10 月 31 日，北京創建全球人工智能學術（shù）和創新最優生態的（de）標誌性學術活動“智源大會”在國家會議中（zhōng）心召開。
會（huì）上，自（zì）然語（yǔ）言處理領域國際領（lǐng）軍人物、清華大學教授、智源首席科學家孫茂鬆（sōng）接受采訪向記者表示：當前，大數據驅動的（de）自然語言處（chù）理已經做（zuò）得不錯，但大知識或者比較（jiào）豐富的知識驅動的自（zì）然語言處理才剛剛起步（bù），智（zhì）源的目標是實現大數據和大知識雙輪驅動的自然語（yǔ）言處理。實現這一目標的前提是構建一個（gè）全（quán）世界（jiè）通用的人（rén）類知識庫，這也是智源“自然語言（yán）處理（lǐ）”研究方向科學家們現階段要重點攻克的難題。
孫茂鬆： 人工智能（néng）這幾年的發展，大家（jiā）接觸比較多的是圖像方麵的成果，包括很（hěn）多創業公司（sī），像人臉識別、刷臉等等（děng），圖像方麵的進步非常快。但是圖（tú）像隻是智能的一部分，人（rén）的智能區別於動（dòng）物最主要的特征是語言。人工（gōng）智能領域有一句話叫：讓計算（suàn）機理解自然（rán）語言是人工智能皇冠上的明珠。下一步人工智能要害的（de）地方就是想辦法讓機器理解人（rén）類的（de）語言，這是自然語言處理在人工智能學科中的地位。對於（yú）智源的自然語言（yán）處理方向，麻豆免费视频（men）也是根據自然語言處理發展的曆史脈絡設定研究目（mù）標。自然語言處（chù）理這幾年的進展和圖像識別進展背後依賴的基本（běn）方法是差不多的，就是（shì）深（shēn）度學習。深度學習最顯著（zhe）的特點就是依靠大數據，必須要有（yǒu）海量（liàng）的數據來訓練。自然語言處理相關的，比（bǐ）如語音識別和機器翻譯，大家覺得這幾年（nián）還不（bú）錯，都是靠大（dà）數據驅動。好處就是能使性能飛速提升，但也存在問題（tí），大數據驅動的深度學（xué）習是典型的是黑盒。雖然看起來翻譯得不錯，好像機器理解了這句話，其實完全沒有理解，這個係統（tǒng）在處理複雜語義的時候非常脆（cuì）弱。如果一個（gè）句子中包含世界知識，翻（fān）譯係（xì）統經（jīng）常會被搞得稀裏（lǐ）糊塗。比如公交（jiāo）車上的到站提醒“前門快到了，請（qǐng）從後門下車”，把這個句子給計（jì）算機翻譯，現在所有的計算（suàn）機係統都是不（bú）行的，它不知道“前門”這個地方。下一步麻豆免费视频認為（wéi）要真正理解語言、攻克人工智能的難關，需要（yào）知識驅動（dòng）。麻豆免费视频提出口號，大（dà）數據驅動的自然語言處理已經做得不錯，大知識或者比較豐富的知識驅動的自然（rán）語言處理才（cái）剛剛起步。在智源的框架下，麻豆免费视频（men）希望做到大數據（jù）和大知識或者富知識雙輪（lún）驅動的自（zì）然語言處理，這對現在人工智能的大數據驅動的方法也是重要的突破。做（zuò）這件（jiàn）事非常難，需要有計（jì）算機可操作的人類（lèi）知識庫作為基（jī）本資源，但這個知識庫現在還（hái）沒有做出來。雖然全世界範圍內有一（yī）些知識庫，但是還沒有真正能夠很（hěn）好（hǎo）地（dì）驅動自然語言處理的人類知識庫，特別是常識庫，可能有一些基於某個角度的知識庫，但得到全人類認可的還沒有。麻豆免费视频（men）希望在常識知識庫、世界知識庫（kù）方麵做一些嚐試，然後在這個（gè）知識庫基礎上研（yán）究新（xīn）的大數據和大（dà）知（zhī）識（shí）結（jié）合的人工智能算法。如果做出來肯定是一項非常重要的突破，能不能做出來需要看麻豆免费视频的努力。