[[388468]]

 IBM最強AI辯手Project Debater代表了當前「計算辯論」研究的頂點。在充斥著海量信息和誤導文化的當下，我們期待實現(xiàn)完全自主辯論的AI系統(tǒng)能夠促進智能辯論的發(fā)展，幫助建立更合理的論點，做出更明智的決策。

對于辯論的研究可以追溯到古希臘，當時古希臘哲學家如蘇格拉底等人在市集上與人們討論政治，辯論真理，辯論內容包羅萬象。

蘇格拉底之死

當下的人工智能研究一大挑戰(zhàn)就是「如何讓機器理解自然語言辯論中的論點」。

人工智能專家Noam Slonim

近日，IBM研究院研究員、希伯來大學人工智能專家Noam Slonim和團隊公布了相關研究Project Debater的進展，該系統(tǒng)通過掃描儲存了4億篇新聞報道和維基百科頁面的檔案庫，自行組織開場白和反駁論點。

雖然最終仍然輸給了人類辯手，但此次AI辯手的表現(xiàn)提供了一種可能：未來人工智能可以幫助人類制定并理解復雜的論點。

自然語言處理 (NLP)算法 NLP是指計算機自動理解、解讀和處理人類語言（比如，話語和文本）。

NLP 是人機互動的關鍵要素， IBM Project Debater 團隊積極開展 NLP研究也在情理之中。

2018年，IBM研究院則在美國舊金山的Watson West，首次展示了人類與智能機器之間的公開現(xiàn)場辯論賽。雙方辯手分別是IBM耗時逾六年研發(fā)的，首個能與人類進行復雜辯論的AI系統(tǒng)Project Debater（以下簡稱Debater），以及以色列國際辯論協(xié)會主席 Dan Zafrir.

該研究強調了在技術發(fā)展過程中，在辯論中識別、產生和反駁論點的過程中，將不同組成部分結合起來的強大工程的重要性，每個組成部分處理一個特定的任務。

大概10年前，對人類話語進行分析，以確定引用證據(jù)來支持結論的方式——這個過程現(xiàn)在被稱為「論點分析」，這明顯超出了最先進的人工智能的能力范圍。

從那時起，人工智能技術的進步和論證技術工程的日益成熟，再加上激烈的商業(yè)需求，該領域迅速擴張。全世界有超過50個實驗室在研究這個問題，包括所有大型軟件公司的團隊。

這一領域研究激增的原因是人工智能系統(tǒng)的直接應用能夠識別大量文本中語言使用的統(tǒng)計規(guī)律，這種應用在人工智能的許多應用中起到了變革性的作用，但在論點挖掘方面還沒有達到這樣的進展。

因為論點結構太多樣化、太復雜、太微妙、太隱晦，不像句子結構那樣容易被識別。

因此，Slonim等人決定發(fā)起一項重大挑戰(zhàn): 開發(fā)一個「完全」可以與人類進行現(xiàn)場辯論的自主系統(tǒng)。Project Debater代表了這項工作的頂峰。

Project Debater關鍵技術點

立場分類和情緒分析自動辯論系統(tǒng)必須能夠確定論點能否支持或反駁給定的主題。

這對人類來說十分簡單，但對機器而言則相當困難，因為它需要能夠敏銳地辨別自然語言豐富的微妙之處和細微差異。

深度神經網(wǎng)絡 (DNN)和弱監(jiān)督DNN具備提高自動語言理解能力的巨大潛力，但是眾所周知，訓練DNN需要大量人工標記的高質量數(shù)據(jù)。

該團隊開發(fā)了多種工具和方法，以弱監(jiān)督式訓練DNN，來緩解這個瓶頸問題。

他們還利用DNN開發(fā)Project Debater的聽說技能 。

文本轉語音(TTS)系統(tǒng)與個人助手或導航器不同，辯論系統(tǒng)需要能夠持續(xù)數(shù)分鐘對事先未知的主題作出雄辯，同時與受眾保持互動。

