早在2015年，聊天機器人就備受關注。其中一個被大肆宣傳的是Facebook的M，它的目標是成為一個靈活的、適用廣泛的機器人，它可以做很多不同的事情，比如購買物品、安排送禮、預定餐廳和計劃旅行。但這些聲音遠遠超過了機器人本身。當Facebook在灣區對2500人測試M時，該軟件并未能完成要求它完成的大部分任務。
在對M和其他聊天機器人的熱情爆發之后，KUKA機器人示教器維修，隨之而來的是一波失望(微軟首席執行官納德拉曾說“機器人是新的應用”)。聊天機器人不像機器人那么愛聊天，那是因為他們被訓練只談論一小部分事情，執行特定的、有限的任務。它們無法與人進行自然的對話，無法根據對單詞及其含義的一般理解產生自己的反應。它們只能提供一般性的答復。
在M測試版之前，Facebook縮減了對這款機器人的宏偉計劃，盡管它的一些自然語言技術已經進入了相對保守的Messenger聊天機器人領域，這些聊天機器人可以做一些簡單的事情，比如點餐或發送問答信息。美國運通和1-800-FLOWERS等公司仍然使用這種簡單的聊天機器人來回答客戶服務問題、接受基本訂單和提供賬戶余額。如果你問一些超出它們理解范圍的問題，則會讓你和人工客服聯系。
但Facebook的人工智能研究小組已經從那種只能簡單聊天的機器人發展起來。Facebook自然語言研究人員Antoine Bordes表示：“過去3到4年我們一直在說，對目標導向對話的研究不是我們需要探索的道路，因為它太難，風險太大。”他還表示，如果一個旅游聊天機器人預訂了“錯誤的飛機、錯誤的航班，那在金錢、旅游等方面都是一個很大的錯誤。”
Bordes解釋說，Facebook并沒有專注于特定任務的機制，而是后退一步來解決一個更深層次的問題——教虛擬代理像人一樣交談。他們認為，如果聊天機器人能夠更好地理解，并與人類交流，它們最終可能會成為更好的助手，幫助人們完成實際任務，比如預訂機票。
Facebook在這方面投入了大量資金，聘請了自然語言人工智能領域的一些頂尖人才。該公司喜歡表明的是，與一些大型科技公司不同，它通過將人工智能研究成果發布到網上，讓整個研究社區都能看到，這可能會幫助其他正在構建下一代人工智能的公司。但這項研究肯定也會在自己的產品中體現。
消息應用與人們的日常生活深度捆綁，包括Messenger和WhatsApp，后者也是Facebook的子公司，目前仍在研究如何盈利。隨著首席執行官扎克伯格為公司提出一個更加重視私人對話的新愿景，Messenger和WhatsApp將需要增加一些功能，以保持相對于微信、Telegram和蘋果iMessage等其他信息平臺的領先地位。
構建一種可以隨意與人聊天的算法，已經成為大型科技公司的一個關鍵目標。亞馬遜、谷歌和微軟都加入了Facebook的行列，押注于人類對話的力量——不僅是基于文本的消息應用，還包括語音助手和其他體驗。由于最近的研究進展，通往真正的對話式計算機的道路突然變得清晰起來，但首先到達目的地的獎品仍有待商榷。
換句話說，Facebook的自然語言研究遠不止是復活M或者改進基于Messenger的聊天機器人，而是事關整個公司的未來。神經網絡
構建一個能與人進行逼真對話的數字代理人，可以說是所有自然語言問題中最難的。它需要一臺機器來學習一本充滿單詞的字典，以及所有的用法和細微差別，然后在與一個無法預測的人的實時對話中使用它們。
直到最近幾年，自然語言的AI社區才開始向通用知識機器人邁出更大的步伐。這部分是因為神經網絡的巨大進步，這是一種機器學習算法，通過分析大量數據來識別模式。
在AI發展的大部分歷史中，人類一直在觀察軟件在機器學習過程中的表現。在一種被稱為監督學習的技術中，人類教師通過提供一個問題的正確答案來慢慢訓練神經網絡，然后調整算法使其達到相同的解決方案。
當有大量的數據都是經過精心標注的時候，監督學習就能很好地工作——比如，通過識別照片中有貓、狗或其他物品。但這種方法在聊天機器人的世界里往往行不通。數千小時的人與人之間的對話記錄很難大量找到，而且對于一家公司來說，創建這些記錄的成本很高。
由于很難教聊天機器人使用這些較老的方法進行對話，研究人員一直在尋找替代監督學習的方法，讓神經網絡在沒有人參與的情況下自己從數據中學習。
減少對訓練數據需求的一種方法是教機器基本常識。如果一臺計算機對世界有一些了解，比如物體的相對大小、人們如何使用它們，以及一些物理定律如何影響它們的知識，那么它可能會將選擇范圍縮小。
人類這樣做很自然。例如，假設你在一個陡峭的懸崖邊開車，突然看到前面的路上有一塊大石頭，你要避免撞到石頭。但在考慮你的選擇時，你永遠不會決定突然向懸崖邊艱難地轉彎。你知道，由于重力的作用，汽車會猛烈地落在下面的巖石上。
“我們所做的大部分學習是觀察世界，”Facebook副總裁兼首席人工智能科學家Yann Lecun是人工智能領域的傳奇人物，自上世紀80年代以來一直在應對最大的挑戰，他表示：“我們從父母和其他人身上學到了很多東西，但我們也正是通過與世界互動，通過嘗試、失敗和改正，學到了很多東西。”
使用這種技術訓練的人工智能，稱為無監督學習，工作原理是一樣的。例如，一輛自動駕駛汽車通過它的許多傳感器和攝像頭收集有關世界的數據，就像一個孩子通過她的五種感官了解世界一樣。通過這種方法，科學家們為機器提供了大量的訓練數據供其仔細研究。他們不會要求它給出正確的答案，也不會哄它朝著某個目標前進。相反，他們只要求IT部門處理數據并從中學習，找到模式，并映射不同數據點之間的關系。
在許多情況下，這些必要的數據很難獲得。但是AI的一個領域是，神經網絡可以在不需要傳感器的情況下了解世界，即自然語言處理。研究人員可以使用大量現有的文本來幫助算法理解人類世界，這是理解語言的必要部分。
假設給一個神經網絡兩個短語來理解：“獎杯放不進手提箱，因為它太大了。”
“獎杯放不進手提箱，因為它太小了。”