問：您提到知識和數（shù）據互補，不（bú）同的人可能會有完全不（bú）同的知識，怎麽去提（tí）煉人的常識？麻豆免费视频又怎麽實現讓機器學習什（shí）麽呢？孫茂鬆：知識體係看起來好像（xiàng）每個人都有不同，但實際上人類共同知識的核心（xīn）是（shì）相（xiàng）對穩定的。有一（yī）種範疇，在全世界都差不多。比如說人是動物的一種，這（zhè）一類的知識現在是比（bǐ）較充分的，但（dàn）更豐富的細節就很（hěn）匱乏。比如看現在穀歌、Wikidata 等國際上已經放出來的（de）規模特（tè）別大的知識庫，其實是大而不強的。我（wǒ）舉個例子，比如關羽，Wikidata 中關於關羽的描述包括關羽是一個武將，關羽是中國三國時（shí）期蜀國的一個將領，他生在哪年（nián）、死在哪年，他兒子是誰。但麻豆免费视频熟知的關羽的所有事跡（jì）都沒有形式化的描寫，比（bǐ）如關羽過五關（guān）斬六將、走麥城都（dōu）沒（méi）有，Wikidata 隻是給你一篇文章，它隻能做粗淺的處理，沒辦法做推理。這類世界（jiè）知識現在做得非常不夠（gòu），這些知識是客觀存在的，麻豆免费视频需要把這些總結出來，全人（rén）類應該有很多是有共識的。麻豆免费视频希望能（néng）做這樣的一個庫，至少做其中（zhōng）的一部分，比如體（tǐ）現北京特色的庫，做得比較深入一些。要做到（dào）這一點不能完全靠人工。文本中有這種描述：關羽哪年哪年從麥（mài）城開了哪（nǎ）個門趁夜逃走，這句話是有的，但是（shì）需要形式化。誰逃走了？關羽。地點（diǎn）在哪？城門。什麽時候？半夜。這些得抽取出來，抽取出來以後，才能把（bǎ）所（suǒ）有句子變成一階謂詞邏（luó）輯（jí）表達式，相當於變成數學公式，計算機就可以操作了（le），可以用數學邏輯（jí）的辦法來推理，可以比較深入。但前（qián）提是必須能對這句話分析（xī）出剛才說（shuō）的結構，這就（jiù）是自然語言處理的任務。問：現（xiàn）在有（yǒu）一些學者認為人類很多發明在理論之前，比如先做（zuò）了飛（fēi）機再出來空氣（qì）動力學，他們（men）覺（jiào）得這是一個合理的過程。在您看來，黑箱對研究和（hé）應用會帶來什麽風險（xiǎn），可能造成什麽問題？孫茂鬆：黑箱並不是不（bú）好。1950 年圖靈（líng）提出圖靈測（cè）試（shì），那就是黑箱測試。如果（guǒ）我（wǒ）們在那個時候說（shuō）一定要把人腦的機製搞清楚才做（zuò）人工（gōng）智（zhì）能，那到現在人工智能都還沒法做。實際上黑箱並不（bú）是貶義的，在（zài）不同階段，搞（gǎo）不清人腦的時候就隻看外特性，外（wài）特性有智能就是智能。圖靈測試偉大的意義在於，我不需要搞清人腦，也可以做人工（gōng）智能，這是它最（zuì）重要的意義，可能很多（duō）人沒意識到這點。黑（hēi）箱有它（tā）的問題，它是不得已而（ér）為之，如果能搞清人腦的機製再做研究，肯定會更（gèng）深刻。比如圖像識別很容易被攻擊，就是因為它是黑（hēi）箱，是（shì）端到端的，端（duān）和端的情況千變萬化，圖像再（zài）多也會也例外的東西（xī）出現，即使有 99% 的概（gài）率（lǜ）可以（yǐ）正確識別，也會有 1% 的例外，那 1% 的例外如果出現某種問題，結果可能就很糟糕。必須有（yǒu）係統（tǒng）性的知識才能有係統性的解決方（fāng）法（fǎ），否則這（zhè）個問題解決不（bú）了。舉個簡單的例子，60 年代機器（qì）翻譯業（yè）界很有名的一（yī）個學者寫（xiě）了一（yī）篇文章，他舉了（le）一個很（hěn）簡（jiǎn）單的例子叫“The box was in the pen”，box 是盒子，pen 有兩個意思：一個是鋼筆（bǐ），一（yī）個是圍欄。