雷鋒網(wǎng)按：7月8日，由中國計(jì)算機(jī)學(xué)會(huì)（CCF）主辦、雷鋒網(wǎng)與香港中文大學(xué)（深圳）全程承辦的AI盛會(huì)「全球人工智能與機(jī)器人峰會(huì)」（CCF-GAIR）進(jìn)入火熱的第二天。各分會(huì)會(huì)場人頭不減，大家在細(xì)分領(lǐng)域深入探討交流的激情更盛。

 作為AI+專場的開場嘉賓，北京大學(xué)計(jì)算機(jī)科學(xué)技術(shù)研究所研究員萬小軍發(fā)表了主題為《機(jī)器寫稿技術(shù)與應(yīng)用》的演講。會(huì)后，不少媒體朋友上前與萬小軍交流，期望能將“機(jī)器寫稿技術(shù)”引入自家媒體。

 機(jī)器人寫稿并不是一個(gè)全新的話題了。2016年8月，萬小軍帶領(lǐng)的北大計(jì)算機(jī)所與今日頭套實(shí)驗(yàn)室聯(lián)合推出新一代AI寫稿機(jī)器人——奧運(yùn)AI小記者Xiaomingbot。2017年1月，萬小軍與南方都市報(bào)合作研發(fā)寫稿機(jī)器人“小南”?！靶∶鳌焙汀靶∧稀眰涫荜P(guān)注，引發(fā)很多爭論，正如鄰居小朋友每次考了高分都會(huì)讓你緊張一樣，機(jī)器人在智能上的每一次進(jìn)步，都讓人類擔(dān)心自己的飯碗不保，不少小編“哭暈在廁所”。

當(dāng)南方都市報(bào)將“小南”看作自己的“新同事”的時(shí)候，萬小軍卻對雷鋒網(wǎng)編輯說，“在我眼里，寫稿機(jī)器人就是一個(gè)程序，目前看到的更多的還是不足?！笔畮啄昵?，萬小軍就開始做自然語言處理，開始關(guān)注其在新聞上的應(yīng)用，寫稿機(jī)器人并不是一個(gè)憑空跳出來的擁有華麗簡歷的神同事，而是技術(shù)不斷推進(jìn)和媒體環(huán)境變化的產(chǎn)物。在雷鋒網(wǎng)對萬小軍的專訪中，我們拋開人工智能何時(shí)能超越人類， 機(jī)器人能不能自主思考這樣漫漫而談的終極話題，一起來看看這個(gè)專注于新聞?lì)I(lǐng)域的計(jì)算機(jī)教授究竟在做什么。

新聞是做自然語言處理最規(guī)范的文本

雷鋒網(wǎng)：您專注的自然語言處理技術(shù)主要有哪些應(yīng)用場景？

萬小軍：自然語言處理在很多方面都有應(yīng)用價(jià)值，現(xiàn)在的智能問答、人機(jī)交互都需要語言的處理，比如說現(xiàn)在的語音交互就需要機(jī)器對語言的理解，執(zhí)行使用者的指令。另外機(jī)器翻譯、機(jī)器寫稿都是可應(yīng)用的方面，機(jī)器寫稿更側(cè)重于自然語言的生成，是說根據(jù)語義數(shù)據(jù)去生成自然語言文本，機(jī)器的語言理解和語言生成是兩個(gè)相反的過程。

人機(jī)對話中也會(huì)用到自然語言的生成，機(jī)器理解用戶的問話之后，要生成語言來回答。在文化娛樂方面，也可以用自然語言生成技術(shù)來生成詩詞、對聯(lián)等。

雷鋒網(wǎng)：同樣都是自然語言生成，人機(jī)對話中的語言生成和機(jī)器人寫稿的語言生成有什么不一樣？

萬小軍：首先是長短不一樣，人機(jī)對話中生成的回復(fù)文本一般比較短，多數(shù)情況下只生成一個(gè)句子，而機(jī)器人寫稿則要生成包含多句話的完整文章，寫稿過程中需要重點(diǎn)考慮篇章結(jié)構(gòu)組織以及語句之間的連貫性。另一方面，對話的生成要重點(diǎn)考慮跟多輪上下文的銜接，也就是“語境”，而寫稿的時(shí)候沒有這種考慮，能夠把一件事情說清楚就行了。最后，人機(jī)對話的語言表達(dá)可以比較口語化，但機(jī)器寫稿傾向于使用比較規(guī)范和正式的語言表達(dá)。

