互联网发明最大的意义莫过于让人人都能驰骋在信息高速公路上，并且在80年代时与PC共同拉开了第三次科技革命的大幕，人类社会迎来了前所未有的高速发展。时代与个体都被这场革命裹挟着前进，互联网在经过了Web1的只读，Web2的读写与创造，以及前所未见的移动互联网后，现在新时代和Web3呼之欲出，即将再次改写人类社会进程。
Web3的确切模样没人知道，但目前可以确定的是它包含下列三个显著特征：
一、拥有10M的平均带宽；
二、个人门户网站及相关服务，运营商提供基于用户偏好的个性化聚合服务；
三、个人和组织间建立一种互为中心而转化的机制，个人也可以实现经济价值。
基于这三个特征又可以细分出多个发展领域或赛道，美国企业家兼风险投资家Nova Spivack（诺瓦·斯皮瓦克）建议将Web3的定义延伸至当前各大技术潮流迈向新的成熟阶段的具体体现。值此年后开工大吉之际，本周就来窥探一眼未来Web3可能的发展前景，或者今人正致力于解决的问题。注意，本系列中有许多电脑和网络科学专有名词。今天是第四期，智能APP与机器学习。
一、自然语言处理系统
自然语言处理（Natural Language Processing，简称NLP）是AI和语言学交叉后形成的分支学科，探讨如何处理及运用人类的自然语言，包括多个方面和步骤，简单的说有对语言的认知、理解、生成等部分。此项目着眼于让电脑把输入的语言变成可理解的符号和逻辑关系，然后根据目的或需要再作后续处理，与之相关的自然语言生成系统则是把电脑数据转化为自然语言。
NLP基本公认始于上世纪50年代，虽然更早期也有相关研究。1950年，研究AI的先驱图灵发表论文《计算机器与智能》，其中提出后世著名的“图灵测试”作为判断AI智能程度的条件。1954年，由乔治城大学与IBM合作进行的“乔治城-IBM实验”将超过60句俄语顺利翻译成英语，并声称在三到五年之内即可解决机器翻译的问题。虽然翻译的很成功并被各大媒体蜂拥报道，引起全球的广泛关注，美国、苏联、欧洲等都开始大力投资机器翻译与语言投资领域，但事实证明所谓的“三到五年”不过又是人类展示了次自己的傲慢与无知。
1964年，美国科学院成立了语言自动处理咨询委员会(AutomaticLanguage Processing Advisory Committee，简称ALPAC)开始为期两年的综合调查分析和测试。两年后ALPAC的报告表明这十年的研究根本没有达预期目标，美国直接大砍机器翻译的研究经费。一直到1980年代末期，“统计机器翻译系统”发明为止，机器翻译的研究才得以更上一层楼。
虽然机器翻译的牛皮吹破了，但60年代的NLP发展倒是有声有色，如SHRDLU程序，用户可以通过它与电脑进行简单对话；同时期的还有ELIZA程序，模拟“个人中心治疗”而设计的对话系统，其中几乎不涉及人类思想和感情的消息，有时候的回答却很像真人。但是当“病人”提出的问题超出ELIZA本来就极小的知识范围之时可能会得到空泛的回答。比如说“我头很痛”，它的回答是“为什么你说头痛？”
70年代开始有程序员设计“概念本体论”（conceptual ontologies）的程序，将现实世界的信息编译成电脑能够理解的资料，许多聊天机器人都是在这一时期写成。一直到80年代，大多数NLP都是以一套复杂、人为预定的规则为基础。不过从80年代末期开始，语言处理引进了机器学习的算法，NLP才产生革新。原因主要有二：摩尔定律的稳定发挥；新的语言学理论开始出现。
理论上说来，NLP是一种很吸引人的人机交互方式。但是又因为理解语言需要关于外在世界的广泛知识以及运用、操作这些知识的能力，因此自然语言认知同时也逐渐发展成AI完备性的问题。而且在自然语言处理中，“理解”的定义也逐渐演变成一个主要的问题。举个例子，有个经典笑话说某老外苦学汉语十年，到东方某大国参加汉语考试最终含泪交白卷。试题为“请解释下列句子中‘意思’的含义”：
