【前沿观察】人工智能读一百万遍《射雕英雄传》能写出靖哥哥的故事吗？
【编者按】用深度学习理论去学习武侠小说、网络小说、唐诗宋词，乃至政府报告，人工智能将写出什么？本文一步步揭示了人工智能学习写作的过程。
2016年，最热的科技概念无疑就是“人工智能”。2016年3月，AlphaGo在韩国大胜李世石，人工智能写出的小说在日本入围大奖赛，“人工智能”一次次刷新人们对“机器”的认识。人们对于人工智能的态度从最初的怀疑，到后来的震惊，再到现在的叹服。我们不仅在议论“人工智能能干些什么”，更在心里嘀咕：我们的职业还能存在多久？
不过，在热议之外，人工智能到底是什么，大多数人如同盲人摸象，仅仅只有一知半解。至于其内部的工作原理，一般公众更是一无所知。由于巨大的技术障碍，舆论对于人工智能仅仅停留于“高深、前沿、无所不能”的印象，而无法对之进行深入解析。公众的怀疑、震惊、叹服等等心态，说到底都是无知的体现。
知己知彼，方能百战不殆。在打响自己的“职业保卫战”之前，让我们解剖一只麻雀，看看人工智能到底是如何思考的，它到底有什么能耐，又有什么缺陷。
我们选取的麻雀是写作。
语言是人类的关键特征，它不仅是人类区别于动物，也是人类区别于机器的独特能力。著名的“图灵测试”，鉴别机器是否具备人类智能，就是以语言为考察指标的。
NLP（Natural LanguageProcessing，自然语言处理）是一门研究如何让机器理解人类语言、写出人类文字的学科。这门学科有两种主要思路。
一种是“符号法”。由人工建立语言的模型，提炼出语言的语法、词法，标注每个单词的含义、词性，然后教会机器这套原理，并让它根据语法去写作文章。——这种方法你一定很熟悉：不就是背单词、学语法、然后写作文吗？对，这就是我们在学校里学英语的方法。
另一种思路是“统计法”。与传统的老师教学生不同，这种方法更注重“自学”：扔一大批文字给机器，让它自己去寻找语言的规律，自己去尝试写作。
这种方法其实我们更熟悉。每个孩子不都是这样学习母语的吗？没有哪个父母会告诉孩子什么是名词、什么是动词、什么是疑问句强调句，孩子只是天天听、天天说，自然而然就掌握了一门语言。
当然，“符号法”与“统计法”并不是完全对立的，大多数NLP算法都同时包含两种思路。只不过在计算机发展的初级阶段，无力提供“统计法”所需要的大量计算资源，一直都是“符号法”更占上风。直到近十年以来，随着计算能力的大幅提高，尤其是深度学习理论的崛起，“统计法”才得到越来越广泛的应用。
一般认为，深度学习是通往真正人工智能的重要一步，如今声名鹊起的AlphaGo，即是基于深度学习理论而设计的。它并不理解围棋中诸如“势”“厚薄”等种类繁多的术语，它只是学习了大量棋谱，从中总结出了围棋的规律，最终击败了李世石。AlphaGo取胜后，聂卫平一度苦思而不得其解，AlphaGo团队中没有一个围棋高手，为什么能打败世界冠军呢？其实，这就是聂卫平还停留在老师带学生的思路上。老师带学生，学生很难超过老师的高度，而AlphaGo是自学成才，不仅超越了顶尖的人类高手，还自创了许多精彩的招式。在人机大战后的春兰杯、围甲联赛中，人类棋手也开始应用AlphaGo所创造的定势，“AlphaGo流”迅速被围棋界所承认、吸收、并发扬光大。
在自然语言处理方面，也有一个著名的深度学习模型：卡帕西模型。
斯坦福大学的安德烈•卡帕西（AndrejKarpathy）是深度学习领域的知名人物。2015年5月，他设计了一个基于递归神经网络的NLP模型，并将代码公布在GitHub上。
