摘要：自科幻電影誕生以來，社會(huì)一直對(duì)人工智能著迷。

每當(dāng)我們聽到“AI”一詞時(shí)，我們的第一個(gè)想法通常是電影中的未來機(jī)器人，如終結(jié)者和黑客帝國。盡管我們距離可以自己思考的機(jī)器人還有幾年的時(shí)間，但在過去幾年中，機(jī)器學(xué)習(xí)和自然語言理解領(lǐng)域已經(jīng)取得了重大進(jìn)展。 個(gè)人助理（Siri / Alexa），聊天機(jī)器人和問答機(jī)器人a等應(yīng)用程序真正徹底改變了我們與機(jī)器和開展日常生活的方式。自然語言理解（NLU）和自然語言生成（NLG）是人工智能發(fā)展最快的應(yīng)用之一，因?yàn)槿藗冊(cè)絹碓叫枰斫夂蛷恼Z言中獲得意義，其中含有大量含糊不清的結(jié)構(gòu)。 根據(jù)Gartner的說法，“到2019年，自然語言生成將成為90％的現(xiàn)代BI和分析平臺(tái)的標(biāo)準(zhǔn)功能”。 在這篇文章中，我們將討論NLG成立初期的簡(jiǎn)短歷史，以及它在未來幾年的發(fā)展方向。

什么是自然語言生成

語言生成的目標(biāo)是通過預(yù)測(cè)句子中的下一個(gè)單詞來傳達(dá)信息。 可以通過使用語言模型來解決。語言模型是對(duì)詞序列的概率分布。 語言模型可以在字符級(jí)別，短語級(jí)別，句子級(jí)別甚至段落級(jí)別構(gòu)建。 例如，為了預(yù)測(cè)“我需要學(xué)習(xí)如何___”之后出現(xiàn)的下一個(gè)單詞，模型為下一個(gè)可能的單詞分配概率，這些單詞可以是“寫作”，“開車”等。神經(jīng)網(wǎng)絡(luò)的最新進(jìn)展如RNN和LSTM允許處理長句，顯著提高語言模型的準(zhǔn)確性。

馬爾可夫鏈

馬爾可夫鏈?zhǔn)亲钤缬糜谡Z言生成的算法之一。 它通過使用當(dāng)前單詞來預(yù)測(cè)句子中的下一個(gè)單詞。 例如，如果模型僅使用以下句子進(jìn)行訓(xùn)練：“我早上喝咖啡”和“我吃三明治加茶”。 有100％的可能性預(yù)測(cè)“咖啡”跟隨“飲酒”，而“我”有50％的機(jī)會(huì)跟著“喝”，50％跟隨“吃”。 馬爾可夫鏈考慮每個(gè)獨(dú)特單詞之間的關(guān)系來計(jì)算下一個(gè)單詞的概率。 它們?cè)谠缙诎姹镜?a target="_blank">智能手機(jī)鍵盤中使用，為句子中的下一個(gè)單詞生成建議。

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

神經(jīng)網(wǎng)絡(luò)是受人類大腦運(yùn)作啟發(fā)的模型，通過建模輸入和輸出之間的非線性關(guān)系提供另一種計(jì)算方法 - 它們用于語言建模被稱為神經(jīng)語言建模。

RNN是一種可以利用輸入的順序性質(zhì)的神經(jīng)網(wǎng)絡(luò)。 它通過前饋網(wǎng)絡(luò)傳遞序列的每個(gè)項(xiàng)目，并將模型的輸出作為序列中下一項(xiàng)的輸入，允許存儲(chǔ)前面步驟中的信息。 RNN擁有的“記憶”使它們非常適合語言生成，因?yàn)樗鼈兛梢噪S時(shí)記住對(duì)話的背景。 RNN與馬爾可夫鏈不同，因?yàn)樗鼤?huì)查看先前看到的單詞來進(jìn)行預(yù)測(cè)。

