雷鋒網(wǎng) AI科技評論按，2017年11月25日，由中國中文信息學(xué)會主辦，哈爾濱工業(yè)大學(xué)（深圳）承辦的中國中文信息學(xué)會2017學(xué)術(shù)年會暨理事會在深圳大梅沙雅蘭斯麗比迪酒店隆重召開，雷鋒網(wǎng) AI科技評論也趕赴現(xiàn)場為大家?guī)韴髮?dǎo)。

此次會議邀請到學(xué)界和業(yè)界的多位知名專家，會議首日，美國伊利諾伊大學(xué)香檳分校（UIUC）計算機系教授翟成祥、中國科學(xué)院心理研究所所長傅小蘭、京東硅谷研究院主任研究員李維、清華大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)工程系宋森、今日頭條人工智能實驗室主任李航為大家?guī)砹宋鍒鼍始姵实奶匮麍蟾?，橫跨心理學(xué)、計算機科學(xué)、神經(jīng)科學(xué)等多個領(lǐng)域。

對于為什么涵蓋這么多的領(lǐng)域，中國中文信息學(xué)會理事長方濱興院士表示，中文信息處理能擴展到各種信息處理方面，如語音處理等，這種寬泛性表示了一種跨領(lǐng)域的屬性，往往為創(chuàng)新提供了更多契機。

翟成祥教授：TextScope: Enhance Human Perception via Text Mining

在上午的第一場特邀報告上，翟成祥教授帶來了題為《TextScope: Enhance Human Perception via Text Mining》的主題報告，報告伊始，他表示，TextScope是一個形象的比喻，他將從大數(shù)據(jù)的角度分析文本數(shù)據(jù)存在的價值?！拔谋緮?shù)據(jù)到處都有，這可以看作人對世界感知以后的數(shù)據(jù)，和傳感器、溫度計等沒有很大的區(qū)別，這些都是對世界的感知和觀察。 通過對文本數(shù)據(jù)的分析，既可以觀察到觀察者眼中的世界，也可以分析到觀察者的想法，這是帶給我們的機遇?！彼缡钦f道。

之后，他強調(diào)了利用文本數(shù)據(jù)可以進行的相關(guān)研究，如從文本數(shù)據(jù)考察語言知識，用來預(yù)測現(xiàn)實世界的幾乎所有變量，將來的趨勢等?！拔谋緮?shù)據(jù)包含了世界的很多知識，另外，利用文本數(shù)據(jù)在分析文本時能提供語境?！?/p>

對于如何讓文本產(chǎn)生更大的價值，他提出了如下觀點：多個文本數(shù)據(jù)拼湊在一起會產(chǎn)生極大的價值，將非文本與文本結(jié)合在一起，也有很多進行研究的空間。

在演講中，他做了一個形象的比喻，將顯微鏡和望遠(yuǎn)鏡結(jié)合在一起，可以擴寬我們的感知，讓人看到更多的東西，TextScope是一個采用文本數(shù)據(jù)作為支持，用自然語言理解、信息檢索、數(shù)據(jù)挖掘、機器學(xué)習(xí)來構(gòu)造的交互式系統(tǒng)，也可以擴寬我們對世界的感知，與顯微鏡和望遠(yuǎn)鏡相比，它能讓我們看到更為復(fù)雜的知識和內(nèi)在動向。

他們希望能構(gòu)造文本分析、機器決策的通用工具，在主題分析方面可以滿足個性化的需求。對于具體應(yīng)用，他首先提到了醫(yī)院的醫(yī)療系統(tǒng)，如預(yù)測、診斷、治療等，系統(tǒng)會通過數(shù)據(jù)挖掘，研究藥物的副作用，進而提供給醫(yī)學(xué)研究人員作進一步考察。此外還有商業(yè)智能方面的用途，可以通過用戶對產(chǎn)品的評論來進行分析，分析評論者是對價格更看重還是對服務(wù)更看重，從而進一步細(xì)化分值，對用戶進行個性化推薦。最后他提到股市預(yù)測，通過分析股票新聞與文本新聞之間的關(guān)系，挖掘出有用信息。

他強調(diào)，在這一過程中，人和機器的合作很重要。他表示，TextScope只是一個設(shè)想，這個系統(tǒng)前景很大，最終目標(biāo)是研究人和計算機如何優(yōu)化合作，將來的方向有通用系統(tǒng)、決策系統(tǒng)、預(yù)測系統(tǒng)等 。他也說到，目前的系統(tǒng)如chatbot等只能從與人的對話中學(xué)習(xí)，不能超越人類，而將來的系統(tǒng)都是向智能agent方向發(fā)展 ，要能學(xué)會探索。在未來，也存在很多很大的挑戰(zhàn)，例如怎么讓人機合作（心理學(xué)部分很重要），如何解決系統(tǒng)的操作，如何應(yīng)對魯棒挑戰(zhàn)等。

