因為社交網路和訊息平台的普及，聊天機器人(Chatbot)在過去兩三年成為了人工智慧應用的顯學。談到聊天機器人的魅力，必然是自然語言的直覺性和純文字訊息的便捷性。而聊天機器人的應用，在過去幾年已有不少新嘗試，不管是行銷業務、銀行客服或個人助理，都相繼有相關的新創公司殺入市場。

聊天機器人發展技術概觀
真正的聊天機器人不過就是個簡單的訊息介面，除了純文字外還有一些按鈕、下拉式選單……等互動元件。若狹義地去定義聊天機器人，訊息介面背後的後台，不見得需要運用機器學習、複雜規則式系統……等「人工智慧」系統。

以目前產業界的新創公司而言，通常在自然語言和機器學習上的投資都不能馬虎，架構可分為幾大塊：

1.意向辨識(Intent Identification)
2.意向合併(Intent Merging)
3.對話模型(Dialog Models)

「意向辨識」用機器學習的方式推斷使用者「想要幹嘛」。例如：說「我想看電影」和「死侍下一場什麼時候開始？」都是跟電影有關的意向，要怎麼將相同的意向語句做分類、建成辨識模型，是聊天機器人自然語言技術的第一步。

「意向合併」是同樣的語句，在不同的情況下，會有不同的意思。例如：若使用者傳來「最近的店家在哪裡」這語句本身有相當大的歧異性；但是，若使用者先說「我想要吃飯」，下一句才問到「最近的店家在哪裡」，系統應該了解使用者只需要餐廳的相關資訊。同樣地，使用者說「我想要吃飯」，跟說「我想要吃泰式料理」，後者很明顯地提供了額外的參數。意向合併通常都會利用某種規則式系統(Rule-based system)來達成，但也有可能會跟機器學習結合應用。

「對話模型」通常用規則式系統的方式設計使用者與系統的互動順序。例如：若使用者想透過個人助理聊天機器人排行事曆，系統會先問會議時間、接著問會議方式（線上或當面談），最後才會問線上的電話號碼或當面約談的地點，這一系列（或樹狀）的對話流程，就是對話模型。

除了客服
Chatbot還能創造的效益
我們換個角度回顧一下人類工業文明史的進程概觀。若回到工業革命前的中世紀和遠古時代，會發現人類的科技和文明發展，其實是不斷地將原先以自然語言溝通的內容「符號化」。

不管是古時的軍隊編制，運用數字、顏色和簡短口令來達到制度化；或工業革命時開始建立的可重複的單元性工作和線性生產線體制；還是二戰後早期的「電腦」所使用的打孔紙帶，都不斷地將歧異性高的自然語言縮編，成為簡短、明確且容易重複使用的符號系統。

聊天機器人被應用在歧異性高的內容上。因為歧異性低的內容很容易被簡單的數字集合、代碼符號化。再來，聊天機器人適合很難標準化且重複使用的流程，否則早就被符號化、系統化了。最後，聊天機器人的工作性質通常較廣、較雜但較不精深。因此，聊天機器人真正擅長的就是「客服」這種有標準流程但卻很難完全符號化的工作。

但是，並不是每個行業的客戶服務都是和業務、營收成正比的。聊天機器人新創比較有具體營收成果的，是銀行自動化客服新創，如：Personetics、Clinc、Kasisto……等。因為金融業的客戶服務是其核心服務的一部分，只有在客服流量增加時營收才會成長。反觀電子商務雖然也有客戶服務需求，但如果電子商務客服流量增加，代表平台或貨源問題多，並不能代表營收有等比的成長。若一產業客服的作用是以申訴為主，並且仰賴精算模型將客服流量最小化，那這種市場的聊天機器人經濟效益太小，不太能支撐得起聊天機器人公司的營收。

因此，雖然自動化客服在很多領域都能派上用場，卻很少有產業能夠像行銷、金融業一樣讓自動化客服發揮該有的經濟效益。目前世界上大型銀行使用的客服機器人，一套系統每年要收上百萬新台幣的費用，這種經濟負擔如果沒有看到營收和毛利等比成長，實在讓人花不下手。而這系統定價雖然聽起來昂貴，之前提到的Personetics、Clinc等金融客服新創靠這種大型B2B訂單維生，卻仍難以平衡產品研發成本，尚能達到收支平衡。

從產業宏觀的角度來看，台灣的行銷、金融業都不強勢，本身產值就不夠高的產業不太可能拉動聊天機器人產業的發展。從資源上來看，中文的自然語言技術向來落後於英文，因此在發展上步調會較慢；除此之外，台灣目前能夠使用的SaaS（雲端軟體服務）API數量有限，很難像美國、中國一樣快速地整合API來提供功能俱全的聊天機器人；台灣線上金流的落後，也會直接限制聊天機器人新創的營收前景。因此，在可預期的未來，聊天機器人產業在台灣還無法創造可觀的產值。