清華大學(xué)孫茂松：自然語言處理一瞥，知往鑒今瞻未來

近日，清華大學(xué)人工智能研究院常務(wù)副院長孫茂松教授親手執(zhí)筆，對自然語言處理的貢獻(xiàn)、當(dāng)前境界與未來挑戰(zhàn)進(jìn)行了深入的探討。AI科技評論編輯組深有同感，認(rèn)為此文十分值得一讀，故分享之。

作者 | 孫茂松

來源 | 中國人工智能學(xué)會(huì)

人類語言（即自然語言）的重要性無論怎么講都不為過。社會(huì)生物學(xué)之父愛德華·威爾遜曾說過：“語言是繼真核細(xì)胞之后最偉大的進(jìn)化成就?！笨破諘充N書《信息簡史》的作者詹姆斯·格雷克也深刻地指出：“語言本身就是人類有史以來最大的技術(shù)發(fā)明?！边@些斷言帶有科學(xué)哲學(xué)的意味，反映了現(xiàn)代人類對語言本質(zhì)理解的不斷深化。

眾所周知，語言是人類所獨(dú)有的，是思維的載體，是人類交流思想、表達(dá)情感最自然、最深刻、最方便的工具。其中這幾個(gè)“最”字非同小可。語言之于人類就如同空氣之于生物，它時(shí)時(shí)刻刻、無聲無息地融通于我們生活的世界中；它是如此的自然以至于我們常常意識(shí)不到它的存在，但一旦沒有了它，人類將舉步維艱。很不幸，人類語言能力正是現(xiàn)代計(jì)算機(jī)系統(tǒng)所不具備的，呈現(xiàn)出整體性缺失。一個(gè)顯而易見的邏輯是，沒有語言能力的機(jī)器，不可能有真正的智能。

自然語言具有無窮語義組合性、高度歧義性和持續(xù)進(jìn)化性等，機(jī)器要實(shí)現(xiàn)完全意義上的自然語言理解，“難于上青天”。自然語言理解（一個(gè)退而求其次的提法——自然語言處理），因其兼具無與倫比的科學(xué)意義與學(xué)術(shù)挑戰(zhàn)度，吸引了一代代學(xué)者殫思竭慮、前赴后繼。

1

NLP對世界人工智能發(fā)展的三個(gè)里程碑式貢獻(xiàn)

“卻顧所來徑、蒼蒼橫翠微?！惫P者認(rèn)為，自然語言處理研究（包括文本處理和語音處理兩個(gè)相輔相成的方面）在世界人工智能發(fā)展史上有三個(gè)里程碑式的“開風(fēng)氣之先”貢獻(xiàn)。不揣孤陋寡聞，一孔之見，不一定對，拋磚引玉而已。

第一個(gè)里程碑式貢獻(xiàn)

現(xiàn)代意義的人工智能技術(shù)研究發(fā)端于自然語言處理。對機(jī)器智能的癡迷與摸索由來已久，1946年第一臺(tái)通用計(jì)算機(jī)ENIAC面世，無疑是一個(gè)歷史分水嶺。早在1947年，時(shí)任美國洛克菲勒基金會(huì)自然科學(xué)部主任的 Warren Weaver，在寫給控制論之父維納的一封信中就討論了利用數(shù)字計(jì)算機(jī)翻譯人類語言的可能性，1949年他發(fā)布了著名的《翻譯》備忘錄，正式提出機(jī)器翻譯任務(wù)并設(shè)計(jì)了科學(xué)合理的發(fā)展路徑（其內(nèi)容實(shí)際上涵蓋了理性主義和經(jīng)驗(yàn)主義兩大研究范式）。1951 年以色列哲學(xué)家、語言學(xué)家及數(shù)學(xué)家Yehoshua Bar-Hillel在麻省理工學(xué)院便開始了機(jī)器翻譯研究。1954年Georgetown大學(xué)與IBM合作的機(jī)器翻譯實(shí)驗(yàn)系統(tǒng)進(jìn)行了公開演示。機(jī)器翻譯是典型的認(rèn)知任務(wù)，顯然屬于人工智能領(lǐng)域。

第二個(gè)里程碑式貢獻(xiàn)

