1月11日，機器閱讀理解領(lǐng)域頂級賽事SQuAD (Stanford Question Answering Dataset) 刷新排名，阿里巴巴憑借82.440的精確匹配（Exact Match）分數(shù)，代表人工智能首次在閱讀理解能力比賽上超越人類。

什么是機器閱讀理解？

讓機器像人類一樣閱讀文本，進而根據(jù)對該文本的理解來回答問題，這種閱讀理解就像是讓計算機來做我們高考英語的閱讀理解題。機器閱讀理解是當前AI界前沿的一個火熱主題，主要涉及到深度學習、自然語言處理和信息檢索。如果哪一天機器真能具備相當高水準的閱讀理解能力，那么很多應用便會體現(xiàn)出真正的人工智能。

比如搜索引擎會在真正理解文章內(nèi)容基礎(chǔ)上去回答用戶的問題，而不是目前這種以關(guān)鍵詞匹配的方式去響應用戶，這對于搜索引擎領(lǐng)域帶來的巨變很可能是顛覆性的。

機器閱讀系統(tǒng)也能幫助醫(yī)生、律師以及其他專家更快地閱讀專業(yè)的醫(yī)學或判例文檔，從而讓他們有更多的時間對病人進行治療或構(gòu)思合法抗辯。

它也能幫助人們更快地發(fā)現(xiàn)隱藏在汽車使用說明書或稅務(wù)條例中的信息，節(jié)約時間。

微軟深度學習技術(shù)中心合作研究經(jīng)理高劍鋒說：“世界中有大量信息，尤其是互聯(lián)網(wǎng)中；為了讓信息產(chǎn)生價值，需要將其轉(zhuǎn)化為知識，而機器閱讀技術(shù)可以在信息與知識之間搭建一個橋梁。”

SQuAD：機器閱讀理解界的頂級賽事

很長一段時間以來，自然語言處理的研究都是基于句子級別的閱讀理解，但長文本的理解問題一直是研究的一個難點，因為這涉及到句子之間的連貫、上下文和推理等更高維的研究內(nèi)容。而大數(shù)據(jù)的發(fā)展讓學者們看到了這一研究方向的曙光。通過長文本點對點的學習，即對句子、短語、上下文進行建模，這一過程需要運用人工智能的推理能力。

斯坦福大學在2016年通過亞馬遜眾包平臺（AMT）建立的SQuAD 數(shù)據(jù)集是機器閱讀這一新興領(lǐng)域的核心基準，它包含 10 萬個（問題，原文，答案）三元組，規(guī)模遠超之前的所有數(shù)據(jù)集：每個問題由人為提出，有且僅有一個維基百科文章的段落與其相關(guān)；答案來自該段落的某一片段且答案類型較為豐富；推理出答案的過程具有多樣性且具有適中的難度。

▲當前的公開數(shù)據(jù)集對比

SQuAD文本理解挑戰(zhàn)賽則被斯坦福大學打造為“機器閱讀理解界的ImageNet”，吸引了包括谷歌、卡內(nèi)基.梅隆大學、斯坦福大學、微軟亞洲研究院、艾倫研究院、IBM、Facebook等知名企業(yè)研究機構(gòu)和高校的深度參與，共同推進機器閱讀理解的進步。

人工智能在閱讀完數(shù)據(jù)集中的一篇短文之后，需要回答若干個基于文章內(nèi)容的問題，然后與標準答案進行比對，得出精確匹配（Exact Match）和模糊匹配（F1-score）的結(jié)果，評分結(jié)果將實時地在SQuAD官網(wǎng)上進行更新。

阿里巴巴人工智能機器閱讀理解打破世界紀錄

2017年，微軟亞洲研究院的自然語言計算研究組持續(xù)長居SQuAD榜首，但仍遠未達到人類的水平。2018年開年，阿里巴巴 iDST NLP就打破紀錄，創(chuàng)造了歷史。SQuAD排行榜上，阿里和微軟亞洲研究院、騰訊DPDAC NLP、科大訊飛與哈工大聯(lián)合實驗室、浙江大學均位于前十，讓世界看到中國團隊的霸榜。

▲SQuAD排行榜

此次技術(shù)的重大突破源于阿里巴巴研究團隊提出的“基于分層融合注意力機制”的深度神經(jīng)網(wǎng)絡(luò)模型。該模型能夠模擬人類在做閱讀理解問題時的一些行為，包括結(jié)合篇章內(nèi)容審題，帶著問題反復閱讀文章，避免閱讀中遺忘而進行相關(guān)標注等。

阿里巴巴自然語言處理首席科學家司羅表示，對于解決Wiki類（維基百科類）客觀知識問答，機器已經(jīng)取得非常好的結(jié)果，未來將繼續(xù)向?qū)νㄓ脙?nèi)容的“能理解會思考”的終極目標邁進。

目前，這項技術(shù)也已經(jīng)在阿里巴巴內(nèi)部被廣泛使用。比如，每年雙11都會有大量的顧客對活動規(guī)則進行咨詢。阿里小蜜團隊通過使用機器閱讀技術(shù)，讓機器直接對規(guī)則進行閱讀，為用戶提供規(guī)則解讀服務(wù)，是最自然的交互方式。

▲阿里小蜜人機交互流程

未來的方向

機器閱讀界風起云涌，火力全開，人類真的會被超越嗎？

微軟亞洲研究院自然語言處理組首席研究員韋福如表示，即使機器閱讀團隊的系統(tǒng)可以在SQuAD數(shù)據(jù)集中和人表現(xiàn)的一樣好，并不意味著機器可以像人一樣真正閱讀和理解，這是未來必須要面臨的一個挑戰(zhàn)。

韋福如說，人類理解文本的能力是多維度的，結(jié)合多任務(wù)（尤其是閱讀理解相關(guān)的任務(wù)，例如閱讀理解之后進行摘要和問答）的模型非常值得關(guān)注和期待。更進一步，雖然SQuAD提供了比較大的人工標注數(shù)據(jù)集，如何有效且高效地使用未標注的數(shù)據(jù)也是非常值得期待的研究課題和方向。從任務(wù)上看，目前SQuAD的任務(wù)定義中答案是原文的某個子片段，而實際中人可能讀完文章之后需要進行更復雜的推理、并組織新的文字表達出來。

“目前我們的算法基本都是抽取型的方式，未來生成型的算法也值得更多的探索和研究。另外，目前機器閱讀理解關(guān)注的都是理解客觀信息的能力，未來機器理解文字里面所表達出來的主觀信息（例如情感）也是非常有趣并值得關(guān)注的方向。”韋福如說道。

關(guān)注【AI商業(yè)報道】，回復【2017白皮書】，可獲得干貨《2017人工智能產(chǎn)業(yè)發(fā)展白皮書》！

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。