語言是人類獨(dú)有的能力，是我們智慧的體現(xiàn) 。但是通過人工智能(我們?yōu)闄C(jī)器提供語言能力的 NLP)為我們?nèi)绾问褂谜Z言打開了一個新的可能性領(lǐng)域 。
今天 ， 你可以走進(jìn)昏暗的起居室，讓 Alexa 把智能燈的亮度調(diào)到 75% 。或者，你可以讓 Alexa 告訴你世界另一端的天氣狀況 。在最近的演示中展示了該行業(yè)最近的進(jìn)展情況 ， AI 智能體進(jìn)行商務(wù)呼叫或者預(yù)定約會 。曾經(jīng)存在于科幻小說里的幻想在今天變成了現(xiàn)實(shí) ， 但為了能夠保持真正讓人滿意的人機(jī)關(guān)系 ， 機(jī)器必須能夠進(jìn)行更為直觀、更有語境和更加自然的對話——這仍然是一個挑戰(zhàn) 。自我參加工作以來，一直研究 NLP 技術(shù) 。NLP 這個研究領(lǐng)域，和人工智能本身一樣古老人工智能對話網(wǎng)站，而我們?nèi)匀惶幵谶@個旅程的起步階段 。
語言是共享信息并與我們周圍的人聯(lián)系的機(jī)制，但是機(jī)器需要理解語言的復(fù)雜之處，以及我們作為人類，如何交流才能使用語言 。在情感分析、問答系統(tǒng)和聯(lián)合多任務(wù)學(xué)習(xí)方面的進(jìn)步，是人工智能得以能夠真正理解人類和我們溝通的方式 。
情感分析
語言從本質(zhì)上來說就很難 。語言在不斷進(jìn)化，非常微妙 ， 一般人想熟練掌握語言，沒有幾年的功夫是不可能的 。通過情感分析，我們可以使用人工智能來理解關(guān)于特定陳述的某些事情，如品牌介紹、電影評論是正面的、負(fù)面的還是中立的 。但我們也可以弄清楚講者的態(tài)度和意圖(是否生氣了?快樂嗎?感到驚訝嗎?要準(zhǔn)備買嗎?) 。從客戶服務(wù)到在線社區(qū)審核，再到算法交易，通過及時分析成千上萬的推文或數(shù)百條產(chǎn)品評論，了解公眾對一個品牌的看法 ， 對企業(yè)來說，是非常有價值的 。
情感分析已經(jīng)存在了一段時間，但它并不總是非常準(zhǔn)確 。然而 ， 隨著 NLP 技術(shù)的進(jìn)步，這種情況正在發(fā)生改變 。在我擔(dān)任的首席科學(xué)家時，我們的AI 服務(wù)就能夠讓品牌廠商從聊天中實(shí)時分析電子郵件、社交媒體和文本中的情緒，以便提供更好的客戶體驗(yàn) 。例如，準(zhǔn)確的情感分析允許服務(wù)代理了解哪些不滿意的客戶需要優(yōu)先提供服務(wù)，或者向哪些客戶提供促銷優(yōu)惠信息 。它還可以用來識別產(chǎn)品缺陷 ， 衡量產(chǎn)品總體滿意度，甚至還可以通過社交媒體渠道監(jiān)控公眾對品牌的看法 。其他科技公司也提供了類似的服務(wù) 。
我們還需要能夠理解上下文的能力 。假設(shè)你有一個香皂公司，有人在推特上說:“這種香皂真的很適合嬰兒呢 。”這條推文 ， 可以認(rèn)為是對兒童香皂的積極認(rèn)可，但也有可能是反話 ， 暗示這種香皂對孩子來說是可怕的 。因此，這句話到底是什么意思要結(jié)合上下文來看，這還是一條非常簡單的陳述句!要教會人工智能來解析句子所有的可能含義，并理解某個人在特定語境中想要表達(dá)的真實(shí)含義，是 NLP 研究中的重大挑戰(zhàn)之一 。它既需要標(biāo)記數(shù)據(jù)來改進(jìn)模型訓(xùn)練 ， 也需要能夠?qū)W習(xí)上下文并同時在不同任務(wù)之間共享知識的新模型 。

