IBM沃森（Watson）系統(tǒng)來自于打造了現(xiàn)代IBM的首席執(zhí)行官Thomas Watson Sr，2011年該系統(tǒng)在美國的電視問答節(jié)目Jeopardy!（危險(xiǎn)之旅?。┥蠐魯×藘擅祟惞谲娺x手，從此一戰(zhàn)成名。

Jeopardy!（危險(xiǎn)之旅?。┑谋荣愐砸环N獨(dú)特的問答形式進(jìn)行，問題設(shè)置的涵蓋面非常廣泛，涉及到歷史、文學(xué)、藝術(shù)、流行文化、科技、體育、地理、文字游戲等等各個(gè)領(lǐng)域。根據(jù)以答案形式提供的各種線索，參賽者必須以問題的形式做出簡短正確的回答。與一般問答節(jié)目相反，《危險(xiǎn)邊緣》以答案形式提問、提問形式作答。參賽者需具備歷 史、文學(xué)、政治、科學(xué)和通俗文化等知識，還得會(huì)解析隱晦含義、反諷與謎語等，而電腦并不擅長進(jìn)行這類復(fù)雜思考。

需要特別提到的是，在比賽中Watson是斷開網(wǎng)絡(luò)（offline）的。與AlphaGo同李世石對戰(zhàn)中不同，Waston只能使用保存在硬盤中的知識庫基本包與擴(kuò)展包作為自己的知識儲(chǔ)備，和人類參賽選手一樣。在這種情況下，沃森在前兩輪中與對手打平。而在最后一集里，沃森打敗了最高獎(jiǎng)金得主布拉德·魯特爾和連勝紀(jì)錄保持者肯·詹寧斯，奪得第一名。

Waston本質(zhì)上是IBM制造的電腦問答（Q&A）系統(tǒng)， IBM介紹時(shí)說“Waston是一個(gè)集高級自然語言處理、信息檢索、知識表示、自動(dòng)推理、機(jī)器學(xué)習(xí)等開放式問答技術(shù)的應(yīng)用”，并且“基于為假設(shè)認(rèn)知和大規(guī)模的證據(jù)搜集、分析、評價(jià)而開發(fā)的DeepQA技術(shù)”。雖然采用了深度學(xué)習(xí)中一些技術(shù)如遷移學(xué)習(xí) (Transfer Learning)來解決一些問題，但與AlphaGo不同，它并不是完全采用深度學(xué)習(xí)技術(shù)的人工智能。它的主體思路并非深度學(xué)習(xí)，而是更接近心智社會(huì)（Society of Mind）。

在剛剛閉幕的IJCAI2016會(huì)議上，倫斯勒理工學(xué)院教授James Hendler受邀演講詳細(xì)介紹了IBM Waston的工作原理。

將沃森設(shè)想為一間環(huán)形辦公室走廊，每一間辦公室都有一群人做著特殊的工作，讓我們從頭來梳理整個(gè)運(yùn)行過程。

• 問題輸入（QUESTION IN）

• 問題分析 （Question Analysis）

這個(gè)問題什么意思？

我們在找什么？

還存在其他有效信息么？

問題中有沒有詞語提到問題中的其他詞語？

在這一環(huán)節(jié)，DeepQA嘗試去理解問題，搞清楚問題到底在問什么，同時(shí)做一些初步的分析來決定選擇哪種方法來應(yīng)對這個(gè)問題。