自然語言處理在人工智能領(lǐng)域乃至整個(gè)計(jì)算機(jī)科學(xué)與技術(shù)領(lǐng)域較早提出并系統(tǒng)性踐行了非結(jié)構(gòu)化“大數(shù)據(jù)”理念，整體上實(shí)現(xiàn)了理性主義研究范式向經(jīng)驗(yàn)主義研究范式的嬗變。下面舉兩個(gè)典型工作。

一是連續(xù)語音識(shí)別。自上個(gè)世紀(jì)70年代中期開始，著名學(xué)者Frederick Jelinek領(lǐng)導(dǎo)的IBM研發(fā)小組即提出了基于語料庫n-gram語言模型（實(shí)際上就是n階馬爾科夫模型）的大詞表連續(xù)語音識(shí)別方法，使語音識(shí)別的性能上了一個(gè)大臺(tái)階。這個(gè)思路對語音識(shí)別領(lǐng)域產(chǎn)生了20年左右的深遠(yuǎn)影響，甚至包括90年代推出的開創(chuàng)了機(jī)器翻譯新格局的IBM統(tǒng)計(jì)機(jī)器翻譯模型（該模型使機(jī)器翻譯研究回歸到1949年Warren Weaver建議的經(jīng)驗(yàn)主義研究范式下，充分展示了他的先見之明）。

二是詞性自動(dòng)標(biāo)注。1971年曾有學(xué)者精心設(shè)計(jì)過一個(gè)TAGGIT英語詞性標(biāo)注系統(tǒng)，使用了3300條人工編制的上下文敏感規(guī)則，在100萬詞次的布朗語料庫上獲得了77%的標(biāo)注正確率。1983-1987年間，英國蘭開斯特大學(xué)的一個(gè)研究小組另辟蹊徑，提出了不需要人工規(guī)則的數(shù)據(jù)驅(qū)動(dòng)新方法，利用已帶有詞性標(biāo)記的布朗語料庫，構(gòu)造了基于隱馬爾科夫模型的CLAWS英語詞性標(biāo)注系統(tǒng)，并對100萬詞次的LOB語料庫進(jìn)行詞性自動(dòng)標(biāo)注，正確率一舉躍升到96%。

第三個(gè)里程碑式貢獻(xiàn)

當(dāng)前這一波席卷全球的人工智能高潮肇始于自然語言處理。2009-2010年間著名學(xué)者Geoffrey Hinton與微軟鄧力博士合作，率先提出了基于深層神經(jīng)網(wǎng)絡(luò)的語音識(shí)別方法，使得語音識(shí)別的性能突破了近10年的瓶頸制約，更上一層樓，令學(xué)界初步體會(huì)到了深度學(xué)習(xí)的威力，信心頓增，一掃對深度學(xué)習(xí)框架半信半疑之狀態(tài)，其后各研究領(lǐng)域遂從者如云，爭先恐后如過江之鯽。2016年谷歌推出了深層神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯系統(tǒng)GNMT，徹底終結(jié)了IBM統(tǒng)計(jì)機(jī)器翻譯模型，翻開了新篇章。

2

基于深度學(xué)習(xí)的NLP：目前形成的基本態(tài)勢

自2010年以來，深度學(xué)習(xí)異軍突起，日新月異，強(qiáng)力推動(dòng)了人工智能的全面發(fā)展。10年發(fā)展的結(jié)果是：一方面，深度學(xué)習(xí)使人工智能技術(shù)從幾乎完全“不可用”走向了“可用”，取得了歷史性的非凡進(jìn)步；另一方面，雖然它使得人工智能系統(tǒng)在幾乎所有經(jīng)典任務(wù)上的性能表現(xiàn)均得以明顯提升，但受囿于深度學(xué)習(xí)方法所存在的深刻短板，在很多應(yīng)用場景尚達(dá)不到“能用、管用、好用”。自然語言處理領(lǐng)域基本上也是這樣，本文不贅述。

宏觀上看，人工智能領(lǐng)域的發(fā)展無例外地得益于兩大類型的方法利器：針對圖像的卷積神經(jīng)網(wǎng)絡(luò)（CNN），以及針對自然語言文本的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）。最初兩三年前者風(fēng)頭尤勁，近些年后者貢獻(xiàn)更為卓著。若干影響深度學(xué)習(xí)全局的主要思想，如注意力機(jī)制、自注意力機(jī)制、Transformer架構(gòu)，均出自后者。

