三大关键技术决定人工智能未来

三大关键技术决定人工智能未来

摘要 : 机器理解语言的技术、知识挖掘技术、对人的建模技术这三大技术再经过一段时间的发展后，对破解图灵测试是有可能的。

科幻作品中我们经常能够看到与人类一样聪明的机器人，但机器是如何在这背后存储知识的？是如何推理知识并运用知识的？最后又是如何实现与人的交互的？此次在的百度BIG大会上，百度技术副总王海峰博士总结了实现人工智能的三大关键技术，基本回答了这些问题，虽然讲的比较简单，但由于信息量过大没有一定背景的人是很难听懂的，所以我纯粹来给各位科普下。

关键一，让机器理解语言的技术

理解语言是一个从词语逐渐递进到事件的过程。

1，分词技术

让机器理解语言，也就是要让机器学会自己思考，那么就需要让机器去理解语言。而汉语的

理解与英语相比起来就显得更加困难，在英语中每个单词都是基本上可以被机器直接读取的，但是汉语在分词上则更为困难。我们来举几个列子。

“你|老张|着什么急|啊”

“你|老张着|什么嘴|啊”

上面是一个简单的列子，修改一个字，意思就相差十万八千里，而机器根据字的不同则可以勉强分出来。但是下面这个列子就折腾了。

“乒乓球拍卖完了”

机器该怎么分？这就困难了，机器既可以分出两种意思“乒乓球|拍卖|完了”

“乒乓|球拍|卖完了”

那么困难就来了，我们如何告诉机器这句话中的词该怎么分呢？对于人来说很简单，根据前后文马上就能识别出来，但是对于机器来说则极为艰难。

2，句子的分析技术

分词问题解决之后便是分析句子的问题，请看下面两句“谢霆锋|是谁|儿子”

“谢霆锋|儿子|是谁”

对于机器来说，这两句话获得的关键分词信息是一样的，都是“谢霆锋”、“是谁”、“儿子”，这三个关键分词信息。我们该如何告诉计算机，因为顺序先后的原因而导致的语义的天差地别呢？

这其中就需要对语言有很深入的分析，对语义理解，从而知道他们要找的答案是不一样。做到这单同样不容易。

3，上下文相关的分析技术

分析完一句话后，机器自然要推演到分析一篇文章的内容。

在《信息简史》中有一个很重要的信息原理，就是说当我们需要传递信息时，需要大量的冗余信息来保障信息的准确性，没用的废话越多则传递信息的准确性越高，同样对于让机器理解某句话也是基于同样原理。

但问题是，人可以依靠直觉抓取关键信息，而机器又凭借什么来抓取关键信息呢？又如何识别真正的信号与噪声？这也是至关重要的技术。

我们看以下三个列子

我们看到当搜索“天空为什么是蓝色的”时，百度并没有把文章前半部分的内容放上去，而是自动摘取了中间的关键答案，而当用搜狗搜索和360搜索时，并没有摘要出最优答案，只是把文章的前半部分内容放了上去。这说明搜狗和360搜索还有可以继续提升的空间。

4，分析事件的技术

分析文章的问题解决后就必须再攀登更高的高度，让机器去系统性的分析一个事件，也就是再加上时间的这个维度，将与某个事件相关关键的文章全部集合，就可以还原一个历史事件的进程。

当我们搜索“斯诺登”时，就会出现以下按照时间轴展开的标题。

左边是百度的事件整理，中间是360的事件整理，最右边是搜狗搜索的结果。

在事件归类的技术上，百度与360都已能够做到识别，而搜狗目前没有做到这点

事件整理是最高难度的技术，也是如何做到让机器理解语言的最高一层。

关键二，知识挖掘技术

1，知识图谱的建立技术

首先假设，我们在机器中存储了上亿个实体知识，这对于机器来说不是难事，轻而易举，难就难在存储实体的关系上，一个实体对应多个属性，比如一张桌子对应了品牌、颜色、木材等等属性，这些属性就有上百亿级别，这些关系错综复杂的整合起来，要存储的数据就会指数级的增加，这注定是一张超级的海量级图谱。

如何建立起图谱？以以下这句话来举例

“奢侈品牌路易威登1854年成立法国巴黎”

那么机器该如何进行知识的存储呢？

1）奢侈品与路易威登（识别出路易威登是个品牌并且是奢侈品，存储该知识）

2）路易威登与1854年成立（识别出路易威登的成立时间，存储该知识）

3）路易威登成立于法国巴黎（识别出路易威登成立于发过，，存储该知识）

4）法国巴黎（识别出法国与巴黎有关系，存储该知识）

5）…….

以上只是一种粗略的理想化的情景，王博士也没有说更细节的事情。我这里补充下，实际上这种只是图谱一直是动态的，有不断的增加删减的过程，每个语句中的知识都是按照时间线出现的大数据关键词内容，根据统计后才建立起的知识图谱，与人脑一样，这些关系知识图谱出现又消失，最后那些确凿无疑的关系被留了下来，但是这些依然是动态的，如果哪天法国的首都不再是巴黎，整个关系知识图谱数据库会将所有数据全部更新。

2，知识推理技术

当知识图谱建立后，要做的就是实际层面的应用，将这些知识图谱应用到真正的实现中，当用户搜索某个问题后，去检索数据库中的关系图谱，然后将关联性最高的精确答案呈现给用户1）直接推理。

我们以搜索“刘德华多少岁了”来举例。

当我们搜索这个问题后，搜索结果中就会直接呈现出了刘德华的年龄，这就是运用了知识的推理能力。这个53岁是一个动态结果，机器在幕后进行了大量的运算后知道获得年龄是一个动态的算法，需要将此人的生日与当前时间相减，之后才能得出结论。

同样的，当我们搜索“谢霆锋儿子的母亲的前夫的父亲”后得出是“谢贤”的结果，这也是技术在背后的推理的作用。

2）分类推理

上面谈了比较简单直观的推理模型，但这只是在用户提问有确定唯一结果答案的时候才那么奏效，但当用户搜索某个没有唯一标准答案的问题时就不再奏效。那么这里就会用到分类推理的技术。

比如当用户搜索搜索“观赏鱼”。

这种搜索没有指定的唯一标准答案，所以机器从后台的知识体系库中提取了关于“观赏鱼”的相关分类内容，列出了所有相关结果，给出了各个观赏鱼的种类结果，好让用户去找到自己想要的结果。在这里又顺便将三个搜索结果做了比较，百度的搜索结果最为全面，搜狗次之，而360没有分类。