雷鋒網(wǎng)：您如何評價(jià)微軟小冰和度秘這一類的語音助手或者說聊天機(jī)器人？

萬小軍：做聊天機(jī)器人如果不限領(lǐng)域的話其實(shí)很難做，如果限定一個(gè)領(lǐng)域的話就可以做的相對較好，例如專注于天氣、體育或者財(cái)經(jīng)。如果允許天馬行空地發(fā)問，機(jī)器人回復(fù)的難度就很大。一般來說，針對一個(gè)狹窄的領(lǐng)域則可以做得很精細(xì)，比如就是針對某類產(chǎn)品的客服機(jī)器人?，F(xiàn)在的“問答機(jī)器人”回答的是相對簡單的事實(shí)型問題，但是像“百度知道”里絕大部分問題都是復(fù)雜型問題，問的是怎么樣安裝Windows, 托福怎么樣考高分，怎么樣上北大清華這樣的問題，這些問題機(jī)器不好回答。你要問中國的首都在哪兒，就很好回答，wiki里都有，抽取出來放到知識(shí)庫就可以了?，F(xiàn)在的智能問答聊天系統(tǒng)還不能回答復(fù)雜的問題，解釋事情的原委以及對比。我們得一步一步來，先解決簡單的然后再考慮復(fù)雜的，如果一開始就把復(fù)雜的情況都考慮進(jìn)來那就沒法做了。

雷鋒網(wǎng)：您在2004年就有論文關(guān)注新聞?wù)崛?，自然語言處理的應(yīng)用領(lǐng)域很多，為什么選擇并且一直專注在新聞?lì)I(lǐng)域？

萬小軍：自然語言處理的各項(xiàng)研究最早都是針對新聞?wù)Z料開始做的，因?yàn)樾侣勈亲钜?guī)范的文本。如果一開始就在微博、微信和用戶評論這樣的不規(guī)范的文本去做，挑戰(zhàn)會(huì)很大。所以像“自動(dòng)分詞”、“句法分析”、“語義分析”、“自動(dòng)摘要”這些自然語言處理任務(wù)一開始的測試語料都是新聞文本。我們先看在新聞文本上能不能做好，再去考慮其它的，因?yàn)樾侣勏鄬τ谄渌谋緛碚f是最簡單的。

雷鋒網(wǎng)：用在新聞上的算法能夠應(yīng)用在別的文本嗎？

萬小軍：應(yīng)該是可以的，但是在精度上肯定是有變化的。比如說“分詞”這個(gè)事情，你在新聞上面分可以達(dá)到95%以上，在微博上可能會(huì)降幾個(gè)點(diǎn)，因?yàn)殡y度會(huì)更高，但是方法是可以用的。也可以進(jìn)一步做些針對性處理，提高精度。

寫稿機(jī)器人是新媒體時(shí)代產(chǎn)物

雷鋒網(wǎng)：您從事新聞文本挖掘已久，您怎么看待新聞這種文字體裁？機(jī)器人的新聞寫稿得符合哪些基本的要求？（還需要傳統(tǒng)的新聞五要素、客觀性、準(zhǔn)確性這些標(biāo)準(zhǔn)嗎？）

萬小軍：在互聯(lián)網(wǎng)時(shí)代，新聞的定義已經(jīng)跟原來不一樣了。以前要求新聞要客觀準(zhǔn)確，而目前網(wǎng)絡(luò)上標(biāo)題黨橫行，很吸引眼球，很多人看。自媒體時(shí)代，人人都可以寫稿，新聞不再只是由專業(yè)寫稿人生產(chǎn)?，F(xiàn)在更重要的是實(shí)時(shí)、有趣。自媒體時(shí)代每個(gè)人都在發(fā)聲，機(jī)器將微博內(nèi)容和評論整合起來就能出一篇新聞，這在以前是沒有的。新聞的定義在互聯(lián)網(wǎng)時(shí)代發(fā)生了變化。

雷鋒網(wǎng)：新媒體時(shí)代的新聞已經(jīng)發(fā)生了變化，您在與新媒體和傳統(tǒng)媒體公司合作“寫稿機(jī)器人”的時(shí)候，感受到新媒體與傳統(tǒng)媒體哪些不同？