基于深度學(xué)習(xí)的自然語言處理，在短短10年中即完成了模型框架上的三次華麗迭代，“從山陰道上行，山川自相映發(fā)，使人應(yīng)接不暇”，先后達(dá)至三重境界（實(shí)際上這也是深度學(xué)習(xí)的三重境界）。

第一重境界

針對每個(gè)不同的自然語言處理任務(wù)，獨(dú)立準(zhǔn)備一套人工標(biāo)注數(shù)據(jù)集，各自幾乎從零開始（常輔以word2vec 詞向量），訓(xùn)練一個(gè)該任務(wù)專屬的神經(jīng)網(wǎng)絡(luò)模型。其特點(diǎn)我稱之為“白手起家 + 各家自掃門前雪”。

第二重境界

首先基于大規(guī)模生語料庫，自學(xué)習(xí)、無監(jiān)督地訓(xùn)練一個(gè)大規(guī)模預(yù)訓(xùn)練語言模型（PLM），然后針對每個(gè)不同的自然語言處理任務(wù)（此時(shí)也稱作下游任務(wù)），獨(dú)立準(zhǔn)備一套人工標(biāo)注數(shù)據(jù)集，以PLM為共同支撐，訓(xùn)練一個(gè)該下游任務(wù)專屬的輕量級(jí)全連接前饋神經(jīng)網(wǎng)絡(luò)。在這個(gè)過程中，PLM的參數(shù)會(huì)做適應(yīng)性調(diào)整。其特點(diǎn)我稱之為“預(yù)訓(xùn)練大模型+大小聯(lián)調(diào)”。

第三重境界

首先基于極大規(guī)模生語料庫，自學(xué)習(xí)、無監(jiān)督地訓(xùn)練一個(gè)極大規(guī)模的PLM；然后針對每個(gè)不同的自然語言處理下游任務(wù)，以PLM為共同支撐，通過少次學(xué)習(xí)（few-shot learning）或提示學(xué)習(xí)（prompt learning）等手段來完成該任務(wù)。在這個(gè)過程中，PLM的參數(shù)不做調(diào)整（實(shí)際上由于模型規(guī)模太過龐大，下游任務(wù)也無力調(diào)整）。其特點(diǎn)我稱之為“預(yù)訓(xùn)練巨模型 + 一巨托眾小”。

這三重境界， 一重比一重來得深刻；一重比一重有更多的“ 形而上” 感 覺。在GLUE和SuperGLUE公開評測集上的性能表現(xiàn)，也是一重比一重要好（目前正處于第三重）。

近年來，在世界范圍內(nèi)人工智能界各路英豪圍繞預(yù)訓(xùn)練語言模型展開了巔峰對決，模型規(guī)模急劇膨脹（如 2020年6月OpenAI推出的GPT-3模型參數(shù)規(guī)模達(dá)1750億個(gè)，2021年10月微軟和英偉達(dá)聯(lián)合推出的MT-NLG 模型飆升到了5300億個(gè)參數(shù)），你爭我奪，你爭我趕，好不熱鬧。2021年8月，斯坦福大學(xué)專門舉辦了兩天的學(xué)術(shù)研討會(huì)，將第三重境界中的“預(yù)訓(xùn)練巨模型”命名為“基礎(chǔ)模型”（foundation model），并隨即發(fā)表了一篇數(shù)百頁的長文，全面闡述其觀點(diǎn)。文中繪制了一張示意圖（見圖1），揭示了“基礎(chǔ)模型”在智能信息處理的中樞作用（其作用疆域已擴(kuò)展至全數(shù)據(jù)類型和多模態(tài)）。

圖 1 “基礎(chǔ)模型”在智能信息處理的中樞作用

對“基礎(chǔ)模型”也有很多質(zhì)疑的聲音，如圖靈獎(jiǎng)得主Judea Pearl就在推特上發(fā)問：“‘基礎(chǔ)模型’使得我們可以繞開以數(shù)據(jù)為中心的方法的理論局限性的科學(xué)原理是什么呢？”(What is the scientific principle by which‘Foundation models’can circumvent the theoretical limitations of data-centric methods as we know them…?)