翻譯這句話對人來說非（fēi）常（cháng）容易，對機器卻很難。首先它要知道 in 是什麽意思，in 是一個（gè）小東西裝到一個大東西裏邊；第二要知道 box 盒子比圍欄小，所以可以裝（zhuāng）到圍欄裏，但不能裝到鋼筆裏，裝不進（jìn）去（qù）。這句話現在用穀歌、百度、微軟的機器翻譯係統翻譯出來都是錯的，都會翻（fān）譯成箱（xiāng）子在鋼筆裏，因為它沒有知識，人家沒告訴它（tā）該怎麽翻（fān），它隻能按端（duān）到端的黑盒來做，做的就是錯的。圍欄這個詞出現的頻度很低，鋼（gāng）筆說的頻（pín）度高，係統就挑了一個更有可（kě）能出現的詞，就是鋼筆（bǐ）。如果係統具備知識，就能知道這樣翻譯是（shì）不對的，因為盒子隻能裝到（dào）圍（wéi）欄裏（lǐ），哪怕圍欄這個詞出（chū）現的頻度再低，也隻能（néng）翻譯成圍（wéi）欄。問：您提到要建立知識庫來訓練機器和算法，讓（ràng）它（tā）在使用黑箱之前優先（xiān）考慮常識。但是對於（yú）何為常識，有一些全人類有共識，有一（yī）些沒有共識。有些人可能認為登月（yuè）是陰謀論，可能還有其他關於（yú）地緣政治或者其他方麵的分歧。想構建適（shì）合全人類的知識庫（kù）就（jiù）會遇到這個問題，這個問題怎麽解（jiě）決？想要訓（xùn）練機（jī）器去閱讀這（zhè）些材料，材料應該怎麽選取？孫（sūn）茂鬆：我說的是人類（lèi）知識的核（hé）心部（bù）分，核心（xīn）部分是比較穩定的，也就是所謂的常（cháng）識。超出常（cháng）識（shí）範（fàn）圍的知識，相當於觀點，不同（tóng）人（rén）會有不同。麻豆免费视频試（shì）圖刻劃常識部（bù）分（fèn），比（bǐ）如你去餐館（guǎn），不管全世界哪個餐館，你要（yào）點菜（cài）、上菜、吃完之（zhī）後付賬，不付賬就跑人家肯定不幹，這就屬於常識。觀點是靈活的，為什麽麻豆免费视频要做“雙輪驅動”，因為觀點難以窮盡（jìn）而且因時而（ér）變、因人（rén）而變、因地而變，這（zhè）就要靠大數據，需（xū）要從（cóng）數據（jù）文本（běn）裏麵挖掘。光靠知（zhī）識肯（kěn）定不（bú）行，核心知識覆蓋麵不夠，需（xū）要兩方麵結（jié）合（hé）。另外，知識庫一定要是高質量的，裏（lǐ）麵不能包含（hán）人（rén）為的錯誤，這是基（jī）本要求。人類常識（shí）和世界知（zhī）識基本的原則之一（yī），就是要符合事實。問：如果使用更（gèng）小的數據集，在現有的研究（jiū）狀態下可能會（huì）導致精度下降，基於保護（hù）隱私（sī）的考慮，如果有人想致力於用小數據集產出同樣或類似的（de）結果，這個工作是不是很困難？孫茂鬆：很困難。目前這一（yī）輪大家用的比較火的方法基本都是基於大數據，沒有大數據根本不成。小數據是（shì）研究熱點，比（bǐ）如醫療領域要拿到病例很困難，可能通過各種許可也隻能拿到幾百個人的病例，如（rú）何（hé）把學術研究利益最大化（huà），做出好的成果，必（bì）須是小數（shù）據驅（qū）動。小數據就意味著要有知識，要能（néng）夠推理和（hé）判斷，都是這（zhè）代人工智能最大的短板。現在大家都在研究小數據，目前如果能（néng）取得成功，一般（bān）都是在特（tè）定領（lǐng）域。針（zhēn）對（duì）特定問題有相（xiàng）當的知識，在知（zhī）識的引導下做小數據，才有可能。