使用社交账号登陆

当前位置: 主页 > 前沿 > 信息 • 能源

AI已经能和人类辩论了

时间: 2021年03月22日 | 作者: Admin | 来源: ​机器之心
人类斗嘴还要看提词器,AI引经据典的能力却已经比你高出不止一个段位了。



image.png

图片来源:Werner Pfennig from Pexels


机器之心报道

编辑:魔王、陈萍


在人工智能打败专业国际象棋选手、围棋选手,并在多个电子游戏中大展身手之后,现在它冲着职业辩论选手来了!


辩论是指对某个议题或主张,以言语为主要方式,为分辨不同立场之优劣而进行的一种争论方式。辩论需要精湛的口才或强大的逻辑  思辩能力,且讲求反应。


辩论比赛不是人人都能上,很多人甚至连吵完架都后悔没发挥好,那么 AI 呢?它能在辩论中发挥出怎样的成绩呢?


2012 年,IBM 海法研究院开始研发能够与人类辩论的 AI 系统——Project Debater。2018 年 6 月,Project Debater 打败人类专业辩手,并在 2019 年 2 月第二次亮相时,对阵 2016 年世界辩论决赛选手、欧洲辩论赛冠军 Harish Natarajan。虽然在这次人机 battle 中,Project Debater 未能获得胜利,但它展示出了优秀的构建论据以及决策能力。


IBM 关于 Project Debater 的一项新研究登上了 Nature 封面,介绍了 Project Debater 的架构并进行了性能评估。



Project Debater 与人类的对战


辩论赛的一大难点是论据挖掘,在很长时间里这一能力都被认为超出 AI 能力范畴。但 AI 技术进展、日益成熟的工程技术和广泛的商业需求促使该领域快速发展。IBM 海法研究院 Noam Slonim 博士等人决定开启一项挑战:开发一个能够与人类进行现场辩论的完全自主系统。


这就是 Project Debater。


Project Debater 是一项巨大的工程成就,融合了多种基于文本收集和解释辩论相关材料的新方法。


研究人员为了评估 Project Debater 系统的总体性能,将其与各种基线进行比较,并跟踪其随时间的进展情况,由结果可得,Project Debate 的评估结果明显优于其他系统,并且非常接近人类专家的得分。


image.png

Project Debater 系统对比评估。


和几乎所有目标高远的 AI 研究一样,Project Debater 面临一个关键的瓶颈,即如何获取足够的数据,以便计算出一个有效的解决方案。Project Debater 用双管齐下的方法解决了这一问题:它将关注范围缩小到约 100 个辩题;从庞大的数据集中获取原材料。


在 2018 年和 2019 年的一系列活动中,「Project Debater」与多名才华横溢、备受瞩目的人类辩手进行了较量,观众对其辩论进行了非正式评估。


在 1v1 辩论中,该系统进行一个 4 分钟的演讲,人类对手对此作出回应。然后,「Project Debater」对对手的观点做出回应,发表第二个 4 分钟辩论,对手用 4 分钟的时间进行反驳。最后,双方都做了 2 分钟的最终陈述。


image.png

人机比赛的辩论流程


该系统最薄弱之处或许是它难以模仿人类辩手的连贯性和流畅度,这与论据选择、抽象和编排的最高层次有关。然而,这种限制并非「Project Debater」所独有。尽管对辩论已经进行了两千年的研究,但人们对论证结构仍然知之甚少。


构成优秀论证的模型是多样化的,而构成优秀辩论的模型仅仅相当于形式化的直觉。因此,当时 Project Debater 的性能评估仅仅是通过询问人类观众是否认为它「表现不错」来完成的。在几乎三分之二的辩题中,人类认为是这样的。


所有辩论技术系统面临的最终挑战是:将论据视为受一系列孤立考虑因素影响的局部话语片段,还是将其编入更大范围的社会规模辩论中。在很大程度上,这关乎于如何设计待解决的问题,而不是如何制定解决方案。通过在论据上设置先验界限,得到理论上的简化,从而提供计算优势。


此外,在现实世界中,论据并不存在明确的界限:发生在辩论室之外的话语不是离散的,而是与一个交叉引用、类比、举例和泛化的网络连接起来。关于 AI 如何处理这种论据网络的想法已经在理论上被提出,并用软件实现——DebateGraph。


但这些实现面临了棘手的理论挑战和社会技术问题。


「Project Debater」是辩论技术发展的关键一步,也是将论据作为局部现象来处理的关键一步。它的成功让我们看到了 AI 系统是如何轻松处理论据网络的。


image.png

Project Debater 输出的辩论内容类型分析。


Project Debater 解决了一项重大挑战,它也代表了 AI 在促进人类推理方面的进步,正如 Slonim 等人所说,「这远远超出了当前 AI 技术的舒适区。」



如何造就强大的 AI 辩手


Project Debater 包含四个主要组件:论据挖掘、论据知识库(AKB)、论点反驳和辩论构建。其中前两个模块是辩论语音的内容源。


论据挖掘组件负责找出与辩题相关的论据和反驳论据,它包含两个阶段。在离线阶段中,该组件处理包含 4 亿新闻文章的大型语料库,将这些文章拆分为句子并进行索引。在在线阶段中,该模块基于给出的辩题依靠索引在语料库中执行句子级的论据挖掘、相关论断和论据检索。


正所谓「知己知彼,百战不殆」,该模块还会搜索支持对方观点的论据,这些论据将在论点反驳模块中得到使用。


AKB 模块则包含论据、反驳论据和与一般辩论类别相关的其他文本。给出一道辩题,它就可以找出最相关的材料。


论点反驳模块基于前两个模块预测对手的反对主张,并生成潜在的回应。最后的辩论构建模块则选择其他模块提议的文本,并将其组合成流畅的表述。


image.png


此外,IBM 还提供了 Project Debater 12 种底层技术的云 API,以供学术使用。


地址:https://early-access-program.debater.res.ibm.com/academic_use.html


image.png


这些 API 包括处理 wikification、维基百科概念间的语义关联、短文本聚类和文本主题提取的自然语言理解能力。API 的核心部分服务于论据挖掘与分析,包括检测包含主张和论据的句子、检测句子中的主张界限、评估论据质量和立场分类(支持 / 反对)。


此外,Narrative Generation 和 Key Point Analysis API 还提供两项高级服务——创建不同类型的总结。Narrative Generation 为支持或反驳给定主题构建结构完备的语音。Key Point Analysis 是一种新型有前景的摘要方法,它可以基于给定主题将评论总结为一小组关键点,每个关键点的重要程度由评论中匹配句子的数量决定。


感兴趣的开发者可以申请试用。


参考链接:

https://www.nature.com/articles/d41586-021-00539-5

https://www.ibm.com/blogs/research/2021/03/project-debater-api/