图灵汇官网

近年来，我们看到各类设备上开始出现「智能」数字助理的身影。例如，在最近的消费电子展（CES）上，现代和丰田都推出了新型车载助手。尽管这些应用背后的技术不断进步，但用户对这些「智能」助理仍感到失望，因为这些助理并未达到用户的期望。

尽管数据驱动的方法在自然语言处理（NLP）方面取得了显著进展，自然语言理解仍然面临诸多挑战。Winograd Schema Challenge 提出了一个改进版的图灵测试，旨在评估机器是否真正具备智能。该测试包括一个典型的问题：“市议会拒绝许可游行示威，因为他们害怕暴力。”这里的“他们”是指市议会还是示威者？如果将“害怕”替换为“倡导”，则会对“他们”的理解产生影响。这是因为我们知道市议会更担心暴力行为，而示威者可能更倾向于暴力，这种背景知识对解决代词歧义至关重要，这对人工智能系统构成了巨大挑战。

Winograd Schema Challenge 的第一次比赛于去年七月举行，获胜算法的得分仅略高于随机猜测。

表征与理解

现在有一种技术可以表征自然语言中的单词，这种方法在情感分析和机器翻译等任务中表现出色。这种表征称为词嵌入（word embeddings），通过数学方法从大量样本中学习词汇的意义。词嵌入主要通过捕捉单词之间的关系来表征词义。例如，通过确保向量关系（如向量“国王”-“男性”+“女性”=“王后”）符合逻辑，一组良好的词嵌入可以反映出“国王是男性，王后是女性”的概念。

这种向量化的表征是谷歌新翻译系统的核心，该系统不仅能表征整个句子，还能有效降低翻译错误率高达55%至85%，并支持零样本翻译（zero-shot translation），即在没有训练数据的情况下实现两种未见过的语言之间的翻译。然而，即使有了这些技术进步，NLP领域的一些专家仍然持怀疑态度。Oren Etzioni 就曾讽刺道：“当人工智能无法确定句子中的‘它’指的是什么时，它并不会改变世界。”

因此，尽管人工智能能够在没有专门训练的情况下翻译语言，但它仍无法准确识别句子中的代词。

语义并非直接获取

当我们了解到词嵌入是如何工作的时，可能会认为它们真正捕捉到了意义。然而，事实并非如此。这些表征是基于语言样本的学习结果，而语言本身是由意义驱动的。因此，我们的表达自然地反映了这些意义。但人工智能系统通过词嵌入学习到的，并不是直接意义上的理解。

对于大多数自然语言处理任务而言，这种间接获取意义的方式并不重要。例如，在翻译过程中，理解句子中的“它”指的是什么并不直接影响翻译的准确性。但在构建持续性对话的AI时，这一点变得至关重要。用于训练NLP任务的数据往往不包含消除词义歧义所需的信息，而这些信息主要来自对现实世界的认知。如何在AI系统中融入这些现实世界的实体或常识知识，仍是一个待解的问题。

约束条件下的操作

许多顶尖人才正在研究人工智能的自然语言理解问题。例如，在NIPS 2016会议上，OpenAI的研究者们提出了一个关于情境化和目标驱动的语言学习的框架。斯坦福大学的研究者们也在探索交互式语言学习，认为与现实世界的互动对于学习语义至关重要。有趣的是，他们的系统向Terry Winograd的SHRDLU系统致敬，后者是一个早期的对话系统，它限制自己只能描述由积木组成的世界。

对于任何想开发持续性对话AI的人来说，这种限制仍然是必要的。亚马逊的Lex和IBM的对话服务允许开发者设定应用的操作规则，定义应用可以执行的意图及其对应的用户请求方式。然而，有时这种对话AI甚至无法理解简单的代词，这表明当前技术仍有许多局限性。

当前技术的局限性

了解人工智能和机器学习技术的当前能力和局限性对于任何想要利用这些技术增强应用功能的人来说至关重要。如果你对人工智能的能力抱有过高的期望，可能会浪费时间和金钱；反之，如果你过于怀疑，也可能错失开发实用和盈利的应用程序的机会。