親歷AAAI 2018：人類和AI系統的協作成為新興課題

最新 03-02

編者按：人工智慧領域的頂級會議、第32屆國際人工智慧協會年會（AAAI 2018）於當地時間2018年2月2日-2月7日在美國新奧爾良（New Orleans）舉行。微軟亞洲研究院自然語言計算組的實習生閆昭和張志銳均參加了此次大會，並撰文分享了本次大會的一些亮點，以及自己發表在AAAI 2018上的兩篇論文內容。想知道本屆大會有哪些精彩之處嗎？和我們一起來看看吧。

AAAI 2018會議期間正值新奧爾良市一年一度最盛大的Mardi Gras狂歡節舉辦之時。在節日期間，整座城市被黃綠紫三種顏色所裝扮，每天都有盛大的遊行隊伍經過。熱鬧的城市氛圍給我們帶來了輕鬆歡快的參會心情。

本次大會共計收到3808篇有效投稿，相對於去年投稿量增加了47%，最終錄取了938篇，錄取率約為24.6%。AAAI會議是人工智慧領域的綜合性會議，收到的稿件涉及人工智慧的各個主要方向。下圖顯示了今年AAAI會議投稿比較集中的幾個領域，可以看出當前人工智慧領域研究的熱點依然集中在機器學習、計算機視覺、NLP、博弈論等。

值得一提的是，來自中國的論文數量出現爆炸式增長，提交論文數量實現了58%的驚人提升，當仁不讓領跑全球，錄用數和美國平分秋色。此外，中外科研人員合作撰寫的論文佔比也非常高。這一數據也反應出目前中國人工智慧領域的科研實力。

精彩紛呈的AAAI 2018

大會主要包括四大部分——為期2天的講習班（Tutorials）和研討會（Workshops）、4天的大會會議（Technical Program）和穿插其中的特邀報告（Invited Talks）。

大會前兩天的議程包括了26場講習班和15場研討會，其中有兩場講習班是由微軟的研究員和工程師帶來的，包括「Scalable Deep Learning Using CNTK」和「Machine Reading for Precision Medicine」。研討會的話題涵蓋了諸多當前人工智慧領域的熱門話題，比如面向人機對話的推理與學習（Reasoning and Learning for Human-Machine Dialogues）、面向健康領域的智能（HealthIntelligence）、不完全信息遊戲中的人工智慧（AI for Imperfect-Information Games）等。

2月4日，AAAI協會主席Subbarao Kambhampati （Rao）發表了題為「Challenges of Human-Aware AI Systems」的主旨演講。在演講中，Rao認為AI系統的發展應該更加關注與人類相互協作的功能，提出了幾個相關的挑戰，包括交互過程中人的心理狀態的建模、AI在不完整的領域模型下如何進行決策、如何評估人機交互的有效性等。Rao教授是一個非常幽默且開朗的研究人員，在演講過程中經常用一些比較幽默的例子進行闡述。值得一提的是，Rao曾於去年到訪中國並參加了CCF-GAIR會議，他是「AI威脅論」的堅定反對者，認為人與機器是可以和諧相處的。

會議的正式環節按照主題的不同分成了不同的session，由各個論文的作者進行論文的報告並回答聽眾的問題，4號至6號每天晚上都安排了海報展示與交流環節。會議的整體學術交流氛圍濃厚，無論是在中場休息還是海報環節，隨處可見討論的人。

不同於往屆會議，本次大會設立了一個新興課題環節來探討人工智慧下一階段的發展方向。過去AI系統已經在人類感知（語音識別、圖像識別），學習（機器學習）和定義明確的推理任務（自然語言處理，例如機器翻譯、閱讀理解等）上取得了很大的進展，但這些進步更多是在單一的任務上，往往沒有人類的參與。

正如Rao所呼籲的，隨著人工智慧技術越來越多地應用在我們的日常生活中，未來AI系統必然更需要與人類一起協作的能力。

這次大會將人類和AI系統的協作「Human-AI Collaboration」列為新興課題，並組織了4個特邀報告和21個技術報告。這些報告對於AI系統和人類的協作在多個方向上進行探討和研究，比如康奈爾大學Ross Knepper副教授的講座「Communicative Actions in Human-Robot Teams」探討了一種機器人理解和生成信息的新框架，從而使機器人能更清晰而簡潔地與人類溝通，華盛頓大學Matthew Taylor教授的講座「Improving Reinforcement Learning with Human Input」探討如何擴展互動式機器學習，以最大限度地利用計算機和人類獨特的能力，從而提升強化學習。

此外，AAAI 2018延續了往年的傳統，為參會學生舉辦了多場特別活動，包括招聘會（Job Fair）和博士聯合會（Doctoral Consortium）等。值得一提的是，國內多家企業包括百度、阿里、騰訊、滴滴、京東等業內頂尖公司均有較大規模的團隊參加招聘會，這從側面反映了國內企業對於AI人才的渴望。

微軟亞洲研究院AAAI 2018

微軟亞洲研究院在AAAI 2018上發表了多篇論文，可謂收穫頗豐。這些論文也涉及人工智慧的各個不同方向，包括機器閱讀理解、聊天機器人、對話系統、機器學習等。接下來，我們為大家介紹其中的兩篇論文：

Assertion-based QA with Question-Aware Open Information Extraction

論文鏈接：https://arxiv.org/abs/1801.07414

這篇論文研究的是以包含一定結構的斷言（assertion）為粒度的自動問答任務。與以句子為答案和以文本片段（span）為答案的問答任務相比，以包含SPO結構的斷言作為答案更加適合語音交互場景。並且，從文檔中抽取的斷言集合可以為構建動態的知識圖譜並進行問題推理提供更多的可能性。這項工作首先構建了一個包含5萬多個問題、35萬多條斷言的數據集，然後進一步提出了抽取式和生成式兩種答案生成方法。抽取式方法先使用基於模板的開放式關係抽取工具抽取斷言候選，然後通過排序學習技術，對所有問題-斷言對進行排序，選出最恰當的斷言作為答案。生成式方法基於編碼-解碼架構，通過在編碼層同時整合問題與證據文檔信息，並將解碼層拆解成「域-詞」兩級，使模型可以生成與問題相關的帶有層次結構的斷言。通過實驗，我們不僅驗證了所提出方法的有效性，還證明了所抽取的斷言可以輔助其它問答任務。

圖：Assertion-based QA任務與其它相關任務間的關係

Joint Training for Neural Machine Translation Models with Monolingual Data

論文鏈接：https://arxiv.org/abs/1803.00353

這一工作提出了一種新的聯合訓練方法——利用源語言和目標語言的單語數據去同時提升源語言到目標語言（正向）和目標語言到源語言（反向）的神經機器翻譯模型。具體來講，先用雙語數據預訓練正向和反向的翻譯模型，然後用這兩個模型分別去翻譯源語言和目標語言的單語數據來構造偽雙語數據，其中由源語言單語數據構造的偽雙語數據用來提升反向翻譯模型，而由目標語言單語數據構造的偽雙語數據則用來提升正向翻譯模型。接著新的正向和反向翻譯模型重新對單語數據進行解碼，並生成更高質量的偽雙語數據，然後新的偽雙語數據用來生成性能更好的正反向翻譯模型。這個過程不斷重複直至開發數據集上的翻譯性能不再提高為止。