想象一下，您正在訓練一臺具有扎實的詞匯量和有關詞性基礎知識的計算機。它如何理解這句話：“跑到商店的廚師沒飯了。”廚師的食物用完了嗎?商店了嗎?廚師經(jīng)營著沒有食物的商店嗎?

大多數(shù)說英語的人會立即想到正確的答案，但是即使是先進的人工智能系統(tǒng)也會感到困惑。畢竟，部分句子的字面意思是“商店沒有食物了”。

先進的新型機器學習模型已經(jīng)在這些問題上取得了巨大進展，主要是通過對人類為人工標記的語法，語法和其他語言原理進行人工標注的龐大數(shù)據(jù)集或“樹庫”進行訓練。

問題在于，樹庫昂貴且勞動密集型，并且計算機仍然面臨許多歧義。取決于句子的結構和上下文，相同的單詞集合可能具有截然不同的含義。

但是斯坦福大學的人工智能研究人員進行的一項新研究發(fā)現(xiàn)，先進的AI系統(tǒng)可以自己找出語言原理，而無需先練習人類為他們標記的句子。這與人類在成人教語法或語法之前早就學習語言的方式更加接近。

然而，更令人驚訝的是，研究人員發(fā)現(xiàn)AI模型似乎可以推斷出適用于許多不同語言的“通用”語法關系。

這對自然語言處理產(chǎn)生了重大影響，自然語言處理對于回答問題，翻譯語言，幫助客戶甚至審查簡歷的AI系統(tǒng)越來越重要。它還可以促進學習少數(shù)人說的語言的系統(tǒng)。

成功的關鍵?看來，機器通過玩數(shù)十億種讓人聯(lián)想到“瘋狂的庫巴”的空白游戲，可以學到很多關于語言的知識。為了更好地預測丟失的單詞，系統(tǒng)逐漸創(chuàng)建了自己的單詞之間如何關聯(lián)的模型。

“隨著這些模型變得越來越大，越來越靈活，事實證明它們實際上是自組織的，可以發(fā)現(xiàn)和學習人類語言的結構，” Thomas M. Siebel機器學習教授，語言學和計算機學教授Christopher Manning說。斯坦福大學的科學博士學位，以及斯坦福大學人類中心人工智能研究所(HAI)的副主任。“這類似于人類孩子的行為。”