畢竟嘛，這東西需要閱讀一大段文字，然后理解了意義之后再做題目，KUKA機器人示教器維修，堪稱一場考試中最復(fù)雜最費腦筋，也最考驗綜合能力的一個環(huán)節(jié)。所以你的英語老師一定說過這樣一句話：得閱讀理解者得天下。
然而，可是，但是，如果告訴你今天得這個天下的已經(jīng)不再是人類，而是AI了，你會怎么想？也許此前我們想象過單詞聽寫、句子翻譯甚至寫作都可以被AI完成，但是閱讀理解這件事人類已經(jīng)被甩在了AI身后，大概很多人都沒想到。
可事實就是這樣，1月11日，斯坦福大學著名的機器閱讀理解賽事SQuAD刷新了全球排名，阿里巴巴憑借82.440的精準率打破了世界紀錄，超越了人類82.304的平均得分。
當然了，AI是不會去跟你比托福刷分的，這件事的背后，腦洞有點大哦
什么是機器閱讀理解？
機器閱讀理解，雖然看起來只是讓AI上陣來一場考試。但是卻是自然語言處理技術(shù)中，繼語音判斷、語義理解之后最大的挑戰(zhàn)：讓智能體理解全文語境。
而斯坦福大學發(fā)起的SQuAD挑戰(zhàn)賽，則是業(yè)內(nèi)公認的機器閱讀理解最高水平賽事。
SQuAD挑戰(zhàn)賽的基本規(guī)則，是通過眾包的方式構(gòu)建一個包含10萬個問題左右的大規(guī)模數(shù)據(jù)集，并給出來源于維基百科長度大約在幾百個單詞左右的文章。參賽者提交的AI模型在閱讀完數(shù)據(jù)集中的一篇短文之后，工業(yè)機器人維修，回答若干個基于文章內(nèi)容的問題，答案與標準答案進行比對，最終得出成績。
由于閱讀理解這項智能調(diào)整，需要運用到大量邏輯、細節(jié)和結(jié)構(gòu)分析能力，并且直接作用于現(xiàn)實中的文本資料，所以實際價值很大。
比如說，我們首先要面對的問題就是，KUKA機器人維修，假如人工智能已經(jīng)比人類平均水平更擅長在對文本中精準信息進行理解和回答，會帶給我們什么呢？
當AI的閱讀理解得分超越人類，意味著什么
舉個例子或許可以很簡單的理解這個問題：英語考試上，當機器可以翻譯單詞的時候，我們一點都不驚奇；但機器可以聽寫整句話的時候，我們會感嘆技術(shù)進步了；當機器自己做閱讀理解的時候，我們大概會想：還要我考這個試干什么？
這里面的差別，在于處理閱讀理解相關(guān)問題時，AI不只是要運算和記錄，而是要主動去分析和理解，所以閱讀理解問題一直被人問是NLP的標志性臨界點。但這個點被AI破解，直接意味著很多必須人類才能完成的工作已經(jīng)正式能夠被AI接管。
因為閱讀理解問題，不只是要處理語音和簡單的語義，而是要理解和關(guān)注詞匯、語句、篇章結(jié)構(gòu)、思維邏輯、輔助語句和關(guān)鍵句等等元素構(gòu)成的復(fù)雜組織網(wǎng)絡(luò)。
機器閱讀理解達標，最直接的產(chǎn)業(yè)影響，是大多數(shù)今天還必須由人工完成的規(guī)則、對話、服務(wù)信息類的相關(guān)理解工作，都可以被人工智能所取代。比如說客服、信息管理和推薦類的工作，都可以考慮用不妙不休、高運算速度的機器來取代。
機器閱讀理解如何工作
或許我們都注意到了這樣一個問題：今天的互聯(lián)網(wǎng)世界，在變得越來越多文本內(nèi)容，各種各樣的信息爆炸而來。太多你知道的、你不知道的、你以為自己知道的卻實際不知道的事情呼嘯而過。甚至你雙11想要剁個手，都有各種各樣的游戲規(guī)則等著你。自己讀吧，太累太痛苦還沒時間，問客服吧，很可能出錯還很慢，簡直是薛定諤式問題。
這里或許就可以用機器閱讀理解來解決了。比如客戶對某個電商促銷規(guī)則有疑問，就可以直接向AI提問，而AI就可以把這個問題當做一道閱讀理解問題來進行解決方案回饋。
機器閱讀理解能力，將在如何向客戶提供非模板式的智能客服服務(wù)中發(fā)揮作用。而當AI在這些能力上超越人工，那么機器客服的利用價值將可能快速提升。換句話說，機器客服終于可以不那么機器了
由此不難看出，這種關(guān)鍵能力的標桿性突破，對大量強調(diào)與普通消費者交互的產(chǎn)業(yè)線益處最多。
推而廣之，機器閱讀能力也是文娛領(lǐng)域進行內(nèi)容尋找和推薦的有效方式，比如閱讀用戶提出的復(fù)雜需求，進行精準推薦；與IoT產(chǎn)品相結(jié)合，給出對用戶大段語言的回饋，乃至對話互動，都必須以機器理解能力為依托。
理解力，讓我們在未來面前不僅是個孩子
除了知道AI可以充當更好的客服之外，究竟我們?yōu)槭裁磻?yīng)該關(guān)注機器閱讀理解這件事？或許關(guān)鍵，是我們應(yīng)該知道理解力在目前AI世界中的重要程度和期待指數(shù)。
AI作為一種從計算機科學下的分支，一個智能體先天具備的是運算能力，而希望進行仿人類智慧的智能模擬，第二步就是模仿人類的感知。今天我們看到的機器視覺、語音識別、語義理解，都是在做這件事。而第三步，就是讓AI產(chǎn)生理解力。
顯然，識別有著龐大的應(yīng)用場景，并會在接下來很長一段時間內(nèi)占據(jù)主流。但是AI的理解能力是大多數(shù)識別能力的進化，假如單純的識別出卻無法產(chǎn)生輸出，那么AI無非是更靈活的傳感器而已。
從這個邏輯上看，閱讀理解這道題絕不僅僅是個測試，或者商業(yè)應(yīng)用的技術(shù)加持，更重要的是開啟AI紀元里理解力的加速器。
更廣闊的意義在于，我們或許距離永遠不用測試機器閱讀理解更近了一步。當我們不再考慮機器是否能理解人類文本和語言，那么DeepNLP將可能達成，人機交互的范圍將級擴大。機器智能可以開始捕捉人類的邏輯和函指。
可能那還很遠，也可能很近，但機器理解力讓我們在未來面前不止是個孩子，應(yīng)該是毫無疑問的。