是聊天ELIZA。 而且，事實上，他不得不 火他的助手，誰 花光了所有她的時間交談ELIZA 關於她的深，令人擔憂的問題。 大家誰使用這些系統 開始人格化他們。 他們開始認為他們是 是動畫和真實的人。 他們開始認識到一些 的事情，他們說 人回來給他們。 他們就查不到 事他們自己。 而且，事實上，即使是專家， 即使是心理諮詢師， 開始擔心，事實上， 也許ELIZA將取而代之。 即使電腦 科學家們擔心，我們 如此接近解決自然語言。 現在，這不是任何地方接近真實。 但是，這是多麼令人印象深刻 這些系統似乎可以。 因此，讓我們先來了解一下 下面，並嘗試 得到的問題一點點 在哪裡這段代碼實際上發生。 所以我們會讓這個代碼 可之後。 而這是一個非常 簡單而直接端口 的原始ELIZA實施。 因此，一些文體的 的事情，你會看到這裡 不文體什麼 我們希望你做 或者是我們一直教你做。 但是，我們一直試圖讓他們 跨越許多港口一樣 這已使得它 具有原始的味道。 所以，我們要包括 一堆東西， 然後我們將有一個 設置關鍵字，東西 伊麗莎將識別 並響應直接。 所以，如果你有這樣的話 “可你”或“我不知道”或“否” 或“是”或“夢想” 或“你好”，然後ELIZA 將選擇性響應那些。 我們也有一個 一定數量的東西 我們會掉，像 將“我”到“你的。” 然後，我們將有一系列的反應 對於每個這些關鍵字， 我們將通過旋轉 這些不同的響應。 所以，如果我說“是” 在連續三次，我 可能會得到三個不同的 從ELIZA回應。 我們的代碼，那麼， 其實非常簡單。 如果我向下滾動過去所有這些 我們已經編程響應 我們踏踏實實地我們主要的， 我們要初始化 幾個不同的變量 做家政的一點點 在開始。 但後​​來有絕對的一組 ，你可以理解的代碼。 一個大while循環，說我 一遍又一遍地重複這一點。 我會讀成一排，我會 存儲在一個輸入字符串。 我查一下，看看它的 特殊的關鍵字“再見”，這 意味著退出程序。 然後我會檢查，看看是否 有人只是在重複自己 一遍又一遍。 我會罵他們，如果他們這樣做。 我會說“不要重複自己。” 只要這些都不發生，我們將 然後通過與環通掃描， 上線308至313 在這裡，檢查，看看 是任何這些關鍵字 包含在輸入短語 我剛才是？ 如果有匹配對於他們來說，好 然後，我會記住的位置。 我會記住的關鍵詞。 而我就可以建立一個響應。 如果我沒有找到一個，那麼， 在我的關鍵字數組中的最後一件事 將我的默認響應， 在沒有其他匹配。 我會問這樣的問題：“你為什麼要 到這裡來？“或者”我怎麼幫你呢？“ 這只是部分適當 不管輸入是什麼。 然後，我們將建立艾麗莎的回應。 我們就可以採取 該基地的響應， 就像我們做的是 “我的老闆”的例子。 如果這是所有有 is--如果它只有一個 那我應該respond--字符串 我可以將它發送回來。 如果它有一個星號，在 它的結束，然後我會 在處理每個令牌 用戶的響應的其餘部分 並添加那些，換出 一個字一個字，因為我需要。 所有這一切都是絕對 東西，你可以建立。 而事實上，該方法，使我們 已經處理的命令行參數， 在你的方式 通過HTTP請求處理 遵循相同的種的規則。 他們是模式匹配。 所以伊莉莎有一個比較重要的 對自然語言的影響 因為它使人們看起來這是一個 很實現的目標，比如在某種程度上我們最好 能夠直接解決這個問題。 現在，這並不是說，ELIZA做 一切，我們願意這樣做。 當然不是。 但是，我們應該能 做更多的東西。 我們的第一個步驟去 超越伊莉莎是怎麼回事 要能看 沒有文字被輸入 進鍵盤，但講話，實際 語音記錄到麥克風。 因此，當我們看這些 不同的部分，我們 將要建立一組模型。 我們將必須能 從低級別的聲去 information--間距， 振幅，frequency-- 並轉換到這 一些單位，我們是 能夠更容易地操縱 並且，最後，操控起來 成單詞和句子。 