近日，一款看起來挺有文化的寫稿機器人上線了。它叫小柯，由中國科學(xué)報社和北京大學(xué)科研團隊共同研發(fā)。
小柯寫的不是普通的稿子，而是中文科學(xué)新聞。據(jù)介紹，運用自然語言處理技術(shù)，小柯以英文論文摘要為基礎(chǔ)，能夠快速寫出中文科學(xué)新聞底稿，然后由專業(yè)人士和報社的編輯進行把關(guān)和信息完善，幫助科學(xué)家以中文方式快速獲取全球高水平英文論文中的最新科研進展。
目前小柯的作品已經(jīng)上線。人工智能的觸角，也在伸向各個領(lǐng)域。
小柯：一個盡職的摘要翻譯轉(zhuǎn)寫者
科技日報記者發(fā)現(xiàn)，7月5日，小柯機器人發(fā)出第一篇稿子，截至8月22日記者統(tǒng)計時，小柯機器人共發(fā)稿415篇。初期更新時間距論文發(fā)表時間間隔一個月左右，現(xiàn)在可以做到當(dāng)天或隔天更新，每天更新幾篇到二十幾篇不等。所選論文來自生命科學(xué)等領(lǐng)域，涉及《自然》《細(xì)胞》《新英格蘭醫(yī)學(xué)雜志》等期刊。
記者對照分析了小柯作品《單細(xì)胞測序揭示冠狀動脈疾病保護機制》及其英文原文。新聞中，小柯先對論文主題、研究單位以及發(fā)表期刊進行簡單介紹，后接英文原文摘要的翻譯，大致反映原文內(nèi)容；翻譯時會對原文進行適當(dāng)?shù)恼Z句簡化，同時在對專業(yè)詞語的翻譯上也使用了如“血管平滑肌細(xì)胞”“保護性纖維帽”等專業(yè)表述。
不過，這也不全是小柯的功勞，因為稿件發(fā)出前，還有人工審校這一步驟。北京大學(xué)計算機科學(xué)技術(shù)研究所研究員萬小軍團隊負(fù)責(zé)小柯的系統(tǒng)總體設(shè)計與聯(lián)合技術(shù)攻關(guān)。 他告訴科技日報記者，目前機器翻譯系統(tǒng)的性能很大程度上依賴于其所使用的訓(xùn)練數(shù)據(jù)，即平行語料。目前的平行語料多為新聞?wù)Z料，因此訓(xùn)練得到的機器翻譯模型對于日常新聞的翻譯效果較好。但學(xué)術(shù)文獻(xiàn)（比如生物學(xué)術(shù)論文）與日常新聞在用詞造句等方面都有較大差別，機器翻譯系統(tǒng)對于學(xué)術(shù)文獻(xiàn)翻譯的效果并不理想。
這一次，他們通過融合領(lǐng)域知識進行語句智能篩選，選擇適合大眾理解的語句，并基于語句簡化提升語句翻譯質(zhì)量。“英文學(xué)術(shù)論文摘要適合專業(yè)科研人員閱讀，但摘要中的語句并不都適合寫到科學(xué)新聞中面向大眾傳播，因此需要結(jié)合編輯提供的先驗知識，采用計算機算法對語句進行篩選，保留適合進行大眾新聞傳播的語句。”萬小軍說。
自然語言處理技術(shù)不只能讓機器人寫稿
研發(fā)小柯用了半年時間，萬小軍表示，和一般寫稿機器人相比，一個好的跨語言科技新聞寫稿機器人需要進行兩次重要的信息轉(zhuǎn)換過程：一次是不同語言的轉(zhuǎn)換，將英文文本轉(zhuǎn)換為中文文本；另一次是語言風(fēng)格的轉(zhuǎn)換，將學(xué)術(shù)型文字表達(dá)轉(zhuǎn)換為大眾能夠接受的通俗文字表達(dá)。“這兩次轉(zhuǎn)換都具有較大的挑戰(zhàn)性，目前并沒有完全解決。后續(xù)還需要進一步積累數(shù)據(jù)，調(diào)整算法模型，才能取得更好的效果。”萬小軍說。
接下來，團隊還將繼續(xù)優(yōu)化小柯，讓它寫出的科學(xué)新聞內(nèi)容更豐富，表達(dá)更生動。
