2
| 本文作者： haoxiaoru | 2014-10-28 17:30 |
10月27日，在主题为“机器人重塑未来生活”的百度 The BIG Talk 活动上，百度技术副总裁王海峰博士发表演讲，讲述了让机器人像人一样思考需要的三种能力：1.对语言的理解；2.对知识的掌握；3.对人情感的揣摩。与此同时，王海峰博士结合百度搜索的丰富案例，深入浅出地向在场观众介绍了，这些人工智能领域的基础技术，如何让普通人的生活变得更好。
以下为经过雷锋网整理的王海峰演讲全文：
王海峰：大家提机器人，每个人的脑子里会出现很多机器人形象，有的在生产线上做工，有的在家里帮助人们做家务，甚至有的会在足球场、战场上出现。应该说机器人的这些机械技术和控制技术，已经取得了非常多的成果，如何能让一个机器人更像人呢？我们需要让它有像人一样的智能，大家刚才看到的小度机器人，甚至可以答出很多我们很多人答不出来的问题，应该说它已经有了很高的智能。
机器人具备了什么样的能力，就具备了人的能力呢？大家知道人的能力体现在很多方面，听、说、看、行、学习，还有很重要的一点就是思考。比如说一个动物他也会有眼睛可以看，耳朵可以听，也可以去行动，甚至它也可以训练出它一些能力，比如说看见一个什么场景会采取什么动作，这些条件反射的能力。而人最重要的能力是思考，这是人特有的能力。人如何进行思考，我们如何让机器人进行思考呢？我认为需要有三方面的能力，第一个是对语言的理解，大家知道语言是人特有的一种高级的智力活动，仅仅有语言，仅仅可以说话还不够，我们还需要知道该说什么，这就是背后需要有知识的支撑，需要对知识的掌握，知识的运用，以及知识的推理等等。另一方面，人生活在一个社会里，除了跟这些客观知识打交道以外，还需要和人打交道。我们同一句话说给不同的人听的时候，他的感受是不一样的，反应不一样，这就需要机器人能够对不同的人进行建模。
我讲一个故事给大家，大家知道间谍是一群很神秘拥有很强的能力人，非常善于伪装自己，打入敌人内部让敌人发现不了。曾经有一个故事就是一个女特工，她能力非常强，做得非常好，但是她最后暴露了身份，原因是什么？是她在分娩的时候，不由自主的喊出了母语，被人发现了。这个故事说明了什么呢？语言是人思维的一个基本载体，不同母语不同语言的人，语言的特点会影响她的思维活动。我们学英语，如果你学到比较高的境界需要用英语思考，用英语思考相当于你的思维模式发生变化。同样一句话用中文说和英文说是不同的，例如屏幕上显示的这些，用中文和英文语序、用词、肯定和否定不一样，这说明语言本身会影响人的思维。当一个人需要和机器交流的时候，比如说问它一些问题，问它天气怎么样，或者说跟它聊天等等这些呢，其实都是用语言来进行交互的。
我们如何让机器理解语言呢？大家知道语言是人类发展了很多年发展出来的，她充分的承载了人类知识、思维、情感方方面面的积累。语言本身是很复杂的，用我们都熟悉的中文举例来说。大家知道中文词与词之间没有空格的，所以说中文面临第一个任务就是分词。请看屏幕上，“刘清楚楚动人”，大家看到这样六个字可以很容易知道这个词是什么，前面是一个人名刘清，后面是楚楚动人。同样类似的我们增加了一个字，“刘华清楚这件事”，这里便不是“刘清”了，而应该是“刘华”。再改一点，“刘华清楚地重游”，又是另一种分词结果又加一个字，“刘华清楚地记得”，又变成了刘华。下面这个例子也很有意思的，“你老张着什么急啊”，是说“老张”别着急，。但再看下一句话，“你老张着什么嘴啊”，又不同了。