科研團隊開發(fā)了新的TTS算法和方法，用于為Project Debater提供清晰流利、有說服力的語言表達能力。

Project Debater難以達到人類辯手的連貫性和流暢性

在論證技術的發(fā)展以及將論證作為局部現(xiàn)象來處理的過程中，Project Debater是一個關鍵的步驟。

它的成功提供了一個新視角，我們可以了解人工智能系統(tǒng)是如何利用人類能夠輕易提出來的論點組成的網(wǎng)絡來進行工作的。

幾乎所有的人工智能研究都把目標定得很高，但瓶頸在于是否能夠獲取足夠的數(shù)據(jù)，計算出有效的解決方案來應對既定挑戰(zhàn)。

Project Debater采用雙管齊下的辦法克服這一障礙: 它將重點縮小到100多個辯論專題; 從巨量的數(shù)據(jù)集中收集原始材料，。

在2018年和2019年的一系列比賽中，Project Debater挑戰(zhàn)了多個才華橫溢、備受矚目的人類辯手，比如曾在2016年獲得以色列國家辯論冠軍以色列大四女生Noa Ovadia ，觀眾對其表現(xiàn)進行了非正式的評估。

該系統(tǒng)以其辯論技術為后盾，并以經過處理的數(shù)據(jù)集為支撐，創(chuàng)建了一個4分鐘的演講，開啟了一場關于其全部技能中某個主題的辯論，一個人類對手會對此作出回應。

然后，它對對手的觀點做出反駁，發(fā)表第二次4分鐘的演講。對方用4分鐘反駁回答，辯論結束時，雙方參與者都做了2分鐘的閉幕陳述。

Project Debater最薄弱的一點是，它難以模仿人類辯手的連貫性和流暢性ーー這個問題與其處理能力的最高水平有關，在這個水平上，它可以選擇、抽象和編排論點。

然而，這種限制并不是Project Debater所獨有的。盡管進行了兩千年的研究，人們對「論證結構」仍然知之甚少。

根據(jù)論證研究的重點是否集中在語言使用、認識論、認知過程還是邏輯有效性，人們對于連貫論證和推理模型所提出的關鍵特征各不相同。

所有論證技術系統(tǒng)面臨的最后一個挑戰(zhàn)是，將論證視為受一系列孤立因素影響的本地論述碎片，還是將它們編入更大規(guī)模的社會范圍的辯論。在很大程度上，這是設計要解決的問題，而不是設計解決方案。

通過給論證設定先驗界限，理論上的簡化變得可行，從而提供了主要的計算優(yōu)勢。例如，識別「主要要求」就成為一個明確的任務，機器幾乎可以像人類一樣可靠地完成這項任務。問題在于人類根本不擅長這項任務，恰恰因為它是人工設計的。

在公開討論中，一段給定的論述可能是一個上下文中的主張，另一個上下文中的前提。

此外，在現(xiàn)實世界中，沒有明確的界限來劃定一個論點：發(fā)生在辯論室之外的話語并不是離散的，而是與交叉引用、類比、例證和概括的網(wǎng)絡相連接。

關于人工智能如何處理這種論證網(wǎng)的想法已經有相關理論在討論，并利用軟件來實現(xiàn)，例如，一個名為DebateGraph的系統(tǒng)是一個互聯(lián)網(wǎng)平臺，它提供了計算工具，用于可視化和分享復雜的、相互關聯(lián)的思想網(wǎng)絡。

然而，與這些實施相關的理論挑戰(zhàn)和社會技術問題是艱巨的：設計令人信服的方法來吸引大量受眾進入這種系統(tǒng)，與設計簡單明了的機制使他們能夠與這些復雜的辯論網(wǎng)絡互動一樣困難。

在論證技術的發(fā)展以及將論證作為局部現(xiàn)象來處理的過程中，Project Debater是一個關鍵的步驟。

它的成功提供了一個誘人的機會，讓我們了解人工智能系統(tǒng)是如何與人類能夠輕松自如解釋的論點網(wǎng)絡一起工作的。

現(xiàn)在假新聞充斥，公眾輿論兩極分化，松散的推理無處不在，這些都掩蓋了人類在創(chuàng)造、處理、導航和分享復雜論點方面的迫切需求，而在這方面，人工智能或許能夠提供支持。

因此，盡管Project Debater解決了一個重大的挑戰(zhàn)，代表了人工智能進步，可以促進人類的推理，而且，正如Slonim等人所說，Project Debater拓寬了當前人工智能技術的舒適區(qū)，未來將能夠參與更加復雜的人類活動。