聊天机器人的优缺点及未来发展
一、人工智能是什么
人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
李开复对人工智能做过这样的定义：
首先是感知，包括视觉、语音、语言；感知可能是帮助识别一张图里，一个婴儿在沙发上抱着泰迪熊；
然后是决策，包括识别、推荐、预测、判断；比如GoogleNow通过你过去做的事情推测你接下去要做什么；
最后是反馈，包括生成、机器人、自动化；比如无人驾驶汽车通过各种传感器捕捉的信息后，用来做最后的决策——比如怎么去操作方向盘、油门、刹车等。
人工智能里面有很多先进的技术，自然语言处理、语音识别、计算机视觉等，下面，我们首先来了解一下自然语言处理技术以及其典型应用。
二、自然语言处理应用——聊天机器人
自然语言处理（NLP）是计算机科学，人工智能，语言学关注计算机和人类语言之间的相互作用的领域。核心技术有机器翻译、聊天对话等，主要的应用有搜索引擎、问答系统等。
问答系统本质上是一个信息检索（IR）系统，只是它从文本中获取更多信息，返回更加精准的答案。
传统的问答系统将按照以下的流程工作：（1）问题解析（2）信息检索（3）答案抽取。
典型的就是聊天机器人，一种自动的问答系统。模仿人的语言习惯，通过模式匹配的方式来寻找答案。在它们的对话库中存放着很多句型、模板，对于知道答案的问题，往往回答比较人性化，而对于不知道的问题，则通过猜测，转移话题，或者回答不知道的方式给出答案。
聊天机器人主要解决下面四个问题：
第一个怎么让你的“女朋友”能听你的话并想出应该回复什么
针对内容为导向的对话，系统中有内容管理模块，会在网上爬取信息，然后选取相关内容进行对话；
第二个问题是怎么样进行开放式的话题，让聊天一直持续下去
在开放式话题上，该机器人需要涵盖很广的内容，并且需要区分领域和话题。会首要响应用户的需求，同时将内容推荐作为潜在任务来推进对话的进行；
第三个问题是怎么样贴合用户爱好，聊相关话题
聊天机器人以用户为中心，以内容为导向。构建了为对话设计的知识图谱，里面涵盖了比较多样化，高质量的内容，所以能进行一些风格多样化的对话；
第四个是面对多样的用户是怎么让各种用户都满意的？
根据对话的历史以及内容的属性来选取最优的策略进行对话。通过心理学的问题来了解用户的性格从而更好地进行内容推荐。
基本实现过程如下：用户输入数据-》分析用户意图-》抓取关键参数-》匹配最佳回答–》输出回答。
基本原理就是我们的目标给定输入句子X，生成目标句子Y，对输入句子X进行编码，将输入句子通过非线性变换转化为中间语义表示C，根据句子X的中间语义表示C和之前已经生成的历史信息y1，y2……yi-1来生成i时刻要生成的单词yi。每个yi都依次这么产生，那么看起来就是整个系统根据输入句子X生成了目标句子Y。
利用上述框架，聊天机器人可以根据用户当前输入Message自动生成应答Response，形成了一个有效的问答对话系统。
相对基于检索类或者机器翻译类传统技术而言，基于深度学习框架的聊天机器人具有如下明显优点：
构建过程是端到端（End-to-End）数据驱动的，只要给定训练数据即可训练出效果还不错的聊天系统，省去了很多特征抽取以及各种复杂中间步骤的处理。
语言无关，可扩展性强。只需要使用不同语言的聊天数据进行训练，不需要专门针对某种语言做相关的特定优化措施，这使得系统可扩展性大大加强。
训练数据扩大有助于持续提升系统效果，一般通过不断增加训练数据就能够带来持续的效果提升。
也存在下面缺点：
评价标准方面还有待深入研究，很多工作是通过人工来进行效果评价，还没有特别合适的专用于聊天机器人的评价标准，这是阻碍聊天机器人技术持续发展的一个障碍。
缺乏标准化的大规模训练数据。标准化的特大规模人与人对话数据相对缺乏。如果能够有大规模的标准聊天数据，很明显将能够极大促进技术进步。
技术仍处于发展初期。技术手段也好，实际系统效果也好，都有非常大的进步空间。
三、聊天机器人的未来发展
