日常生活離不開語言，自然語言作為一種最直接和簡單的表達工具無處不在，而微軟創始人比爾·蓋茨曾經表示，“語言理解是人工智能領域皇冠上的明珠”。自然語言處理（NLP）讓人與計算機之間以自然語言進行有效溝通、通信，是人與機器人溝通的橋樑。
在過去幾年間，NLP 發展迅速，雖然依舊面臨挑戰，但是 NLP 從理論研究走向交互應用，從語法和淺層語義走向深層語義，從功能主義走向認知和情感體驗是不可逆轉的趨勢。適逢國內深耕 NLP、多模態人機交互技術的竹間智能完成 1 億元人民幣 C+輪融資，本輪融資由申能誠毅、廣發信德、朗瑪峯資本合投，老股東中華開發金控再次追投。這也是該公司僅隔半年的第二輪融資，累計 3 億元人民幣，故動點科技對前微軟（亞洲）互聯網工程院副院長、現竹間智能創始人&CEO 簡仁賢先生進行了採訪。
“知識” 讓智能應用更精準
不論是智能對話還是智能搜索，有用的智能應用，都離不開對用户意圖和語義的 “真正理解”，不僅僅停留在固定關鍵詞的匹配。不同用户的使用習慣有時候是隨機且很難歸納定義的，簡仁賢認為，“如果沒有辦法達到這兩個，其實基本上它理解的程度就沒做到”，也會白白流失很多用户和業務商機。
在應用對話機器人的智能交互場景中，企業出於降本增效的考量，常常關注兩個問題：機器人是否真的可以替代人工解答問題？機器人的問答是否夠好夠智能？“能否回答問題” 由機器人知識範圍決定，而 “問題回答的是否夠智能” 由機器人掌握的知識質量決定。
未來企業的價值取決於其擁有的知識資產，而作為認知智能的重要技術，知識工程和知識圖譜的質量決定了知識應用的效果。
拿物流場景來説，物流企業的用户經常會諮詢 “託寄物” 的相關問題，例如：“西瓜可以寄嗎?” 如果遇到 “聽不懂人話” 的機器人，只能理解用户在諮詢寄件的相關問題，常常推送一個通用規則卡片，草草了事，並沒有直接解決用户對於西瓜這一具體物品的諮詢。用户可能會對此答案不滿意，進而要求轉人工服務或者直接退出對話。
機器人不能提供令人滿意的諮詢服務，是由於在它的知識系統內缺少關於 “西瓜” 的常識和知識，因為生鮮水果的寄送往往需要特殊的包裝，在傳統的規則匹配架構的問答系統中，需要配置大量相似問，反覆訓練後模型才可能給予正確解答，這種依靠大規模數據標註的方法不僅耗費人力，而且運營成本高、效率低下。
而竹間 Gemini 的智能知識庫中已具備與行業相關的先驗知識，以此為基礎搭建智能問答機器人，就能夠對西瓜這一實體進行準確識別，並通過它的從屬關係，“西瓜”→“水果”→“生鮮”，將其判別為生鮮類商品，再匹配物流行業知識中具體生鮮類產品的託寄規則及政策，可以直接生成針對西瓜的準確回覆，並進一步處理後續服務要求。
Gemini 的優勢就在於可以自動創建通用的行業的知識圖譜，同時能夠讓業務人員將業務上要處理的非結構化文檔自動產生知識並形成圖譜。由 Gemini 自動構建成知識圖譜，與竹間 Bot Factory 的智能機器人知識打通，就可以形成端到端的、從知識產生到應用的自動化全棧式閉環，讓這些寶貴的知識得到有價值的應用。
標準化產品上雲，滿足激增的 AI需求
在過去的兩年裏，NLP 領域開始爆發，竹間業績都有翻番，簡仁賢告訴動點科技，今年 Q1 竹間的商機有近 400% 的成長，包括頭部企業復購率也很高，“竹間聚焦在各行各業的頭部企業，復購率幾乎每年都在 70% 以上”。
簡仁賢坦承這來源於竹間對客户服務的重視。一個企業想要立足，“有好的產品並做好客户服務才可以”，因為產品 “交付的部分會碰到很多的難題，比如運營方面的難題，我們能不能給到客户一個簡單易用的產品，這個是非常重要的”。而且竹間的服務模式也是與時俱進的，不僅可以按照產品去交付，也可以按照服務去交付，企業可以根據自身需求決定本地化部署或者雲端部署。
今天竹間在 NLP 的賽道上，主要是克服技術和服務的規模化的難題，將竹間的技術能力以更標準的產品和服務的方式提供給到客户，比如 “正在推出的雲化平台，其實一則是將我們的產品更標準化，二是將我們的服務形態從本地部署到私有云、公有云及混合雲的部署模式等滿足頭部企業的各種需求。那麼如果竹間能夠在技術上和服務上領先，那麼將擁有更多克服困難的底氣”。
在過去的一年裏，很多企業已經無法滿足現在簡單的語音控制，他們希望有更強大的語義處理後台，並形成企業自己個性化的對話能力。“在這樣的需求下，竹間可以幫助企業一起建立對話平台和技能平台，比如説一般的天氣問詢或者醫療問詢等能力都轉化為語音助手，將其與企業對應的智能終端相整合，逐漸形成一定的技能能力、協調能力和對話能力。”
這樣不僅縮短了業務流程的時間，更把整個端到端的業務流程簡化。那麼原來做這種機械式重複性的工作的企業員工，可以被相應解放。“這些人可以去做一些人性化服務的工作，或者是參與訓練機器訓練模型，就像現在已經有無人車，那麼未來無人車普及後，司機們就可以擴展做一些新的工作。很多人投入新的領域，未來還會把這些新的東西再交給機器，那麼人就會一直自我更新。”
竹間智能在意圖理解的準確度以及長文本抽取精度都已經達到 95% 以上，竹間的對話機器人在零啓動的時候就能夠達到 85%，經過在企業實際業務應用中不斷訓練、自學習，基本上可以達到 92%~97% 的準確度，甚至更高。
對於竹間的未來，簡仁賢十分自信，“竹間有這個實力，這份累計近 6 年的積澱，就是這麼多企業會選擇竹間的原因。”