用于語言生成的RNN

在RNN的每次迭代中，模型在其存儲(chǔ)器中存儲(chǔ)遇到的先前單詞并計(jì)算下一單詞的概率。 例如，如果模型生成了文本“我們需要租用___”，那么它現(xiàn)在必須弄清楚句子中的下一個(gè)單詞。 對(duì)于字典中的每個(gè)單詞，模型根據(jù)它看到的前一個(gè)單詞分配概率。 在我們的例子中，“house”或“car”這個(gè)詞比“river”或“dinner”這樣的詞有更高的概率。 選擇具有最高概率的單詞并將其存儲(chǔ)在存儲(chǔ)器中，然后模型繼續(xù)進(jìn)行下一次迭代。

RNN受到梯度消失的限制。 隨著序列的長度增加，RNN不能存儲(chǔ)在句子中遠(yuǎn)處遇到的單詞，并且僅基于最近的單詞進(jìn)行預(yù)測(cè)。 這限制了RNN用于產(chǎn)生聽起來連貫的長句子的應(yīng)用。

LSTM

基于LSTM的神經(jīng)網(wǎng)絡(luò)是RNN的變體，旨在更準(zhǔn)確地處理輸入序列中的長程依賴性。 LSTM具有與RNN類似的鏈?zhǔn)浇Y(jié)構(gòu); 然而，它們包括四層神經(jīng)網(wǎng)絡(luò)而不是RNN的單層網(wǎng)絡(luò)。 LSTM由4個(gè)部分組成：?jiǎn)卧?，輸入門，輸出門和忘記門。 這些允許RNN通過調(diào)節(jié)單元的信息流來記住或忘記任意時(shí)間間隔的單詞。

考慮以下句子作為模型的輸入：“我來自西班牙。我精通____。“為了正確預(yù)測(cè)下一個(gè)單詞為”西班牙語“，該模型在前面的句子中側(cè)重于”西班牙“一詞，并使用單元格的記憶”記住“它。該信息在處理序列時(shí)由單元存儲(chǔ)，然后在預(yù)測(cè)下一個(gè)字時(shí)使用。當(dāng)遇到句號(hào)時(shí)，遺忘門意識(shí)到句子的上下文可能有變化，并且可以忽略當(dāng)前的單元狀態(tài)信息。這允許網(wǎng)絡(luò)選擇性地僅跟蹤相關(guān)信息，同時(shí)還最小化消失的梯度問題，這允許模型在更長的時(shí)間段內(nèi)記住信息。

LSTM及其變體似乎是消除漸變以產(chǎn)生連貫句子的問題的答案。然而，由于仍存在從先前單元到當(dāng)前單元的復(fù)雜順序路徑，因此可以節(jié)省多少信息存在限制。這將LSTM記憶的序列長度限制為幾百個(gè)單詞。另一個(gè)缺陷是LSTM由于高計(jì)算要求而非常難以訓(xùn)練。由于它們的順序性，它們難以并行化，限制了它們利用諸如GPU和TPU之類的現(xiàn)代計(jì)算設(shè)備的能力。

Transformer

Transformer最初是在2017年Google論文“Attention is all you need”中引入的，它提出了一種稱為“自注意力機(jī)制”的新方法。變形金剛目前正在各種NLP任務(wù)中使用，例如語言建模，機(jī)器翻譯和文本生成。變換器由一堆編碼器組成，用于處理任意長度的輸入和另一堆解碼器，以輸出生成的句子。

與LSTM相比，Transformer僅執(zhí)行小的，恒定數(shù)量的步驟，同時(shí)應(yīng)用自注意力機(jī)制，該機(jī)制直接模擬句子中所有單詞之間的關(guān)系，而不管它們各自的位置如何。當(dāng)模型處理輸入序列中的每個(gè)單詞時(shí)，自注意力允許模型查看輸入序列的其他相關(guān)部分以更好地編碼單詞。它使用多個(gè)注意頭，擴(kuò)展了模型聚焦在不同位置的能力，無論它們?cè)谛蛄兄械木嚯x如何。

最近，對(duì)普通Transformer架構(gòu)進(jìn)行了一些改進(jìn)，顯著提高了它們的速度和精度。在2018年，谷歌發(fā)布了一篇關(guān)于變形金剛雙向編碼器表示的論文（BERT），該論文為各種NLP任務(wù)提供了最先進(jìn)的結(jié)果。同樣，在2019年，OpenAI發(fā)布了一個(gè)基于變換器的語言模型，其中包含大約15億個(gè)參數(shù)，只需幾行輸入文本即可生成長篇連貫的文章。

