很長時間當中，人工智慧與計算機科學、語言學之間有一個交叉學科始終被市場熱切關注，那就是NLP（natural language processing），即自然語言處理。
這項技術的基本內涵，是指人類與計算機之間用自然語言進行有效通信的各種理論和方法。說白了就是如何讓機器聽懂人類說什麼，以及如何讓機器說人類能聽懂的話。這兩個方面也被稱為NLP的兩個核心關鍵領域：自然語言理解和自然語言生成。
回想一下，我們可能會發現NLP對於推動人工智慧產業發展有著舉足輕重的作用。因為它可以直接作用於機器翻譯、語音輸入等領域。相比於人工智慧和機器人領域那些「只聞其聲不見其人」的算法和神經網絡，翻譯和語言輸入法可是貨真價實的商業應用。
所以作為這些應用領域的主角，NLP一直在人工智慧產業化中扮演著重要角色。但有很多人認為，NLP在整個AI體系中是相對孤立的，應用範圍也相對狹窄。
但隨著學界一種新的跨界思維開始流行起來，這種情況仿佛有了改觀：將流行的深度學習技術（deep learning）與NLP相結合，打造出更深度自然語言處理（DeepNLP）成為了火爆的AI概念。
而真正令人在意的是，這個概念背後指向的應用性近乎於是無限廣泛的，甚至有人認為人類將史無前例地打開語言這個魔鬼迷宮，將人類的某些能力拉升到新的維度。
究竟有沒有這麼神當然不好說，但DeepNLP的潛在價值絕對不凡。
為了讓大家更好理解DeepNLP的涵義與應用性，我們嘗試儘可能拋棄掉所有函數和語言學公式，並且用一種比喻來理解這項技術的真實情況：挖礦。
假設DeepNLP是一座深埋在地下的富礦，那麼想要得到它首先要翻越大塊鹽鹼。而礦藏的最深處，可能就是魔鬼的居所。
從NLP到DeepNLP：人工智慧不僅可以翻譯、速記、問答
先來解釋一下NLP與DeepNLP的不同之處。
自從上世界八十年代NLP概念被提出以來，經過了長時間的演進和迭代。其技術本身的變化非常顯著。但其基本運作模式卻是相同的。一般來說，NLP體系的工作對象都是人類語言。一段語言樣本進入NLP系統之後，將經過系統的符號化處理，將人類語言改寫成運算語言；然後通過運算能力進行模塊化生成，根據不同目標進行語言處理；最終，生成的模塊輸出為結果，整個語言處理任務就完成了。
這樣的語言處理體系，按照目的來區分一般有三種應用：一是語音文本轉化為文字文本，也就是我們今天常用的語音輸入；其二是不同語言之間的轉化，也就是機器翻譯；第三種是語言文本理解後給出相應回饋，也就是siri這樣的聊天機器人。
NLP的作用，基本就是在這三種應用當中讓語言處理更加自然、合理。而隨著深度學習技術的不斷發展，NLP似乎可以迎來一場全面的革命。
NLP長久以來存在的問題，就是人類的不同語言體系確實太複雜了，經典計算網絡根本無法完全處理。尤其語義、語言情感、語言氛圍以及歧義、多義等內容，更是難以被機器理解。
而目前火爆的深度學習技術，則可以用非監督式或半監督式的特徵學習，來自主提取高效算法替代傳統算法。換言之，深度學習中的某些技術或許可以讓NLP自主理解人類語言中的具體特徵和複雜語言材料。這就給NLP的革命打開了一線遐想。
事實也確實如此，隨著卷積神經網絡、遞歸神經網絡、遷移學習等技術的成熟，NLP可以主動理解的算法越來越多。比如對關鍵詞的歸納、對句子上下文關係的理解，以及通過訓練結果去自主理解其他語料和語言情況。
總之，深度學習技術加上NLP，把人工智慧理解人類語言推向了理論上的新高度。甚至有學者提出了DeepNLP這個新概念。加入深度學習的NLP體系，可以在表達適配度，可訓練性，泛化性，模塊化、可遷移性等領域上較比原有NLP具有強烈的優勢。