但無論如何，“基礎(chǔ)模型”作為智能信息處理公共基礎(chǔ)“軟”設(shè)施的重要地位似已可以基本成立。第一重境界好比各家在海拔幾乎為零的沙灘上蓋房子，只能自家打好自家的地基，一磚一瓦自己蓋起來，很是辛苦，效率也就比較低；第二重境界則是搭建了一個(gè)海拔二三十米的共同臺(tái)面，各家都在這個(gè)臺(tái)面上蓋房子，自己打地基的工作大體可以省掉，效率大為提升，但由于臺(tái)面還不夠高，基礎(chǔ)不一定處處可靠，所以各家蓋房子時(shí)還要照顧到臺(tái)面情況，適當(dāng)夯實(shí)、調(diào)整一下臺(tái)面；第三重境界把公共平臺(tái)建到了二三百米，地基很牢固，臺(tái)面高了，即使簡單搭個(gè)小涼亭，登高望遠(yuǎn)風(fēng)景也會(huì)不錯(cuò)，各家蓋房子需要操心的因素自然就更少了許多，效率得以進(jìn)一步提升。這是我對“基礎(chǔ)模型”定位的一種形象解釋。

我們不妨以參數(shù)規(guī)模達(dá)千億個(gè)的百度文心NLP大模型（https://wenxin.baidu.com/wenxin/ernie） 為例，初步體驗(yàn)一下大模型。首先簡單考察其“自由創(chuàng)作”功能。隨意輸入如下一段話，讓機(jī)器續(xù)寫：

沿著曲徑一路走去，未見

機(jī)器續(xù)寫的句子相當(dāng)精彩：

到一個(gè)人，只有幾株高大的銀杏樹和一些不知名的花朵在陽光下燦爛地開放，偶爾還能夠見到兩只小鳥。

還是那句輸入，讓機(jī)器再續(xù)寫一段：

任何人煙，卻有一個(gè)小山村靜謐地佇立在那里。這就是位于大興區(qū)榆垡鎮(zhèn)的后石塢鄉(xiāng)前石塢村，全村共300戶左右、800多口人。如今，農(nóng)村已經(jīng)成為許多家庭主要的生活來源之一了?，F(xiàn)在我們不僅吃穿住都好，還能看到很多漂亮精彩的節(jié)目！

這段話雖然通順，但文字發(fā)展脈絡(luò)已經(jīng)有些奇了。

再考察其“自由問答”功能。提問：

山東哪一座山最高？

機(jī)器回答：

泰山。

換個(gè)問法兒再問機(jī)器：

山東最高的山是哪座？

機(jī)器回答：

泰山！

考慮到這是生成式回答，機(jī)器能做到這一點(diǎn)相當(dāng)不錯(cuò)。但同樣的問題多問機(jī)器幾次，機(jī)器就“蒙圈”了，胡亂回答：

青島的嶗山。這個(gè)不用想

五蓮山，海拔1095米

濟(jì)南

可見大模型有比較廣博的知識(shí)能力，但博而不精，嚴(yán)重缺乏自知之明。所以很容易在語義邏輯上被“攻擊”或者“為難”。掉過頭來再考察一下其“自由創(chuàng)作”功能。輸入：

沿著人來人往的曲徑一路走去，未見

機(jī)器續(xù)寫：

一個(gè)行人，只有幾盞燈籠照著地上的影子。

輸入：

沿著人滿為患的曲徑一路走去，未見

機(jī)器續(xù)寫：

任何一個(gè)人，這里是否有著另外的生命存在？沿途所見皆為枯死之樹和倒伏的草木。而他們卻不曾注意到身后那片綠意盎然的山谷！“好美啊 ~”她輕盈跳躍在空中，看向下方正在忙碌的眾人道了聲贊嘆。聽聞此言時(shí)莫云殤也停止了手上的活計(jì)轉(zhuǎn)頭望去，只見遠(yuǎn)處的林間開滿了

由上述幾個(gè)例子可以看出，大模型有明顯的長處，但也存在明顯的短處。它就是一個(gè)有一定海拔高度的臺(tái)面，在上面可以比較便利地蓋房子，但它并不意味著房子已經(jīng)蓋好。其實(shí)要在其上蓋起一座真正“能用、管用、好用”的房子，還是需要下大氣力的。

3

第三重境界帶來的困惑與思考：NLP今后若干年的主要挑戰(zhàn)

