演講結(jié)束，掌聲響起。

趙衡急急忙忙收拾東西離開座位，希望在人潮散場(chǎng)前趕緊離開 ACL 2017 的主會(huì)場(chǎng)，好找個(gè)地方看看接下來的議程——但也已經(jīng)晚了。盡管大門試圖嚴(yán)密地隔開場(chǎng)內(nèi)場(chǎng)外，但趙衡推開門時(shí)，會(huì)場(chǎng)外熙熙攘攘、甚至顯得有些吵鬧的對(duì)話聲涌進(jìn)大廳，引來不少觀眾的回頭側(cè)目。

趙衡背著包，磕磕碰碰地跟著人海移動(dòng)到下一個(gè)會(huì)場(chǎng)時(shí)，他心里只暗暗后悔沒有再早一點(diǎn)離場(chǎng)。

「我猜主辦方也沒想到有這么多人，今年的場(chǎng)子定得太小了，」趙衡半是無奈半是欣慰地感慨道。作為國(guó)內(nèi) Top 5 高校的博士生，他感慨自己遇上了 ACL 的「春天」，也遇上了深度學(xué)習(xí)的「黃金時(shí)代」。

據(jù)雷鋒網(wǎng) AI 科技評(píng)論不完全統(tǒng)計(jì)，第 55 屆 ACL 主會(huì)場(chǎng)的規(guī)模約為 1500 人，每個(gè)分會(huì)場(chǎng)也安排了超過 300 人的座位，預(yù)計(jì)本屆 ACL與會(huì)人數(shù)超過 1000 人。

深度學(xué)習(xí)之熱

十年前，ACL 還不是這般景象。北京大學(xué)計(jì)算機(jī)科學(xué)研究所的萬小軍教授回憶道，他第一次參加 ACL 的時(shí)候還是 2007 年，當(dāng)年他剛留校任教不久，「（會(huì)議）在捷克布拉格舉行的，當(dāng)時(shí)是與 EMNLP－CoNLL 2007 和 IWPT 2007 兩個(gè)學(xué)術(shù)會(huì)議同時(shí)召開。」資料顯示，當(dāng)時(shí)三個(gè)會(huì)吸引了「創(chuàng)記錄」的 1095 人前來參會(huì)，且 ACL 2007 接收論文投稿 588 篇，收錄 131 篇。

而在十年后，ACL 2017 僅收錄論文數(shù)就達(dá)到 299 篇，總投遞論文數(shù)達(dá)到 1318 篇。不得不說，這與深度學(xué)習(xí)的快速發(fā)展不無關(guān)聯(lián)。

在 2011 年版本的中國(guó)計(jì)算機(jī)學(xué)會(huì)推薦國(guó)際學(xué)術(shù)會(huì)議和期刊目錄中，ACL 還是 CCF 推薦國(guó)際學(xué)術(shù)會(huì)議（人工智能與模式識(shí)別）B 類；而在 2015 年，中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）在第四版更新中將其「升級(jí)」為人工智能領(lǐng)域的 A 類會(huì)議，與 AAAI、CVPR 等并駕齊驅(qū)。本次修訂升級(jí) A 類的會(huì)議數(shù)量猛增，包括了NIPS、ACL等原本的 B 類會(huì)議，為此還引發(fā)了一番爭(zhēng)論。

雖然學(xué)界對(duì)于 CCF 的推薦標(biāo)準(zhǔn)依然有很多分歧和討論，但不可否認(rèn)的是，深度學(xué)習(xí)的發(fā)展，正在影響甚至主導(dǎo)著學(xué)界的研究和產(chǎn)業(yè)的動(dòng)向。至少 CCF 自上而下的方針指導(dǎo)，便可一窺學(xué)會(huì)對(duì)人工智能甚至是深度學(xué)習(xí)的高度關(guān)注與重視。

杰出論文開場(chǎng)前十分鐘，會(huì)場(chǎng)已經(jīng)滿滿當(dāng)當(dāng)

學(xué)術(shù)論文「紛紛入坑」

從 ACL 2017 的議程來看，深度學(xué)習(xí)的趨勢(shì)愈發(fā)明顯：在 ACL 2017 上，僅僅第一天的六個(gè) tutorial 就有四個(gè)是和深度學(xué)習(xí)相關(guān)的，大多都是分析其在各個(gè)計(jì)算語言學(xué)領(lǐng)域上的運(yùn)用。