萬小軍：他們對機(jī)器人寫稿的看法有不一樣。今日頭條會(huì)將Xiaomingbot生產(chǎn)的內(nèi)容直接發(fā)布，但是南都還是比較傳統(tǒng)一點(diǎn)，在發(fā)布到自己的app上時(shí)還是會(huì)經(jīng)過人工審核。從傳統(tǒng)媒體的立場，他們希望發(fā)布的信息要很準(zhǔn)確。而自媒體更注重量大，側(cè)重時(shí)效，吸引用戶閱讀。

雷鋒網(wǎng)：您與今日頭條Xiaomingbot寫稿機(jī)器人的合作是如何開始的？

萬小軍：剛開始也是機(jī)緣巧合。我們團(tuán)隊(duì)當(dāng)時(shí)在ACL上發(fā)表了一篇論文（《Towards Constructing Sports News from Live Text Commentary》），是一篇關(guān)于利用體育直播文字進(jìn)行新聞稿寫作的論文，我們當(dāng)時(shí)已經(jīng)做出了DEMO。當(dāng)時(shí)正是2016年里約奧運(yùn)，他們看到了我們的論文，邀請我們?nèi)プ鰣?bào)告，然后在兩周內(nèi)，我們就將寫稿機(jī)器人產(chǎn)品做出來了。我們這次的研究離實(shí)用很近，雙方的對接也很簡單。

雷鋒網(wǎng)：在今日頭條后，您又與南方都市報(bào)展開了合作，兩次合作有什么不一樣？

萬小軍：南都不一樣在于他們主要是依據(jù)數(shù)據(jù)寫稿，從12306網(wǎng)站抓取車票的數(shù)據(jù)，以及天氣預(yù)報(bào)這樣的結(jié)構(gòu)化的數(shù)據(jù)去生成報(bào)道。頭條既有基于體育比賽數(shù)據(jù)去生成報(bào)道，也有基于體育賽事的文字直播去生成報(bào)道。宏觀上來說，從數(shù)據(jù)到文本的生成框架是類似的，但具體到每個(gè)步驟卻是不同的，需要的數(shù)據(jù)分析就是不一樣的，例如分析火車票的余票與分析天氣預(yù)報(bào)是不一樣的，最后的語言表達(dá)也是不一樣的。具體做起來，每個(gè)領(lǐng)域要重新花很多力氣，沒辦法一套東西又可以做天氣，又可以做體育。

雷鋒網(wǎng)：目前今日頭條和南方都市報(bào)在運(yùn)營寫稿機(jī)器人過程中有什么反饋？他們是否達(dá)成了節(jié)省人力提升效率的目標(biāo)？

萬小軍：今日頭條寫稿的量比較大，確實(shí)節(jié)省了很多人力。南方都市報(bào)的量要小一些，更多的是一種實(shí)驗(yàn)性、探索性的目的。南都的優(yōu)勢還是在于比較傳統(tǒng)的深度報(bào)道，目前寫稿機(jī)器人還是很難替代深度報(bào)道的。但是他們需要關(guān)注這樣的技術(shù)趨勢，積極去探索，這樣才能更好地把握未來。每家媒體對于寫稿機(jī)器人與記者如何協(xié)同分工都是不一樣的，但是目前的新媒體平臺(tái)很需要寫稿機(jī)器人來及時(shí)快速地進(jìn)行內(nèi)容創(chuàng)作與發(fā)布。

 以技術(shù)研究為驅(qū)動(dòng)，落地是緣分

雷鋒網(wǎng)：您目前與企業(yè)的合作可以被看作是產(chǎn)學(xué)研結(jié)合的模式，這種模式有什么優(yōu)劣勢？

萬小軍：優(yōu)勢是你會(huì)有一定經(jīng)費(fèi)支持做研究，通過應(yīng)用可以擴(kuò)大影響力，讓更多的人知道機(jī)器寫稿，獲得業(yè)界和大眾的關(guān)注，要是只是自己發(fā)論文就只能在小圈子里。但是做應(yīng)用還是會(huì)耗費(fèi)不少做研究的時(shí)間和精力，畢竟做應(yīng)用跟做研究還是有很大差別的。做研究的時(shí)候，你把性能從71%提升到72%，有新的方法論就是好的研究成果。但是做應(yīng)用的時(shí)候，71%到72%是沒有用的，你得到85%以上才行，對效果要求比方法要求高。你方法再笨，怎么實(shí)現(xiàn)都無所謂，只要能做出來。而研究要求你有創(chuàng)新。要是你的方法又創(chuàng)新又能直接應(yīng)用，那當(dāng)然是最好的。95%以上的研究論文都離實(shí)用差得很遠(yuǎn)。

雷鋒網(wǎng)：自然語言處理在很大程度上依賴數(shù)據(jù)，在數(shù)據(jù)上面您有遇到難題嗎?