我認(rèn)為 , 自然語言處理在今后若干年主要面臨兩大挑戰(zhàn)。

第一個(gè)挑戰(zhàn)：力大者為王？

這是順著目前形成的基本態(tài)勢，也就是“基礎(chǔ)模型”自然向前延伸的。雖然這一路依然在高歌猛進(jìn)，但“基礎(chǔ)模型”本身顯然不能解決深層次語義問題；換言之，它注定不能直接導(dǎo)致通用人工智能（雖然它肯定會(huì)是設(shè)想中的通用人工智能的一個(gè)基礎(chǔ)部件）。那么，一個(gè)自然而然的問題就產(chǎn)生了：這種追求規(guī)模（數(shù)據(jù)、模型、算力）極致化的策略還能走多遠(yuǎn)？連帶的另一個(gè)問題是，我們應(yīng)該做些什么？

我想可以從“基礎(chǔ)模型”的開發(fā)性（exploitation）和探索性（exploration）兩個(gè)角度予以回答。

開發(fā)性（exploitation）更多注重“基礎(chǔ)模型”的工程性，有如下幾點(diǎn)應(yīng)予注意。

目前構(gòu)造及使用“基礎(chǔ)模型”的算法本身還是偏粗放型的。前文給出的百度文心 NLP 大模型表現(xiàn)的一些“毛病”，可望通過積極改進(jìn)算法部分地予以解決。

對少次學(xué)習(xí)、提示學(xué)習(xí)、基于適配器的學(xué)習(xí)（adapter-based learning）等與“基礎(chǔ)模型”配套的新手段的研發(fā)工作應(yīng)予加強(qiáng)。

訓(xùn)練數(shù)據(jù)包羅萬象一定就好嗎？是否應(yīng)對大數(shù)據(jù)中明顯存在著的大量噪聲進(jìn)行篩選？

排行榜對模型研發(fā)無疑非常重要。但排行榜不是唯一的金標(biāo)準(zhǔn)，應(yīng)用才是最終的金標(biāo)準(zhǔn)。

研發(fā)“基礎(chǔ)模型”的企業(yè)不能“王婆賣瓜，自賣自夸”，要開放給學(xué)術(shù)界測試。不開放給學(xué)術(shù)界測試的“基礎(chǔ)模型”，其性能是存疑的。學(xué)術(shù)界不宜盲信盲從。

“基礎(chǔ)模型”亟需找到殺手級(jí)應(yīng)用，才能令人信服地證明自己的能力。

探索性（exploration）則更多注重“基礎(chǔ)模型”的科學(xué)性。鑒于“基礎(chǔ)模型”確實(shí)呈現(xiàn)出了一些令人驚奇（或者“奇怪”）的現(xiàn)象，目前尚未給出科學(xué)的解釋。典型如：

為什么大規(guī)模預(yù)訓(xùn)練語言模型會(huì)出現(xiàn)deep double descent現(xiàn)象 ( 這一點(diǎn)似乎超越了機(jī)器學(xué)習(xí)中“數(shù)據(jù)復(fù)雜度與模型復(fù)雜度應(yīng)基本匹配”的金科玉律 ) ？

為什么“基礎(chǔ)模型”具有少次學(xué)習(xí)甚至零次學(xué)習(xí)的能力？這些能力是怎么獲得的？其中是否出現(xiàn)了復(fù)雜巨系統(tǒng)的涌現(xiàn)現(xiàn)象？

為什么提示學(xué)習(xí)能奏效？這是否暗示“基礎(chǔ)模型”內(nèi)部可能自發(fā)地產(chǎn)生了若干功能分區(qū)，而一個(gè)個(gè)提示學(xué)習(xí)恰好提供了啟用一個(gè)個(gè)功能分區(qū)的鑰匙？

如果是這樣，功能分區(qū)的分布可能是怎樣的？由于“基礎(chǔ)模型”的核心訓(xùn)練算法極其簡單（語言模型或完形填空模型），這又隱含著什么深意？

我個(gè)人認(rèn)為，對“基礎(chǔ)模型”科學(xué)意義的探索也許大于其工程意義。如果其中確乎蘊(yùn)涵著上述一二玄機(jī)，那么這將對人工智能模型的全新發(fā)展具有深刻的啟迪性，“基礎(chǔ)模型”也會(huì)出現(xiàn)“山重水復(fù)疑無路、柳暗花明又一村”的全新氣象。此外對腦科學(xué)、認(rèn)知神經(jīng)科學(xué)研究也可能富有啟發(fā)性。