而所謂DeepNLP的美夢成真，是從一些新工具投入使用開始的。
發現新礦層：詞向量等思維模塊帶來的衝擊
這一部分細說起來可能會有些枯燥生澀，但事實上這部分對於理解DeepNLP帶來的商業可能是至關重要的。所以我們還是要簡單聊一下。
話說自然語言處理的邏輯，是將人類語言轉化為運算語言。但在傳統計算模式下的語言轉化，是將不同詞彙轉化為相互間完全沒有聯繫的符號編碼。
這種方式對於機器運算本身沒什麼問題。但對於讓機器語言更好地貼近理解人類語言就會有很多障礙。比如帶來的運算量非常複雜，一旦需要對語義、句法、語言回指這樣的複雜問題進行計算，就會難以為繼。
另一方面，這種轉化模式之後，詞、句、語法間是完全沒有聯繫的。這也就難以讓機器學習人類語言間的聯繫，產生自主理解的學習訓練效果。
而有一些新技術的出現，正在改變這種現狀。比如一種叫做「詞向量」的思維模塊，這種技術把人類語言轉化為機器語言時，對每一個詞進行了有聯繫的界定。即將詞彙處理成向量，並且向量間的相對相似度和語義相似度是相關的。
比如說人，會關聯著男人、女人、老人、成年人等詞。這些詞相互有聯繫，並且可以被機器理解。這也就將人類語言體系重新展現在了機器面前，給了機器學習全新的理解方式。
詞向量只是DeepNLP技術中的一種解決方式，並且各種詞向量也在不斷進化當中。這些讓機器重新理解人類語言的技術，可以被視作全新的探測器。有了這些工具，語言應用的富礦就暴露在了人類面前。
潘神的迷宮：DeepNLP的技術鹽鹼地
當然了，就像深度學習在眾多領域的應用一樣。DeepNLP達成應用也絕非朝夕之功，在開始近乎癲狂的應用想像之前，我們還是要潑一盆冷水。
雖然幫助機器深度理解人類語言的工具和技術越來越多，但語言這個神奇的王國依然保留著大塊處女地。目前的精神網絡和深度學習算法，還有大量的語料和語言問題無法處理。這就像我們知道某處深山中有大量金礦，但勘探隊與其之間依舊隔著大片的鹽鹼地和堅硬巖石。
比如說語言歧義性問題，就是目前的詞向量、詞嵌入技術的「噩夢」。一個詞可以有很多種意思，是人類不同語言的「通病」。而人類理解這些多義詞基本依靠對語境和言語情感的理解。但機器學習對人類語言進行重新編碼的時候，卻無可避免地將同義詞進行錯誤編碼。甚至從而產生對整體語義的歧義理解。
再比如不同語種的問題。字母文字和表意文字之間的邏輯、結構和語境是完全不同的，甚至近似語言之間的語法結構也可以截然不同。深度學習體系追隨的是語法內部的邏輯體系，而追尋語言本身的通路，在跨語種時可能出現巨大的障礙。
還有一個問題，是DeepNLP究竟如何訓練。語言的複雜性，讓複雜處理後的語言結果很難被判定。一種判定結果也很難成為其他語言處理結果的指標。因此訓練樣本的缺少適配性，讓弱監督與無監督的NLP非常困難。
當然了，問題該有是有，但並不妨礙我們看到DeepNLP的宏大價值。語言這令人著迷的東西，如果真正為人工智慧所掌握，帶來的效果近乎沒有盡頭。
越過山巖之後的富礦：DeepNLP的應用甜夢
DeepNLP的應用價值可以非常複雜，如果算上與其他智能體系結合的應用場景，那近乎是個無窮數。但這裡可以基本推測幾個DeepNLP應用場景，相信大家就會明白為什麼將之稱為「富礦」。
一、複雜語言目的提煉與反向生成：通過循環神經網絡與卷積神經網絡，NLP提取複雜語言材料的核心概念將成為可能。這個能力的作用非常多，比如全面接管客戶服務。而複雜語言提煉還可以重新定義模糊搜索和電商搜索。人只需要描述自己對信息或者商品的需求，NLP就可以自主提煉並進行精準定位。
