苹果维修点

您现在的位置是:首页 > 技术前瞻 > 人工智能

人工智能

真假难辨的写作AI:啥都能编、题材风格随便选

AI
2019-09-16 13:14:21 人工智能
  AI编故事,一模更比一模秀。  这里“一模”,自然是OpenAI横空出世的GPT-2。但今日更秀的另一模型,来自Salesforce——全球最大的SaaS提供商,虽然之前A

  AI编故事,一模更比一模秀。

  这里“一模”,自然是OpenAI横空出世的GPT-2。但今日更秀的另一模型,来自Salesforce——全球最大的SaaS提供商,虽然之前AI能力展露不多,但这一次,绝对一鸣惊人。

  作家知道会沉默,评论水军看了要流泪。因为定向化编故事、生成文案评论的能力,实在太强了!

  话不多说,直接看“作品”。

  定向化编故事,真假难辨

  给它一把刀,它编出了这样的“恐怖故事”:

  刀柄从洞里拔了出来。当刀击中我时,我吓了一跳,惊恐地睁大了眼睛。除了呜咽声,我只听到她的尖叫声。蜘蛛准备挖她上面的拱顶时,碰到了她的脚,小家伙的眼泪开始流下来。蜘蛛抬头看着她,回望着我,眼里充满了热泪。我的心开始狂跳……

  有情景、有逻辑、有细节,还有故事性,写作功力简直职业作家水平。

  更关键的是,这个模型的独特之处——只需要给出条件,它就能“定向”编故事,写命题作文,指哪打哪,想写什么风格就写什么风格。

  与脑洞过于天马行空的GPT-2相比,它更能够被人驯服利用。

  于是模型放出后,很快就引起了业内人士的关注。也有人给出评价:

  这太酷了!能够以更结构化的方式控制文本生成非常有价值。

  而且,这个NLP模型具有16亿参数,比之前最大的GPT-2还要多一个亿。

  虽然同样担心模型被滥用,但在研究人员看来,开放可能会更好,能让更多的人参与进来,一起抵抗。

  所以,他们直接在GitHub上放出了多个全尺寸的、经过训练的 CTRL 版本。而不是像GPT-2一样,挤牙膏开源。

  而且,它还是个全能选手,不仅能编故事,比如在Reddit论坛健身、理财板块发表不同的评论。

  它还有很多正经用途:回答各类常识问题、翻译文字等等。

  那么这是一个怎样的NLP模型?

  16亿参数的语言模型

  这个模型,有一个非常有“灵性”的名字:CTRL,全称为Conditional Transformer Language,基于条件的Transformer语言模型。

  自从有了Transformer,文本生成领域的大前辈就一个接着一个,这厢BERT开创先河,那厢GPT-2都能写论文了。

  但是,与人类的创作方法不同,生成的文本再以假乱真,语言模型前辈们也不能按照特定的主题来写作内容。

  于是,CTRL诞生了。

  这是一个拥有多达16亿参数的条件Transformer语言模型(GPT-2模型参数15亿),采用无监督学习,并且正如其名,能够对文本生成的内容进行更精准的控制。

  实现的关键,在于控制代码(control codes)。

  CTRL以控制代码c为条件,学习分布 p ( x | c )。这一分布可以用概率链规则分解,并通过考虑控制代码的损失来进行训练。

  控制代码能使用户意图为语言模型所理解。

  通过标注训练数据集的特定标签,CTRL模型中大部分控制代码能指定生成文本的整体样式。

  即使给出的提示(prompt)相同,控制代码也允许生成多样化的内容。并且,就算不给提示,CTRL一样能生成特定风格的文本。

  而将控制代码添加到标签代码中,可以进一步限制生成。

  比如在OpenWebText版本中,在每一个文档后面加入URL地址,作为输入序列的开头。

  这样,CTRL在训练过程中,就会学习这些URL的结构和文本之间的关系。在推理过程中,URL可以指定各种功能,包括域,子域,实体,实体关系,乃至日期。

真假难辨的写作AI:啥都能编、题材风格随便选

  值得一提的是,CTRL的训练文本数据多达140GB,包括Gutenberg上的书籍,OpenWebText2数据集(GPT-2网页文本数据集克隆版),大量新闻数据集,亚马逊评价,来自ELI5的问答,以及包括斯坦福问答数据集在内的MRQA共享任务等等等等。

  数据集虽然没有开源,但Salesforce表示,他们会发布与数据收集相关的代码。

  以及,由于控制代码和用于训练模型的文本之间存在直接关系,CTRL能判断出新文本生成时对其影响最大的数据源是哪一个。

  全球最大的SaaS服务提供商出品

  这篇论文来自Salesforce——全球最大的SaaS服务提供商。

  最近最为人关注的是一次大规模商业并购:豪掷157亿美元收购大数据公司Tableau。

  Salesforce Research是其内部的研究部门,核心目标是用AI来解决业务中的问题,已经在NLP领域颇有建树。

  目前,这一部门由Salesforce的首席科学家Richard Socher领导。

  他博士毕业于斯坦福大学计算机系。2016年,自己创办的公司被Salesforce收购后,加入Salesforce。

  根据他个人网站信息,仅在2019年他就发布了11篇顶会论文,其中ACL 2019 3篇;ICLR 2019 6篇;CVPR 2019 1篇;ICML 2019 3篇。

  他也是这篇论文的作者之一。这篇论文的其他作者,都是Salesforce Research的研究员。第一作者有两位,分别是Nitish Shirish Keskar和Bryan McCann。

  其中,Nitish Shirish Keskar是Salesforce的高级研究员,博士毕业于西北大学,研究方向为深度学习及其在自然语言处理和计算机视觉方面的应用。他的个人页面显示,已经发表了14篇论文,其中不乏ICLR等顶会。

  Bryan McCann也是Salesforce高级研究员,毕业于斯坦福大学,曾经担任过吴恩达机器学习课程的助理,研究方向是深度学习及其在自然语言处理方面的应用。个人网站显示,他发表过7篇论文,不乏ACL、NeurIPS、EMNLP等AI顶会。

  引发参数热议

真假难辨的写作AI:啥都能编、题材风格随便选

  这一研究成果,也引起了大家对模型参数的讨论。

  有人说,15亿参数也好,16亿参数也罢,要是英伟达的Megatron放出来,80亿参数肯定都通通碾压。

  但也有人给出冷思考,表示参数很多并不是优点,而是一个弱点。阿姆斯特丹大学的助理教授Willem Zuidema说:

  为什么规模大是一个卖点?我理解人们为建立了一个非常好的模型而自豪,甚至为找到了在有限的计算资源上训练大型模型的方法而自豪。但在我看来,16亿参数本身似乎是一个弱点,而不是优势。

  对此,Richard Socher也给出了回应:

  确实,假设性能相同,较小的模型更好。但事实证明,只要你在大量的训练数据上训练它,语言模型的性能和记忆事实的能力与大小是密切相关的。

  Jelle Zuidema再度回应,给出了进一步的解释:

  令我惊讶的是,“最大”是声明中的第一个形容词,而“高质量”只是最后一点。我认为有必要提醒人们,理想的方法仍然是更少的参数、更少的培训和更好的性能。

赐研手机维修网】文章内容来源:https://vip-chn.com/jishu/ai/1232.html