因此，大多數語音識別 今天是在那裡系統 按照統計 模型中，我們建立 三個獨立的東西表示 該音頻信號實際上包含。 我們先從一個語音模型 ，討論剛剛基地 聲音，我生產。 我是不是生產的東西是 一個B為男孩或D-如狗？ 我如何識別這些兩個不同 手機作為單獨的獨特？ 最重要的是，我們會再建 一個字的發音模式， 東西連接在一起 這些個人手機 並把它們組合成一個字。 在這之後，我們將採取的話 我們將它們組裝用語言 模擬成一個完整的句子。 現在，我們要談談每個 這些獨立和分開。 但是，這三款車型都是 只是要統計。 這意味著，當我們 與他們合作，我們將 能夠一起工作 他們都同時進行。 好的。 讓我們先從我們的語音模型。 因此，語音模型依賴於 一個計算技術 叫隱馬爾可夫模型。 這些都是圖形化的模型中，我 已經和認識世界的一個狀態 作為其特徵 由一組特徵。 而這種狀態描述一個組成部分 那我從事的行動。 所以，如果我想製作 聲音“馬”像媽媽， 有不同 組件的聲音。 還有就是我畫的氣息的一部分。 然後，我的錢包我的嘴唇。 而我搖我的嘴唇退後一點 位，以使這一“馬”的聲音。 然後還有一個版本。 我的嘴唇裂開。 空氣被排出。 “馬”。 這三個不同的部分會 各國在這個graph--代表 開始時，中間和結束。 我將有過渡的 讓我從一個國家旅行 到下一個與一定的概率。 因此，舉例來說，是m 聽起來可能有一個非常， 很短的攝入量​​在beginning-- “毫米” - 然後較長， 振動階段時，我抱著我 雙唇幾乎humming-- “MMMM” - 然後在很短的 爆破音，我驅逐breath--“馬”。 的隱馬爾可夫模型是 用來捕捉的事實 這是我做的方式 聲音“馬”是怎麼回事 是在略微不同的 其定時，是頻率， 其功能比 您所做的方式 或辦法，我可能 讓我說話的時候 對不同用途的信。 “母親”和“我可以”將 聲音略有不同。 因此，為了識別 特定的聲音，我們會 建立馬爾可夫模型，這些隱馬爾可夫 每一個可能的手機型號，我 可能要承認， 每一個可能的聲音， 再看看 聲學數據，我有 並確定統計學 哪一個是最有可能的 已經產生這種聲音。 確定。 通過這種模式，我們再 開始建立在它之上。 我們採取的發音模式。 現在，有時發音 模型既簡單又容易 因為只有一個 這樣發音的東西。 其他時候，他們是一個 稍微複雜一些。 這裡有一個發音指南 對於紅色的東西就是 您所做的番茄醬出來的水果。 人們不認為這是一個水果。 對嗎？ 現在，有許多不同的方式 人們會念這個字。 有些人會說“腳趾5腳趾。” 有些人會說“腳趾麻將腳趾。” 我們可以捕捉與 這些圖形化的車型之一 在這裡，我們再次表示過渡 作為具有一定概率 和相關的概率他們。 所以在這種情況下，如果我是跟隨 通過這整個圖上的路線， 我將開始在信 在最左邊的“TA”的聲音。 我想藉此上半部分， 的“哦”，然後是“馬” 然後一個“a”，然後一個 “TA”和“哦。” “腳趾可能腳趾。” 如果我通過了底部路徑 這一點，我會得到“TA-MAH-腳趾。” 如果我去了，然後 起來，我會得到“TA-MAY-腳趾。” 這些模型捕捉這些 差異，因為每當 我們部署的其中之一 識別系統， 這將有工作 許多不同類型的人， 許多不同的口音，甚至 不同用途的同樣的話。 最後，最重要的是， 我們要建立的東西 看起來非常複雜， 稱為語言模型， 但實際上是最簡單的 三，因為這些操作 關於所謂的正克模型。 在這種情況下，我向你展示 一個兩部分的正克模型，一個兩字組。 我們將做出實際的想法 有時，某些詞 更可能跟隨一個 給定的字比其他人。 如果我剛才說的“天氣預報” 下一個字可以“今天”很可能是 或可以是“天氣 預計明天。“ 但它不太可能是“ 天氣預報朝鮮薊。“ 什麼是語言模型所做的是 它捕捉那些統計學 通過計算，從一些非常大的 文集，所有實例的 其中一個詞接踵而來。 