AI會做閱讀理解？剝開機器閱讀理解的神秘外衣

GIF

作者|與非們

編輯|新物語

首發|全球智能化商業

▍圖片來源於網路

你們是否還記得去年的日本AI機器人Torobo-kun？它是日本國立情報學研究所研製出來的人工智慧機器人。Torobo-kun的終極目標是通過日本頂尖高校東京大學的入學考試，但因Torobo-kun在每個科目的閱讀理解測試中就表現得十分糟糕，研究人員不得不放棄了這項計劃。

此後，即使Torobo-kun折戟閱讀理解，許多研究者依然對人工智慧在閱讀理解領域的開發保持樂觀。公立函館未來大學的Hitoshi Matsubara教授及其團隊一直對AI機器人閱讀理解領域表示出興趣，他希望由此開發一個能夠寫小說的人工智慧系統，藉此贏得一個文學獎項。此外，他的項目還有另一個目標：通過學習已逝科幻小說家小松左京的文風和用詞，完成後者未寫完的小說《虛無迴廊》。

現在，經過兩年的積澱，AI機器人雖然還不能寫出《虛無迴廊》，但在閱讀理解領域已經有了長足的發展。

機器閱讀理解超過人類？

機器閱讀理解是自然語言處理技術中，繼語音判斷、語義理解之後最大的挑戰：讓智能體理解全文語境。所以這個領域的「跑分」，一直是AI界的大事件。

今年1月11日，斯坦福大學著名的機器閱讀理解賽事SQuAD刷新了全球排名，令人驚奇的是阿里巴巴憑藉82.440的精準率打破了世界紀錄。最重要的是，這個成績超越了人類82.304的平均得分，正式宣布AI在精準閱讀能力上超越了人類。

國外網友和AI從業者，對這個中國公司完成的這項研究成果表示了讚賞，將其列為2018伊始AI的重要突破，卡內基梅隆大學發現計算機科學學院研究教授Jeff Schneider等等業界大牛也對阿里團隊表示了敬意。

這項測試的得分，包括精確匹配(Exact Match)和模糊匹配(F1-score)兩項結果。儘管阿里是以微弱優勢取勝，稱不上表現優秀，但這代表自然語言處理（NLP）軟體首次得以在這一特定基準上超越人類。谷歌、IBM、Facebook、騰訊、三星、Salesforce和其他公司也已向這項測試提交了自己的模型，但目前為止沒有任何模型達到人類的閱讀理解水平。

除此之外，作為去年這項國際頂級賽事的冠軍——科大訊飛與哈工大聯合實驗室（HFL）提交的系統模型，雖然跑分沒有超過人類，卻將在很多領域進行應用。

據了解，這個冠軍模型可以根據給定的問題對篇章進行多次過濾，同時根據已經被過濾的文章進一步篩選出問題中的關鍵提問點。也就是說，不只從問題到篇章，也從篇章到問題，互動式地逐步精確答案的範圍。

目前，這機器已經能給試卷主觀題評分，未來還能根據卷宗做法條預測，甚至能針對病歷提出治療建議。下一步，哈工大訊飛聯合實驗室將在工業化應用的嘗試中，通過現實海量數據的不斷測試，找到模型優化的方法。模型的變種將可能應用於教育、司法、醫療等多個領域。

大佬搶佔機器閱讀理解

不只是為了寫書那麼簡單

由於閱讀理解這項「智能」調整，需要運用到大量邏輯、細節和結構分析能力，並且直接作用於現實中的文本資料，所以實際價值巨大。

最直接的產業影響，是大多數今天還必須由人工完成的規則、對話、服務信息類的相關理解工作，都可以被人工智慧所取代。例如客服、信息管理和推薦類的工作，都可以考慮用不眠不休、高運算速度的機器來取代。

▍圖片來源於網路

舉個例子，我們都注意到了這樣一個問題：今天的互聯網世界，在生產越來越多文本內容。太多你知道的、你不知道的、你以為自己知道的卻實際不知道的事情呼嘯而過。甚至你雙11想要剁個手，都有各種各樣的遊戲規則等著你。

這裡或許就可以用機器閱讀理解來解決了。比如客戶對某個電商促銷規則有疑問，就可以直接向AI提問，而AI就可以把這個問題當做一道閱讀理解問題來進行解決方案回饋。

再比如，最近爭議不斷的內容推薦領域。今日頭條最近反覆出狀況，很大程度來源於輿論指責其過度依賴關鍵詞進行演算法推薦，忽略了用戶的對文章深度與知識性的需求。這就是因為其演算法的「閱讀理解」能力不夠，無法閱讀真實的互聯網材料，給出個性化的推薦結果。

除此之外，機器閱讀能力也是文娛領域進行內容尋找和推薦的有效方式，比如閱讀用戶提出的複雜需求，進行精準推薦；而與天貓精靈等硬體相結合，給出對用戶大段語言的回饋，乃至對話互動，都要以機器理解能力為依託。

機器閱讀理解是人工智慧皇冠上的明珠，它的進步牽動著其他行業的發展。計算語言學協會會士林德康就曾表示：「機器閱讀理解是自然語言處理領域中的研究焦點，能將這項技術落地應用到實際生活中是我們一直以來的目標。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！