人工智能在对话中无法及时介入的问题代表了一个重大挑战。最近的研究揭示了尚未充分理解的深层原因，强调了在与人类对话中上下文信号的重要性。人工智能模型，通常在书面语料库上训练，对于口头交流的细微差别理解不足，使得它们的参与显得笨拙。
这项研究强化了语言深刻理解的重要性。*没有对“相关转折点”的微妙感知，*这些系统无法与人类专业知识相抗衡。人类与人工智能在沟通方面的差距依然令人担忧，促使我们重新思考机器学习的方法。
人工智能在沟通中的挑战
人工智能（AI）系统在对话场景中常常面临困难。这一局限性在识别适合介入的时机，即所谓的“相关转折点”（TRP），时尤为明显。塔夫茨大学的语言学和计算机科学专家进行的研究揭示了这一缺陷的根源。
人类对话行为分析
在口头交流中，人类倾向于避免同时发言。他们会彼此观察，以确定何时发言。这个机制基于对多种信号的精确评估，以便在讨论中识别TRP。
参与这些研究的受试者确定了他们一致认为存在TRP的确切时刻，并将这些时刻与人工智能模型的预期进行比较。观察显示，个体的反应存在显著的变化，展示了社会情境下发言的复杂性。
非语言信号及其作用
早先的一个观念认为，副语言特征，如语调或字词的时长，对于检测TRP至关重要。然而，心理学家兼计算机科学家JP de Ruiter指出，即使孤立这些元素，个体仍无法识别TRP。相反，单调呈现的语言本身则没有大问题。
研究表明，语言内容是
发言的决定性因素。暂停，尽管在本能上重要，在这一过程中的作用却是次要的。这一新理解对人工智能的编程方式提出了质疑。
人工智能模型在检测TRP方面的局限
即使是像ChatGPT这样最先进的人工智能模型，也未能像人类那样捕捉TRP的动态。研究人员发现，人工智能仅在文本数据上训练，而不是口头对话。
在未经过场景处理的口头交流中，明显缺乏数据代表了人工智能发展的一个缺口。这一方面阻碍了机器模仿人类沟通的流畅性。研究人员试图通过将现有的人工智能模型暴露于对话语料库中来进行微调。尽管如此，局限依然存在，强调了对话建模的内在挑战。
人工智能局限性的内在性质
人工智能的技术局限似乎根植于其自身所依赖的机制中。假设人工智能模型能正确理解语言，研究人员指出这并不能得到保证。基于表面统计相关性的词预测并未充分把握对话的上下文。
这一观点引发了关于通过学习克服这些障碍的可能性的质疑。可以考虑对人工智能模型进行预培训，以利用大量口头语言语料库。然而，收集这些数据仍然是一个巨大的挑战。与书面内容相比，关于对话的可用性有限，妨碍了该领域的发展。
人机交互未来的展望
这项研究的结果突显了一个令人担忧的现实。尽管已有进展，人工智能仍然在自然地与人类互动方面面临困难。以口头语言为基础的沟通模型，较少形式化且更具动态性，目前人工智能系统仍未能真正实现。
人机之间的互动流畅性仍有待提高。研究将继续专注于这些重要的细微差别，从而提升人工智能在成为更有效的对话伙伴方面的能力，因此在各种社交应用中更具相关性。
挑战依旧存在，但人类与机器间自然对话的希望仍在。理解日常交流可能会彻底改变这一动态。人工智能领域的创新方法可能导致更高效和适应性更强的工具。
关于人工智能在交流中局限性的常见问题
对话中的相关转折点（TRP）是什么？
相关转折点（TRP）是在口头交流中一个讲话者有可能介入以发言或反应的时刻，常常以语调或停顿的变化为特征。
为什么人工智能难以检测TRP？
像语言模型这样的人工智能系统通常基于书面数据进行训练，而这些数据并未反映口头对话的细微差别，使得它们在识别适合介入的时刻时显得无效。
导致人工智能在对话中局限性的关键因素有哪些？
人工智能缺乏上下文理解和基于口头语言数据的训练，这限制了其有效处理和适当响应对话信号的能力。
语调和停顿如何影响口头交流？
虽然语调、停顿及其他“副语言”信号很重要，但研究表明，语言内容本身是识别TRP的最关键因素。
可以改善人工智能的对话能力吗？
通过在更丰富的自然交流数据集上训练语言模型，可以对它们进行微调，但仍存在根本性的限制，可能阻碍完美地模拟人类沟通。
人工智能在对话中存在的缺陷对其应用有什么影响？
人工智能处理自然对话互动的局限性可能影响其在虚拟助手、客户服务等需要人际互动的应用中的有效性。
为何收集对话数据以训练人工智能如此困难？
大规模收集对话数据复杂性高，因为自然对话的记录较少，相比书面内容的获得更困难，这使得训练模型的工作变得复杂。
