四大領域揭示自然語言技術的奧秘

周明

人工智能最重要的分支就是自然語言的理解與處理，即語言智能，通過對詞、句子、篇章進行分析，對內容里面的人物、時間、地點等進行理解，然后在此基礎上，去支持一系列核心技術，比如跨語言的翻譯、問答系統(tǒng)、閱讀理解、知識圖譜等技術，基于這些技術，又可以把它應用到其它應用領域，比如說搜索引擎、客服、金融、新聞等等領域。

總之，就是通過對語言的理解，實現(xiàn)人跟電腦的直接交流，從而實現(xiàn)人跟人更加有效的交流。自然語言技術不是一個獨立的技術，其受云計算、大數(shù)據(jù)、機器學習、知識圖譜等等各個方面的支撐。

接下來，我將從四個方面介紹自然語言的進展，即神經(jīng)機器翻譯、聊天機器人、閱讀理解及機器創(chuàng)作。

神經(jīng)機器翻譯

神經(jīng)機器翻譯就是模擬人腦的翻譯過程，人在翻譯的時候，首先是理解這句話，然后在腦海里形成對這句話的語義表示，最后再把這個語義表示轉化到另一種語言。

神經(jīng)機器翻譯有兩個模塊，一個是編碼模塊，把輸入的源語言變成一個中間的語義表示，用一系列的機器的內部狀態(tài)來代表，另一個模塊是解碼模塊，根據(jù)語義分析的結果，逐詞生成目標語言。

神經(jīng)機器翻譯在這幾年發(fā)展非常迅速，2017 年的研究熱度更是一發(fā)不可收拾，現(xiàn)在神經(jīng)機器翻譯已經(jīng)取代了統(tǒng)計機器翻譯，成為機器翻譯的主流技術。目前有統(tǒng)計數(shù)據(jù)表明，在一些傳統(tǒng)的統(tǒng)計機器翻譯難以完成的任務上，神經(jīng)機器翻譯的性能遠遠超過了統(tǒng)計機器翻譯，而且跟人的標準答案非常接近，甚至說是相仿的水平。圍繞著神經(jīng)機器翻譯，研究者們已做了很多的工作，比如如何提升訓練的效率，如何提升編碼和解碼的能力。還有一個重要的研究問題就是數(shù)據(jù)問題，神經(jīng)機器翻譯依賴于雙語對照的大規(guī)模的數(shù)據(jù)集來訓練，端到端地訓練神經(jīng)網(wǎng)絡參數(shù)，這涉及很多語音段和很多的垂直領域，但我們實際上并沒有那么多的數(shù)據(jù)，我們只有小量的雙語數(shù)據(jù)和大量的單語數(shù)據(jù)。

所以，我們就提出了半監(jiān)督的聯(lián)合垂直模型，已知一個雙語推導語料，分別對之訓練，從而達到中英翻譯系統(tǒng)與英中翻譯系統(tǒng)的相互促進，比如拿中英翻譯系統(tǒng)去翻中文的語料，形成很多維的中英對照語料，然后把這個語料加到英中翻譯里面去。同樣，用英中翻譯系統(tǒng)去翻譯大量的英文語料，然后把這個語料加到中英翻譯里面，這樣經(jīng)過多次迭代之后，翻譯水平大幅度提升。

微軟現(xiàn)在已經(jīng)全面采用神經(jīng)機器翻譯，最近還跟華為的 Mate10 手機合作，得到了神經(jīng)機器翻譯類似于在云上的效果。

聊天機器人

第二個話題是聊天機器人。聊天機器人就是人和機器對聊，在聊天的時候機器要理解人的意圖，產(chǎn)生比較符合人的想法，以及符合當前上下文的回復，再根據(jù)人與機器各自的回復將話題進行下去。微軟小冰就是這樣的一個聊天機器人?；诋斍暗妮斎胄畔?，再加上對話的情感，以及用戶的畫像，經(jīng)過一個類似于神經(jīng)機器翻譯的解碼模型生成回復，可以達到上下文相關、領域相關、話題有關，而且是針對用戶特點的個性化的回復。

這樣的技術已經(jīng)應用到微軟的很多產(chǎn)品里，比如會 5 種語言、擁有 1 億以上用戶的微軟小冰，可以進行自然人機交互的 Cortana，可以在敦煌回答游客問題的敦煌小冰。