文章插圖

文章插圖
問答系統(tǒng)
隨著 NLP 越來越能夠更好地解析文本的含義，借由這點(diǎn)，管理我們?nèi)粘Ｉ畹臄?shù)字助理的將會更加智能 。Siri 和等應(yīng)用現(xiàn)在已經(jīng)能夠很好地回答常見問題了，并能夠執(zhí)行相當(dāng)簡單的命令 。但在理想情況下 ， 我們應(yīng)該可以向計(jì)算機(jī)提出任意問題，并能夠得到很好的答案 。
要想讓計(jì)算機(jī)能夠提供更好的答案，其中一個方法是確保計(jì)算機(jī)能夠理解問題 。如果你問：“When will my plane ?”你問的是航班呢，還是從訂購的木工刨子呢?(譯注：plane 有飛機(jī)和刨子的含義)計(jì)算機(jī)要如何確定你到底是問什么呢?只有通過更深入地理解語義，以及更加智能地使用上下文數(shù)據(jù)，計(jì)算機(jī)才能越來越善于猜測我們表達(dá)的意思 。有了 NLP，我們才能弄清楚如何學(xué)習(xí)這些上下文層，這樣，人工智能就可以同時處理所有的上下文，而不會錯過重要的信息 。
例如，動態(tài)共注意網(wǎng)絡(luò)(，DCN 。詳見《State of the art deepmodel for》，)可以根據(jù)所提問的各種問題對單個文檔進(jìn)行不同的解釋人工智能對話網(wǎng)站 ， 比如“Which teamthe NFC in Super Bowl 50?”或者“Whothein the?”，通過這種條件解釋，它就可以迭代地假設(shè)多個答案，以便得到最好的、最準(zhǔn)確的結(jié)果 。
聯(lián)合多任務(wù)學(xué)習(xí)
科研界擅長的是構(gòu)建能夠很好地完成單一任務(wù)的人工智能模型 。但更直觀、會話式和上下文相關(guān)的界面將需要一個能夠不斷學(xué)習(xí)的人工智能模型——將新任務(wù)與舊任務(wù)集成在一起，并在此過程中學(xué)習(xí)執(zhí)行更為復(fù)雜的任務(wù) 。人工智能在通常情況下都是如此，但在語言方面尤為如此 ， 這是因?yàn)檎Z言的靈活性所要求的 。
問題“Who are my ?”提出了一個足夠簡單的任務(wù)：創(chuàng)建一個客戶列表 。但問題是“Who are my bestin thefor a?”現(xiàn)在，我們增加了一層復(fù)雜性 ， 需要一些綜合任務(wù)來回答合格的問題，比如 ， 如何定義“best”?每個客戶都住在哪里?讓客戶對某種產(chǎn)品感到興趣都有哪些因素?通過向查詢添加一個項(xiàng)目，問題的復(fù)雜性就會顯著增加了 。
最近創(chuàng)建了“自然語言十項(xiàng)全能()”，這是一個挑戰(zhàn) ， 利用問答功能在單一模型中解決了 NLP 最棘手的 10 項(xiàng)任務(wù)：問答系統(tǒng)、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)系提取、目標(biāo)導(dǎo)向?qū)υ挕?shù)據(jù)庫查詢生成和代詞解析 。使用多任務(wù)問答模型，將每個任務(wù)作為問答的一種形式 ， 單個模型聯(lián)合共同學(xué)習(xí)和處理不同的任務(wù)，無需任何特定的參數(shù)或模塊 。這不僅意味著數(shù)據(jù)科學(xué)家無需為每項(xiàng)任務(wù)構(gòu)建、訓(xùn)練和優(yōu)化單個模型 。但這也意味著模型將具備零樣本學(xué)習(xí)(zero-shot )能力，也就是說，模型可以解決它從未見過或經(jīng)過專門訓(xùn)練的任務(wù) 。
隨著研究人員不斷改進(jìn)這樣的模型，我們將看到人工智能界面在承擔(dān)個能為復(fù)雜的任務(wù)時，會變得更加智能 。
【人工智能的下一個巨大挑戰(zhàn)：理解語言的細(xì)微差別】本文到此結(jié)束，希望對大家有所幫助 。

• 人工智能應(yīng)用的12個典型案例
• 創(chuàng)享季｜擁抱AI 對話未來-人工智能技術(shù)培訓(xùn)
• 霍金說人工智能是人類的終結(jié)者，大家怎么看？
• 為什么會說人類掌握了量子力學(xué)，就可以有改變世界的能力呢？
• 機(jī)器人是人工智能，但人工智能不等于機(jī)器人，原因在這里
• 人工智能催生機(jī)器視覺爆發(fā)契機(jī)
• 建議收藏 人工智能ChatGPT依然是主線，概念股合集！
• 你認(rèn)為AI是技術(shù)的未來還是量子是技術(shù)的未來？
• 人工智能會殺死人類嗎？
• 人與人工智能的結(jié)合將決定人類的未來