比如，那么對于同一個語義，不同語言和方言對應(yīng)反饋都可能有差異，甚至對于不同環(huán)境成長的同一語言人群以及同一個人在不同年齡段和不同情緒狀態(tài)下的反饋都可能不同。

近日，斯坦福大學(xué)人工智能實(shí)驗(yàn)室（SAIL）發(fā)表博客，介紹了其兩篇 ACL 2020 論文。這兩項研究立足于近段時間 BERT 等神經(jīng)語言模型的突破性成果，指出了一個頗具潛力的新方向：使用語言解釋來輔助學(xué)習(xí) NLP 乃至計算機(jī)視覺領(lǐng)域的任務(wù)。

簡單來說，就是針對自然語言處理（NLP）和計算機(jī)視覺領(lǐng)域的多種高難度任務(wù)，他們首先用語言解釋這些任務(wù)，然后使用深度神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)這些語言解釋，進(jìn)而幫助解決這些任務(wù)。

事實(shí)上，BERT 等現(xiàn)代深度神經(jīng)語言模型已經(jīng)顯現(xiàn)出解決多項語言理解任務(wù)的潛力。因此，SAIL 在這兩篇論文中提出使用神經(jīng)語言模型來緩解這些基本問題。這些神經(jīng)語言模型或以確定相關(guān)領(lǐng)域內(nèi)語言解釋為目標(biāo)，或使用了可以解讀語言解釋的通用型“知識”來進(jìn)行預(yù)訓(xùn)練。

第一篇論文研究了如何使用語言解釋來構(gòu)建文本分類器，即使用自然語言解釋來幫助解決單個任務(wù)?；诖?，研究人員提出了 ExpBERT 模型，其使用了針對文本蘊(yùn)涵任務(wù)訓(xùn)練的 BERT 模型，BERT 在這一過程中輸出的特征可替代上述語義解析器提供的指示特征。

第二篇論文提出一種名為語言塑造型學(xué)習(xí)（Language Shaped Learning／LSL）的方法，即在訓(xùn)練時使用語言解釋，則可以促使模型學(xué)習(xí)不僅對分類有用的表征，而且該表征還能用于預(yù)測語言解釋。

語言之精妙彰顯了人類之精巧，人工智能想要克服語言的技術(shù)桎梏依然還有漫長的路要走，但研究已在路上。在人工智能獲得語言能力前，社會也將對其技術(shù)進(jìn)行謹(jǐn)慎的設(shè)計，這也是科技時代下必然要面對的問題。

責(zé)任編輯：PSY