閱讀理解

下一個話題是閱讀理解，閱讀理解就是讓電腦看一遍文章，針對這些文章問一些問題，看電腦能不能回答出來。斯坦福大學曾做過一個比較有名的實驗，就是使用維基百科的文章提出 5 個問題，由人把答案做出來，然后把數(shù)據(jù)分成訓練集和測試集，訓練集是公開的，用來訓練閱讀理解系統(tǒng)，而測試集不公開，個人把訓練結果上傳給斯坦福，斯坦福在其云端運行，再把結果報在網(wǎng)站上，這也避免了一些人對測試集做手腳。閱讀理解技術，自 2016 年 9 月前后發(fā)布，就引起了很多研究單位的關注，大概有二三十家單位都在做這樣的研究，一開始的水平都不是很高，以 100 分為例，人的水平是 82.3 左右，機器的水平只有 74 分，相差甚遠。后來通過類似于開源社區(qū)模式的不斷改進，它的性能就得以逐步地提高了。

最近在閱讀理解領域出現(xiàn)的一個備受關注的問題，就是如何才能做到超越人的標注水平?，F(xiàn)在微軟、阿里巴巴、科大訊飛和哈工大的系統(tǒng)，都超越了人工的標注水平，這標志著閱讀理解技術進入了一個新的階段。這幾個系統(tǒng)都來自中國，也體現(xiàn)中國在自然語言處理的進步。

一個閱讀理解的框架首先要得到每個詞的語義表示，再得到每個句子的語義表示，這可以用循環(huán)神經(jīng)網(wǎng)絡 RNN 來實現(xiàn)，然后用特定路徑來找出潛在答案，基于這個答案再篩選出最優(yōu)的答案，最后確定這個答案的邊界。在做閱讀理解的時候，是用到了外部的知識，可以用大規(guī)模的語料來訓練外部的知識，通過外部知識訓練的 RNN 模型，加入到原來端到端的訓練結果中，以此來大幅度地提高閱讀理解的能力。

機器創(chuàng)作

最后介紹機器創(chuàng)作，機器可以做很多理性的東西，那么它可以做一些創(chuàng)造性的東西嗎？10 年以前，我們就開始做微軟對聯(lián)，在此基礎上，創(chuàng)作絕句、律詩、唐詩宋詞等等，現(xiàn)在進行寫歌譜曲。在微軟對聯(lián)里，用戶輸入上聯(lián)，系統(tǒng)就可以對出下聯(lián)，也可以給出橫批；在字謎游戲里，用戶給出謎面，讓系統(tǒng)猜出字；或系統(tǒng)給出謎面讓用戶猜出字。

我們的編碼解碼技術已經(jīng)成功用于神經(jīng)網(wǎng)絡機器翻譯、小冰機器人和詞曲創(chuàng)作中。中央電視臺《機智過人》節(jié)目就曾播過我們的小冰與人類選手進行詞曲創(chuàng)作比拼的環(huán)節(jié)，結果是小冰險勝人類。這件事說明如果有大數(shù)據(jù)，那么機器學習或者深度學習就可以模擬人類的創(chuàng)造智能，創(chuàng)造出一些作品來，也可以與專家合作，幫助專家產(chǎn)生更好的想法，然后兩者配合，產(chǎn)生出美妙的音樂。

這個在以前是難以想象的，做自然語言的人從來沒有想到自然語言還可以延伸到音樂上，其實音樂也是一種語言，自然語言的所有技術都可以應用到音樂上去。

我快速介紹了自然語言處理在神經(jīng)機器翻譯、閱讀理解、聊天機器人以及機器創(chuàng)作領域的進展。隨著未來大數(shù)據(jù)、云計算和深度學習的發(fā)展，模型還會進一步地提升，再加上合適的場景，技術就可以落地，就可以服務于成千上萬的用戶?？梢灶A料，隨著自然語言處理技術的提高與普及，它將會與其他的人工智能技術一起提升人類的生活水平。

相關鏈接

近年來，人工智能由于大計算、大數(shù)據(jù)、算法模型以及落地場景四大要素的齊備，進入了一個高速發(fā)展的時期。其主要發(fā)展方向：感知智能和認知智能。

自然語言理解是處在認知智能最核心的地位。它的進步會引導知識圖譜的進步，會引導對用戶理解能力的增強，也會進一步推動整個推理能力。在此基礎上，聊天、解題、翻譯、對話等也都會得到進步。認知智能一旦進步，加上感知智能的進步，整體的人工智能就會進一步發(fā)展。