聊天机器人已开始渗透到了我们的日常生活中，只不过，它们还没有变成主流。电脑需要更好地理解人类的语言、情感和意图。人工智能必须在几个重要的方面获得发展，才可能有机会得到广泛的应用。
1.自然语言处理方面得到改善
聊天机器人越来越火，且应用至各行各业，微信、微博、QQ等众多社交平台纷纷选择嵌入人工智能，尤其能理解对话的语境与语义的虚拟聊天机器人成为核心，得益于日益成熟的人机自然交互技术，提升了用户体验。
2.了解消费者
人工智能要发挥作用，最关键的问题就是理解背景信息。正如营销和销售会以360度的视角来了解消费者，聊天机器人也需要更深入地了解它们互动的对象：他们是谁，他们是如何变成现在这个样子的，他们在寻找什么，以及他们过去做过什么。
3.阅读人类的情感
如果聊天机器人能够阅读人类的面部表情或语音变化，从而理解与它们交流的人的情感变化，那么它们将无疑能够提供更好的服务。聊天机器人现在只能应付简单的客户服务。如果用户感到失望或恼怒，那么聊天机器人可能需要将对话交给人类客服人员了。责任编辑人：CC
【好书提炼】聊天机器人技术原理与应用
本文作者：王小草资深算法工程师
本文是对2019年3月出版的《自然语言处理实践-聊天机器人技术原理与应用》的全书内容提炼，若有不当之处，请联系本文作者。在此感谢本书作者王昊奋、邵浩、李方圆、张凯、宋亚楠。
阅读方法：对聊天机器人、NLP有基础的同学，可以通过本文迅速了解当前聊天机器人或智能对话的系统知识、框架，对感兴趣的点可以自己去深入研究；对聊天机器人、NLP没有基础但又想了解的同学，可以对照着原书进行阅读，本文是对原书的浓缩、提炼，帮助你更快得掌握核心知识，而非读过就忘。没时间读原著的话，也可以直接阅读本文进行一个概况了解。
一、聊天机器人概述1.1聊天机器人发展历史阶段时间发明人机器人实现方式溯源与萌芽阶段（1950-1990）1950图灵提出图灵测试1966麻神理工约瑟夫·魏泽鲍姆name:ELIZA，目的：临床模拟罗杰斯心里治疗关键词匹配+人工编写回复规则1972美国精神病学家肯尼思-科比尔name:PARRY,目的：模拟偏执型精神分裂症会话策略比ELIZA更严谨1988英国程序员罗洛·卡彭特name:Jabberwacky，目的：模拟自然的人际聊天上下文模式匹配技术，没有硬编码的规则1988UKBerkeley罗伯特·维斯林斯name：UC，目的：帮助用户学习使用UNIX操作系统规则+建模，提高了聊天进机器人的智能话程度1990美国科学家休·勒布纳设立仍只能年度比赛，测试机器聊天与思考的能力研究兴起阶段（1990-2010）1995AI科学家理查德·华勒斯name:Alice,目的：聊天阈值问题模板匹配（本文作者对ALICE有相关介绍：https://blog.csdn.net/sinat_33761963/article/details/79232894）2001name:SmartChild,目的:应用于短信和即时聊天工具2006IBMname:最强大脑Watson，目的：搜索只是问答基于IBM“深度问答”技术的超级计算机，采用上百种算法3秒内找出特定问题的答案2010年至今2010苹果siri，目的：个人助理实体驱动+NLU2014微软小冰、小娜(cortana)，目的：娱乐深度学习+搜索阿里小蜜京东JIMI网易七鱼2014亚马逊echo，目的：智能助手2016谷歌Allo个人助理、深度学习、用户内嵌2016公子小白，目的：社交自我认知2017小米小米音箱，目的：多种技能，智能家居2017阿里天猫精灵，目的：生活购物1.2聊天机器人分类1.2.1基于应用场景分场景类别功能当前产品在线客服聊天机器人系统自动回复产品、服务的相关问题，降低企业客服运营成本，提升用户体验京东JIMI，阿里小米基于娱乐的聊天机器人系统不限主题的闲聊、用于陪伴与慰藉；也提供特定主体服务，如查天气等微软小冰、微信“小微”、北京龙泉寺“贤二机器僧”教育场景下的聊天机器人系统帮助