這跟以往直接拿數(shù)據(jù)培訓機器人不太一樣。
對于機器人來說，像人一樣從語句中獲取信息是很難的。因而在訓練機器人之前，通常會有篩選培訓資料的過程，方便機器人在被喂入數(shù)據(jù)后，比較容易在大量資料中找到模塊化的信息。
這種培訓方式，對于計算機技術(shù)比較合適，只需要時間累積，但對于人們常用的語言來說，卻是個麻煩。
這跟人們的表達方式有關(guān)系。賓夕法尼亞大學計算機和信息科學的助理教授ChrisCallison-Burch稱：“自然語言的諸多難點之一在于，你可以用很多不同的方式來表達同樣的信息，而抓住所有的這些變化，就是建立一個復雜模型過程中面臨的挑戰(zhàn)之一。”
說的直白點，就是人類所用的語言比較復雜，不能直接用作機器人的培訓資料。
但Regina Barzilay等3位麻省理工學院研究人員最近想到了一個新角度，他們想讓機器人自己從網(wǎng)上尋找信息，像人一樣找更多資料做信息的補充。對于研究來說，這樣做的好處最直接的是可以減少前期的人力成本。
簡單來說，他們使用了人工智能的一種技術(shù)——強化學習，做了兩個應(yīng)用場景的測試。其一是在美國槍擊案的新聞中找資料，包括槍擊地點、傷亡人數(shù)；另外一個則是搜集食品造假事件的相似性，包括食品種類、食品造假的類型和地點。
每個測試都只使用300份新聞。但在測試中，麻省理工學院培訓的機器人每分析1篇文章，它都會從網(wǎng)上找9、10篇新聞作為相關(guān)資料進行分析，以補充原本資料的不足。其中的困難之處在于，讓機器人判斷兩篇新聞描述了同一件事，并且從多份資料中提取數(shù)據(jù)。
論文中舉了一個謀殺案的案例，下面是3個新聞中摘出來的片段：
警官在周一公布稱，一對夫婦和四個小孩死在他們位于南達科他州的家里，他們的家發(fā)生了火災，他們顯然是死于入室謀殺……一份官方聲明稱，Scott Westerhuis的死因是“疑似自殺性質(zhì)的獵槍槍擊”。
官方稱，一個南達科他州家庭的6名成員被發(fā)現(xiàn)死在了火災燒毀的家中，他們死于槍擊，其中有一例死亡懷疑是自殺。
AGJackle稱，所有的證據(jù)都支持他基于9月份的初步發(fā)現(xiàn)做的推理：Scott Westerhuis用一把獵槍槍殺了他的妻子和孩子，點燃了他的房子，然后用獵槍自殺。
最終，他們培訓的機器人需要在網(wǎng)上找到類似下面2篇那樣的新聞，并且挖出這兩個信息：開搶的人是Scott Westerhuis，以及死亡人數(shù)是6人。
在兩項測試中，麻省理工學院開發(fā)的系統(tǒng)能根據(jù)那些與目標信息相關(guān)的詞匯進行搜索，例如槍擊案的兇手通常會跟“警方（police）”、“確認（identified）“、”逮捕（arrested）“等詞匯有關(guān)系，從而判斷具體的人。
麻省理工學院的研究員稱，他們用這種新技術(shù)做數(shù)據(jù)整理，準確率要比以往的篩選方式高出10%。不過，對于普通人來說，這種新技術(shù)看起來有趣的一點是，它讓機器人的工作方式更接近于人類的思考方式：獲取一個信息后，用更多的信息補充它。