上面的那些应该说还是有一个基本的分法可以分出来的，但是这句话大家看，“乒乓球拍卖完了”，到底是“乒乓球拍”卖完了，还是“乒乓球”“拍卖”完了呢？这两种说法都是对的，这就是语言的复杂性，也正是它的魅力所在，中文是一个非常有魅力的语言。下面看在百度的搜索里一个真实的例子，如果大家在百度搜索框里搜索这个是身高1.80以上的自由泳运动员，我们会直接给出这些答案，这么复杂的一个搜索，我们想把它理解好，可以找到相应的答案。左边这棵树，就是我们自然语言处理技术的基础：语义语法分析，我们可以分析出来词与词之间的关系，从而知道更准确的理解用户到底找什么。配合后台知识库里面存大量的知识检索出来，最后得到了这样的一个答案。
大家看其实“谢霆锋的儿子是谁”和“谢霆锋是谁的儿子”，这两句话的字是一样，但是顺序不一样。如果说用传统的搜索技术，我们会对其分词，算term重要性等等，由算出来的相关性找到的东西是一样的。显然这两句话问题是不一样的，我们怎么可以做到这一点呢？需要对语言有很深入的分析，对语义理解，从而知道他们要找的答案是不一样。大家上百度就可以看到，“谢霆锋的儿子是谁”，可以给“谢振轩”和“谢振南”，这是基于很深刻的语言的分析、理解技术。
再说一种就是和上下文相关的理解，比如说我们“问北京的今天天气如何”，然后给一个答案。然后又问“上海呢？”这个时候问上海呢，就三个字，如果说仅看这一句话不知道问的是什么，但是上下文相关就会知道问的就是上海的天气，而且是今天的天气。
下面一个例子也是类似的，“我计划周日北京飞杭州,帮我订票”。这个时候用户给了很多的信息，哪一天哪到哪，接下来说“请帮我预定酒店”，知道是到目的地酒店，哪一天的也知道，这是基于上下文的理解，才能做到这一点。
句和句之间的上下文不够，还可以用篇章级的上下文。比如说我们问天空为什么是蓝的，如果我们就是给出一个经典搜索的结果，百度知道里找到一个结果，就像左边的结果。但是大家看到直接拿出来的这一句话，不是真正解释天空为什么是蓝的，展开后才能看完整的解释。在很长的一大段话里，我把真正最相关的答案这一部分找出来，摘要就会是一个更好的答案。如果我们做到更好，可以给出非常明确的解答。
篇章级分析应该说比句子级更放大，对一个事件持续很长时间，几个月，甚至是几年的时间，其中有一些关键的时间点出现了一些里程碑的事件，我们也可以分析。在更长的时间段里，更多的数据里把这些关键的时间点发生的关键事件提取出来，这就是我们说的事件脉络。我给这个例子也是在百度搜索可以看到的，比如说在百度搜索棱镜门和斯诺登，右侧会给过去一段时间跟棱镜门相关的重要事件。
刚才我讲的所有例子都是中文相关的。其实人类的语言，就像刚才我也讲了间谍的故事，还会涉及到其它的语言，除了我们母语以外的其它语言。例如去国外旅游，到欧洲旅游但我不懂当地语言，有一个翻译器帮我点菜和当地人交流，这是对大家有帮助的。我们针对这种语言的理解，开发了多语言翻译系统，现在已经覆盖14个语种，36个翻译方向。既可以在网页和PC打一段文字给你翻译，包括在手机可以拿着它直接和人对话，甚至你看到一个外文菜单不懂，拿着手机摄象头一照，百度翻译就会自动为你把菜单翻译成中文的，这相当于你看到的就是一个中文菜单而不是用其它语言的菜单了。还有一个更高的境界，我们拥有语言能力，除了基本的交流和对话等等，我们发展出一些文学形式。比如说中国语言发展的非常好的诗歌，我们基于我们语言翻译技术，开发了这样的一个写诗的系统。我给系统输进去照片，自动就会做出一首诗，这是完全自动做出来的。比如说这首诗就是“日出日落一天天，人去人生几十年，人水无声情不断，水天一色韵相连。”