阿呆给长官送红包，长官：“你这是什么意思？”
阿呆：“没什么意思，就是意思意思。”
长官：“你这就不够意思了。”
阿呆：“小意思，小意思。”
长官：“你这人真有意思。”
阿呆：“其实也没有别的意思。”
长官：“那我就不好意思了。”
阿呆：“是我不好意思。”
不少中文笑话都利用类似结构的造句，此类笑话通常暗含“中文博大精深”之类的含义。虽然只是笑话，但由此也可以看出NLP目前的难点：词汇的边界与界定（在表意为主的汉语中尤其困难）；词义的变迁与歧义；语法的模糊性；无标准或不规范的输入（如各种方言间的差异）；语言与行为间的冲突等等。
去年底时聊天机器人ChatGPT和背后的OpenAI以前所未有的速度火出圈，最近又有拥趸在摇旗呐喊，说2023将是ChatGPT之年。本人还是保持之前泼冷水的态度，或许它在今年能取得一些发展或成就，但离预期目标还差得远。另外本人也相信明年还会有人说2024将是ChatGPT之年，后年还会有人说2025将是ChatGPT之年，不信就请拭目以待。
西方有句谚语：“人类一思考，上帝就发笑。”回顾NLP与AI产业发展的这几十年，再看这句谚语还真有意思。《圣经·旧约全书·创世纪篇》中记载，一群只说一种语言的人在“大洪水”后从东方来到了示拿地区（今伊拉克等国的两河流域，古希腊称美索不达米亚），并决定修建一座城市和一座“能够通天的”高塔；上帝见此情形就把他们的语言打乱，让他们再也不能明白对方的意思，并把他们分散到了世界各地。而这几十年里人类一直在思考怎么能让电脑学会人类智慧。
二、机器学习，推理与自主代理
机器学习是AI产业的一个分支，AI的发展历程有着一条非常明晰的主线，从一开始的以“推理”为重点，后来以“知识”为重点，再到现在的以“学习”为重点。显而易见的，机器学习也是AI实践与应用的途径之一，即以机器学习为手段，解决AI中遇到的问题。机器学习经过三十多年的发展，已经成为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等学科。
机器学习可以分成下面几类：
监督学习：从给定的训练数据集中学习出一个函数模型，再遇到新的数据时就可以根据这个函数模型预测结果。监督学习的训练集要求是包括输入和输出，或者说是特征和目标。训练集中的目标是由人为设定的，这种算法的应用最普遍，包括回归分析和统计分类等。
无监督学习：与监督学习相比，无监督学习的训练集没有人为设定的结果，这种学习常见的算法有生成对抗网络（GAN）、聚类分析等。
半监督学习：介于前两者之间的算法。
增强学习：为了让机器达成目标，随着外部环境的变动而逐步调整其学习行为，并在每个行动之后评估回馈，看是正向或负向的，并以此为依据再结合调整学习行为。
从本质上说，机器学习算法是一类从数据中自动分析和获得规律，并利用规律对未知数据进行预测的算法。因为其中涉及了大量的统计学理论，所以机器学习与推断统计学的联系尤为密切，这也被称为“统计学习理论”。机器学习目前已广泛应用于数据挖掘、电脑视觉、电脑语言、生物特征识别、搜索引擎、医学诊断、反诈、证券市场分析、DNA序列检测、语音和手写识别、游戏和机器人等领域。
【文章来源】
发布者：Web3创投，转载请注明出处：https://nft.aiju.com/news/50950.html，如涉及作品内容、版权及其它问题，请联系本站！
『声明：根据央行等部门发布的《关于进一步防范和处置虚拟货币交易炒作风险的通知》，本文内容仅用于信息分享，不对任何经营与投资行为进行推广与背书，请读者严格遵守所在地区法律法规，不参与任何非法金融行为』