这个模型非常精炼，只有几千行的代码量，任何一个具备基本编程功底的工程师，都可以看懂代码并且下载运行。但模型的功能却非常强大，它没有设定什么语法，也没有什么单词库，更没有指定只能处理英文、法文、或某一种特定语言。它唯一的要求，只是文字输入。你喂给它大量的文字段落，它就会用递归神经网络分析段落，寻找出字与字之间的关系。
所有文章说到底，不过是文字的排列组合，从数学角度而言，也就是一种文字的序列。如果计算机能够破解这个序列，掌握其规律，那么从理论上来说，它也能够生成这样的序列，写出一篇类似的作文。
理论非常简单，实战效果如何？现在，让我们假设有一个机器人，装备了卡帕西模型，他立志要成为一名中文小说家，他的表现会怎么样呢？
首先，要找一个学习范本。机器人找来的是中文世界最成功的流行小说：金庸的《射雕英雄传》。
机器人学习了一遍教材。《射雕英雄传》只有八十万字，学起来不费多少时间，一台普通的台式机，只要五六秒钟就可以学完。然后，机器人写出了如下文字：
呃，完全不知所云，是吧？
机器人所生成的文字，只是一些单字的随机组合。显然，他还没有找出任何文字的规律。此刻的机器人，如同一个初生婴儿，只会发出一些毫无意义的音调，完全不知语言为何物。
幸好，机器人有的是时间，他最擅长的就是重复性劳动。不过一分钟时间，他又学习了十遍，再次交出一篇作文：
还是看不懂。不过，比起上一篇也有进步，机器人写出的字不再是随机的，而是教材中出现频率较高的文字，如靖、黄、锋、全真等，都是书中主要人物的名号。可见那位婴儿正在注意聆听周围的语言，开始牙牙学语了。
机器人继续成长。十多分钟后，他已学习到一百遍：
这篇作文里的标点符号大幅增多。虽然其用法一塌糊涂，比如引号放在冒号之前，还常常会连用两个标点符号。但看来机器人已经意识到句子的存在，试图用句子来组织文字了。
当机器人学习到一千遍：
这篇作文简直是令人惊喜，就好像不知什么时候小孩子突然学会了说话，机器人对语言的领悟也突然有了一个飞跃。
最明显的变化是，他识别出了常用词汇，人物名字全部写对，连《九阴真经》也认识了。
更了不起的进步，则是机器人学会了句法，他会用标点符号了！每句话用逗号分隔，用句号结尾，双引号一一对应，而且全都位于冒号之后。
同样，他领会了“主谓宾”的句法结构，每句话都是以主语开头，后接人物动作。他也识别出了许多词汇的词性，并把它们放在正确的位置，形容词位于名词之前，副词位于动词之前。
总体而言，这篇文字还是看不懂，但是已经顺眼很多，开始像一片真正的人类文字了。可以说，现在机器人的语言水平相当于一岁多的孩子，能够磕磕碰碰说几句话了。
这充分显示了机器学习的威力。在没有预设任何语法库、词汇库的情况下，机器人愣是通过反复学习，掌握了人类语言的规律！
再接再厉，机器人学习到一万遍：
很遗憾，一万遍的学习并没有带来明显进步，这次写出来的作文跟上一篇区别不大，仍然不太通顺，也仍然是词法、语法基本正确，而句子的含义还是让人无法理解。
机器人不知道什么叫挫折和放弃，他继续埋头苦干，又学习到十万遍。但这一次，他的文字依旧没有起色。新的一份作业，通顺程度还是跟一万遍的一样。
坚持一天一夜，当机器人学习到上百万遍，又交出若干份类似的作业，我们不得不失望地发现，机器人的金庸之路到此为止，他的《射雕英雄传》没法写得更好了。
不过，世界很大，中文作家除了金庸，还有很多。机器人又踏上古龙之路，学习了数万遍《古龙全集》之后，他拿出一份习作：
