1.传统级联式架构存在天然的信息损耗

过去很长一段时间智能语音应答系统采用串行流水线架构：音频信号预处理、自动语音识别转写文本、自然语言解析、应答文本生成、语音合成输出音频，各个工序依次开展，上一个模块输出结果传输至下一模块之后才能够启动运算。

这种分段处理模式会出现多层级信息损耗。音频自带的情绪、停顿、气息、重音等副语言信息，经过语音转文字环节之后直接遭到舍弃，剩下纯文本数据。后续语义理解模块能够调用的素材已经丢失大量关键线索。并且串行结构叠加每一个模块运算耗时，累积交互延迟，流式实时对话体验下降。各个模块独立训练优化，模块之间不存在协同适配，一处产生误差便顺着链路传递放大。

从信号传递逻辑来讲，信噪比衰减、口音偏差带来的转写错误，无法依靠后置语言模型进行补偿，架构本身的短板很难依靠单一模块升级彻底修复。

2.过往语义识别依赖模式匹配，缺少认知推理机制

早期自然语言理解技术以规则引擎、关键词库、文本分类模型作为主体，本质上属于对已有样本进行模式匹配。模型只可以识别训练数据集当中覆盖过的句式结构，人类口语拥有极高的创造性，句式排布自由、随时产生全新省略句式、衍生口头表达。

模式匹配机制没有搭建起知识推理链路，不能够梳理语句当中主体、限定条件、因果关系、转折逻辑。当用户组合多个条件、提出带有因果和选择关系的复合问句，匹配式识别便容易遗漏部分约束条件。大模型普及之前，语义模型不具备自主梳理逻辑链条的能力，只能够做到表层文字分辨，达不到认知层面的解读。

3.对话记忆架构设计简陋，缺少分层式信息存储机制

传统对话缓存仅仅把所有对话文本顺序储存，不会区分临时对话信息、长期用户习惯、固定业务参数、一次性临时诉求。所有信息混杂存放，模型检索关键信息效率低下，超长对话之后无用历史数据干扰当下语义判断。

并且记忆库的更新策略较为被动，只有新增对话记录，不会完成信息覆写、过期信息标记、无关话题数据隔离。当用户修正之前的错误口述内容，旧的错误参数依旧保存在缓存之内，模型会交替读取新旧信息，引发语义判断混乱。缺少遗忘机制，长时间交互积攒冗余对话素材，拉高语义解析算力开销。

信息来源：合力亿捷