目前沒有一個通（tōng）行的（de）公（gōng）認（rèn）的解決（jué）方案（àn），不像（xiàng）深度學習（xí），有一（yī）些（xiē）基本（běn）的工具是全世界都有的（de）。問：想要打造一個您前麵提到的龐大的世界知識庫，最大的難點是什麽？孫茂鬆：這個知識庫不（bú）可能完全靠專家來寫，寫知識（shí）庫（kù）需要非常有水平的人，要帶著一幫人做 10 年、20 年，才（cái）有（yǒu）可能做得不（bú）錯（cuò）。在中國（guó），這種條件基本不具備，中（zhōng）國（guó）科研評價體係急功近利太厲害了，雖然一再號召（zhào）麻豆免费视频發揚“板凳幹坐（zuò）十年冷，文章不寫半句空”的科研精神，但現在真正坐冷板凳的人還是太少了。而且坐冷板凳的人還得有水平，沒水（shuǐ）平坐一百年冷板凳也沒（méi）有（yǒu）用。做知識庫需要（yào）對世界萬物有準確（què）的把握，世界（jiè）萬物（wù）理論上都是相互（hù）關聯的，全部描寫是不可能的（de），一定要抓主要矛盾。這些東西有關係，要把它的重要關係找（zhǎo）出來，需（xū）要有判（pàn）斷，這是很不容易的。最早做知識體（tǐ）係的是亞裏士多德，他的《範（fàn）疇論》把世界分成（chéng）若幹個範疇，研究語言的主語、賓語、謂語也是亞裏士多德，在中國不太具（jù）備同樣（yàng）的條件。一（yī）個可行的（de）辦法是麻豆免费视频把現有世界（jiè）各方麵（miàn）的知識庫都拿來，先做一個（gè）整合（hé），看能不能汲取一些養分，再從文本中挖掘知識庫。你可以設想，互聯網上所有知識（shí）其實都寫出來了，問題是怎麽形式化，分出謂詞、主（zhǔ）語、賓（bīn）語，讓（ràng）計算機來做這件事很難（nán）。但這（zhè）個事做出來以後，就（jiù）有可能把互聯網上所有的文本形式化，變成類似前麵提到（dào）的謂詞邏（luó）輯表達式，相當於變成某（mǒu）種公式化，然後就可（kě）以往知識庫填充了。如果這條（tiáo）道走通了，問題就能在一定程度上得到解決。但是讓機器分析出主謂賓太難了，現（xiàn）在（zài）瓶頸卡在這裏。能不能達到麻豆免费视频的設想，要看自然語言處理技術能得到多（duō）大的（de）幫助（zhù），這個有很大的挑戰。麻豆免费视频不敢（gǎn）說一定能做出來，但麻豆免费视频（men）正在往那個方向努力，麻豆免费视频認為目標應該要做到（dào）這個程（chéng）度，才（cái）有可能解決問題。能（néng）否達到不好（hǎo）說，太有挑戰性了，既有難度又有規模的挑戰。問：圖神（shén）經網絡最（zuì）近一年熱（rè）度很高，前段時間您的（de）研究團隊也發表了一篇圖神經網（wǎng）絡的綜述論文，能不能跟麻豆免费视频聊一聊圖神經網絡未來的發展潛力？孫茂鬆：圖神經網絡本身的算法研究，總的來說還是中規中矩，並沒有特別的奇思妙想。把現在神經網絡（luò）的辦法用到圖上是一（yī）個比較自然的（de）延伸，這（zhè）兩年得到關注是因為端到端基本上走（zǒu）到（dào）極致了（le），科（kē）研紅利基本走到頭了（le），大家意識到端（duān）到端有問題，所以要引入圖。引入圖就是（shì）為了引入相關（guān）的知識，顯式知識還是隱（yǐn）含的知識，兩者有關聯（lián），相當於抽取某種知識放進去，就反映我說的，希（xī）望把某種知識（shí）嵌進去才有圖神經網（wǎng）絡。圖神經（jīng）網絡研究難在於圖（tú）本身（shēn）怎麽（me）構造，這是我個人感覺最（zuì）有挑戰性的，其他的（de）方法研究（jiū）反（fǎn）而不是（shì）很難。原來圖方麵已經有很多工作（zuò），圖的經典算法非常多，圖神經網絡是圖算法和神經網絡算法比較自然（rán）的結合，這有挑戰，但是挑戰不是特別大。