导读：对话技术是数字人交互的核心能力之一，这次分享主要从百度 PLATO 相关的研发和应用出发，谈谈大模型对对话系统的影响和对数字人的一些机会，本次分享题目为：大模型推动的人机交互对话。
今天的介绍从以下几点展开：
- 对话系统概览
- 百度 PLATO 及相关技术
- 对话大模型落地应用、挑战及展望
一、对话系统概览
1、对话系统概览
日常生活中，我们常常接触到一些偏任务类型的对话系统，比如让手机助手定闹铃、让智能音箱放首歌。这种在特定领域内的垂类对话，技术相对成熟，系统设计上通常是模块化的，包括对话理解、对话管理、自然语言生成等模块。
传统任务型对话的大致流程如下：用户输入一句话，系统通过自然语言理解模块，解析出相关的意图和槽值对（slot-value pairs），这些词槽是预先定义好的；通过对话管理模块追踪多轮对话状态，以及与外部数据库交互，进行系统动作的决策；然后通过对话生成模块，产出回复返回给用户。
最近几年很多研究是关于开放域对话技术，即不限定领域、可以就任意话题聊天。代表性的工作有 Google Meena、Mata Blender 和 Baidu PLATO 等，与传统模块化的对话系统相比，这些端到端的对话系统是给定对话上文，直接生成相应的回复。
2、端到端对话生成——对话系统的新机遇
端到端对话系统可以基于 RNN、LSTM 或 Transformer 等进行设计，网络架构主要包括两部分：编码器 Encoder 和解码器 Decoder。
编码器将对话上文编码成向量，对对话内容做理解。
解码器是根据对话向量和之前的隐藏向量，生成相应的回复。训练语料主要是人人对话语料，可以从公开的社交媒体论坛（微博、贴吧、推特等）抽取评论作为近似的对话语料。训练目标主要是最小化负对数似然函数。
3. 开放域对话面临的挑战
基于大量语料训练出的大规模模型，已经可以产生比较连贯的回复，但仍然存在很多问题。
第一个问题是内容比较空洞、缺乏信息。模型回复的比较简略、无实质内容，容易降低用户的聊天意愿。
另一个问题是知识滥用，模型回复的一些详细信息有时候是错误的、编造的。
二、百度 PLATO
百度 PLATO 针对上述两类问题做了一些技术探索。
针对内容空洞，提出了基于离散隐变量的预训练对话生成技术，实现开放域回复的合理性、多样性的生成。对于知识滥用问题，提出融合知识的弱监督对话生成模型，一定程度上缓解了知识滥用的问题，提升了对话丰富度和知识准确率。
1、开放域对话“一对多”问题
对话模型为什么会产生内容空洞的“安全回复”？
本质上，开放域对话是一对多的问题，一个对话上文，通常是有很多个合理回复的，不同人背景、经历、所处场景不同，给出的回复很可能不一样。而神经网络训练通常是一一映射的，学到的是这些回复的均值状态，比如是“挺好的”“哈哈哈”这类安全而没有信息量的回复。
2、PLATO-1 隐空间对话生成模型
PLATO-1 提出基于离散隐变量进行对话一对多关系的建模。
这里涉及两个任务，将原来的对话上文 Context 和对话回复 Response 对应到隐变量 Latent Action 上，然后基于隐变量去学习回复生成。PLATO 是利用同一网络对两个任务进行联合建模，先通过估计隐变量的分布，通过 Gumbel Softmax 采样出隐变量后再学习回复生成，这样通过采样不同的隐变量，就能生成多样化的回复。
案例展示，选择了不同隐变量，产生不同回复的效果。这些回复都是基于上文的回复，回复质量不错、很合适且信息量丰富。
3、PLATO-2 基于课程学习的通用对话模型
PLATO-2 在 PLATO-1 的基础上，继续扩展。参数上，达到了 16 亿的规模；预训练语料上，中文有 12 亿对话样本，英文有 7 亿样本；训练方式上，是基于课程学习。何为课程学习 Curriculum Learning？就是先学习简单的再学复杂的。
另外，PLATO-2 继续沿用统一的网络设计 PrefixLM，同时学习对话理解和回复生成。基于课程学习的训练效率高，基于统一网络的性价比高。
PLATO-2 第一阶段先训练简化的通用回复生成，第二阶段训练多样化的回复生成，在这个阶段把隐变量加进来了。第二阶段还引入了对话连贯性评估训练，相对于常见的生成概率排序，连贯性评估有效地提升了回复选择的质量。
PLATO-2 能否作为通用的对话框架？我们知道对话领域大致分为三类，任务型对话、知识对话和开放域闲聊系统。分别给不同类型对话系统进行预训练成本太高，PLATO-2 的课程学习机制恰好可以助力其成为一个通用对话框架。任务型对话相对聚焦，在课程学习第一阶段的一对一映射模型正好满足这类情况，知识对话和闲聊中都有一对多的情况，知识对话中可以用不同知识回复用户，闲聊对话中可以有不同的回复方向，所以课程学习第二阶段模型可以应用到知识对话和闲聊系统上。
4、PLATO-2 in DSTC-9
为了验证这一能力，PLATO-2 参加了对话领域的国际竞赛 DSTC，它全面的涵盖了各种对话领域，PLATO-2 以统一的技术框架在 6 项任务中取得了 5 项冠军，这在 DSTC 的历史中尚属首次。