用户学习某种语言；指导用户深入熟悉某项技能；帮助辅助学习UC、儿童教育机器人个人助理聊天机器人系统实现用户个人事务的查询代办siri、小米音箱、echo智能问答聊天机器人系统回答用户以自然语言形式提出的事实型及复杂推理的问题，帮助用户获得信息于辅助决策waston1.2.2基于实现方式分实现方式类别介绍检索式回答是提前设定好的，通过规则引擎、模式匹配、机器学习模型，在知识库中挑选一个最佳的回复给用户，优点是回答自然，缺点是需要准备超大只是库生成式不依赖于提前定义的回答，利用大量的语料训练监督模型，使得该模型能输入用户问题，自动生成一个回复，有点是能覆盖任意领域，缺点是生成式的效果存在问题，比如句法错误，通顺度等1.2.3基于功能分功能类别功能场景当前产品问答系统获取用户需要的知识客服、知识检索watson任务型对话系统完成用户的某个任务，如打电话，充话费、订机票、订酒店siri闲聊系统陪用户闲聊娱乐、情感陪伴微软小冰主动推荐系统信息推荐个性化推荐今日头条本文作者：前三者为当下聊天机器人的主要的3个方向，问答系统主要应用的是语言理解、匹配与检索技术；任务型对话系统主要技术是意图识别、对话管理；闲聊主要是自然语言检索与生成。
1.3聊天机器人生态系统聊天机器人的系统一般有以下5部分组成：语音识别–>自然语言理解–>对话管理–>自然语言生成–>语音合成其中语音识别和语音合成是语音方面的知识，暂且不在本书中作为讲解对象。
语音识别：语音转换成文字自然语言理解：将自然语言转换成计算机能理解的表征对话管理：根据当前对话管理状态判断系统应采取的策略自然语言生成：将系统策略转换为自然语言回复给用户语音合成：将文本转换为语音
二、聊天机器人技术原理1.自然语言理解1.1聊天机器人中的自然语言理解聊天机器人的自然语言理解一般包含以下几个方面：
NLP解释实体识别人名、地名、机构吗、专有名词德国意图识别显式意图与隐式意图情感识别显式情感与隐式情感指代消解明确代词的指代对象省略恢复恢复被省略掉的句子成分回复确认当用户意图模糊时，聊天机器人主动询问，确认用户意图拒绝判断主动拒绝识别及恢复超出范围的或者设计敏感话题的用户输入1.2自然语言理解的基本技术基本技术分类词法分析汉语分词词性标注句法分析依存句法分析短语结构句法分析深层文法句法分析语义分析将自然语言表征成及其可理解的向量1.3自然语言表征与理解句子、段落、文章的表示词袋模型bagofwordstf-idf词的表示one-hot表示通过训练语言模型使用深度学习encoder-decoderBERT1.4基于知识图谱的自然语言理解1.4.1知识图谱的基本知识框架概念：知识图谱可以被看成是结构化的语义知识库，旨在以符号的形式描述真实世界中存在的各种实体或概念及其互相关系。
知识图谱的组成：（1）实体-关系-实体三元组（2）实体-属性对
知识图谱的结构：
知识表示使用图和树的数据结构来表征实体与关系知识构建从传统数据库的结构化数据中映射到知识图谱；从HRML等半结构数据中利用AI与规则抽取模式信息到知识图谱中；在非结构化的文本与图像中利用文本挖掘技术进行信息抽取，利用图像技术进行图像处理。知识融合将多个数据源抽取的指数进行融合1.4.2聊天机器人对知识图谱的需求聊天机器人需要个性化的知识图谱，简历机器人与用户的个性化稠密小图；聊天机器人需要静态图谱与动态图谱，比如刻画用户的生活轨迹，日程安排；聊天机器人需要客观知识的知识图谱与主管情感的知识图谱，感知用户情感，并输出相应情感的答案；聊天机器人需要对接外部服务API，主要是任务型聊天机器人中，如订餐的任务调用饿了么的API；聊天机器人需要纯文本的知识图谱，也需要多媒体知识的知识图谱。
2.自然语言生成自然语言生成系统的两大主要架构：（1）流线型pipline自然语言生成系统系统由几个不同的模块组成，模块之前相互独立，一般包括文本规划（决定说什么），句子规划（决定怎么说），句子实现（让句子更连贯）