所以，如果我把一個大corpus-- 像每一個華爾街日報 自1930年以來，已產生的 這是標準的corpuses--之一 我期待通過所有 該文本，和我算 經過長達多少次 “預測”我看“今日” 多少次我看到 “預測”，其次是“朝鮮薊” 第一個是將 要更容易。 這將出現 更為頻繁。 因此，這將有一個更高的 與它的概率有關。 如果我想弄清楚的 概率整個話語的， 然後，我就打破它。 所以，聽證會的可能性 該句中的“老鼠吃奶酪” 是這個詞的概率 “中的”開始一個句子， 然後將概率的 詞“鼠”後面的單詞“the” 的概率與所述 詞“吃”跟隨“老鼠” 的概率與 “奶酪”跟隨“吃了。” 這聽起來像一個不少 統計，很多概率。 而這一切，它是。 但令人驚奇的是，如果你這樣做 與數據的一個足夠大的樣品， 它的工作原理。 和它的作品極其良好。 我們都知道這些技術。 大多數操作系統附帶 語音識別在這一點上。 我們使用的Siri和柯塔娜和迴聲。 而這些東西都是基於 這種類型的三層的型號 - 在底部，一個一個語音模型 發音模型在中間， 並在它們的頂部一個語言模型。 現在，他們需要做一點點 比，為了回答問題。 但是，承認你在做什麼 確切地說取決於這一點。 因此，讓我們舉一個例子在這裡。 所以，我有我的手機坐在這兒 文件攝像機下方。 而我們要問 SIRI幾個問題。 好嗎？ 因此，讓我們在這裡醒來我的電話。 Siri的，什麼是天氣 像在紐黑文今天？ SIRI：這裡的天氣 紐黑文，今天康涅狄格。 BRIAN SCASSELLATI：OK。 所以，首先你看到Siri的識別 每個單獨字 然後產生的響應。 我們將討論如何這種反應 來約在一點點。 但是現在我們知道 這僅僅是基礎 對原始數據和這 模式匹配類型的方法， 我們可以玩一些遊戲的Siri。 因此，我可以再試一次。 Siri的，什麼是天氣 河馬紐黑文，今天？ SIRI：OK。 這裡的天氣新 紐黑文，康涅狄格今天。 BRIAN SCASSELLATI：Siri的 不是由該氣餒 因為它找到了pattern-- “天氣”，“今天”，“紐黑文。” 這就是它的響應 到，就像伊莉莎。 好的。 讓我們給它一次甚至 更可笑的例子。 Siri的，天氣朝鮮薊 犰狳河馬紐黑文？ SIRI：讓我看看這一點。 下面是我在網上找到 什麼是朝鮮薊犰狳 河馬紐黑文。 BRIAN SCASSELLATI：OK。 所以，如果我走的不夠遠 遠離該模型中， 我可以，因為它混淆了沒有 長匹配它有圖案。 這統計 引擎在說， 那是什麼，你已經得到了可能性 的話河馬和朝鮮薊 在一起，犰狳？ 那一定是新的東西。 因此，這些技術，我們每天都在使用。 如果我們想帶他們一步 進一步的，不過，如果我們真的 希望能夠談論什麼 的是，這些系統作出反應，進行 我們要談談，再次，關於 更根本的一系列問題。 這就是在溝通的話題 我們稱之為問答。 也就是說，我們希望能夠用於：是嗎？ 聽眾：[聽不清]。 BRIAN SCASSELLATI：我們得到 到潛在語義處理？ 所以，是的。 有很多東西都是 發生與Siri的表面下 並且在一些例子 我要告訴你下一個 其中，有相當多的 在結構方面 你在說什麼這很重要。 而且，事實上，這是一個偉大 前體下一張幻燈片我。 因此，在同樣的方式，我們的 語音識別就建立起來了 多層，如果我們想 了解它是什麼，實際上 雖這麼說，我們要再次 依靠多層分析 這正在被識別的文本。 因此，當Siri的其實是能 說，看，我發現這句話。 現在我該怎麼處理它們呢？ 第一組分往往是 經歷並嘗試分析 句子的結構。 而在我們所看到的 上小學的時候，往往， 作為排序圖表的 句子，我們要 要認識到某些 詞有一定的作用。 這些都是名詞。 這些都是代詞。 這些都是動詞。 而且我們要承認 對於特定的語法， 在這種情況下英語語法，有 ，我可以將它們結合起來的有效途徑 和無效的其他方式。 