而這個能力的反向生成也十分重要，深度學習體系可以幫助NLP根據人類需求自主生成文字語言材料，就預示著根據某個需求進行文本與語音創作成為可能。通過人類語言訓練反向影響AI寫作，也是一個十分有意思的破局思路。
二、基於語言的邏輯推理與情感判斷：通過對人類語言環境中的複雜關係進行遷移學習，可以達成另外一些有意思的應用可能。比如讓機器學習到人類語言中的邏輯和情感。先不提是否賦予機器這些東西，至少這將有機會讓機器從人類的語言中預測結果，達成機器推理甚至情感判斷。
從聽懂你說話的機器人，變成能夠預測你目的、讀懂你的情緒的機器人，顯然是一場巨大的商機。
三、文本關係的提取與分類：DeepNLP的另一個主攻方向，是對文本關係的理解。從語言環境、語位素到語言使用習慣和語言情感，人類的語言其實根植於無數文本關係之中。如果不能理解這些關係，那麼AI就永遠是只能進行簡單交互的機器。
而通過深度學習技術進行自然語言處理，卻可能讓機器理解這些關係。於是複雜的文本翻譯將成為可能，整本書的瞬間翻譯似乎也不是難事。而方言、發聲問題下的人機語音交互可能達成。當然了，這都僅僅是這個技術達成所帶來應用的一小部分。
四、圖像的識別與描述：通過對語言材料的遷移學習，讓機器讀懂人類通過雙眼與自然界間的交互，也是一個充滿想像力的區域。而循環神經網絡等技術正在幫助NLP打開這種可能。通過反覆訓練AI閱讀人類對圖像的描述，機器將生成自主描述圖像、歸類解釋圖像的能力。
這讓AI擁有了可以自己看東西，並轉化為人類語言介質的能力。通過攝像頭，機器將可以隨時理解實物並進行分類匯總。這首先讓人類的公共安全警報、搜救、探測事業有了徹底改革，更深處或許將指向機器對自然萬物的自我解讀。
這些應用聽起來都非常魔幻，而這正是DeepNLP的可怕之處。一旦高強度自主學習的NLP與人類信息接入，那絕不是若干應用所能描述的技術變革。
礦石之外的石油：DeepNLP結合大數據
在開採DeepNLP這座礦山之外，我們顯然能夠發現這項技術與大數據體系結合的奇妙化反。這或許將在礦井之外再打開一座油田。
首先要知道，目前大數據資源中的很大一部分，都是以人類語言作為基本單位的。這些數據指向著多種多樣的目的和結果，但其藉助人類語言的特點卻是相同的。在這一點上，原本普通廉價的人類語言卻可以成為DeepNLP非常有效的訓練材料。
而反過來說，DeepNLP技術的成熟，也可以幫助人類重新理解和使用已有的大數據資源。比如用戶對某一產品的使用體會數據。原本的數據判別系統只能推測出滿意級別、改進點等幾個數據。因為它的邏輯是提取關鍵詞和打分。而這顯然就忽視了用戶的個體性。通過DeepNLP去處理客戶數據，或許可以判斷每一個用戶的受訪環境、受訪回答真實性，甚至根據語氣和描述推斷出用戶沒有提到的產品改進建議。
這裡有一個邏輯推演，那就是在足夠成熟的DeepNLP體系、足夠大的數據承載量以及足夠強大的運算能力（比如相對成熟的量子計算）支撐下，將有可能對人類的每一句話進行推演和預測，推斷人類生活中每一個細節的原因與結果。電影《少數派報告》中的預測犯罪機器人，或許就是以此為科學解釋。
語言迷宮，是人類長期以來自身都無法破解的牢籠。一個優秀的演講者、魅力十足的推銷員、套路詭譎的騙子，往往有無法解釋的能力達成目標。而依靠的沒有其他東西，就是語言。一旦這種能力為AI所獲得，釋放出的當然有數不勝數的機遇財富，但同時出籠的，或許還有一位名喚「語言」的恐怖魔鬼。
更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App