人工智能的下一個(gè)挑戰：理解語(yǔ)言的細微差別

　　語(yǔ)言是人類(lèi)特有的技能，是人類(lèi)智慧的體現。在人工智能時(shí)代，自然語(yǔ)言處理(NLP)技術(shù)為機器賦予了這樣的語(yǔ)言功能，讓機器有了自然語(yǔ)言識別能力，為用戶(hù)體驗開(kāi)辟了新路徑。

　　在近期的Google Cloud Next 18大會(huì )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(wèn)題而且提升了用戶(hù)體驗，展現了人工智能語(yǔ)言技術(shù)的新突破。貌似科幻小說(shuō)里的場(chǎng)景變成了現實(shí)，但是想要維護好人與機器的關(guān)系，機器必須能夠實(shí)現直觀(guān)的、自然的語(yǔ)言交流，這對于NLP技術(shù)來(lái)說(shuō)仍然是一個(gè)挑戰。很多企業(yè)早就開(kāi)始研究NLP，該項技術(shù)的出現幾乎跟人工智能一樣早，但是目前還處于起步階段。

　　語(yǔ)言是人們進(jìn)行信息交流的首要工具，要想機器也具備同樣的機制，就要理解人類(lèi)語(yǔ)言的復雜性以及人類(lèi)使用語(yǔ)言的行為習慣，其中情感分析、問(wèn)題回答以及多任務(wù)學(xué)習是機器人逐漸成熟的重要途徑。

　　情緒分析

　　語(yǔ)言本質(zhì)上是復雜的，一個(gè)正常人也要經(jīng)過(guò)數年才能掌握一門(mén)陌生的語(yǔ)言。對于機器人而言，我們要想使用人工智能來(lái)解析給定的陳述，首先要實(shí)現情緒分析，比如，判斷電影評價(jià)是正面的還是負面的，或者分析發(fā)話(huà)者是高興的、生氣的、驚訝的還是悲傷的等。從客戶(hù)服務(wù)到在線(xiàn)社區審核再到算法交易，企業(yè)能夠通過(guò)分析成千上萬(wàn)個(gè)推文或數百個(gè)產(chǎn)品評論，了解公眾對產(chǎn)品的看法，對于企業(yè)來(lái)說(shuō)，這個(gè)價(jià)值是很大的。

　　研發(fā)人員早就開(kāi)始入手自然語(yǔ)言處理中的情緒分析，隨著(zhù)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(ài)因斯坦人工智能服務(wù))，它可以幫助客戶(hù)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(hù)信息，幫助確定企業(yè)客戶(hù)的下一步產(chǎn)品策劃。

　　Salesforce的首席科學(xué)家 Richard Socher表示，機器人只實(shí)現簡(jiǎn)單的語(yǔ)意理解是不夠的，有時(shí)候需要一定的語(yǔ)境，需要通過(guò)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(hù)在產(chǎn)品評價(jià)上說(shuō)了這樣一句話(huà)“這款肥皂真的很適合嬰兒!”。按照表面的語(yǔ)意來(lái)說(shuō)，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(yǔ)言環(huán)境都是對產(chǎn)品的差評，那么這句話(huà)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真正的挑戰是在特定的語(yǔ)言背景下，去理解語(yǔ)言的細微差別，即需要通過(guò)簡(jiǎn)單的標記數據改進(jìn)模型訓練，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(wèn)題回答

　　NLP的發(fā)展加快了信息化的速度，Siri和Google Assistant等應用程序的出現，解決了很多常見(jiàn)的自然語(yǔ)言處理問(wèn)題，但是很多難題，機器仍然沒(méi)有給到我們想要的答復。

　　想要計算機到達理想效果，我們還要確保計算機對問(wèn)題的理解。如果你問(wèn)“我的飛機何時(shí)到達?”電腦需要知道你說(shuō)的是飛機的航班還是你從外地訂購的某個(gè)飛機模型，它需要通過(guò)上下文語(yǔ)境，去猜測我們話(huà)語(yǔ)中的真實(shí)意思。通過(guò)NLP，我們可以讓機器學(xué)習如何通過(guò)上下文語(yǔ)境去分析語(yǔ)句，這樣的話(huà)，人工智能就可以一次性處理所有的上下文，而不會(huì )漏掉重要的信息。

　多任務(wù)學(xué)習

　　在IT領(lǐng)域，企業(yè)更擅長(cháng)構建單個(gè)任務(wù)的人工智能模型，但是一個(gè)更直觀(guān)的、細致入微的、有語(yǔ)境的對話(huà)界面則需要一個(gè)不斷學(xué)習的人工智能模型——將新的任務(wù)和舊的任務(wù)集成在一起，來(lái)學(xué)習執行更復雜的任務(wù)。對于別的領(lǐng)域來(lái)說(shuō)，人工智能達到這樣的標準也許是可能的，但是在語(yǔ)言方面，就需要很大的靈活性。

　　這里我們來(lái)舉一個(gè)例子：“誰(shuí)是我的客戶(hù)?”，這是一個(gè)足夠簡(jiǎn)單的任務(wù)。但是“誰(shuí)是我在西部地區的某一產(chǎn)品的最佳客戶(hù)?”現在，我們增加了一些復雜條件，就需要一系列集成任務(wù)來(lái)回答這個(gè)問(wèn)題，比如說(shuō)：“最佳”如何界定?西部地區的客戶(hù)具體是哪里?哪些因素會(huì )使客戶(hù)對一種產(chǎn)品產(chǎn)生興趣?這里我們在查詢(xún)條件里增加了一個(gè)項目，問(wèn)題的復雜性就顯著(zhù)增加。

　　Salesforce Research最近創(chuàng )建了自然語(yǔ)言十項全能，利用問(wèn)答的力量在單一模塊中解決NLP中最棘手的10項任務(wù)：?jiǎn)?wèn)答、機器翻譯、摘要、自然語(yǔ)言推理、情感分析、語(yǔ)義角色標注、關(guān)系抽取、目標導向對話(huà)、語(yǔ)義分析、常識代詞消解。使用多個(gè)任務(wù)問(wèn)答模型，將每個(gè)任務(wù)作為一種問(wèn)答形式，單個(gè)模型在沒(méi)有特定參數或模塊的情況下共同處理不同的任務(wù)，這不僅意味著(zhù)研發(fā)人員不需要為每一項任務(wù)構建、訓練和優(yōu)化模型，而且還意味著(zhù)該模型將具備zero-shot(零樣本學(xué)習)能力，也就是說(shuō)，在未經(jīng)過(guò)任何訓練的情況下該模型也可以處理它從未執行過(guò)的任務(wù)。

　　Socher解釋道，問(wèn)題回答其實(shí)是非常寬泛的——你可以隨便問(wèn)任何問(wèn)題——該研究相當于提供了解決幾個(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)展潛力，隨著(zhù)人工智能的發(fā)展，我們期待一個(gè)全新的自然語(yǔ)言處理技術(shù)體驗。