傅小蘭研究員：感知、記憶和判斷的認(rèn)知計算模型（PMJ模型）

在翟成祥教授的報告結(jié)束之后，傅小蘭研究員帶來了題為《感知、記憶和判斷的認(rèn)知計算模型（PMJ模型）》的報告。對于為什么要提出PMJ模型，她表示，“認(rèn)知即計算”已成為認(rèn)知科學(xué)的主流觀念，計算機科學(xué)不僅關(guān)注數(shù)值計算，更重視解決現(xiàn)實世界的問題 ，人類作為智能生物對復(fù)雜環(huán)境信息的高效加工方式，值得計算機科學(xué)借鑒。她進一步闡述了什么是認(rèn)知計算，“認(rèn)知計算是以人為中心的計算，要解決計算問題，更要解決認(rèn)知問題，要利用認(rèn)知神經(jīng)科學(xué)成果對計算模型提出生物學(xué)意義的具體約束，要利用腦功能連接組學(xué)成果對大腦神經(jīng)網(wǎng)絡(luò)進行建模和仿真。”

那么PMJ模型的核心思想是什么呢？傅小蘭研究員提到如下三點：一是認(rèn)知加工過程主要由感知、記憶和判斷組成 ；二是認(rèn)知加工通路大致分為快速加工、精細(xì)加工和反饋加工 ；三是認(rèn)知過程的感知、記憶和判斷對應(yīng)于計算流程的分析、建模和決策。接下來，她還進一步解釋了三種不同的加工通路，“快速加工通路類比于大細(xì)胞通路及其關(guān)聯(lián)的皮層通路，這是一種“快而糙”的算法，精細(xì)加工通路類比于小細(xì)胞通路及其關(guān)聯(lián)的皮層通路，則是一種“慢而精”的算法 ，而反饋通路是指自上而下的反饋?！?/p>

之后，她細(xì)致描述了PMJ模型中的五個假設(shè)以及這五個假設(shè)的指導(dǎo)意義。這五個假設(shè)分別是：1) PMJ各階段的輸入輸出可量化計算；2) PMJ各通路協(xié)同完成認(rèn)知加工；3) 視覺顯著特征自動捕獲注意；4) 意圖和先驗知識自上而下地引導(dǎo)注意；5) 判斷的輸出可預(yù)測感知輸入。

除此之外，她也介紹了大量相關(guān)的研究工作，如基于PMJ的圖像情感預(yù)測和圖像顏色修改。

在報告的最后，她說道，“在網(wǎng)絡(luò)化、云計算和大數(shù)據(jù)時代，隨著智能手機和穿戴式終端的普及、智能家居和物聯(lián)網(wǎng)的興起，智能計算必將逐漸滲透到當(dāng)今社會的每個角落，為人們更方便、更舒適、更健康地生活和工作提供全方位服務(wù)。”

而在她的報告結(jié)束之后，對于這一研究領(lǐng)域，大家也進行了踴躍的提問，諸如目前是否有方法能追蹤人腦思維信號，心理學(xué)與計算機科學(xué)之間的聯(lián)系等。

李維博士：Deep-Parsing Chinese

傅小蘭研究員的演講結(jié)束之后，李維博士作為上午最后一位演講嘉賓，一出場就引發(fā)了一陣拍照狂潮。他的報告主題是《Deep-Parsing Chinese》，主要為現(xiàn)場觀眾帶來了如下四個方面的知識，一是自然語言處理的架構(gòu)解析，二是中文語言解析的挑戰(zhàn)和迷失，三是如何應(yīng)對這些挑戰(zhàn)，四是如何落地和應(yīng)用。

演講伊始，他拋出了自己的核心觀點：自然語言的核心是怎么去理解它，怎么去進行深度解析，他為大家展示了一張自然語言處理框架圖?！拔覀冃枰阉槠那閳筮M一步挖掘，然后再延伸到應(yīng)用層。淺層工作做完之后，需要研究怎么深入到深層去，深度解析是自然語言的核武器?！?nbsp;

他表示，深度解析實際上已經(jīng)到了比較成熟的領(lǐng)域，自然語言雖然很難，但從大數(shù)據(jù)的角度來看，目前到了足以提供應(yīng)用的階段。自然語言的深度解析現(xiàn)在已經(jīng)達(dá)到robust，可以處理混雜的語言對象，傳統(tǒng)指標(biāo)F-score已經(jīng)達(dá)到接近人的程度。 