（2）一体型integrated自然语言生成系统模块之间相互左右，后续模块可以参与前面模块的决策。更符合人脑思维，但实现较为困难。因此较常用的未流线型自然语言生成系统
自然语言生成系统的两大技术：检索、生成
2.1基于检索需前期准备大量的qa对语料库，通过排序与深度匹配技术，在已有语料库中找到适合当前输入的最佳回复。缺点：（1）强烈依赖对话库（2）回复不够灵活（3）缺乏多样性优点：（1）实现相对简单（2）容易部署
2.2基于模板的事先人为地定义模板，模板由句子模板和词汇模板组成，句子模板是包含若干个含有变量的句子，词汇模板是句子模板中的变量对应的可能的值。
典型的基于模板的自然语言生成开元框架：AIML(博客教程：https://blog.csdn.net/sinat_33761963/article/details/79232894)
适合：任务型对话系统
2.3基于深度学习的通过编码-解码的过程，逐字或逐词地生成回复。通过对抗圣城网络GAN生成自然语言。
3.对话管理3.1对话管理功能对话管理的主要任务：维护更新对话状态，动作选择。
对话状态是指当前用户与机器对话数据的表征；动作选择是指基于当前的对话状态，选择接下来合适的动作
3.2对话管理关键技术对话行为识别：相当于是意图识别，封闭式的行为识别是讲用户意图映射到预先设定好的意图类别中，如在任务型对话中有订机票、点外卖、搜美食等。开放式行为识别是没有预先设定的行为类别的，一般用于闲聊系统。
对话状态识别：对法状态识别需要考虑进对话的上下文与对话行为的相关信息，在某时刻的对话行为序列即为某时刻的对话状态。
对话策略学习：通过离线的方式，预先让机器进行对话策略学习，从人-人的真实对话中学习对话行为、状态等，然后再人-机对话过程中进行策略选择。
对话奖励：评价对话系统的评价机制，比如槽位填充效率、回复的流行度，以及日渐火爆的强化学习中的长期奖励机制。
3.3对话管理的4种方法基于有限状态自动机finitstatemachine,FSM人工显式地定义出对话系统可能出现的所有状态，对话状态会根据当前输入在预定的状态间进行跳转，从而根据新的状态去选择合适的动作。优点：简单易用。缺点：人工设计状态，与状态对应的动作，难以应用于复杂场景。
基于统计的对话管理将对话过程表示成一个部分可见的马尔科夫决策过程。设定系统在每个特定的状态下执行某一特定动作都会获得对应的回报，因此选择动作时会选择期望回报最大的那个动作。优点：（1）只需定义马尔科夫决策过程中的状态与动作，机器可以通过学习得到不同状态下的转移冠关系；（2）可以使用强化学习的方法学习出最有的动作选择策略缺点：仍然需要人工定义对话系统的状态，在不同的领域中通用性不强。
基于神经网络对话管理方法将自然语言理解的输出以及其他各类特征作为神经网络的输入，将选择的动作作为神经网络的输出。对话状态由神经网络的隐状态表示。优点：不需要人工定义对话状态缺点：需要大量的训练数据
基于框架的对话管理框架即槽-值对，明确规定特征槽状态下的用户动作对应的系统动作。优点：用于特定领域的对话系统缺点：难以衍生到其他领域
其他新方法：one-shot-learning,zero-shotlearning用于解决样本量少或者无样本的问题，解决对话系统的冷启动。深度强化学习用于策略选择seqGAN采用对抗网络实现离散序列数据的生成模型。
三、问答系统1.问答系统的类别（1）基于web信息检索的问答系统（Webquestionanwser,WebQA)：WebQA以搜索引擎为支撑，根据用户意图搜索相关答案反馈给用户。
（2）基于知识图谱的问答（Knowledegbasedquestionanswer,KBQA）：根据已有的知识库、数据库资源、非结构化文本信息，构建知识图谱作为问答系统的后台支撑，并可根据知识推理，得到更深层次语义理解的答案。
（3）基于文本的问答：答案句子选择、阅读理解（答案短语选择）。
（4）基于表格的问答：从表格中选择答案，并进行自然语言生成。