新的学习结果很有趣。熟悉武侠小说的朋友都知道，同为武侠大师，金庸、古龙的风格却是迥然不同。实际上，他们二人只不过恰好都写了武侠题材而已，从文学理论来看，金庸是一个古典作家，而古龙是一个现代作家。
而机器人的模仿之作，也明显能看出两位老师的风格差异：
古龙的段落更短，一般一段就一句话，而金庸的一个自然段通常包含许多动作和对话。
古龙有更多心理描写，他的语言更现代，而金庸就显得古汁古味。
古龙喜欢装逼，人物语言总是酷毙，恨不得不用动手，一开口就把人噎死。
作为人类，我们可以评论，机器人的作文还不是很通顺。然而神奇的是，他一不懂词汇，二不懂语法，更不了解句子含义，不认识金庸古龙是谁，但他却照样表现出了人类作家的细微差异。他所写出的作文，同样具备段落短、语言酷、深入人物心理这些典型的古龙式文风。
这就是机器学习的威力所在，他不再需要人类专家去煞费苦心地提炼模型，他自己就能从材料中总结出模型。这是人类认识世界的一个重大进步。以往，科学发展的典型流程是，开普勒这样的科学家观测、实验、收集数据，牛顿这样的科学大师研究、发明科学体系。而今后，我们或许不需要、至少是不那么依赖牛顿级别的天才，只要有一批开普勒提供数据，计算机就能帮我们完成最后的临门一脚，挖掘出人类想象不到的科学规律。
再审视一遍作文，我们还可以看出，同样是模仿之作，“吉龙”也比“全庸”写得更加通顺一些。结合机器学习的特点，我们不难找到原因。首先，机器人学习的两份材料样本，一个是《射雕英雄传》，八十万字，另一个是《古龙全集》，高达一千七百万字，是前者的二十倍。这方面机器和人是一样的，都是学得越多，写得越好。
另一方面，古龙的语言也比金庸简单，他的句子短，段落短，语法结构也较为简单。《射雕英雄传》篇幅不长，却用到三千多个单字，而厚厚的《古龙全集》，才用到两千多个。可以说，金庸小说的复杂性较高，更有利于人类审美，而古龙小说的规律性较强，更有利于机器人学习。
为了验证这个设想，机器人第三次踏上学习之路。这一次，他学习的是规律性要求最高的中文作品：《全唐诗》。
果然，机器人写出了一手漂亮的唐诗。以第一首诗为例，遣字造句像模像样，“花开”对“风吹”，人类诗人也不过如此。格律按古声为：平仄平平仄，平平仄仄平，平平仄仄仄，仄仄仄平平，算是相当工整。唯一的缺憾，就是还没有押韵。
从意境而言，这首诗生动形象，浅白明晰，自然流露出的那份性情，也颇有几分唐诗的风流味道。
其他几首诗，或是五言，或是七言，格式也都整整齐齐。虽然不全通顺，但奇妙的是，却大都能够读出一种独特的诗味。
这大概要归功于诗歌的艺术特色：重视语言的独创性、多义性。越是不符合惯例的诗歌，越是具有独创性，越是具备想象的空间。
前面我们已经总结出，机器学习的长处，在于从大量数据中寻找特征，总结模型。短处则是他并没有真正理解数据，他只是按照自己找出来的规律，似是而非地写作。这里，写作唐诗宋词，正好可以扬长避短。古诗词有明确的规律，只要读得够多，机器人可以准确地提炼出平仄、韵脚等规则。另一方面，古诗词强调意境，强调联想，看似不合道理的汉字组合，被机器人放到一起，反而别具一番风味。如今网上有许多写诗软件，或许就是这么来的。
经过三次考试，机器人的写作水平大致暴露在我们眼前。看起来，除了唐诗宋词，他似乎写不出什么像样的东西。那么，只要你是写现代文的，是不是就可以松一口气呢？
不一定。
也许，写作正经文章，机器人还差一口气。但是，不那么正经的文章，机器人还是有用武之地的。
首先是网络小说。以最著名的网络小说之一《斗破苍穹》为例：