萬小軍：我們做自然語言處理研究用的數(shù)據(jù)是人工標(biāo)注過的數(shù)據(jù)，產(chǎn)業(yè)界的數(shù)據(jù)量很大，但是很多都沒有標(biāo)注。很多新聞沒有標(biāo)出時(shí)間、地名、人名、事件，這樣的數(shù)據(jù)用處也沒有那么大。學(xué)術(shù)界會(huì)經(jīng)常共享人工標(biāo)注的數(shù)據(jù)，產(chǎn)業(yè)界也會(huì)提供一些數(shù)據(jù)。比如說我們今年依托NLPCC會(huì)議跟今日頭條合作舉辦了一個(gè)“單文檔摘要”的評測任務(wù)，用了今日頭條大概十萬條的標(biāo)注數(shù)據(jù)。目前遇到的問題是，比如我們要做“多文檔摘要”，基于多篇文章去得到一個(gè)高度總結(jié)，這樣的數(shù)據(jù)學(xué)術(shù)界只有一兩百條左右。但這樣規(guī)模的數(shù)據(jù)要深度學(xué)習(xí)的話是沒法做的，深度學(xué)習(xí)做摘要生成要幾十萬條數(shù)據(jù)。多文檔數(shù)據(jù)產(chǎn)業(yè)界也沒有，他們也沒有做人工的標(biāo)注。學(xué)術(shù)界還是很缺乏數(shù)據(jù)。

雷鋒網(wǎng)：您對新聞寫稿的下一步規(guī)劃？

萬小軍：準(zhǔn)備做的一個(gè)是文本復(fù)述。因?yàn)楝F(xiàn)在做摘要也好，綜述也好，主要還是直接把句子挑選出來，對句子沒有改動(dòng)，下一步希望對句子做很大的改動(dòng)，保持語義不變，這就是復(fù)述。我們期望做到語言風(fēng)格的轉(zhuǎn)換，例如古龍的風(fēng)格還是金庸的風(fēng)格。另一個(gè)是在寫稿中加入態(tài)度和立場，讓稿件更加生動(dòng)和具有人性。

雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))：您是認(rèn)為新聞行業(yè)對寫稿，文本復(fù)述有需求才做的嗎？

萬小軍：我們是技術(shù)驅(qū)動(dòng)的，我沒有去跟公司聊他們的需求，這是我自己想做的一個(gè)事情。但是我相信這項(xiàng)技術(shù)會(huì)很有用，自動(dòng)復(fù)述可以實(shí)現(xiàn)個(gè)性化稿件的生成。研究某項(xiàng)技術(shù)的時(shí)候并不完全是因?yàn)樗袑?shí)用價(jià)值我才考慮去做。

所謂機(jī)器人就是代碼

雷鋒網(wǎng)：請問您如何評估寫稿機(jī)器人的稿件質(zhì)量？

萬小軍：有一個(gè)客觀的評價(jià)，讓幾個(gè)人分別寫出不同的稿件，把這些稿件作為答案，把系統(tǒng)生成的稿件和人寫的稿件做一個(gè)匹配，看重合度有多高。進(jìn)一步的就是人工去打分，這個(gè)稿件從內(nèi)容覆蓋性、可讀性等方面進(jìn)行打分。我們目前并沒有直接將寫稿機(jī)器人與人類進(jìn)行PK，因?yàn)楦煌娜巳K可能會(huì)得到不同的比較結(jié)果。你跟寫稿專家去比，還是跟初中生小學(xué)生去比。每個(gè)人的寫作水平差距很大，因此就不太好比。跟記者比深度報(bào)道寫稿機(jī)器人會(huì)輸，要是比數(shù)據(jù)新聞，機(jī)器當(dāng)然更快更精準(zhǔn)。從今日頭條的用戶反饋來看，很多人沒有區(qū)別機(jī)器人的稿子和記者的稿子。