（5）社区问答系统（Communityquestionanswer,CQA):基于社交媒体（百度知道、知乎问答），问题由网友提供，问答系统会检索社交媒体中与用户提问相似的问题，并将答案返回给用户。数据的形式一般是问答对。也
以下主要对KBQA，表格问答，文本问答进行展开分析。
2.KBQA系统介绍2.1KBQA知识库形式知识图谱(SPARQL）非结构化文本知识库（机器阅读理解）数据库（nlp2sql)
2.2KBQA系统组成问句输入——>问句理解——>答案信息抽取——>答案排序和生成——>答案输出
2.3主流KBQA方法方法解释评价1.基于模板匹配模型定义—>模板生成—>模板匹配—>答案排序优点：响应快，准确率高缺点：需要建立庞大模板库2.基于语义分析将自然语言转换成逻辑形式—>通过逻辑形式访问只是库中的知识进行推理和查询例：what’sclalifirnia’scapital?>captital.california>sacre=amento优点：准确率高；可回答相对复杂的符合wenti缺点：人工编写大量规则；编写规则模板有限3.基于图遍历法问句理解—>图遍历找到最佳路径—>焦点约束排序典型产品：IBM的WARSON4.基于深度学习1.利用深度学习对传统的方法进行改进2.端到端的方法，在系统中输入问句和知识库，系统返回答案缺点：无法处理时序敏感性问题；处理复杂问题不如传统方法5.其他优化方法1.多知识库融合2.HybirdQA：基于知识库与web只是进行问答优点：覆盖大量问题范畴3.KBQA系统实现以天气领域的KBQA为例
3.1系统简介实现目标：用户询问天气类问题，理解意图，从天气知识图谱中检索答案，或经过推理生成答案，答案排序，返回最终答案给用户。
系统功能：（1）回答天气基本信息（上海天气怎么样？）（2）回答天气相关场景问题（今天上海出门需要带伞吗？）
3.2系统模块部分模块的解释：映射问题表示：相同的意思会有不同的词汇表示，该步骤是将问句中的词汇映射到知识图谱中的词汇进行消歧；另外天气服务接口与知识图谱中的标准表示也得进行映射==》方法：字符串匹配，同义词匹配等。
构建查询：将自然语言理解输出的问句进行处理表示成查询知识图谱的语言，如SPARQL.
知识推理：若询问的是未定义的天气应用场景问题，则需要推理获得答案，如问“明天是否带伞？”，需要构建规则：天气为下雨则带伞，否则不带伞。
天气知识图谱与交互：
3.3具体实现伪代码的方式表示实现过程，以下是算法整体流程，输入问句，返回答案，中间经历三个步骤：自然语言理解、候选答案生成，答案排序与选择后反馈
自然语言理解算法流程：该步骤有两部，首先提取问句中的信息（分词、实体、时间等），然后判断用户的意图类别（此处假设是有询问天气和天气场景的两个意图），最后输出信息于意图类别。
查询映射算法流程：首先映射问题与知识图谱的本体，然后知识图谱向服务发送一个请求获取天气信息，将天气信息与知识图谱再进行一次本体映射，最后结合意图与规则推导答案答案生成算法流程：消歧、打分、排序后获得唯一答案进行返回
4.表格问答4.1表格检索目标：从候选的表格集中找到存在用户输入question答案的表格，返回该表格。步骤：（1）候表格检索：可以将表格内容链接成一篇文档，利用文档检索技术检索表格，如BM25.（2）候选表格排序
4.2答案生成目标：基于表格T对问题Q给出答案方法：（1）基于排序的方法，假设答案肯定在表格中，就给每个表格的单元格进行打分排序，选出最可能的。（2）基于语义的方法（3）基于神经网络，将Q转换成向量，表格也转换成向量，进行神经网络预测
5.文本问答5.1句子检索目标：找到能回答问题的句子
5.2阅读理解目标：找到能回答问题的短语