我接下来讲知识挖掘，对应人对知识的学习，可以从书本上学，老师家长朋友等等很多不同渠道来学。学到这些知识以后，我们构建了一个非常庞大的知识图谱，这样一个知识图谱我们有上亿级别的实体，比如说桌子一个实体，椅子是，摄像机都也是。每一个实体有很多的属性。这个凳子是白色的，是什么材质的，有很多的属性，这些属性已经有上百亿级别。而无论是实体还是属性，其增长都是线性，更多的会是什么呢？实体之间的关系，实体之间组合起来，量就会急剧增加。一个实体可以跟很多实体有不同的关系，例如一个人可能跟很多不同的人有关系，同学关系、朋友关系等等。这时候会构建更复杂的网络，这个知识图谱描述能力更强，现在我们已挖掘了千亿级别的关系在我们的知识图谱里。这些一方面从网页里挖掘，网页里有很多信息，除了本身文字信息，图片信息，还有它的排版信息，它的字号信息，它的连接等等，构成了网页非常丰富的信息，可以挖掘很多基本的知识出来。
还有文字，又回到我最开始说的语言上来了，语言文字里面蕴含很多信息。这样一句话“奢侈品牌路易威登1854年成立法国巴黎”，我们分析清楚知道里面的语法和语义关系，我们可以提取很多有用的知识来。比如说路易威登成立的时间，成立在哪儿，这是一个奢侈品牌。包括巴黎是法国的，这些都可以从这样简单的一句话里抽取出来，所以说大家看到我们可以抽取到的知识其实是非常多。抽取这些知识以后就涉及到知识的存储、检索和管理，我们把这些知识大量存在知识图谱里，要对知识相互之间的关系进行计算。“谢霆锋的儿子是谁”，问题理解了是第一步，需要在庞大的库里找到答案，这就是做相应的检索。这里包括了线下做很多的数据处理，以及线上实时地去响应用户需求。
知识推理。讲到推理其实是很复杂的一件事，比如说破案的时候有非常复杂的推理，甚至还有一些直觉在推理里面。我讲一个非常简单的例子，我们知识库里知道很多人的生日。我这里举了两个例子，一个是刘德华，一个是李彦宏先生。他们两个人的生日我们都能知道，如果问年龄，大家知道年龄是一个动态的，今年问和明年问，这个月问和下个月问，其实是不一样的。这时候不能简单说把一条某某人的年龄存在那儿，静态的放在那儿。而随着时间的迁移答案就不对，所以要计算。这种计算人看来并不复杂，但是要让机器知道年龄这样一件事应该怎么算，这个技术本身让机器如何知道，是一个我们需要做的技术。大家看到比如说刘德华是9月份生日，所以现在用今年2014年减去61年现在是53岁。李彦宏是11月份生的，现在没有到过生日的时候，所以用今年2014减生日1968应该是46，但是因为没有过生日就是45，这个是真正实时算出来的。
我们有了庞大的知识库以后，我们希望通过扩充联想不断丰富知识库，让它有越来越强大的能力。举这样一个例子，上面的这行字“谢霆锋儿子的母亲的前夫的父亲”，这句话听起来拗口，但是实际上我们把这一个一个的关系分析出来，之后得到这是谢贤，这就是联想推理过程。
我们把一些实体放在库里以后，怎么解答一些问题呢？比如说我们要找观赏鱼，我们可以先进行细分类，因为一个用户来找观赏鱼的时候，可能是对观赏鱼的某个小类更感兴趣。里面分很多小的不同的分类，我们如果把它分清楚，可能对某一类更加有兴趣，这时要在后台要做知识分类的工作。包括右边举了狗品种的例子，美食和小说，这都是在百度真实实现的。
