人工智慧與自然語言處理想要說什麼？標準重要嗎？

研究人工智慧數十年了，看了近千本語言學以及人工智慧技術的書籍，寫了百萬字的筆記，清理過數百萬的詞彙、句子資料庫，發明了自己的預測輸入法（手機）與中文校對軟體、分詞系統、標註系統。接觸過很多理論與技術，發現很多問題。最近感覺年紀也差不多了，這麼多的筆記、資料，沒有整理，人走了就是廢物了，也感覺是虛耗了以前的生命。所以開了這個專題，把相關的筆記、感想、發現整理一下。不一定都是什麼高深的玩意，而可能有很多很基礎的東西，這些東西可能被人忽視甚至輕視，或者以為沒什麼影響卻其實影響整體效能非常深遠，甚至達到無法解決的地步。

如果就中文自然語言處理這一塊來說，很多問題（有些極簡單）大家瞎忙了半個世紀，嘗試過無數辦法，卻依然沒有解決。要說搞什麼大工程，中國過去數十年搞了一大堆大工程，譬如詞彙信息庫、標註庫等等都已經做過，而且規模很大；至今還在維護與新增的也還有（北大）。但即使如此，結合當代的機器學習技術，很多問題雖然被發現了（有些數十年前就發現了），但始終沒法解決。確實，這結果有點讓人不可思議。怎麼可能一大堆高級菁英掌握了龐大的資源（包含資金、人才、機器、理論、時間）卻還是解決不了一個類似「The box was in the pen」的翻譯問題，或者甚至中文分詞的精確度始終無法達標（那些號稱95%以上的分詞系統，在實際運用中大概都只有70%左右的準確度。這些都會在以後的介紹清單之中。)。但事實就是如此。

華人百科關於「中文分詞」有這樣一段話：「統計結果表明，單純使用正向最大匹配的錯誤率為1/169，單純使用逆向最大匹配的錯誤率為1/245。但這種精度還遠遠不能滿足實際的需要。實際使用的分詞系統，都是把機械分詞作為一種初分手段，還需通過利用各種其它的語言信息來進一步提高切分的準確率。」但事實上關於什麼是正確與錯誤這件事本身就存在嚴重的分歧。這大概分為兩種情況：

一是用來比對的句子本身就是錯的，包含缺字、多字、錯字（元素類），甚至整個句子都錯的情況（語法、語義等類）。但一般人（尤其幾年來）都會誤以為只要數據庫夠大，可以不用理會這些錯誤。直到這一年多來，現實才漸漸讓原本如此主張的人沉默了。

二是怎麼分才算對的問題。而這其實佔據的比例遠比第一項大得多，影響也大得多。譬如：「構成太陽能板的太陽能電池可由不同光伏材料製成」，可以分成：

１．構成-太陽能板-的-太陽能電池-可-由-不-同-光伏材料-製成

２．構成-太陽能板-的-太陽能-電池-可由-不同-光伏-材料-製成

哪一種才算對？這時候的對與錯已經不是句子元素本身的問題而是「標準」的問題。但很不幸的，關於什麼是「詞」的標準至今無法得出一個大家都能遵循的標準！怎麼分詞，自然也就更無標準可言。即使你拿著一套標準，給標註、分詞人員遵循，甚至給了一套工具輔助他們的工作，很快的，你也很容易發現效果仍然不理想。遑論沒有工具與標準的時候！（甚至意識不到標準的重要的時候）你只是拿到了這些人覺得對的分詞結果。而事實上在語言學界，甚至有為了某些詞的詞性爭論不休的情況，一個詞應該是副詞、形容詞尚且無法認定，試問詞性標註的標準又何在？（以後會談）

而關於上面這一個句子的分詞標準不一的問題，其實普遍存在於開源的分詞資料庫之中。那麼可以想像，當你以第一種為標準去比對分詞後的句子，那麼第二種就是錯誤的，但事實上，要說它錯，恐怕很多人不會同意（每個人都有自己的主觀標準）。假設你用來訓練的分詞庫、標註庫充斥著一大堆標準不一的分詞結果（通常人是無法直觀知道分詞標準不一的，因為在人的理解上，它並沒有錯。），那麼會導致什麼結果，不言可喻！譬如你發現了問題，去調東調西，把針對測試集的分數提上去了，但事實上面對真實語料的能力反而下降了，主管喜歡看哪一種結果？哪一種結果更好交差？那麼這樣標準不一的比例有多少？有些資料庫可能有50%的句子觸及到不同標準的分詞方式。50%，人眼看不出標準的問題（除非有意識、記憶力強、有相關輔助工具），便很容易不知道問題出在哪了！於是去調一大堆參數，以為就能解決問題。其實解決了這個問題，卻造成了其他問題，只是可能客戶端還沒試出來罷了！

單單把「錯誤＋標準」的問題結合起來，就能讓一大堆的運用大打折扣了！而尤其標準的問題影響更深遠，因為「錯誤」很容易發現與剃除（至少相對來說），而「標準」卻不容易發現與標準化。

所以看到這裡大概你也能懂，為什麼Bert能在問答系統、翻譯系統表現得比其他需要借助分詞的系統取得更好的成果！為什麼？因為它是字級別的（不分詞），不用觸碰到分詞的「標準」問題。所以寫到這裡，Bert為什麼能在多個系統中達到輾壓其他借助分詞的系統的成果，以及「標準」問題有多大的影響力，大家應該已經有了深刻的理解了！可惜的是並非所有中文自然語言處理都不需要用到分詞，中文分詞仍有其存在的必要性！因此「標準」問題無法迴避！