“三長一短選最短, 三短一長選最長,參差不齊C無敵。”
還記得上學期間流傳在“學渣們”之間的所謂閱讀了解的“做題法寶”嗎？
當然，這隻是學渣們給自己的心理安慰。閱讀了解作為一道考察學生了解能力、思辨能力的題型，絕不僅僅是一道口訣就能解決的，它需要大量的練習與不斷地揣摩。
不管如何，相信大家都有一個共識：閱讀了解這件事當然是人類的專項。
然而事實上，近日，在美國斯坦福大學發起機器閱讀了解領域頂級賽事SQuAD中，阿裡巴巴開發的人工智能模型獲得了82.44的高分，超過了人類平均值82.304的分數。這是機器首次在此類測試中獲得超過人類的分數，而微軟的AI模型獲得了82.650的分數，排名首位。
人工智能在閱讀了解領域開始“跑分”，AI能夠進行全文了解，已然成為了AI界的大事件。此時，我們首先要面對的問題就是，當AI已經能夠比人類更快速、更精準地對文本中的資訊進行回答時，AI究竟是人類的替代者還是幫助者呢？AI閱讀了解在未來又會如何落地呢？這些問題看似簡單，卻有很多值得讨論的地方。
AI閱讀了解技術之思
整體來說，智能相對論（微信id：aixdlun）認為至少可以從這兩點思考。
1、AI閱讀了解隻是自然語言處理（NLP）的進化
雖說AI閱讀了解近期才進入人們的視線，但AI閱讀了解技術究其根本還是繼語義分析、語音識别後的又一在自然語言處理技術中取得的突破。
（圖來自億歐網）
自然語言處理發展得很早，計算機剛剛發明之後，人們就開始了自然語言處理的研究。機器翻譯是其中最早進行的NLP研究。那時的NLP研究都是基于規則的，或者基于專家知識的。而閱讀了解技術是怎麼發展而來的呢？在圖像識别和語音識别領域的成果激勵下，人們逐漸開始引入深度學習來做NLP研究，于是閱讀了解技術應運而生。
這類技術也面臨很多挑戰。具體來講，包括：
如何跟知識學習——有效地把知識包括語言學知識、領域知識用起來；
如何跟環境學習——通過強化學習的方式提升系統的性能；
如何跟上下文學習——利用上下文進一步增強對目前句子的處理能力；
如何利用使用者畫像展現個性化。
每個環節若出現偏差都有可能導緻結果的不準确。
2、AI閱讀了解缺乏真正的思考
讓我們先來看一道國文考試中常見的閱讀了解題目——
老師提出問題：為什麼作者描寫的“窗簾”是藍色的？
學生答：“因為窗簾是藍色的。”
老師說：“錯！藍色的‘窗簾’具有愁緒的意味，表達作者當時困郁的心境……
這種類型的閱讀了解，大家都很熟悉吧。目前，AI在中文閱讀了解的簡答題型方面表現如何還沒有具體的資料可以說明（值得一提的是，百度即将籌辦中文閱讀了解比賽，競賽将于2018年3月1日正式開啟報名通道）。但是針對這類題型，人類早已總結出了一套答題技巧，更何況是收集了大量資料文本的機器呢？在為AI建立模型時，完全可以達到以某個詞彙來刺激AI作出相應答案的程度。比如上文中的“藍色”對應“惆怅，困郁”，再如“書信”對應“思念”等等。但是，這種操作下，AI閱讀了解在做題時用的不是“了解”，而是“套路”；因為機器沒有“思考”，隻有“運算”。
為什麼這麼說呢？我們大概能在AI閱讀了解的做題流程中找到答案：
Embedding Layer（相當于是人的詞彙級的閱讀知識）：一般采用的都是在外部大規模資料上預訓練的詞向量（例如Glove等），以及基于循環神經網絡或者卷積神經網絡的從字元到單詞的詞向量（表示），這樣就可以得到問題和文章段落裡面每個單詞的上下文無關的表示。
Encoding Layer（相當于人通覽全文）：一般采用多層的循環神經網絡得到問題和文章段落的每個詞的上下文相關的表示。
Matching Layer（相當于帶着問題讀段落）：得到問題裡面的詞和文章段落詞之間的對應（或者叫比對）關系。基本是采用注意力（attention）的機制實作，常見的有基于Match-LSTM和Co-attention兩種，這樣就得到文章裡面每個詞的和問題相關的表示。
Self-Matching Layer（相當于人再讀一遍進行驗證）：在得到問題相關的詞表示的基礎上再采用self-attention的機制進一步完善文章段落中的詞的表示。
AnswerPointerLayer（相當于人綜合線索定位答題）:對文章段落裡面的每個詞預測其是答案開始以及答案結束的機率，進而計算文章段落中答案機率最大的子串輸出為答案。