他也提出漢語句法分析時常見的問題，比如說我喜歡烤紅薯，那么到底是喜歡烤，還是喜歡紅薯呢？另外還有其他常見的問題，比如不用標(biāo)點符號、出現(xiàn)錯別字、省略很多小詞、詞序混亂等。很多人認(rèn)為漢語詞序是固定的，對于這種看法，他提出了不同意見，他表示，詞序并不固定的，例如“我雞吃了”和“雞我吃了”這兩句話。

提到中文語言解析的挑戰(zhàn)和迷失，他表示一共有三點：第一點是在很多大會上都會有人說中文很獨特，有很多難點，事實上不是這樣的，每種語言都需要tokenization；第二是POS tagging，從理論上說沒有必要去做POS tagging，另外對于深度解析，不要去用別人的POS tagging，這樣做之后，后續(xù)會永無止境的需要調(diào)節(jié)。第三個迷失是不應(yīng)該認(rèn)為自然語言的本質(zhì)是循環(huán)，他認(rèn)為Chomsky的思想割裂了漢語的兩面性。

如何突破Chomsky的圍墻，他表示，CFG的典型算法是把東西一鍋燴去做句法分析器，現(xiàn)在主張用 軟件工程的辦法把任務(wù)一層一層變小，F(xiàn)SA解決了recursion的問題，不過可能有人批判會出現(xiàn)錯誤放大。

至此，上午的主題報告結(jié)束。

宋森教授：語義處理的神經(jīng)機制及神經(jīng)符號主義系統(tǒng)

下午的報告有兩場，第一場是宋森教授帶來的《語義處理的神經(jīng)機制及神經(jīng)符號主義系統(tǒng)》，宋森教授開場提到了深度學(xué)習(xí)面臨的問題：大自然是復(fù)雜的系統(tǒng)，自然界的很多現(xiàn)象都呈現(xiàn)長尾分布，在大數(shù)據(jù)條件下，深度學(xué)習(xí)做得不錯，但面對小數(shù)據(jù)時，深度學(xué)習(xí)經(jīng)常犯致命錯誤，這時候應(yīng)該怎么辦？人會采取推理、類比的方法，這時候我們可以從大腦中得到很多啟發(fā)。他為現(xiàn)場聽眾細(xì)致描述了大腦的全局鏈接結(jié)構(gòu)，他表示，不同的任務(wù)會激活不同腦區(qū)，連接結(jié)構(gòu)也不同，過去的十年人們才開始搞清楚這些網(wǎng)絡(luò)。他提到最近用計算機科學(xué)知識幫助神經(jīng)科學(xué)研究的最新文章，也提到2016年發(fā)表在nature上的一篇比較有代表性的文章，對細(xì)節(jié)進行了分析。

接下來他細(xì)致描述了局部編碼?！按竽X的一個最基本特征就是高度并行，用空間換時間。比如要表征8這個數(shù)字，在計算機中可能用二進制編碼；在外周神經(jīng)，可能是單個神經(jīng)元發(fā)放8個spike，采用頻率編碼；而在中樞神經(jīng)，采取8個神經(jīng)元，其中一個神經(jīng)元發(fā)放一個spike就可以了?！?/p>

對于稀疏編碼理論，他表示這與計算機有很多結(jié)合點。他提到做過的一系列實驗：給受試的小組看不同的短片，觀察細(xì)胞對事件的反應(yīng)。之后他也提到對大腦的更多分析：大腦中存在hub腦區(qū)，這些腦區(qū)的時鐘比較慢，而其他腦區(qū)的變化比較快，尤其是管感知的腦區(qū)。

而對于語義理解中的神經(jīng)符號系統(tǒng)，他表示有兩條路徑，第一是神經(jīng)網(wǎng)絡(luò)-符號系統(tǒng)的對偶，在這里神經(jīng)網(wǎng)絡(luò)和符號系統(tǒng)完成同樣的功能，但是互相交流和借鑒，從而加速學(xué)習(xí)；第二是神經(jīng)網(wǎng)絡(luò)-符號系統(tǒng)的協(xié)作，神經(jīng)網(wǎng)絡(luò)和符號系統(tǒng)完成不同的功能，成為復(fù)雜系統(tǒng)相互協(xié)作的模塊。

在他的演講結(jié)束之后，大家也提出了各種各樣的疑問，諸如動物的語義系統(tǒng)和人的語義系統(tǒng)的區(qū)別，怎么理解人在理解語言是大腦的工作，實驗中受試者是否分類等。

