1 层对话像这样：
问：今天上海空气质量如何？答：空气指数 135
问：北京呢？答：空气指数 356
更高级的还可以有 2 层对话：
问：帮我在上海订一个今晚的酒店。答：好，在帮您预订
问：空气质量如何？答：空气指数 135
问：北京呢？答：空气指数 356
Q6：那聊天式的呢？
A：这种问题的答案通常是开放式的，比如说，问 “你在干嘛呢？”。
这种回答可以是事先人为设定好的规则，常见于一般的寒暄，用户会发现重复问 机器人 同样的问题，每次答案可能不同，比如 “我在陪你聊天啊”、“不告诉你”、“你猜” 等等，但问的次数多了就开始有重复了。
这种回答也可以是从巨大的真人对话库中进行搜索得来的，返回出现概率最大的回答。比如说，可以搜索同义的问题，如 “你干啥呢？”，“你弄啥咧？”，然后发现排名最多的回答是 “闲着”、“你猜”、“不告诉你”，那机器就会返回这些回答。
一般情况下，这两种方式在具体的产品中都会使用。具体到小冰，主要是使用的后者，对话库来源主要是在网络上爬取的（直接调用 MSN 信息可能会涉及隐私问题）。考虑到返回结果较随机，对其的二次理解较为困难，这类聊天机器人通常都是不含上下文理解的。
Q7：结合前面讲的语音识别一起总结一下？
A：语音识别，就是一个积攒数据，进行统计的过程，一个劳动密集型的活儿。语义理解，不管是命令式的，还是聊天式的，除非可获取优质聊天记录资源（世界上有这样数据资源的公司就那么几家，当然我也见过有人花钱买人过来陪机器人聊天的），不然就是人工制定规则的事儿，又是一个劳动密集型的活儿。工作量越大，机器人就显得越聪明。从公司维度来说，有限场景下，小公司深耕细作，有机会比大公司更好；大公司则能背靠资源，在更多场景下有所覆盖。
再用最精炼的话总结一下——多少人工，多少智能；就算聊天，也不智能。一般的壁垒就是工作量！语音是收集素材的工作量；语义是制定规则的工作量；在有限场景范围内，小公司在产品上比大公司没有劣势。
最后再提一句，机器学习 = 统计。
Q8：再说说图像识别？
A：嗯，我们先说最普通的图像识别是怎么做的。这里面我要盗用下 Andrew Ng 大神在 UCLA 的一次 talk 的 PPT（视频截图）。
人类在看一个物体时，大部分情况其实主要是看它的轮廓（并不是颜色或其他），所以我们希望机器也这么做。拿摩托车举例。第一步，通过图像处理算法，把摩托车的轮廓提取出来（美图秀秀类图像处理工具都有这功能）。第二步，我们把一幅图分成四份，分别统计 0°，45°，90°，135°四种的边的多少，然后把这些数字列在一起，我们称之为 “特征值”。这个特征值里面包含很多的信息，比如说，右下角的图中一般都有轮子，轮子是圆形的，也就是说，各个方向的边，应该都存在且比例相当；而右上角的图中，一般都有把手，所以某一个方向的边会比较多。通过这些数字的内在的关系，机器进行摩托车的判别。这样的方法看起来有些简单粗暴不合理，但目前许多机器确实就是这么识别的。