雷鋒網(wǎng)：自然語言處理領(lǐng)域有什么前沿的新技術(shù)嗎？

萬小軍：基于深度學(xué)習(xí)進(jìn)行自然語言處理研究是一個(gè)趨勢，但其實(shí)整個(gè)自然語言處理并沒有因?yàn)椴捎昧松疃葘W(xué)習(xí)技術(shù)而得到一個(gè)突飛猛進(jìn)的進(jìn)展。深度學(xué)習(xí)的應(yīng)用對視覺和語音等領(lǐng)域取得了顯著的推動(dòng)作用，但是自然語言處理很多任務(wù)并沒有獲得實(shí)質(zhì)性的性能提升。深度學(xué)習(xí)能夠從圖像和語音信號中獲得有意義的抽象特征，但是對文本來講，以前用的特征就是詞，這已經(jīng)是有意義的特征了，用深度學(xué)習(xí)去做的時(shí)候是否能學(xué)到比詞更有意義的特征。此外，語言的動(dòng)態(tài)變化，語義的模糊性也導(dǎo)致了自然語言處理是非常困難的。

雷鋒網(wǎng)：能談?wù)勀J(rèn)為自然語言處理要實(shí)現(xiàn)的目標(biāo)嗎？

萬小軍：自然語言處理是很復(fù)雜的事情，要做到完全的理解是很難的，我不敢拍胸脯說在多少年以后一定能實(shí)現(xiàn)語言理解。但是在特定的應(yīng)用上可以做的很好，做這些應(yīng)用不需要做到理解，例如機(jī)器翻譯，系統(tǒng)不需要完全理解輸入的文本之后再去翻譯。做很多應(yīng)用的時(shí)候可以不用考慮理解，雖然有些廠商號稱自己是理解之后再去做的。人機(jī)對話也主要是一個(gè)搜索與匹配問題，你不要問機(jī)器到底有沒有理解人類的問話以及它自己生成的答復(fù)。

雷鋒網(wǎng)：能分享一些您在創(chuàng)造寫稿機(jī)器人過程中的趣事或者感悟嗎？您怎么看待自己的寫稿機(jī)器人？

萬小軍：平時(shí)還是挫敗感比較多，有趣的比較少。很多時(shí)候想到一個(gè)辦法，但是就是結(jié)果調(diào)不出來。其實(shí)將“Xiaomingbot”、“小南”稱之為機(jī)器人并不是特別契合，因?yàn)樗鼈兤鋵?shí)就是軟件，你給它一個(gè)輸入，得到輸出，他沒有人性化。我們自己做出的軟件，一分解之后就是一行行代碼而已。我們自己知道它其實(shí)沒有那么聰明。

 在交流過程中，雷鋒網(wǎng)編輯發(fā)現(xiàn)萬小軍老師是嚴(yán)謹(jǐn)而實(shí)誠的研究者，他沒有用大概念，大方向來解說自己的項(xiàng)目，而是真切地分析每一個(gè)問題。時(shí)間有限的采訪里我們得到了很多實(shí)在的觀點(diǎn)：

• 自然語言處理有多種應(yīng)用場景，萬小軍選擇新聞?lì)I(lǐng)域是因?yàn)樾侣勎谋揪邆渥畲蟮囊?guī)范性，從簡到難，新聞?lì)I(lǐng)域的寫稿機(jī)器人的算法也可以逐步應(yīng)用到其他領(lǐng)域；

• 摘要與文本生成技術(shù)的開端很早，近年才火起來是由于新媒體時(shí)代的到來，我們的信息生產(chǎn)、傳達(dá)和接收方式都發(fā)生了改變，寫稿機(jī)器人具備的快速、精準(zhǔn)、大量的特點(diǎn)使其在新媒體時(shí)代大放光彩，這項(xiàng)技術(shù)也是傳統(tǒng)媒體渴望轉(zhuǎn)型或者跟上時(shí)代所需關(guān)注的；

• 學(xué)術(shù)的研究要落地應(yīng)用是很難的，研究和行業(yè)應(yīng)用是兩回事，產(chǎn)學(xué)研合作的模式能提供一些有利資源，但是萬小軍還是更希望以技術(shù)驅(qū)動(dòng)來進(jìn)行研究，而不是以市場需求來進(jìn)行研究；

• 自然語言處理領(lǐng)域要取得突破很困難，很難說什么時(shí)候機(jī)器能實(shí)現(xiàn)真正的理解。但是一步一步做起，先解決簡單的事情再考慮復(fù)雜的，如果一開始就思考復(fù)雜的或者終極的問題是無法做成的。

 

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。