李航研究員：人工智能的未來—記憶、知識與語言

最后一位帶來分享的特邀講者是李航研究員，他的演講主題是《人工智能的未來—記憶、知識與語言》。在演講伊始，他先是描述了記憶對我們的重要性，他舉了英國音樂家 Clive Wearing 的例子，Clive患了失憶癥中最嚴(yán)重的一種，不能去記新的東西，過去的記憶也有很多缺失，只有瞬間記憶。他借此引出了人腦的結(jié)構(gòu)，其中的重要器官是海馬體。之后李航博士引用了Frank Longo的大腦功能模型，為我們進行了詳細(xì)的解讀，他表示大腦的短期記憶能持續(xù)18-30s，而長期記憶的特點是對信息進行了壓縮處理。 

說完人腦之后，他提到了人工智能系統(tǒng)?！斑@些系統(tǒng)沒有長期記憶，比如AlphaGo、自動駕駛等，這些都是通過機器學(xué)習(xí)事先學(xué)好，調(diào)用不同模型。這是目前人工智能系統(tǒng)的主要模式?！?/p>

那么未來會是什么樣的呢，如何構(gòu)建出智能的問答系統(tǒng)？他為我們講解了這樣的系統(tǒng)的框架，其中包括語言處理模塊、短期記憶、長期記憶等，和大腦功能模型的圖基本一致。他表示，假設(shè)系統(tǒng)能不斷讀數(shù)據(jù)，那么能不能構(gòu)建一個非常好的語言處理模塊，將數(shù)據(jù)進行壓縮表示之后放到長期記憶里?！斑@樣是一個進步，不僅有AI系統(tǒng)，有意識，有長期記憶，還能做自然語言問答，這是現(xiàn)在的愿景。”

而想要實現(xiàn)這個愿景也存在很多挑戰(zhàn)，在自然語言處理的過程中，經(jīng)常會遇到歧義性、多樣性，另外，語義是一個非常模糊的東西，一個詞的語義可以發(fā)生各種擴展，另外還存在知識概念的模糊性，有名的例子就是bachelor的概念。

那么有什么好的解決手段呢？他表示，將神經(jīng)處理和符號化處理結(jié)合進行互補是個好辦法，用神經(jīng)符號的方法實現(xiàn)智能問答系統(tǒng)，沿用深度學(xué)習(xí)概念，將符號表示和向量表示結(jié)合。其實這樣的工作業(yè)界也有在做，比如Nell系統(tǒng)。此外他也提到可以借鑒深度學(xué)習(xí)的方法做端到端學(xué)習(xí)。他表示FaceBook提出的memory networks系統(tǒng)根據(jù)描述做簡單問答，其核心也是長期記憶。而最近最接近的工作是谷歌的neural symbolic machines模型，可以從知識庫自動找到答案，這個模型有大量訓(xùn)練數(shù)據(jù)，可以把自然語言轉(zhuǎn)換到命令，連接到符號處理。之后，他也介紹了之前的相關(guān)工作。他的愿景是希望在未來能實現(xiàn)AI系統(tǒng)的長期記憶，通過神經(jīng)符號處理的技術(shù)，把神級網(wǎng)絡(luò)和符號處理結(jié)合起來，把自然語言推到另一個高度。

至此，五位嘉賓帶來的精彩報告全部結(jié)束。

短暫的茶歇之后，迎來了學(xué)會2017年技術(shù)評測工作回顧，由學(xué)會副理事長黃河燕教授主持并進行了學(xué)會評測工作介紹。本年度開展了評測工作的7個專業(yè)委員會的代表分別就各專委會開展的評測工作做簡要報告，報告內(nèi)容如下：

• 信息檢索專委會：郭嘉豐研究員，“面向智能問答的偏正排序評測報告”

• 知識與語義計算專委會：韓先培副研究員，“全國知識圖譜與語義計算大會技術(shù)評測工作回顧”

• 社會媒體處理專委會：蔣盛益教授，“SMP技術(shù)評測的實踐與思考”

• 計算語言學(xué)專委會：車萬翔副教授，“首屆中文機器閱讀理解評測介紹”

• 少數(shù)民族語言專委會：趙小兵教授，“民族語言自動分詞評測MLWS2017”

• 機器翻譯專委會：黃書劍助理研究員，“CWMT2017機器翻譯評測介紹”

• 搜狗：許靜芳研究員，“CIPS-SOGOU 問答評測比賽情況介紹”
  

至此大會第一天的活動全部結(jié)束，雖然活動已經(jīng)結(jié)束，但精彩內(nèi)容還在繼續(xù)，雷鋒網(wǎng) AI科技評論后續(xù)也將整理出部分嘉賓的精彩演講內(nèi)容，敬請期待。

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。