百度大脑获中国电子学会科技进步奖一等奖(2)

如何理解和运用自然语言，是人工智能需要解决的核心问题之一。当下，大数据、知识图谱、机器学习、深度学习等技术快速发展，并与自然语言处理密切结合，推动语言智能持续发展和突破，并越来越多地应用于各个行业。

他提到，近年来深度学习的崛起及其与大数据的结合，使人工智能得到飞跃式的发展。在自然语言处理领域，深度学习模型具有比传统机器学习模型更强的数据学习能力，使得基于深度学习的依存句法分析等自然语言处理系统准确率得到大幅提升。目前，深度学习领域主要有强化学习、监督学习、无/自监督学习三种学习范式，而无/自监督学习可以类比人类学习，是一种重要的学习方式。

自监督学习让基于大规模无标记语料的语言模型得到了长足的发展。近期， 谷歌、百度分别提出了无监督文本的预训练语言模型BERT、ERNIE，将自然语言处理任务的性能提升到新高度。百度提出的基于知识增强的ERNIE 模型，通过建模海量数据中的实体概念等先验语义知识，学习真实世界的语义关系。相较于谷歌 BERT基于字单元的语义建模，ERNIE直接对先验语义知识单元进行建模，并通过海量文本数据学习实体间的语义关系。这种融合知识的语义建模大幅增强了模型语义表示能力，在包括语言推断、语义相似度、命名实体识别、情感分析、问答匹配等自然语言处理各类任务上的多个公开中文数据集上，ERNIE均取得了优于BERT的效果。

依托深度学习技术的发展，语音、图像等感知技术取得了巨大进步，但认知技术的突破会越来越依赖知识，需要提升对知识和大规模知识图谱的运用。在物理世界、人类社会和网络空间中，汇聚了大量的多元、异构、多模态的数据，百度借助无标签大数据开放域知识挖掘、知识体系自动扩展、知识整合等技术，基于海量数据构建起了超大规模知识图谱。目前，百度拥有世界上最大的多元异构知识图谱，除了包含数亿实体、千亿级事实，能够满足90%用户需求的实体图谱，针对不同的应用场景和知识形态，百度还建立起关注点图谱、行业知识图谱、POI图谱、事件图谱等多种知识图谱。比如在医疗领域，能够从病历等原始文本中，抽取出实体及多元关系，并进行文本结构化，最终构建起医疗图谱，同时结合医疗大数据、医疗认知计算，应用于医疗临床辅助决策服务中。

多模态知识与语言、视觉等技术结合，发展进入“多模态深度语义理解”阶段。例如，基于知识图谱的视频理解技术，能够从视频中抽取结构化语义知识，真正“看懂”视频。

语言理解技术持续发展，并通过与知识图谱、深度学习等技术融合，正不断提高各种应用的智能化程度。王海峰在演讲中介绍，百度创新地融合知识图谱、自然语言处理及深度学习技术，研发了能够深刻理解用户意图、精准满足搜索需求、提供更丰富知识内容的智能搜索引擎，并结合语音、图像、增强现实等感知技术能力，更便捷地与用户交互，为用户提供更精准高效的信息服务。

例如，用户用自然语言搜索“林徽因的丈夫的父亲是谁”，智能搜索引擎能够理解用户的意图，并结合知识图谱以图文并茂的形式把答案“梁启超”精准呈现给用户。又如，用户搜索“上面草字头下面句子的句是什么字”，智能搜索引擎能够为用户提供“苟”的读音、笔画、释义等丰富的信息。