四、对话系统1概述1.1分类类型目的评价标注实现方式开放领域对话系统支持闲聊对话，用户没有明确目的性以用户主观体验为主海量检索；端到端生成任务型对话系统帮助用户完成任务，对话有明确目的性以任务完成情况衡量基于规则；基于数据1.2主要模块模块功能自然语言理解领域识别意图识别槽填充对话管理根据语义表示、对话上下文、用户个性化信息等找到合适的执行动作自然语言生成自然语言技术生成自然语言1.3可用语料DSTC（Dialogstatetrackingchallenge)utuntuLinux系统对话语料航空旅游信息系统数据集ATI
2.任务型对话系统技术原理任务驱动的对话系统如下两类：
类别过程技术模块化的对话系统串行的NLU,DST,DPL,NLG采用规则or数据驱动端到端的对话系统输入直接到输出，中间过程黑盒数据驱动端到端的方法尚且不成熟，在工业界使用较少，下面将接模块化的4个步骤。
2.1自然语言理解NLU模块包含两个子模块：
子模块实现方式评价意图识别文本分类分类准确率槽位填充序列标注F1-score以上两个模块，可以串行独立进行，也可以并行联合训练。以天气问答为例，先进行领域分类，再在该领域内进行意图分类，最后提取地点、时间填充槽位输出。
2.2对话状态跟踪DST模块对话状态包括：a.目前为止的槽位填充情况b.本轮对话用户动作c.对话历史在模块中，系统跟踪并记录下每一轮的对话状态。NLU输出的槽位可以是带置信度的多个选择，因此在DST模块中也可以是根据置信度维护多个状态：
2.3对话策略学习DPL模块该模块根据DST输出的对话状态选择最优的动作作为输出。**方案一：**以点表示数据（槽位），以边表示操作（系统动作）。弊端是槽位数量增加，对话状态数量也会急剧增加。
**方案二：**以边表示数据（槽位），以点表示操作（系统动作）有些槽值缺失可以不进行多轮询问，直接以默认方式填充，会提升用用户满意度
2.4自然语言生成NLG模块一般会采用基于规则生成对应回答。
3面向任务的对话系统的实现根据4个步骤，整体算法流程为：输入问句，输出回答，中间经历4个步骤
NLU模块：输入问句，经过意图分类，槽值填充，输出用户动作DST模块：输入用户动作与历史对话，若意图存在，记录状态，要是有缺少的槽值并无需追问的就填充默认值；若意图不存在，则有两种可能，要么是在多伦对话中，要么就是无法识别的意图，若为前者那就去历史对话中意图，并且更新对话状态。DPL模块：输入对话状态，根据状态选择动作，是追问呢，还是返回答案呢
五、闲聊系统1基于对话库检索系统1.1对话库建立数据来源：电影对白、小说对白、网络社区对话、开源对话语料等等
1.2检索技术（1）弱相关模型，分别单数对Q和A进行向量表征的获取，再将两两向量求相似性作为QA对的相似性如下一个经典模型一看便知：
（2）强相关模型，将Q与A进行联合建模，通过多层感知机得到最终匹配。
1.3检索式闲聊系统的实现步骤2.基于生成式的系统2.1概述采用深度学习对海量对话语料进行学习，进行端到端的序列生成。
2.2优化方向（1）安全回答（2）个性一直（3）对话连续
2.3实现六、聊天机器人评测评测会议评测数据集评测指标问答系统1.TrecQARrack2.NTCIP评测3.CLEF的QALD评测4.INEXLinkedDataTrack5.SemanticSearch挑战6.BioASQWorkshop7.EPCQA汉语问答测评（中科院）1.TrecQATrackData数据集2.Free173.WebQuestions4.QALD5.simpleQuestions6.SQUAD阅读理解问题1.召回率2.准确率3.F-测度对话系统微软DSTCDSTC数据集2013年-2018年NLU：分类问题、准确率、召回率，F-scoreDST：DSTC标准DPL：任务完成率，平均对话轮数NLG：基于模板，不做评测闲聊系统1.BLEU2.METEOR3.ROUGE机器人的优点和缺点
科学在简化人类在地球上开展业务的方式方面发挥了非常重要的作用。机器人是彻底重新定义行业运作方式和工作方式的众多发明之一。虽然机器人有很多优点，但这些机器人也有一些缺点。