还有一类知识，比如我们现在百度一个搜索结果，在左侧有很多自然的结果出来，同时我们在右侧会有一些相关的推荐。张飞右侧会推跟他相关的一些赵云、关羽、诸葛亮等等。例如赵云，下面还有灰色的字，给的是推荐理由。推荐理由也是我们通过自动的知识挖掘把它相关的，就是张飞和赵云是什么关系。我们这里给了，大家可以看到写的是“同事”，这个同事不是我们人编的，真的是在网上大量的挖掘，挖掘出来最后发现他们是同事关系。按道理张飞和赵云在三国时代没有同事概念，这就是互联网的能力。网友把他来的关系写成“同事”被我们挖掘出来了，关系比较贴切。点了关羽，进了关羽的搜索页，推荐了很多人出来，有一个是貂蝉，貂蝉下面给的理由就是同乡。我看过三国，听过三国的评书，看过电视剧，了解很多三国相关的知识，但是之前真的不知道他们两个是同乡。看到这个结果以后，我想知道是对是错，我在网上做了些调研，发现真是说他们两个是同乡，机器可以挖掘出来很多普通人不了解的知识。
同一个名字“李娜”，很多人都叫李娜，这个时候推荐哪一个李娜出来，这是一个问题。比如我的Query是小威，可能就是网球员李娜，给的标签就是“小威的对手”。但是如果搜的就是一首歌呢，我推荐的就是歌手李娜。人的脑袋里也是，你有好几个同学都是同一个名字，突然说这个名字，你反应出哪一个人，有和他相关的一些事情限定：这是中学同学，那是大学同学等等。
除了我刚才讲的这些大家比较直观的看到这些知识以外，还有一类也是人的高级智力活动。很多人喜欢下棋，有的下围棋，有的下象棋。国际象棋，很多年以前国际象棋，计算机已经战胜人类，围棋复杂度高很多，所以我们让我们的机器具备了一些下更难的围棋的能力。我们现在已经做到9×9围棋达到了职业选手水平，19×19也可以达到业余段位棋手水平。
刚才讲了对语言的理解，对知识的掌握和运用，还有刚才我要说就是对人的理解。人可以是对某一个个人，即使是两个亲兄弟，两个同学，他们都是不一样，但是他们有共性。真是兄弟俩一定有很多的共性，如果是同学两个人，也有很多的相似性。所以我们既要对个体建模，也要对群体建模。比如咱们今天在会场的这些人，一定是对“科技改变世界”会有兴趣，我们有一些共同的兴趣。还有社会整体趋势，现在越来越多的人开始使用智能手机，整个社会整体在发生变化。
我举一个简单的例子，这是我们真实的从百度搜索用户需求角度，我们做了一些分析，这一分析利用很多我们数据挖掘技术，自动分析出来的。用户对一些不同类别的需求，工作时间和业余时间的不同。大家可以看第三到七列是跟游戏相关，蓝色是工作时间，黄色是业余时间。按道理，打游戏应该都是业余时间的事，但我们看到这张图，大家可以发现这很有意思，这种大型游戏工作时间玩的人不多，但是也有。但是业余时间玩的人很多，但大家看网页游戏，反倒是工作时间玩的人很多，这个很有意思，我们一推理可能也一定，就是很多人工作时间忍不住想玩一下，但是玩大型网游肯定不方便，小游戏一打开玩两下，网页游戏很方便，这看上去符合人的直觉，这也是一种建模。这是另一个模型，我们每天要一日三餐，考虑吃什么，吃川菜，粤菜，做了全国各地不同地区对不同菜系感兴趣的模型，川菜受欢迎的程度很高，除了广州大家最感兴趣的还是粤菜，全国各地很多地方对川菜感兴趣。
这是个性化的例子，这怎么看？如果不同的用户，一个用户是对动漫感兴趣，一个是对快递感兴趣。我们搜SF这两个字母的时候，用户找的东西是不一样，如果对动漫感兴趣的可能是找跟动漫相关的，快递的用户找的就是顺丰速递，我们根据个人不同兴趣进行推荐，会推荐不同的东西出来。