當(dāng)然，翻譯撰寫科技新聞稿件，只是自然語言處理等人工智能技術(shù)在學(xué)術(shù)交流中所能大顯身手的領(lǐng)域之一。
“基本上，只要人類交流和工作過程中涉及到語言和文字的地方，自然語言處理技術(shù)都有可能發(fā)揮作用。”萬小軍說，庫卡機器人何服電機維修，在科研論文寫作過程中，可以借助自然語言處理技術(shù)幫助推薦參考文獻(xiàn)，并自動生成related work等章節(jié)的文字；業(yè)界也有基于自然語言處理技術(shù)自動編撰圖書的嘗試。“我個人也接觸到很多很有意思也很有挑戰(zhàn)的應(yīng)用需求，但可惜的是不少需求都無法基于目前的自然語言處理技術(shù)進行實現(xiàn)。自然語言處理技術(shù)還需要進一步地發(fā)展和突破，我相信在未來將有更多的用武之地。”
中國知網(wǎng)常務(wù)副總經(jīng)理張宏偉長期關(guān)注自然語言處理，大數(shù)據(jù)和人工智能方面的應(yīng)用研究。他告訴科技日報記者，在數(shù)字出版和知識服務(wù)的全鏈條中，你都能看到人工智能和機器學(xué)習(xí)技術(shù)的身影。
人工智能可以對數(shù)字出版的選題策劃、協(xié)同撰稿、內(nèi)容編審進行賦能。大數(shù)據(jù)標(biāo)注機器人則能對海量文獻(xiàn)信息資源進行OCR文字識別，智能版面分析，知識元抽取，自動分類，自動標(biāo)引主題，自動生成摘要，自動翻譯，自動標(biāo)注引用和參考文獻(xiàn)。
人們熟悉的論文抄襲檢測，同樣需要智能技術(shù)。它不是簡單的語句重復(fù)檢測，而是要對文本內(nèi)容（包括圖片、公式、表格等）進行語義索引，“看你在思想上有沒有抄襲別人”。如果存在不同語言之間的互抄，還需要動用“機器翻譯”。張宏偉表示，初級的語義抄襲可以由機器揪出來，不過，如果足夠有“心機”，完全用自己的語言“洗”了別人的思想，對人工智能的技術(shù)要求一下就提高了許多。目前已有利用神經(jīng)網(wǎng)絡(luò)模型對文本內(nèi)容構(gòu)建高維度語義索引等新技術(shù)出現(xiàn)，不管是中文還是英文，一律映射到一個統(tǒng)一的語義空間，實現(xiàn)真正基于內(nèi)容理解的語義級全文比對檢索。
知識庫是智慧社會的基礎(chǔ)設(shè)施
至于在學(xué)術(shù)研究中必不可少的資料索引，看似簡單，也仍然具有技術(shù)含量。
張宏偉說，數(shù)字出版和數(shù)字圖書館的資源類型非常豐富，有大量文本、圖像和音視頻數(shù)據(jù)，且數(shù)據(jù)是非結(jié)構(gòu)化的，若想對其進行深度的挖掘利用，難度不小。
就拿常見的信息檢索來說，KUKA機器人示教器維修，首先得做到結(jié)果要全，相關(guān)度要高；再進階一步，能不能用自然語言交互的方式檢索；升級一下難度，用智能問答的方式查找信息，能否直接給出答案？“要讓檢索功能變得更貼心，計算機要‘學(xué)會’閱讀資料，總結(jié)、推理然后回答。它需要把海量的數(shù)據(jù)資源變成自己可以理解的知識庫。”張宏偉說。
深度學(xué)習(xí)等統(tǒng)計方法嚴(yán)重依賴于大樣本數(shù)據(jù)，然而，現(xiàn)實世界中，很多實際問題僅僅依靠統(tǒng)計方法是無法解決的，這就需要建立專門的計算機能理解的知識庫，實現(xiàn)真正的人工智能。但構(gòu)建知識庫，本身是一項極其艱難且耗時漫長的工作。畢竟，機器和人對知識的理解方式大相徑庭。