文本/陈根

语言作为人与生俱来的能力，可以帮助人们传递很多重要的信息。正是因为人类独特的语言能力，人类才显得特别。这也是人工智能还在努力突破的技术枷锁。

原因是世界上有成千上万种不同的语言和方言，既有相似之处，也有不同之处。另外，每个单词和句子都会给人一种语义，这种语义会给每个人不同的反馈。语言的复杂性给机器学习带来了挑战。

比如，对于相同的语义，不同的语言和方言对应的反馈可能是不一样的，甚至对于成长在不同环境中的同一个语言群体，不同年龄、不同情绪状态的同一个人。

最近，斯坦福大学人工智能实验室(SAIL)发表了一篇博客，介绍其两篇ACL 2020论文。这两项研究基于近年来BERT等神经语言模型的突破性成果，指出了一个新的潜在方向：利用语言解释辅助学习NLP甚至计算机视觉任务。

简单来说，它是针对自然语言处理(NLP)和计算机视觉领域的许多困难任务。他们首先用语言解释这些任务，然后用深度神经网络模型学习这些语言解释，然后帮助解决这些任务。

事实上，BERT和其他现代深层神经语言模型已经显示出解决许多语言理解任务的潜力。因此，SAIL在这两篇论文中提出用神经语言模型来缓解这些基本问题。这些神经语言学模型要么旨在确定相关领域的语言解释，要么使用能够解释语言解释的一般“知识”进行预培训。

第一篇论文研究如何利用语言解释来构建文本分类器，即利用自然语言解释来帮助解决单一任务。在此基础上，研究者提出了ExpBERT模型，该模型使用为文本隐含任务训练的BERT模型。BERT在这个过程中输出的特征可以替代语义解析器提供的指示性特征。

在第二篇论文中，作者提出了一种被称为语言成形学习/LSL的方法，即在训练中使用语言解释可以促进模型学习，不仅可以对有用表征进行分类，还可以对语言解释进行预测。

语言的精致体现了人类的精致。人工智能要克服语言的技术束缚还有很长的路要走，但是研究已经在路上了。在人工智能获得语言能力之前，社会会精心设计其技术，这是科技时代不可避免的问题。