5、PLATO-XL 首个百亿参数中英文对话生成模型
如果继续推高 PLATO 模型参数规模，会达到怎样的效果？2021 年 9 月我们推出全球首个百亿规模中英文对话生成模型 PLATO-XL。
在中英文上，分别对比了常见的几个商业产品，从合理性、丰富度和吸引度等角度评测，PLATO 的效果是遥遥领先的。
微信公众号“百度 PLATO”接入了 PLATO-XL 模型，大家可以去试用和体验。
PLATO 模型参数量从一亿到十亿再到百亿规模，其实到十亿规模的时候对话已经比较流畅、通顺了，到百亿规模的时候模型的逻辑能力显著提升了很多。
6、知识滥用问题
大模型都存在知识滥用的问题，如何解决呢？我们人类遇到不知道的问题如何解决的？可能会去搜索引擎上查一下，这种通过查找外部知识的方式能否借鉴一下到模型中？
融合外部知识辅助回复生成，是缓解知识滥用很有希望的方向。但对于大规模的对话语料，只存在对话上文和回复信息，无法知道某条语料与外部知识对应关系，也就是缺少知识选择的标签信息。
7、PostKS 基于后验指导的知识选择
PostKS 是知识对话领域代表性的工作之一，提出了基于后验指导的知识选择，在训练过程中，让先验的知识分布逼近后验的知识分布。
在推理阶段由于不存在后验信息，模型需要使用先验知识进行回复生成。训练和推理阶段会存在不一致的情况，训练基于后验但推理只能基于先验。
8、PLATO-KAG 基于联合优化的无监督知识对话
PLATO-KAG 无监督模型，联合建模了知识选择和回复生成。基于先验选择了 top-k 条知识，并送给生成模型，做一个端到端的联合训练。如果知识选的准，对生成目标回复很有帮助，生成概率会比较高，联合优化会鼓励这种选择并利用给定知识；如果知识选的差，对生成目标回复没有作用，生成概率会比较低，联合优化会打压这种选择并忽视给定的知识。这样就同时优化了知识选择和回复生成。
9、PLATO 全面知识增强对话
从人类学习知识经验来看，我们大脑中也记忆了很多的知识，PLATO 尝试了全面的知识增强，同时做了知识外用和知识内化。一方面利用外部的通用无结构化知识和画像知识，另一方面也将大量问答知识通过预训练内化到模型参数中。经过这样全面的知识增强，对话通用知识错误率从 30% 降低到 17%，画像一致性从 7.1% 提升到 80%，问答准确率从 3.2% 提升到 90%，提升的非常明显。
下图是做了全面知识增强后的效果对比。
值得注意的是，虽然效果得到了显著改善，但知识滥用问题并没有完全解决，只是缓解而已。即使模型规模扩大到千亿参数，知识滥用问题也依然存在。
目前仍有几个点值得我们继续努力：第一个是外部知识的触发时机，就是什么时候查外部知识，什么时候使用内化知识，这会影响对话的流畅度和吸引度。第二个是知识选择的准确性，这涉及到检索技术，中文知识语料建库是几十亿规模，通过给定的对话上文准确检索到合适的知识没那么容易。第三个是知识利用的合理性和保真度，模型有时候会无法准确理解知识或者混乱拼凑出不准确的回复等。
三、对话大模型落地应用、挑战及展望
上面介绍了 PLATO 对话的一些技术，比如引入大规模的模型、加入离散隐变量提升对话丰富度、通过无监督引入外部知识缓解知识滥用等，那么在实际生产中有哪些落地的应用呢？
1、落地应用
PLATO 在智能音箱、虚拟人、社区聊天等多场景提供开放域聊天能力。
左侧是数字人度晓晓，在百度 APP 搜索度晓晓或者直接输入“你好”就能调用数字人，通过聊天能便捷搜索的过程，高效获取答案和信息。右侧是百度输入法中的虚拟人，既高颜值又很会聊。
2、落地应用遇到的挑战
落地应用中，第一个挑战就是推理性能，图中列出了 16 亿参数 PLATO 的性能数据。通过算子融合减少了 98% 的算子数量，模型推理耗时从原来 v100 上的 1.2s 降低到 A10 卡上的 300ms 以内。通过计算精度优化，减少了 40% 的显存，推理卡从 v100 换到 A10 降低成本，同时做了架构优化和平台迁移，降低了链路开销。
第二个挑战是对话安全。比如有害言论、政治敏感、地域歧视、隐私等很多方面需要高度注意。PLATO 对语料做了深度清洗，删除不安全样本，在部署后使用安全判别模型移除不安全候选回复。同时维护了关键词表和添加对抗训练，查漏补缺，提升安全性。
3、展望
以前人们认为开放域闲聊是一个兜底功能，随着近几年大模型的发展，对话领域也有了显著进展，目前模型可以生成连贯、流畅、丰富和跨领域的对话，但情感、人设、人格和思辨等方面仍然有很大提升空间。
道阻且长，行则将至，行而不辍，未来可期。也希望对话领域的同行们，大家一起努力，共同攀登人机对话的高峰。
4、引用
五、问答环节
Q：对话效果如何评估的？
A：目前对话系统还没有自动指标能和人工评估比较一致，人工评估仍是黄金标准。开发阶段可以参考困惑度 perplexity 进行迭代，最终进行全面评估时，还是需要请大量的众包人员与不同机器进行交互，在一些指标上进行人工评估。评估指标上，也随着技术的发展而变化，比如当流畅度不再是问题的时候，那么可以添加安全性、知识准确性等指标评估更高级的能力。