國(guó)內(nèi)某知名企業(yè)的首席科學(xué)家張凱是前兩年 ACL 的忠實(shí)參會(huì)者。今年也來到現(xiàn)場(chǎng)的他告訴雷鋒網(wǎng) AI 科技評(píng)論，如果說 2015 年研究者們還處于深度學(xué)習(xí)的初步研究階段，那么 2016 年的 ACL 便是深度學(xué)習(xí)在 NLP 領(lǐng)域全面開花的一屆會(huì)議。他表示，ACL 2017 整體延續(xù)了上一年的風(fēng)格，幾乎所有論文都采用了深度學(xué)習(xí)的方法構(gòu)建模型并提升效果。此外，研究所使用的數(shù)據(jù)集基本上都沒有什么大的更新，并沒有給他很大驚喜，也就是說，研究者們是采用了新的方法在測(cè)試原有的內(nèi)容，重在效果和性能上更上一層樓，并沒有更多的理論創(chuàng)新。

組委會(huì)自然也意識(shí)到了深度學(xué)習(xí)所帶來的巨大影響。在去年 ACL 2016 上，最佳長(zhǎng)論文頒給了一篇探討符號(hào)語義性的文章——加州大學(xué)伯克利分校 E. Dario Gutierrez 的《Finding Non-Arbitrary Form-Meaning Systematicity Using String-Metric Learning for Kernel Regression》。這個(gè)決定在深度學(xué)習(xí)開始廣泛應(yīng)用的去年來看，隱約透露出組委會(huì)鼓勵(lì)多做創(chuàng)新性論文，避免在深度學(xué)習(xí)上越鉆越深的想法。

而在今年沖擊 ACL 最佳論文的杰出論文（outstanding paper）宣講現(xiàn)場(chǎng)上，大多數(shù)論文并沒能跳出深度學(xué)習(xí)的「大坑」，「套路感」?jié)M滿：我們?cè)趺刺幚頂?shù)據(jù)、我們?cè)趺从?xùn)練、我們的方法比起之前提高了多少百分點(diǎn)......看起來不免讓人覺得有些審美疲勞。

比起其他杰出論文來說，今年獲獎(jiǎng)的最佳長(zhǎng)論文——約翰霍普金斯大學(xué)的 Ryan Cotterell 和 Jason Eisner 的這篇最佳長(zhǎng)論文《Probabilistic Typology: Deep Generative Models of Vowel Inventories》雖然屬于深度學(xué)習(xí)方法的范疇，但更多提供了一種解決問題的新思路，因而在一眾曬數(shù)據(jù)的論文中顯得特別突出：這篇文章通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法來對(duì)元音空間構(gòu)建一個(gè)可訓(xùn)練的生成概率型分布方法，從而研究語言類型學(xué)中的元音的分散性和聚焦性問題，而 Presentation 最后的一句“Use NLP tools to do science，not just engineering！”則帶出了一個(gè)問題：深度學(xué)習(xí)應(yīng)該如何與傳統(tǒng) NLP 研究結(jié)合？

清華大學(xué)的朱小燕老師認(rèn)為，NLP 研究層面上的突破并不只是靠深度學(xué)習(xí)的推動(dòng)，「深度學(xué)習(xí)的火熱很大一部分是 CV 領(lǐng)域帶起來的，但 NLP 的情況并不一樣，在深度學(xué)習(xí)流行起來之前已經(jīng)有了很多不錯(cuò)的應(yīng)用解決方案。此外，工業(yè)界的一些應(yīng)用，如特定情境下的服務(wù)機(jī)器人，并不一定需要用深度學(xué)習(xí)方案。」

而另一位工業(yè)界技術(shù)人士也持類似的看法，她認(rèn)為近兩年深度學(xué)習(xí)的全面應(yīng)用，從學(xué)術(shù)角度看屬于在應(yīng)用工具層面上的更新?lián)Q代，其流行只是暫時(shí)性的現(xiàn)象，未來可能會(huì)被更好的方法取代。

或許對(duì)追求理論創(chuàng)新和突破的學(xué)術(shù)界而言，深度學(xué)習(xí)的「泛濫」并不是一件值得為之激動(dòng)的事情，但對(duì)于工業(yè)界而言，卻是機(jī)遇所在。

企業(yè)「蜂擁入局」

今年，有 38 家企業(yè)/機(jī)構(gòu)成為了 ACL 2017 的贊助商，有不少來自國(guó)內(nèi)的新面孔，包括騰訊、阿里巴巴、今日頭條、CVTE等公司。在現(xiàn)場(chǎng)，還有包括 BAT 在內(nèi)的 18 家廠商鋪設(shè)了展位，這也給會(huì)場(chǎng)的熱鬧非凡「助攻」了一把。

