人工智能里装了4亿篇新闻

      2018年，IBM研究院则在美国旧金山的Watson West，首次展示了人类与智能机器之间的公开现场辩论赛。双方辩手分别是IBM耗时逾六年研发的，首个能与人类进行复杂辩论的AI系统Project Debater（以下简称Debater），以及以色列国际辩论协会主席 Dan Zafrir.

     该研究强调了在技术发展过程中，在辩论中识别、产生和反驳论点的过程中，将不同组成部分结合起来的强大工程的重要性，每个组成部分处理一个特定的任务。

     大概10年前，对人类话语进行分析，以确定引用证据来支持结论的方式——这个过程现在被称为「论点分析」，这明显超出了最先进的人工智能的能力范围。

     从那时起，人工智能技术的进步和论证技术工程的日益成熟，再加上激烈的商业需求，该领域迅速扩张。全世界有超过50个实验室在研究这个问题，包括所有大型软件公司的团队。

     这一领域研究激增的原因是人工智能系统的直接应用能够识别大量文本中语言使用的统计规律，这种应用在人工智能的许多应用中起到了变革性的作用，但在论点挖掘方面还没有达到这样的进展。

     因为论点结构太多样化、太复杂、太微妙、太隐晦，不像句子结构那样容易被识别。

     因此，Slonim等人决定发起一项重大挑战: 开发一个「完全」可以与人类进行现场辩论的自主系统。Project Debater代表了这项工作的顶峰。

   Project Debater关键技术点

     立场分类和情绪分析自动辩论系统必须能够确定论点能否支持或反驳给定的主题。

     这对人类来说十分简单，但对机器而言则相当困难，因为它需要能够敏锐地辨别自然语言丰富的微妙之处和细微差异。

     深度神经网络 (DNN)和弱监督DNN具备提高自动语言理解能力的巨大潜力，但是众所周知，训练DNN需要大量人工标记的高质量数据。

     该团队开发了多种工具和方法，以弱监督式训练DNN，来缓解这个瓶颈问题。

     他们还利用DNN开发Project Debater的听说技能 。

     文本转语音(TTS)系统与个人助手或导航器不同，辩论系统需要能够持续数分钟对事先未知的主题作出雄辩，同时与受众保持互动。

      科研团队开发了新的TTS算法和方法，用于为Project Debater提供清晰流利、有说服力的语言表达能力。

     Project Debater难以达到人类辩手的连贯性和流畅性

     在论证技术的发展以及将论证作为局部现象来处理的过程中，Project Debater是一个关键的步骤。

      它的成功提供了一个新视角，我们可以了解人工智能系统是如何利用人类能够轻易提出来的论点组成的网络来进行工作的。

      几乎所有的人工智能研究都把目标定得很高，但瓶颈在于是否能够获取足够的数据，计算出有效的解决方案来应对既定挑战。

     Project Debater采用双管齐下的办法克服这一障碍: 它将重点缩小到100多个辩论专题; 从巨量的数据集中收集原始材料，。

     在2018年和2019年的一系列比赛中，Project Debater挑战了多个才华横溢、备受瞩目的人类辩手，比如曾在2016年获得以色列国家辩论冠军以色列大四女生Noa Ovadia ，观众对其表现进行了非正式的评估。