机器人的优点：机器人速度快：机器人设计用于在快节奏的环境中工作。它们通常非常快速且非常有效，并且可以轻松地以非常高的速度执行日常工作。这与人类的能力背道而驰。机器人可以进入人迹罕至的地方：机器人被设计成供人们用来做各种工作。因此，它们可以轻松到达和进入人类可能无法进入的地方。机器人是独立的：机器人不需要人工干预即可工作或操作。一旦它们被通电并被指示工作，它们就会一直工作，直到另有指示。这使他们非常独立。机器人是准确的：机器人的设计是为了在他们的操作中做到完美。这主要是因为每个机器人都被设计为在生产链的特定部分工作。因此，它们是准确的，并且将准确地执行相同的任务，直到否则。机器人是持久的：机器人可以在很长一段时间内完成特定的任务而不会抱怨。如果它们没有发生故障，它们可以执行相同的任务数年。机器人可以重复使用：机器人不会厌倦做他们应该做的事情。他们可以在很长一段时间内重复执行相同的任务，直到他们崩溃或抓住工作的那一天。机器人不需要休息：机器人在某些情况下使用电力和汽油来执行其职责。这意味着只要有能力为机器人供电，他们就不需要在工作之间进行任何休息。能够在恶劣条件下有效运行：机器人不知道恶劣条件和有利条件的区别。无论将它们放置在何处，它们都将按照预期的方式有效地工作。机器人可以做人们不愿意做的事情：机器人是完成任何事情的可靠方式。它们旨在接收指令并执行这些指令。因此，它们可以用来做人类不愿意做的事情。节省时间：机器人在规定的时间内完成给定的任务，在节省时间方面发挥着重要作用。机器人的缺点：机器人需要动力才能工作：与人类不同，机器人需要动力才能工作。在没有电源的情况下，无论机器人多么有效，它都不会按计划工作。机器人造成失业：机器人越来越多地承担本来应该由人类执行的功能。所有行业都在发生这种情况，最终将导致失业。机器人维护成本高：机器人需要全时供电和维护。每次机器人发生故障时，都需要花钱来维护它。这有时可能非常昂贵。机器人不能解决危机：机器人只有在给出特定指令后才能运行。一旦提供了说明，机器人就会工作。但是，他们无法独立思考，因此没有能力在发生危机时解决危机。机器人不智能：与人类不同，机器人不智能。他们无法在任何特定时间独立思考并提供解决问题的方法。机器人功能有限：与人类不同，机器人的功能非常有限。它们旨在在特定时间执行特定工作，一旦这些工作完成，它们就无法做任何其他事情。机器人没有情感：机器人不是人，因此没有任何情感来处理问题和危机。因此，他们将解决呈现给他们的问题并等待下一个问题。机器人可能很危险：如果不加以控制，机器人有时会非常危险。由于它们不聪明的天性，它们可能会在不知不觉中对人类造成伤害。机器人需要指令才能运行：除非得到指令，否则机器人无法运行。他们无法独立思考并相应地采取行动。机器人不知道什么时候停止：机器人被设计成完全按照指令执行。这意味着他们需要被告知何时开始以及何时停止。没有这些命令，它们只会继续下去。机器人的优点和缺点有什么好处？机器人的优点和缺点的局限性机器人的优点和缺点机器人的的好处和坏处机器人的的利与弊机器人的的优缺点机器人的怎么样？欢迎任何形式的转载，但请务必注明出处，尊重他人劳动成果。转载请注明：文章转载自有区别网[http://www.vsdiffer.com]本文标题：机器人的优点和缺点本文链接：https://www.vsdiffer.com/proscons/pros-vs-cons-of-robots.html免责声明：以上内容仅是站长个人看法、理解、学习笔记、总结和研究收藏。不保证其正确性，因使用而带来的风险与本站无关！如本网站内容冒犯了您的权益，请联系站长，邮箱：，我们核实并会尽快处理。相关主题点胶机器人的优点和缺点人工智能(AI)的优点和缺点神经网络的优点和缺点随机翻译的优点和缺点手指纹身的好处和坏处隐适美牙套的优点和缺点还清抵押贷款的优点和缺点面包师的优点和缺点XboxOneX的优点和缺点优步(Uber)司机的优点和缺点律师职业的优点和缺点异地恋的好处和坏处共享主机的优点和缺点家庭自动化的优点和缺点保时捷Taycan的优点和缺点