但在去年的 ACL 上，所有贊助商加起來也不過 16 家。

ACL 2016 贊助商一覽

雷鋒網(wǎng) AI 科技評(píng)論走訪了現(xiàn)場(chǎng)的多家參展企業(yè)，發(fā)現(xiàn)包括谷歌、facebook、百度、騰訊等公司都有論文被今年的 ACL 錄用。而縱覽工業(yè)界在展臺(tái)所宣傳的內(nèi)容，雷鋒網(wǎng) AI 科技評(píng)論發(fā)現(xiàn)對(duì)于 NLP 的應(yīng)用需求不外乎對(duì)話 Q&A、推薦系統(tǒng)、機(jī)器翻譯等領(lǐng)域。

三星電子的研究員 Je Hun Jeon 表示，目前公司的研究成果主要采用的是機(jī)器學(xué)習(xí)，目前已經(jīng)應(yīng)用于移動(dòng)設(shè)備、智能家居產(chǎn)品及 IOT 產(chǎn)品。而日本產(chǎn)業(yè)技術(shù)綜合研究所的研究員 Takushi 則表示，研究所主要關(guān)注的領(lǐng)域有三個(gè)，一個(gè)是在數(shù)據(jù)缺乏的領(lǐng)域，采用機(jī)器學(xué)習(xí)和模擬機(jī)制解決問題；另一個(gè)是采用強(qiáng)化學(xué)習(xí)解決化工問題，此外也關(guān)注 AI 控制系統(tǒng)的構(gòu)建。

張凱告訴雷鋒網(wǎng) AI 科技評(píng)論，他在 ACL 主要關(guān)注的是深度學(xué)習(xí)在兩個(gè)領(lǐng)域的發(fā)展情況，一個(gè)是根據(jù)語義理解文本情緒；另一個(gè)是生成更加智能的文本內(nèi)容。他也相信，深度學(xué)習(xí)將成為未來一段時(shí)間的重要研究工具，并給產(chǎn)業(yè)界帶來更多的驚喜。

一位不愿透露所在機(jī)構(gòu)的 NLP 研究員 Allen 告訴雷鋒網(wǎng) AI 科技評(píng)論，深度學(xué)習(xí)的不可解釋性，讓很多研究處于「知其然不知其所以然」的狀態(tài)，主要工作主要集中在了調(diào)試出好的效果，而非對(duì)背后原理的深究。但他也指出，這給工業(yè)界提供了和學(xué)術(shù)界站在同一起跑線的機(jī)會(huì)?！溉绻麖木浞ǖ慕嵌热チ私?，可能需要涉及大量的專業(yè)知識(shí)，但采用深度學(xué)習(xí)的方法之后，我們可以直接用大量數(shù)據(jù)喂（模型），也能成功得到結(jié)果。工業(yè)界是以產(chǎn)品化為導(dǎo)向，因此更在乎的是結(jié)果和產(chǎn)出，而非中間的研究過程。」

Allen 也認(rèn)為，目前很多高校的研究能夠在既有的數(shù)據(jù)集上調(diào)試出不錯(cuò)的效果，但同樣的模型放在工業(yè)界上則不具備應(yīng)用的條件?！阁w量太小，高校在用的那些數(shù)據(jù)集對(duì)于工業(yè)界來說并不合適，」而深度學(xué)習(xí)所需要的大量數(shù)據(jù)，在工業(yè)界則能夠輕松獲得，這也是為何現(xiàn)在工業(yè)界在某些特定研究領(lǐng)域甚至能夠先行于學(xué)術(shù)界的原因。

其中，有些企業(yè)會(huì)以在學(xué)術(shù)會(huì)議發(fā)表論文的數(shù)目作為另一種招聘的宣傳手段，以體現(xiàn)他們的研究實(shí)力；不過也有某些廠商持有另一種觀點(diǎn)：對(duì)于工業(yè)界而言，是否在頂級(jí)會(huì)議上發(fā)表論文已經(jīng)不是研究者的第一需求，甚至不會(huì)是他們的首要 KPI，將產(chǎn)品做好才是正道，自然發(fā)論文的動(dòng)機(jī)也弱了很多。

但所謂「術(shù)業(yè)有專攻」，工業(yè)界與學(xué)術(shù)界所關(guān)注的方向并不相同。對(duì)于工業(yè)界而言，深度學(xué)習(xí)誠(chéng)然是實(shí)現(xiàn)產(chǎn)業(yè)化的巨大機(jī)會(huì)所在，可以只關(guān)注熱門技術(shù)和快速產(chǎn)出，增強(qiáng)公司的影響力；但學(xué)術(shù)界的研究依然要本著求真探索的原則，不應(yīng)盲目追求熱點(diǎn)，才能在追求真理的過程中帶來創(chuàng)新，帶來真正的變化。

（應(yīng)受訪者要求，文中趙衡與張凱為化名）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。