Mike：有两个方面的角度。第一，小娜从发布到现在，我们不断的在后台增加新的功能。举个例子，我们在Build上做的演示，我们经常在跟别人交流的过程中，做了很多的承诺。但是我们往往只能记住其中很小的一部分。小娜现在一个新的能力来说。现在有一个秘书替你看的这个东西，他会提醒你。比如，你答应Mike，过两天要跟他去吃饭别忘了。这种事是很容易忘的事，但是小娜从秘书的角度，他能主动的把不经意之间为别人提供的一个承诺，他给你抓住这个承诺，然后会主动的提醒你，让你不要忘记你的承诺。变成一个守信用的人。这是一个方面的例子，就是我们在后台，不断的增加了很多新的能力。
第二，随着用户使用数据越来越多。实际上小娜也是在后台不断的学习，学习过程中，我们可以知道他是用什么样方法完成一个任务，去查询什么样的一个信息。这样，对我们从质量的角度，做了很多的提高。包括从语音识别的准确性，和语义理解的一个准确性能力来说，都做了很多提高。
刚才举了两个例子，这两个例子，都是我们从用户和小娜交互过程中学到的。有的用户就会提到，让小娜帮关机。我们在刚开始设计的时候，其实没有考虑到这个问题，但是根据用户使用的量，还有使用的习惯，常用的东西我们就把他加进去。还有一些，就是我们常说的“现在几点了？”因为我们的设计理念就是，手机上已经有时间了，你为什么要问这个问题，我们当时就没有想到，直接就把他带到了搜索的一个界面里。实际上在用户的使用过程中，小娜也慢慢在养成这样的习惯，我们也是在不断的学习用户的行为习惯。根据这些习惯，我们对产品的定义，重新做了很多的修改。
因为小娜是基于很多服务在云端实现的。所以这样，实际上也是我们利用了现代软件开发带来的便利。以前我们在做这种软件开发的时候，很多时候都是有一个猜测，然后是一个实现。但是经过用户的反馈，你会发现有些猜测是对的，有些猜测是不对的。那对这些不对的猜测，我们很敏捷的能够用云端的一些优势，在云端做这些服务，做一些调整。所以以前，像这样的改动，一般来讲，他会需要一个产品周期，可能要一两年时间。我们现在很快就可以把他在云端改了，用户从终端这边，都能够体验跟访问到。
为了让这些助手非常的成功，所以深度学习的能力非常重要。因为在这种交互当中，经常会发现，有一些新的东西会出现，你怎么样能够快速的学习，能够给出一个变化，一个应答。有时候我们经常讲，同一个问题，过几天答案就不一样了。今天回答不了的问题，可能过几天就能够回答了。
记者：业内人士说，在智能语音助理这方面，会有三个层级，一个是语音识别，一个是NLP自然语言处理，还有一个是深度学习。我想问在自然语言处理这方面，小娜对于中国的本地化这种自然语言的处理，有一些什么样的措施，或者进行了一些什么样的改善？
Mike：实际上你刚才说的那三个层次的东西，第三层次的那个，深度学习实际上是一种技术的能力。实际上这个技术已经在不同的语音识别，在自然语言理解，他都已经被应用到了。所以如果Mike想做这三个层次的定义，可能是说语音识别、自然予以理解、任务完成。因为基于这几个东西，三层要完成一个任务。完成这个任务，从宏观和狭义上，都可以理解成，比如我给你一个正确答案，也是帮你完成一个任务。我帮你买了一份饭，或者买了一张机票，这也是一个任务完成的东西。所以那个类，我们先把你的三个层次定义一下。
从自然语义理解角度来讲，如果把它简化一下，我们可以看到，如何把自然的一句话，把他变的结构化。在结构化这里面，我们简单的一个东西就是，根据这个结构，我们希望将来可以把他变成一个知识库里的查询，或者是完成一个任务。另外一个观点就是，其实这对后台知识库的查询，有一个很重要的要求。比如咱们刚才举的例子，哪个餐厅里面有最好吃的饺子。他不仅仅是要查到餐厅，同时还要查到卖饺子的，同时还要查到饺子的评价会非常好。这里面，实际上这两方面都要去做，从NLP的角度上来看，能够把自然语言理解能力，从一个任何背景语言自然交互，自然的语言能够把他有更多的结构化出来。另外，对知识查询来讲，在这方面要做更进一步的投入。