所謂一千個讀者有一千個哈姆雷特，我們人類在了解一篇文章的時候往往會帶上自己的主觀色彩，每個人都會生成自己的看法。而AI呢？在做題之外又能否對文章生成不一樣的看法？
2
AI瘋狂“跑分”，其結果是成為人類更好的幫手
之是以大家都認為AI閱讀了解超越了人類，是因為從技術原理來講，AI閱讀了解超越人類是一件非常合理的事情。
首先，AI“閱讀”的能力正在一天天提升，自然語言處理技術的突破，很可能取代人類的“了解力”。其次，深度神經網絡模型能夠模拟人類在做閱讀了解問題時的一些行為，包括結合篇章内容審題，帶着問題反複閱讀文章，避免閱讀中遺忘而進行相關标注等。于是，自然語言處理技術和深度神經網絡模型相結合，使得AI可以進行超乎人類的閱讀了解，似乎就成為了順理成章的一件事。
于是很多人開始思考，AI閱讀了解是否會替代由人工完成的規則、對話、服務資訊類的相關了解工作？事實上，這種想法僅僅是理論上成立，但在實際應用時還有很多問題。
首先是把閱讀了解這件事過分簡單化了。閱讀了解的題目分為精準比對和模糊比對，前者是硬性的閱讀了解，即看到一段文字提取對應的資訊，并進行簡單的加工處理得到直覺的資訊；後者則是通過一段文字或一篇文章，結合文字背後的背景資訊以及現實世界中的社會、人文背景以及讀者的閱曆等諸多方面，經過邏輯和“感性”的思考得出的了解和感受。換句話說，閱讀了解是包含了語境了解、人文了解以及對内容熟稔之後的綜合工作。這些顯然是AI無法替代的。
再者，AI閱讀了解的“跑分”結果是有着前提限制條件的，比如在确定的題庫和測試時間，并且隻是成年人平均了解水準。而要進一步推動閱讀了解技術的發展，就得跟無人駕駛汽車分級測試一樣需要設定問題的難度，逐級增加難度，對每一個級别建立訓練和評測集合。
總之，擁有超越人類的了解力，還是今天的AI所無法做到的。這也意味着，AI更合适成為人類幫手，而非替代者。二者結合最好的方式，應該是AI進行基礎處理，人類用AI來提升工作效率。這種人機互動的關系，其實在大部分“可能被AI替代的工作崗位”中都能找到。
這個閱讀了解的“跑分高手”，還能在哪裡幫助人類
智能相對論（微信id：aixdlun）認為目前這兩個方面AI閱讀了解能大展拳腳。
1.貼近真實需求，助力人機互動
在購買家電時你是非為那些枯燥無聊的“使用手冊”感到十分頭痛？在各種軟體下載下傳中的“使用者協定”上你隻能傻傻地點選“我同意”？有了AI閱讀了解技術，這一切都有了更好的解決辦法。
例如智能客服中，可以使用機器閱讀文本文檔（如使用者手冊、商品描述等）來自動或輔助客服來回答使用者的問題。
在搜尋引擎中，機器閱讀了解技術可以用來為使用者的搜尋（尤其是問題型的查詢）提供更為智能的答案。目前R-NET的技術已經成功地在微軟的必應搜尋引擎中得到了很好的應用。我們通過對整個網際網路的文檔進行閱讀了解，進而直接為使用者提供精确的答案。同時，這在移動場景的個人助理如微軟小娜（Cortana）裡也有直接的應用。
在辦公領域，機器閱讀了解技術也有很好的應用前景，比如使用機器閱讀了解技術處理個人的郵件或者文檔，然後用自然語言查詢擷取相關的資訊。
2.友好嵌入環境，“技術”成為“助手”
此外，機器閱讀了解技術在垂直領域也有非常廣闊的應用前景，例如在教育領域用來輔助出題，法律領域用來了解法律條款，輔助律師或者法官判案，醫療領域了解醫療資訊，幫助病人咨詢，以及在金融領域裡從非結構化的文本（比如新聞中）抽取金融相關的資訊等。
正如阿裡巴巴研究院自然語言處理首席科學家司羅在一份公告中所說的一樣，對于像“天為什麼會下雨”這樣的客觀問題，機器給出的答案準确率會很高。公告稱，其中的技術可以逐漸應用于諸如客服、博物館指南、線上解答患者醫療問題等廣泛的實際應用領域，進而以一種前所未有的方式減少人力投入的需求。
更甚者，機器閱讀了解技術可以做成一個通用的能力，釋放給第三方用來建構更多的應用。
【總結】
微軟團隊負責人周明老師曾在訪談中說到，“超越人類不能作為媒體的報道噱頭，我們在看到技術進步的同時，更應該冷靜思考模型的不斷完善和技術應用落地。這是一個生态，需要所有業界同仁一起健康競争，把現階段面臨的難題攻克，而非停留在比賽第一這樣的階段性喜悅中。”
閱讀了解能力是人類智能中最關鍵的能力之一，AI閱讀了解技術有着十分廣泛的應用前景，可能那還很遠，也可能很近，但比起超越人類，AI應該更有可能成為人類幫手。即使它在許多人類制定的規則項目中“赢”了人類，真正“超越人類”的還是人類自己。