该研究开发了一种基于众包的对话助手Chorus，它可以与终端用户进行复杂的对话，并以专业的方式招募工作者来帮助决定最佳响应。研究通过对Chorus的应用部署，提出了四个挑战：确定对话结束时间、恶意用户和工作者、按需招募，以及在没有共识的情况下的设置。这些观察结果对基于众包的对话系统和众包系统的部署有启示作用。

Aug, 2017

本文提出了Evorus，一种结合群众答案和自动化的聊天机器人，通过容易集成新的自动化场景、重用之前的群众答案和学习自动批准响应候选者进行自我自动化。作者在80个参与者和281个对话中对其进行了5个月的部署，并表明Evorus可以在不降低对话质量的情况下自我自动化。Evorus展示了如何在部署系统中成功引入自动化。它的架构允许未来的研究人员在部署的开放领域对话系统的背景下进一步创新其基础自动化组件。

Jan, 2018

通过Alexa Prize进行的研究，结合当今自然语言处理、上下文理解、会话管理等方面的技术，旨在解决对话人工智能问题，从而使得社交对话和自由形式对话在广泛的领域和主题上更加自然地进行。

Jan, 2018

提出了基于自动化和众包的Machines Talking To Machines (M2M)框架，可用于创建面向目标对话的端到端对话代理，该框架可适应特定任务，并能够收集更多不同领域内的对话流，并维持对话时的自然度，同时，提供了一个新的对话语料库，包含3000次对话，涵盖了2个领域，与流行的对话数据集进行了比较。

Jan, 2018

介绍了 Chorus 和 Evorus 两个系统，利用实时人类计算与人工智能相结合进行顶层设计。其中，Chorus 是人类计算实现的辅助对话系统，而 Evorus 是自动化 Chorus 系统的框架。通过超过 2,200 次的对话，证明了该系统的自动化和实际应用的可行性。同时，探讨了开发和部署中所遇到的来自“代理人”的挑战和那些难以自动化的对话的特殊挑战。

Oct, 2019

本文介绍了一种名为“Spot The Bot”的聊天机器人评估框架，该框架使用“生存分析”作为度量标准，并通过与其他聊天机器人的比较，评估其在模拟人类会话行为方面的能力，以此取代传统基于人工评估的方式。

Oct, 2020

使用预训练语言模型GPT2创建用户机器人和代理机器人来模拟任务对话，从而提高少量样本场景下的数据生成策略的效率。在MultiWOZ数据集和Persona聊天数据集上的实验结果表明，使用模拟数据能够显著提高模型性能.

Oct, 2020

本综述论文提供有关积极对话系统的综述，包括设计和挑战等方面，以及对话类型和实际应用的相关信息。

May, 2023

通过将大型语言模型（LLMs）组织成以社区为基础的结构，该论文介绍了一种变革性方法，旨在增强LLMs的集体智能和问题解决能力。本文研究了不同的组织模型 - 分层、扁平、动态和联邦，每种模型都具有协作人工智能系统的独特优势和挑战。在这些结构化社区中，LLMs被设计为专门从事不同的认知任务，采用直接通信、投票系统和基于市场的方法等先进的交互机制，并动态调整其治理结构以满足不断变化的需求。这种社区的实施对于提高人工智能的问题解决能力具有重大潜力，因此有必要深入研究其伦理考虑、管理策略和可扩展性。本文旨在为未来研究奠定基础，主张在人工智能研究和应用中从孤立到协同的运行框架进行范式转变。

May, 2024

本文全面调查了基于大型语言模型（LLMs）的聊天机器人在各个领域的进化和部署，总结了基础聊天机器人发展、LLMs演进，并提供了当前正在使用和开发中的基于LLMs的聊天机器人概述。我们将AI聊天机器人视为生成新知识的工具，探讨了它们在各个行业中的多样应用。然后，我们讨论了一些挑战，包括训练LLMs使用的数据和生成知识的滥用可能引发的问题。最后，我们展望未来，探索如何提升它们在众多应用中的效率和可靠性。通过介绍LLMs-based聊天机器人的关键里程碑和当今背景，我们的调查邀请读者深入研究这一领域，并思考它们的下一代将如何重塑对话型人工智能。

Jun, 2024