人工智能的下一個(gè)挑戰(zhàn)：理解語言的細(xì)微差別

　　語言是人類特有的技能，是人類智慧的體現(xiàn)。在人工智能時(shí)代，自然語言處理(NLP)技術(shù)為機(jī)器賦予了這樣的語言功能，讓機(jī)器有了自然語言識別能力，為用戶體驗(yàn)開辟了新路徑。

　　在近期的Google Cloud Next 18大會上，Google推出了第一個(gè)Solution Product (行業(yè)解決方案產(chǎn)品)——Contact Center AI，其集虛擬助理、智能信息發(fā)掘和情感分析等功能于一身，不但幫助工作人員有效解決了問題而且提升了用戶體驗(yàn)，展現(xiàn)了人工智能語言技術(shù)的新突破。貌似科幻小說里的場景變成了現(xiàn)實(shí)，但是想要維護(hù)好人與機(jī)器的關(guān)系，機(jī)器必須能夠?qū)崿F(xiàn)直觀的、自然的語言交流，這對于NLP技術(shù)來說仍然是一個(gè)挑戰(zhàn)。很多企業(yè)早就開始研究NLP，該項(xiàng)技術(shù)的出現(xiàn)幾乎跟人工智能一樣早，但是目前還處于起步階段。

　　語言是人們進(jìn)行信息交流的首要工具，要想機(jī)器也具備同樣的機(jī)制，就要理解人類語言的復(fù)雜性以及人類使用語言的行為習(xí)慣，其中情感分析、問題回答以及多任務(wù)學(xué)習(xí)是機(jī)器人逐漸成熟的重要途徑。

　　情緒分析

　　語言本質(zhì)上是復(fù)雜的，一個(gè)正常人也要經(jīng)過數(shù)年才能掌握一門陌生的語言。對于機(jī)器人而言，我們要想使用人工智能來解析給定的陳述，首先要實(shí)現(xiàn)情緒分析，比如，判斷電影評價(jià)是正面的還是負(fù)面的，或者分析發(fā)話者是高興的、生氣的、驚訝的還是悲傷的等。從客戶服務(wù)到在線社區(qū)審核再到算法交易，企業(yè)能夠通過分析成千上萬個(gè)推文或數(shù)百個(gè)產(chǎn)品評論，了解公眾對產(chǎn)品的看法，對于企業(yè)來說，這個(gè)價(jià)值是很大的。

　　研發(fā)人員早就開始入手自然語言處理中的情緒分析，隨著NLP的進(jìn)步，情緒分析也在不斷進(jìn)步。比如CRM解決方案提供商Salesforce推出的一款產(chǎn)品——Einstein AI(愛因斯坦人工智能服務(wù))，它可以幫助客戶對電子郵件、社交媒體聊天文本進(jìn)行情感分析，然后了解用戶信息，幫助確定企業(yè)客戶的下一步產(chǎn)品策劃。

　　Salesforce的首席科學(xué)家 Richard Socher表示，機(jī)器人只實(shí)現(xiàn)簡單的語意理解是不夠的，有時(shí)候需要一定的語境，需要通過聯(lián)系上下文去判斷。比如，你是一個(gè)生產(chǎn)肥皂的企業(yè)，用戶在產(chǎn)品評價(jià)上說了這樣一句話“這款肥皂真的很適合嬰兒!”。按照表面的語意來說，可能就是對產(chǎn)品的積極評價(jià)，但是如果聯(lián)系上下文，整個(gè)語言環(huán)境都是對產(chǎn)品的差評，那么這句話的意思也可以理解成“這款產(chǎn)品真的很差勁!不要給嬰兒使用!”。所以，NLP真正的挑戰(zhàn)是在特定的語言背景下，去理解語言的細(xì)微差別，即需要通過簡單的標(biāo)記數(shù)據(jù)改進(jìn)模型訓(xùn)練，也需要能夠聯(lián)系上下文在多種不同任務(wù)中共享知識的新模型。

　問題回答

　　NLP的發(fā)展加快了信息化的速度，Siri和Google Assistant等應(yīng)用程序的出現(xiàn)，解決了很多常見的自然語言處理問題，但是很多難題，機(jī)器仍然沒有給到我們想要的答復(fù)。

　　想要計(jì)算機(jī)到達(dá)理想效果，我們還要確保計(jì)算機(jī)對問題的理解。如果你問“我的飛機(jī)何時(shí)到達(dá)?”電腦需要知道你說的是飛機(jī)的航班還是你從外地訂購的某個(gè)飛機(jī)模型，它需要通過上下文語境，去猜測我們話語中的真實(shí)意思。通過NLP，我們可以讓機(jī)器學(xué)習(xí)如何通過上下文語境去分析語句，這樣的話，人工智能就可以一次性處理所有的上下文，而不會漏掉重要的信息。

　多任務(wù)學(xué)習(xí)

　　在IT領(lǐng)域，企業(yè)更擅長構(gòu)建單個(gè)任務(wù)的人工智能模型，但是一個(gè)更直觀的、細(xì)致入微的、有語境的對話界面則需要一個(gè)不斷學(xué)習(xí)的人工智能模型——將新的任務(wù)和舊的任務(wù)集成在一起，來學(xué)習(xí)執(zhí)行更復(fù)雜的任務(wù)。對于別的領(lǐng)域來說，人工智能達(dá)到這樣的標(biāo)準(zhǔn)也許是可能的，但是在語言方面，就需要很大的靈活性。

　　這里我們來舉一個(gè)例子：“誰是我的客戶?”，這是一個(gè)足夠簡單的任務(wù)。但是“誰是我在西部地區(qū)的某一產(chǎn)品的最佳客戶?”現(xiàn)在，我們增加了一些復(fù)雜條件，就需要一系列集成任務(wù)來回答這個(gè)問題，比如說：“最佳”如何界定?西部地區(qū)的客戶具體是哪里?哪些因素會使客戶對一種產(chǎn)品產(chǎn)生興趣?這里我們在查詢條件里增加了一個(gè)項(xiàng)目，問題的復(fù)雜性就顯著增加。

　　Salesforce Research最近創(chuàng)建了自然語言十項(xiàng)全能，利用問答的力量在單一模塊中解決NLP中最棘手的10項(xiàng)任務(wù)：問答、機(jī)器翻譯、摘要、自然語言推理、情感分析、語義角色標(biāo)注、關(guān)系抽取、目標(biāo)導(dǎo)向?qū)υ?、語義分析、常識代詞消解。使用多個(gè)任務(wù)問答模型，將每個(gè)任務(wù)作為一種問答形式，單個(gè)模型在沒有特定參數(shù)或模塊的情況下共同處理不同的任務(wù)，這不僅意味著研發(fā)人員不需要為每一項(xiàng)任務(wù)構(gòu)建、訓(xùn)練和優(yōu)化模型，而且還意味著該模型將具備zero-shot(零樣本學(xué)習(xí))能力，也就是說，在未經(jīng)過任何訓(xùn)練的情況下該模型也可以處理它從未執(zhí)行過的任務(wù)。

　　Socher解釋道，問題回答其實(shí)是非常寬泛的——你可以隨便問任何問題——該研究相當(dāng)于提供了解決幾個(gè)任務(wù)的單一模型。

　　雖然目前的NLP還處于起步階段，但是我們可以看到它巨大的發(fā)展?jié)摿?，隨著人工智能的發(fā)展，我們期待一個(gè)全新的自然語言處理技術(shù)體驗(yàn)。