人工智能时代的语言学

近日，伦斯勒理工学院的两位科学家Marjorie McShane和Sergei Nirenburg撰写了一本名为《人工智能时代的语言学》的书。这本书探讨了当前人工智能在自然语言理解中的瓶颈，并尝试寻找未来智能代理的发展路径。

AI语言学习的两种方法：被动告知还是主动学习？

比如，对于一句具有歧义的话：“开刀的是她父亲”，这句话有两种解读方式：一是她的父亲是医生，二是她的父亲是患者。人类可以通过语境来解决这些歧义，而计算机则需要通过复杂的程序来理解这些语境。

科学家提出了两种解决方法：

1. 知识库系统：这种方法依赖于大量语言、情境和世界特征的信息。尽管这种方法提供了可靠的语义分析，但由于需要大量人力设计特征、创建词汇结构和本体，因此逐渐失去青睐。

2. 知识学习系统：这种方法利用机器学习模型通过统计关系处理语境问题。这种方法因计算资源和大数据集的支持而广受欢迎。

然而，尽管机器学习模型可以生成长篇文本，回答科学问题，编写代码等，但它们仍无法解决“通用自然语言理解”这一更广泛的问题。即使最复杂的语言模型也无法回答有关世界运作的基本问题。

LEIA：突破语言学习瓶颈的新方法

在书中，McShane和Nirenburg提出了一种名为“语言赋能智能体（LEIA）”的方法。这种方法能在减少训练数据量的同时提升人工智能理解人类语言的准确性。LEIA具备以下特点：

1. 理解复杂语境：LEIA能够理解具有歧义的语言，避免误解。

2. 解释决策过程：LEIA能够向人类解释自己的思想、行动和决策。

3. 终身自主学习：LEIA能够通过与“世界”互动，自主学习，减少对人类知识库的需求。

LEIA通过对自然语言进行六个阶段的处理，包括确定单词在句子中的作用、语义分析和情景推理，从而解决歧义问题，并将句子整合到更广泛的环境中。

AI是否需要模仿人类大脑？

LEIA整合了知识库、推理模块和感觉输入，但在计算机视觉和自然语言处理等领域，重叠较少。McShane和Nirenburg认为，语言理解不能脱离整体认知，因为语言理解有时需要其他感知模式的辅助。

同时，实现类似人类的思考逻辑并不意味着LEIA需要完全复制人类大脑。McShane认为，目前神经科学无法为认知建模提供实质性的帮助。

结语

《人工智能时代的语言学》提出了一种新的方法——LEIA，旨在减少训练数据量，同时解决自然语言理解中的“知识瓶颈”问题。开发LEIA是一个长期的工作，但最终目标是让机器能够像人类一样熟练地使用语言。