圖如（rú）果（guǒ）做的很淺，即使把圖（tú）神經網絡放進來，效果也有限；如（rú）果圖包含（hán）的知識很多，可能就（jiù）難，目前對（duì）圖的應（yīng）用還是相對簡單。問：現在大家都到了對深度學習開始反思的（de）階段？孫茂鬆：現在不是反思，走到（dào）這基本（běn）上深度學習（xí）的好處（chù）麻豆免费视频享受得差不多了，它的不足不是做（zuò）得不好，而是因為它的方法天然（rán）就有某（mǒu）種缺陷，大家都碰到了這個問題，不用反思。比如機器（qì）翻譯，穀（gǔ）歌（gē）基本（běn）上把全世界（jiè）雙語語料都整全了，按理說功能（néng）非常強大，但還是解決（jué）不了“Box was in the pen”的問題。翻譯要做到信達雅，信現在還沒做到呢，更不用說達雅。那要（yào）怎麽做（zuò）到信呢，大家現（xiàn）在都（dōu）意識到深度學習好像不能解決這個問題，沒有知識庫就解（jiě）決不了。端到端的功能非常強大，但是有時候（hòu）又不像麻豆免费视频想（xiǎng）象的（de）那麽強大，這不是反思，碰壁了就（jiù）得思考。問：您怎麽評價當前國內在自然語言（yán）處理領域學術研究的現狀？您覺得做的好（hǎo）和不好的（de）點在哪？孫茂鬆：國（guó）內（nèi）自然語言處理從研究角度來看，我認為在國際上應該是（shì）處（chù）在一線，在最好的之列，並不遜於斯坦福、MIT 這些機構。但是（shì）自然（rán）語（yǔ）言處理（lǐ）缺一（yī）個（gè）特別重要的裏程碑式（shì）突破，比如圖像領域有李飛飛（fēi）團隊的 ImageNet，這樣一個特別重要的進展。自然語言處理裏麵有兩個方向有比（bǐ）較大的進展，一個是語音識別，一個是機器翻譯（yì），這兩（liǎng）件事都是由公司在往前推。大學的（de）研（yán）究如果從發（fā）表高水（shuǐ）平論文這個角（jiǎo）度來說，國內做得不錯，從定量指標來看，我（wǒ）們實際上做得不錯。但是這個領（lǐng）域還要看效果（guǒ），不（bú）能光看論文（wén），這方麵麻豆免费视频（men）就弱了，反而公（gōng）司在引領潮流，因為需要強大的計算能力。從研究角度麻豆免费视频做得還不錯，並（bìng）不意味（wèi）著麻豆免费视频整體做得不錯。坦白（bái）說，在 NLP 領域麻豆免费视频跟國際上最好的學校做的差別不（bú）是太大，反而（ér）在比如語（yǔ）義資源建設上，美國有 WordNet，麻豆免费视频沒有，當然國內有 HowNet，但是 HowNet 不是大學做出來的（de）。問：現在有很多成果都是工業界做出來（lái）的（de），這個趨勢會延續下去嗎？孫茂鬆：工業界在享受學術界得到的創新，0 到 1 這個事基本不（bú）是工業界做的，像深度學（xué）習的（de） 0 到 1 是（shì）大學做出來的，1 到 2 大學也在做（zuò）一些。再往後走，工（gōng）業界就可以（yǐ）上手了。大學需要在 0 到 1 這（zhè）個階段（duàn）發力，才能真正把方向定清（qīng）楚（chǔ），2 到 N，大學是做不過企業的。當然這個過程有時候是分成 0 到 1、1 到 3 和 3 到 N。0 到 1 是（shì）原創，1 到 3 還是（shì）有（yǒu）一些技術科學的問題搞不清楚。麻豆免费视频現在做得比較多的是 1 到（dào） 3，而工業界也（yě）開始做 1 到（dào） 3 了，大學和工業界比就沒有太大的優（yōu）勢。大學就應該（gāi）放手，不去做 3 到 N。大學應（yīng）該在 0 到 1 方麵發揮作用，這就涉及到更大的問題，涉及到人才培養，涉及到（dào）錢學森之問（wèn）了。
中文