这篇作文读起来仍然不太流畅，但相对金庸古龙的模仿之作而言，却算得上大体通顺，至少，大部分句子都读得懂了。似乎机器人一旦学习网络小说，就突然悟性大增了。
为什么呢？难道网络小说就特别适合机器写作吗？
答案是YES。从语言文字而言，古龙比金庸单薄，而网络小说又比古龙大大地单薄。前面提到，《古龙全集》用到两千多个单字，这已经比《射雕英雄传》少了许多，而《斗破苍穹》用到的单字，只有可怜的一千多个。
简单的对比就知道，古龙写作二十多年，也才写到一千七百万字，而《斗破苍穹》只花了两年，就写到六百万字，其中灌水的程度也就可想而知了。
简单、稀薄的文字，或许会被真正的作家所鄙视，但这却是机器人最喜欢的。越是单调重复，他越是能找出规律，模仿出类似的作品。也许，用不了多久，网络写手就会发现他们多出一个高产、全能、永不疲倦的竞争对手。
还有一种体裁，也具备唐诗宋词一样严格的格式要求，其内容又包含大量单调、重复的段落，可预测性极强。这种体裁，自然也是机器学习的绝佳对象。
对，这篇流畅的作文，就是机器人学习了《历年政府工作报告（1954-2011）》后的结果。
不过，这个我们就不评论了。
好了，现在我们大致知道，当机器人谈论写作时，他们在谈些什么。就卡帕西模型而言，他有一个天花板。他能够描绘出一种外表类似的文字风格，但却无法写出真正让人理解、让人心动的文章。
只要你不写唐诗宋词、不写网络小说、不写色情小说、不写八股文，暂时可以放心了。目前机器人的语言能力，也就跟一两岁孩子相当。
但这并不意味着，人工智能永远追不上正常人类的智力。如前所述，卡帕西模型非常简单，只有几千行代码，也没有语义库、词汇库的定义，是一个纯粹的“统计法”模型。它主要是用来展示递归神经网络的工作原理，教学意义更甚于实用意义。实际应用中的商业化语言机器人，远远比它复杂和强大得多。
另一方面，也许你已经注意到，卡帕西模型的语言能力之所以上不去，是因为跟真正的孩子学说话相比，他还缺乏最重要的一环——外部反馈。
孩子学说话不仅仅是听，更重要的是说。语言学家指出，婴儿需要在母亲怀里亲密互动，需要与父母一起玩耍游戏。孩子每一句有意无意的依依唔唔，都能得到父母的回应与反馈，这种情境对于学习语言是最有利的。让孩子每天看电视，虽然他也听到了大量的对话，但由于缺乏双向沟通，孩子仍然无法习得正常的人类语言。
2015年3月，微软推出对话机器人Tay。她能够学习、模仿用户的言论，采取用户喜欢的语言风格进行对话。Tay立即引起了用户的兴趣，大量用户蜂拥而上，用各种出位言论训练她，试图诱导机器人突破下限。结果，在无数粗俗对话的刺激下，只花了一天功夫，Tay就变成了一个满口脏话、辱骂用户、鼓吹纳粹的不良少女。
微软不得不将Tay紧急关闭，至今她还没有归来的迹象。但从另一方面来看，这也说明了对话在语言学习中的威力。如果机器人能够与人类频繁互动，从人类的反馈中得知什么样的句子是好的，什么样的表达方式是对的，什么样的文字是美的，那么，他离真正掌握人类语言就不远了。
这样的工作，谷歌、脸书等科技巨头已在开展。他们不仅有最先进的人工智能技术，还拥有世界上规模最大的用户，能够为机器人找到足够多的人类老师，进行足够多的训练。也许，谷歌和脸书的许多服务，已经是机器人在提供，只是用户并不知晓而已。我们在不知不觉之中，已经在充当训练机器人的人肉材料。
变革正在发生，未来无从知晓。对于文字工作者而言，人工智能仍然是一把悬在头顶的利剑。
前沿君微信：tech9999
投稿邮箱：13355524@qq.com