刚才讲了三方面，语言、知识、对人的理解，我们结合起来会有综合的思考能力，综合的思考能力可以从很多方面来展现。大家看了小度机器人，这样一个小度机器人可以听人的问题，可以去回答。背后是什么，背后就是对语言的理解，对知识的掌握，从而形成我们叫“深度问答技术”。除了小度机器人，这些技术应用在百度的产品，我们问濒临灭绝的动物是什么，或者问某一个片子的片尾曲，百度都可以给出答案。“孕妇可以吃荔枝吗”，在座的朋友有多少可以回答这个问题，其实这类的问题不同人可能会有不同的回答，该怎么办？百度会告诉你，有多少人认为能吃，还会告诉你相应的能吃的原因是什么，认为不能吃的原因是什么。包括问“宝宝打嗝怎么办”，百度会告诉你怎么办，会把这些答案精炼提取出来。
说智能交互，交互有很多形式，刚才我说的问答也是一种交互，对话也是一种交互。我们的机器不仅具备了语言交互能力，可以识别声音，可以识别图像，这就是我们所说的我们可以做“多通道、多轮对话的智能交互”。我给大家看这样一幅图片，问大家这是什么花？有可能有人会觉得是樱花或者是梅花，看上去有一点像。图片相对花的部分比较小，所以机器这个时候可以很智能的提示用户说，我看不清楚，照一个花的特写。有了特写以后，因为现场照的，我们可以结合很多信息，我知道现在是什么时间照的，通过定位信息知道什么地方照的，春天的时候在玉渊潭照的很有可能就是樱花，我们结合这样的背景信息可以猜到答案是什么。如果没有这些信息后台我们会挖掘很多知识，大家记得我们会挖掘很多知识，知识会知道樱花和梅花之间的区别，花柄会有不同。我问用户有没有花柄，用户不知道，我有一个花柄的特写，他一看这就是花柄，他说那是有的。实际我们就知道它是什么花了。刚才举的是一个形象的例子，这在百度的产品里已经实现了，大家如果拿手机就可以拍一个花，有一个交互的过程就知道这个花是什么了。
还有一个涉及到交互的例子—订飞机票。屏幕中的图片是手机的一款应用，而应用的背后承载着百度的智能交互技术，通过对文字及语音的解析和理解，从而调用后台知识库里的知识，全自动地完成订票。应用的后台具有强大的处理能力，模拟出呼叫中心的业务人员在与用户交流的场景，而实际上，用户一直在与机器进行互动。
开场的时候我提到了人是有情感的，我们要对人的情感进行分析。当我们问“玉龙雪山怎么样”时，百度搜索会根据网上的评论信息，汇总统计好评、中评、差评的数量，综合出一个打分。同理，当用户搜索上海怎么样时，百度搜索会整合出用户对上海这座城市的评价。当用户搜某一个型号的汽车时，就不能简单地列举出这款汽车好或不好，因为不同用户的关注点不一样，有的用户关心动力，有的用户关心操控性，有的用户关心内饰……百度搜索可以将不同维度下大家对车的评价进行提炼，综合的对这款车进行评价。
最后说到就是计算机领域和人工智能领域非常经典的话题，“图灵测试”，这是人工智能的终极目标之一。大家知道图灵测试的过程就是让一个人和一个机器同时同样的问题，如果测试人不能确认被测试者30%的答复哪个是人、哪个是机器的回答，那么我们就认为这台机器就通过了图灵测试。
“昆明在哪个省——云南”，人和机器都能回答出。
“写出一些有关‘送别’主题的唐诗”，人可能会想到，机器因为有知识库的支撑，所以也可以做到。
对两个非常复杂的数字进行四则运算，机器比人快，但是如果机器瞬间给出答案，反倒让测试人发现给出答案的不是人而是机器。所以，在这个时候，机器会停顿一会，再给出答案。下面的例子就是下棋，目前围棋已经做得非常好。
大家看到，如果通过这样一个图灵测试，很多的任务场景和前面我提到的内容具有很强的相关性。如果我们把语言理解能力做得越来越好，把对知识的掌握和运用的能力做得越来越好，同时加上我们对人的理解能力，机器可以真的像人一样思考。（完）
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