這一認識，即結構， 可能足以幫助指導我們 一點點。 但是，這還遠遠不夠 為我們能夠給 任何意義，什麼正在這裡說。 為了做到這一點，我們必須依靠 一定量的語義處理。 也就是說，我們要來看看 在下方各有什麼這些詞 實際上承載的意義。 並且在這樣做的簡單的方法， 我們將每個單詞聯繫起來 我們知道一個特定的功能， 一定改造，它 允許發生。 在這種情況下，我們可能會標記 單詞“約翰”作為一個專有名詞， 它承載著一個身份。 我們可能標識 “瑪麗”為相同的方式。 而像“愛”，一個動詞， 構成了一個特殊的關係 我們能夠代表。 現在，這並不意味著 我們明白 什麼是愛，但只有我們明白 它在一個象徵性的系統的方法。 也就是說，我們可以標記 它和操作它。 與這些類型的方法的， 任何類型的語義處理 這裡將需要一點點 知識位和大量的工作 我們的一部分。 我們不再領域 在這裡只是簡單的統計數據 將要足夠我們。 現在，為了去 從這個角度來被 能夠談論的內 什麼實際發生在這裡， 以能夠操縱這個 構建和理解的問題 然後能夠 走出去，尋找， 這需要更 複雜的認知模式。 在這些系統的構建方式 是在大多數情況下非常非常勞動 密集的。 它們涉及人類 花費了大量 時間構建的方式 這些類型的句子 可以在一些邏輯表示。 它會變得有點 更複雜的，雖然。 甚至有一次，我們已經處理 與語義，我們將 還是得看 對什麼東西被說語。 也就是說，我該如何關聯的話 我有一些身體上出 在全球或有 至少一些信息源 我可以操縱？ 有時，這些導致 精彩的比特模糊性。 “紅得發紫的明星結婚天文學家。” 確定。 現在，我們看到的 搞笑類型的標題的 我們會在深夜的電視看 因為我們不理解的“明星” 有它的天體的含義。 我們知道，這意味著更多的 司空見慣的演員或女演員 有大量的知名度。 “隊幫助狗咬傷的受害者。” 難道球隊實際上是 在那裡協助狗 在繞來繞去又咬受害者？ 抑或是有 個人誰是 咬傷誰需要一些幫助一隻狗？ 單從看語法 和句子的語義， 我們無法確定。 “直升機人類蒼蠅供電。” 在那裡，事實上，實際 周圍飛小事 是人的翅膀供電 直升機為人類的好？ 或者是有一個機械裝置 從一個人獲得它的權力？ 當我們在看問題 應答系統， 這些是圖層 我們需要處理。 現在，最好的和最排序 的普遍的這些系統的 今天都能夠做到 事情在一個水平，是 遠遠超出了我們有10年前。 這裡是最好的系統之一 這是有今天。 而這是一個系統 來自IBM稱為沃森。 這是我們的朋友在IBM。 這是凱瑟琳銀行，甲辰， 和百基拉賴斯給我們 沃森的演示 昨天在IBM約克。 [視頻回放] - 如何是你？ - 我是很好。 我的時候，我總是很高興 想，特別是當我 可以保持冷靜在這些服務器機房。 - 誰是你最喜歡的女演員？ - 我最喜愛的女主角 安吉麗娜·朱莉的勞拉·克勞馥 在古墓麗影因為她的原 形式是為像我這樣的一個虛擬人物。 - 如何能沃森幫助患者？ -is計劃為病人 有機會獲得直接沃森？ 訪問沃森諮詢 應用程序將通過使用情況而有所不同。 但目前，屈臣氏將只提供 可能的診斷和治療 選擇醫學專業。 在適當情況下，患者 可以提供信息 華生，也許是通過一個 門戶網站界面，平板電腦， 甚至移動電話。 例如，一個患者可能 要求描述自己的症狀 在自然語言直接 到沃森的解決方案， 允許醫師將重點放在 診斷和不採集數據。 - 誰暗殺了林肯？ 約翰威爾克斯布斯。 - 在哪一年做了亞利桑那州 響尾蛇贏得世界大賽？ -2001。 [結束播放] BRIAN SCASSELLATI：所以 這些類型的系統 必須依靠首先 認識到講話;第二， 將其轉換成有意義的內部 表示;然後，第三， 能夠走出去，找到 信息源 使他們能夠回答這個問題。 這種複雜程度涉及 同類型的編程事 你一直 在做習題集。 我們能夠解析HTTP請求， 相同類型的低級別的圖案的 匹配伊麗莎可以做。 