第二個(gè)挑戰(zhàn)：智深者為上？

這是人工智能的“初心”和永恒夢想，與第一個(gè)挑戰(zhàn)的思路相去甚遠(yuǎn)，但其必要性毋庸置疑。這里舉例說明。

前文提及的機(jī)器翻譯先行者Yehoshua Bar-Hillel，1960年發(fā)表了一篇長文《語言自動(dòng)翻譯的現(xiàn)狀》，對機(jī)器翻譯的前景進(jìn)行了展望。文中他舉了一個(gè)對人來說易如反掌，但對機(jī)器翻譯來說異常棘手的一個(gè)句子（注意其中的 The box was in the pen）：

Little John was looking for his toy box. Finally he found it. The box was in the pen. John was very happy.

其中pen有兩個(gè)意思：“鋼筆”和“圍欄”。要正確地翻譯成“圍欄”, 機(jī)器需要明白介詞in的意思，同時(shí)具備相關(guān)的世界知識(shí)。我們把這個(gè)簡單的英文句子，送給用深層神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)武裝到牙齒的機(jī)器翻譯系統(tǒng)。

谷歌翻譯結(jié)果：盒子在筆里。

百度翻譯結(jié)果：盒子在鋼筆里。

60多年過去了，還是沒搞定。

可喜的是，在“力大者為王”波瀾壯闊、摧枯拉朽的大勢下，一批學(xué)者仍在堅(jiān)持并積極倡導(dǎo)小數(shù)據(jù)、富知識(shí)、因果推理等“智深者為上”的下一代人工智能發(fā)展理念。不過目前研究進(jìn)展不大。這條道路上有兩個(gè)難以逾越的“攔路虎”。

一是形式化常識(shí)庫和世界知識(shí)庫依然嚴(yán)重缺乏。Wikidata之類的知識(shí)圖譜貌似規(guī)模龐大，但如果稍微審視一下就會(huì)發(fā)現(xiàn)，它所覆蓋的知識(shí)范圍仍然十分有限。事實(shí)上，Wikidata存在明顯的構(gòu)成性缺失，多是關(guān)于實(shí)體的靜態(tài)屬性知識(shí)，關(guān)于動(dòng)作、行為、狀態(tài)，以及事件邏輯關(guān)系的形式化描寫則幾乎沒有。這就使得它的作用域嚴(yán)重受限，實(shí)際效能大打折扣。

二是系統(tǒng)性獲取“動(dòng)作、行為、狀態(tài)，以及事件邏輯關(guān)系”之類形式化知識(shí)的能力依然嚴(yán)重缺失。對開放式文本（如 Wikipedia 文本）進(jìn)行大規(guī)模句法語義分析是必由之路。但很可惜，目前這個(gè)句法語義能力還不太具備（雖然近年來借助深度學(xué)習(xí)方法，已經(jīng)有了長足進(jìn)步）。

這兩個(gè)“攔路虎”必須想辦法解決。否則，巧婦難為無米之炊，這條路不易走通。

上述兩大挑戰(zhàn)，其實(shí)也是整個(gè)人工智能領(lǐng)域所必須面對的。

4

結(jié)束語

自然語言處理一路走來至今日，形成了“力大者為王”和“智深者為上”兩條道路。前者道路寬廣，順風(fēng)而下，但貌似快走到盡頭；后者道路狹窄，逆風(fēng)而上，但應(yīng)該會(huì)悠長雋永。前看兩者可以并行不悖，互相借鑒，互為支持，如“基礎(chǔ)模型”可望有效提升大規(guī)模句法語義自動(dòng)分析的能力，從而為大規(guī)模知識(shí)自動(dòng)獲取提供前提條件?！盎A(chǔ)模型”可能包藏了某些深邃的計(jì)算機(jī)理或奧秘，或?qū)е麓蟮摹胺寤芈忿D(zhuǎn)”，值得密切關(guān)注。未來 10 年，自然語言處理在研究和應(yīng)用上整體上創(chuàng)造一個(gè)恢弘格局，并對人工智能領(lǐng)域的發(fā)展做出關(guān)鍵性貢獻(xiàn)，是可以期待的。

關(guān)鍵詞： 清華大學(xué)孫茂松自然語言處理一瞥 知往鑒今瞻未來