用于語言生成的Transformer

最近，Transformer也被用于語言生成。 用于語言生成的Transformer最著名的例子之一是OpenAI，他們的GPT-2語言模型。 該模型通過使用注意力集中于先前在模型中看到的與預(yù)測(cè)下一個(gè)單詞相關(guān)的單詞來學(xué)習(xí)預(yù)測(cè)句子中的下一個(gè)單詞。

使用變形金剛生成文本的基礎(chǔ)與機(jī)器翻譯所遵循的結(jié)構(gòu)類似。如果我們采用一個(gè)例句“她的禮服有粉紅色，白色和___點(diǎn)?！痹撃Ｐ蛯㈩A(yù)測(cè)藍(lán)色，通過使用自注意力分析列表中的前一個(gè)單詞作為顏色（白色和粉紅色）并理解期望的詞也需要是一種顏色。自我關(guān)注允許模型選擇性地關(guān)注每個(gè)單詞的句子的不同部分，而不是僅僅記住循環(huán)塊（在RNN和LSTM中）的一些特征，這些特征通常不會(huì)用于幾個(gè)塊。這有助于模型回憶起前一句的更多特征，并導(dǎo)致更準(zhǔn)確和連貫的預(yù)測(cè)。與以前的模型不同，Transformer可以在上下文中使用所有單詞的表示，而無需將所有信息壓縮為單個(gè)固定長度表示。這種架構(gòu)允許變換器在更長的句子中保留信息，而不會(huì)顯著增加計(jì)算要求。它們?cè)诳缬虻男阅芤矁?yōu)于以前的模型，無需特定領(lǐng)域的修改。

語言生成的未來

在這篇博客中，我們看到了語言生成的演變，從使用簡(jiǎn)單的馬爾可夫鏈生成句子到使用自我注意模型生成更長距離的連貫文本。然而，我們正處于生成語言建模的曙光，而變形金剛只是向真正自主文本生成方向邁出的一步。還針對(duì)其他類型的內(nèi)容（例如圖像，視頻和音頻）開發(fā)了生成模型。這開啟了將這些模型與生成文本模型集成的可能性，以開發(fā)具有音頻/視覺界面的高級(jí)個(gè)人助理。

然而，作為一個(gè)社會(huì)，我們需要謹(jǐn)慎對(duì)待生成模型的應(yīng)用，因?yàn)樗鼈優(yōu)樯杉傩侣?，虛假評(píng)論和在線冒充人們開辟了多種可能性。 OpenAI決定拒絕發(fā)布他們的GPT-2語言模型，因?yàn)樗赡鼙徽`用，這證明了我們現(xiàn)在已經(jīng)進(jìn)入了一個(gè)語言模型足夠引起關(guān)注的時(shí)代。

生成模型有可能改變我們的生活;然而，它們是一把雙刃劍。通過對(duì)這些模型進(jìn)行適當(dāng)?shù)膶彶椋瑹o論是通過研究界還是政府法規(guī)，未來幾年在這一領(lǐng)域肯定會(huì)取得更多進(jìn)展。無論結(jié)果如何，都應(yīng)該有激動(dòng)人心的時(shí)刻！

未來智能實(shí)驗(yàn)室是人工智能學(xué)家與科學(xué)院相關(guān)機(jī)構(gòu)聯(lián)合成立的人工智能，互聯(lián)網(wǎng)和腦科學(xué)交叉研究機(jī)構(gòu)。

未來智能實(shí)驗(yàn)室的主要工作包括：建立AI智能系統(tǒng)智商評(píng)測(cè)體系，開展世界人工智能智商評(píng)測(cè)；開展互聯(lián)網(wǎng)（城市）云腦研究計(jì)劃，構(gòu)建互聯(lián)網(wǎng)（城市）云腦技術(shù)和企業(yè)圖譜，為提升企業(yè)，行業(yè)與城市的智能水平服務(wù)。