我們能夠將這些 為內部表示， 然後用它們來查詢一些 外部數據庫，可能使用SQL。 所有系統的那 今天正在建造 做這種類型的天然 語言交流 在正在興建 這些相同的原則。 現在，即使是像系統 沃森是不是很複雜 到能夠回答任意 任何主題的問題。 而事實上，他們必須 給定域中的結構。 所以，你可以到網上，你可以找到 該操作好沃森版本 中醫學信息。 或者有一個在線 只是涉及如何 要做出好的建議 什麼樣的啤酒將與哪些食物去了。 而這些領域內， 它可以回答問題， 發現它所需要的信息。 但你不能混用和匹配。 這就是被訓練的系統 食品和啤酒的數據庫 不突然，當你工作得很好 把它與醫學信息 數據庫。 因此，即使我們今天的最佳系統 依靠處理的水平 在我們的手編 為了建設中的基礎設施建設 使這個系統的運行。 現在，最後一個話題我想 到能夠得到今天 是關於非語言溝通。 一個偉大的信息質量的 我們彼此通信 通過不來約 我們正在申請個別單詞。 它做了這些東西， 接近，目光，你的語氣， 您的拐點。 而溝通也 這是很多不同的接口 關心一個偉大的交易。 這不是什麼Siri的關心。 我可以問Siri的東西用一個聲音 或語音不同的音調， 和Siri的打算 給我相同的答案。 但是，這不是我們構建 許多其他類型的接口。 我想向您介紹 現在到機器人中的一個。 這是我的長期建 朋友和同事辛西婭 Breazeal和她的公司基博。 這robot--我們要去 有一對夫婦的志願者 拿出與此交互。 所以我可以有兩個人願意 與機器人給我玩嗎？ 你為什麼不上來吧， 為什麼你不來就到了。 如果你想和我一起在這裡，請。 如果我能有你 來的權利在這裡。 謝謝。 你好。 ALFREDO：很高興見到你。 阿爾弗雷多。 BRIAN SCASSELLATI：阿爾弗雷多。 瑞秋：瑞秋。 BRIAN SCASSELLATI：雷切爾。 很高興見到你們倆。 阿爾弗雷多，我要你先走。 快來權在這裡。 我要介紹 你 - 如果我能得到這一關 不敲門的microphone-- 一個叫基博的小機器人。 OK？ 現在，基博被設計為互動。 雖然它可以給你講話， 多與機器人的相互作用的 就是非語言。 阿爾弗雷多，我要問你 好好說話和免費 給機器人，請。 ALFREDO：我覺得你看起來很可愛。 [呼呼的聲音] BRIAN SCASSELLATI：OK。 它的反應並不言語。 然而，它給了你們兩個 明確承認 它聽到你說的話 也不知怎麼理解。 OK？ 步驟右後衛位置一秒鐘。 謝謝。 瑞秋，如果你會的。 現在，我想給 你更難就業。 如果你站在這裡， 備份只是有那麼一點點 我們可以幫你的相機 看看這種方式。 我要問你說些什麼 真的是和討厭的機器人。 你才似乎什麼 做的是完全荒謬的。 [嗡嗡聲] 這更是荒謬。 這是怎麼回事呀？ 噢，不心疼。 我給你一個擁抱。 BRIAN SCASSELLATI：好吧。 謝謝，雷切爾。 阿爾弗雷多，雷切爾，謝謝你們非常多。 [掌聲] 因此，這種互動在 許多方面的一些相同的規則 和一些相同 結構我們 可能有語言交流。 它既是交際和 提供一個重要目的。 而這種互動，在 方法很多，設計 有對特定的效果 與人交互或聽 到機器人。 現在，我很幸運 有吉波今天在這裡。 薩姆·斯波爾丁是在這裡幫助 我們用機器人。 而我要問薩姆給 吉波跳舞我們一個很好的演示 我們可以在年底看這裡。 因此，繼續前進，基博。 SAM：OK，基博。 向我們展示你的舞蹈動作。 [音樂播放] BRIAN SCASSELLATI：好，大家好。 感謝我們的朋友在基博。 [掌聲] 並感謝我們的朋友 IBM今天幫忙。 溝通是什麼 你要去 看到來了越來越多的作為 我們構建更複雜的界面。 下週，我們會繼續討論 有關如何對接 與電腦對手的遊戲。 但是，如果你有關於這個問題， 我就在附近的辦公時間今晚。 我很高興能和你談AI 主題或進入更多的細節。 有一個偉大的週末​​。 [掌聲] [音樂播放]