• 初步搜索 Primary Search

在數(shù)據(jù)庫中能不能找到或許跟這個(gè)問題有關(guān)的文件？

找到了多少文件？

這些文件從哪里來的？

• 搜索結(jié)果處理并生成備選答案 Search Result Processing and Candidate Answer Generation

在這些文件中，有這個(gè)問題可能的答案么？

有多少個(gè)備選答案？

 當(dāng)問一個(gè)問題時(shí)，一份文檔打開了。文檔在辦公室中不斷移動(dòng)時(shí)，更多信息被添加進(jìn)去了。

•  上下文無關(guān)回答得分 Context-Independent Answer Scoring

這個(gè)選擇有可能是正確的答案嗎？

這個(gè)選擇是正確的答案形式嗎？

• 軟濾波 Soft Filtering

有哪些選擇是明顯錯(cuò)誤的？

如果是的話，能不能讓它們在后面的處理過程中不占太多的時(shí)間？

 每個(gè)可能的回答都被給定一個(gè)分?jǐn)?shù)，給出這個(gè)證據(jù)對備選答案支持得到底有多好。

•  支持證據(jù)檢索 Supporting Evidence Retrieval

能在數(shù)據(jù)庫中找到任何能夠證明某個(gè)選擇答案是正確的信息嗎？

對每個(gè)選擇來說有多少信息在哪？

• 搜索結(jié)果處理和上下文無關(guān)得分 Search Result Processing and Context Dependent Scoring

選擇工作作為問題回答怎么樣？

現(xiàn)在有更多的信息，能給每個(gè)選擇什么分?jǐn)?shù)？

• 最終合并并排名 Final Merging and Ranking

還有任何能夠改變分?jǐn)?shù)的額外信息嗎？

每個(gè)選擇的總分是多少？

哪個(gè)選擇分?jǐn)?shù)最高？

分?jǐn)?shù)第二高的選擇是什么？

DeepQA也觀察到了這種現(xiàn)象：不同的表面形式通常會(huì)被不同的證據(jù)支持，并得到完全不同但潛在互補(bǔ)的分?jǐn)?shù)，這產(chǎn)生了一種方法：將答案分?jǐn)?shù)在排名和信心計(jì)算之前先合并掉。

•  輸出答案 ANSWER OUT

有用的最高分答案被返回，然后沃森嘗試判斷從它做的多好（或者多壞）中進(jìn)行學(xué)習(xí)。

以上即為waston工作的基本原理，在后面的演講中James Hendler教授還提到了沃森是基于“關(guān)聯(lián)知識”構(gòu)筑而成的，其實(shí)現(xiàn)過程如下。

解析問題文本

生成查詢請求

搜索可能答案 （假說）

假設(shè)1-m

解析假說文本

生成查詢請求

搜索證據(jù)

證據(jù)1.1-1.m

解析證據(jù)文本

證據(jù)評分

結(jié)合證據(jù)并對假設(shè)1評分

通過解讀措辭含糊的問題并通過其通用知識數(shù)據(jù)庫搜尋答案，沃森展示了理解自然語言的能力，而這正是計(jì)算機(jī)所需要攻克的最困難的難題之一。這似乎預(yù)示著計(jì)算機(jī)不久之后就能真正“理解”復(fù)雜信息并與人類交談了，甚至還可能繼續(xù)發(fā)展以至于在大部分人類專有領(lǐng)域超越人類。

沃森集成了上百種算法從不同的維度分析備選假設(shè)的證據(jù)，如類型、時(shí)間、空間、流行度、段落支持度、來源可靠度、語義相關(guān)度等。每種分析都產(chǎn)生一些特征或評分，反映了在相應(yīng)的維度上證據(jù)對備選答案的支持程度。如果在最終系統(tǒng)中去掉任何單個(gè)評分器，在上千個(gè)問題的測試集上都不會(huì)造成顯著的影響，實(shí)際上沒有一個(gè)評分器產(chǎn)生的影響超過1%。但組合起來，沃森在回答40%-70%的問題時(shí)，達(dá)到了92%的平均精度。

James Hendler教授在演講中還提到最近幾個(gè)重要技術(shù)壁壘被突破，像深度學(xué)習(xí)（機(jī)器學(xué)習(xí)）、認(rèn)知計(jì)算、語義網(wǎng)絡(luò)（知識圖譜）方面都有又一次為AI帶來高的關(guān)注度。他另外還提到，Waston系統(tǒng)目前已經(jīng)開始進(jìn)軍醫(yī)療行業(yè)，結(jié)合之前提到的AlphaGo也有意在這一行業(yè)發(fā)光發(fā)熱，我們會(huì)看到這兩者一較高下么？請拭目以待。

via James Hendler

PS : 本文由雷鋒網(wǎng)獨(dú)家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

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。