电子邮件地址数量众多，易于访问，并且较少依赖于实际的电话，因此电子邮件有时是最受欢迎的通信方式。这可能会导致大量电子邮件堆积和积压。回复积压邮件中的所有邮件可能会很痛苦，因此Gmail引入了智能回复来帮助纠正这种情况。智能回复将评估您的电子邮件，确定它是否需要回复，并生成回复供您选择。

对于需要快速回复的邮件，智能回复可以根据你的邮件提供最多三个回复。对于需要更多输入的电子邮件，Gmail将帮助您快速启动电子邮件。智能回复应该会在本周晚些时候推出，而不是标准的Gmail应用程序，你需要使用谷歌的收件箱来使用这项新功能。它也将以英语提供。

我不是很熟练，所以如果你对它的工作原理感兴趣，下面是谷歌高级研究科学家格雷格科拉多的解释：

天真地试图构建一个响应生成系统可能依赖于常见响应场景的手动规则。但实际上，任何一个工程师发明“规则”的能力，很快就会被现实中人们交流的多样性所超越。相比之下，机器学习的系统隐含地捕捉各种情况、写作风格和语调。与脆弱的基于规则的系统相比，这些系统具有更好的泛化能力，能够更优雅地处理全新的输入。

像其他序列对序列模型一样，智能回复系统建立在一对循环神经网络上，一个用于对收到的电子邮件进行编码，另一个用于预测可能的响应。编码网络每次消耗传入电子邮件的一个单词，并生成一个向量(号码列表)。这个向量，Geoff Hinton称之为“思想向量”，可以在不挂断电话的情况下抓住所说内容的要点——例如，“你明天有空吗？”的向量应该类似于“明天我会为你工作吗？”向量的第二个网络从这个思维载体出发，语法正确地一个字一个字地回答，就像打字一样。令人惊讶的是，只要通过训练模型预测可能的反应，我们就能完全了解每个网络的详细操作。

使用电子邮件的一个挑战是模型的输入和输出可能有数百个单词。这就是递归神经网络类型的具体选择真正重要的地方。我们使用的是“长期和短期记忆”网络的一个变种(简称LSTM)，它特别擅长维持长期依赖，能够停留在对预测最有用的传入邮件中，不会被前后不相关的句子分散注意力。

当然，使用电子邮件还有一个非常重要的因素，那就是隐私。在开发智能回复时，我们遵循了我们一直遵循的严格的用户隐私标准——换句话说，没有人能阅读你的电子邮件。这意味着研究人员必须获得机器学习来处理他们自己无法读取的数据集，这有点像蒙着眼睛试图解决一个难题，但挑战使它变得更有趣！