文 | Sirius
几天前，卖萌屋的一期推文《AI凉下来了？这可能是个好事》在短短几小时内获得近百次点赞在看和800多次转发，引起了不少小伙伴的共鸣。不过由于批判和叙事太过露骨，打马不彻底，导致删文。
删文后，这几天来找文章的小伙伴络绎不绝，精力所限无法一一回复，于是采纳读者小伙伴的建议，决定对原文作“和谐处理”后重新推送，就有了本文。本文尽量维持了原文中心思想的表达。
今年的 NLU 算法领域，可谓是一片萧索，前有各大财力雄厚的机构接连不断祭出了各种千亿级大模型，或万亿级 MoE 大模型，彻底终结了榜单游戏；后又有大家开始纷纷反思，我们这么接连不断地打榜，究竟在忙活一些什么。浪潮之后，一片寂静，今年各大顶会也都在如期进行，但是 NLU 领域上，似乎没有看到什么引起反响的工作。
虽然笔者就是做 NLU 的，方向在学界凉了，故事没得说了，总归有种风光不再的感觉。但是，如今刷分游戏被终结，哪怕并不是大家想清楚了，而仅仅是没得刷了，在笔者看来，仅仅是这个现象出现了，也会是一件好事儿。
因为——这至少代表着，那些仅仅是一些过拟合的 trick，甚至可能仅仅是随机种子影响的分数，但碰巧造出来了所谓“新SOTA”，足以博眼球的时代，暂时地过去了。笔者所在的工业界，也不再轻易被那些放水的工作牵着鼻子走了，随着经济形势不乐观，没钱烧了，工业界几乎180°大转弯转向了务实。而大模型时代的终结，也意味着学界大牛们的精力，可能终于要放到框架的革新上了。
不过，有趣的是，在如今的时代，在工业界里面，仍有些想不清楚的人和工作，在以三年前“复古”的方式努力着，做着时代的“逆行者”。
西江月·通辽怀古（小约翰）
三亚立夏供热，重庆大暑乘凉，小雪内蒙卖蚊香，大寒新疆冲浪。
清欢寻味川蜀，麻辣觅食珠江，无锡宴会不吃糖，海鲜进口西藏。
山神庙外谈往事，飞云浦上偷（tóu）袭（xī），浔阳楼内把诗题，快活林中卧，携宝过黄泥。
白马阵前插标首，汜水关下战急，奉先子师迎登基，割须弃袍日，跃马过檀溪。
例如，有的团队创新功底不足，基础效果也没有做过竞品，但是为证明自己的价值，他们选择了“硬打出来差异”的路子。
比如为了解决某个经典的NLP问题，他们首先 copy 了业界的某个 SOTA 工作。
但仅仅 copy 了一个工作，并不能体现出自己的算法创新能力，于是该团队就“开创性”地在这个 SOTA 模型上叠加了 prompt。
这点改动就成了团队对内对外尬吹的“创新点”。
关于 prompt，卖萌屋也出过不少原创文章了，格局打开，带你解锁 prompt 的花式用法 中，介绍了 prompt 生效的原理和前提，简而言之，prompt 原理就是“套话”，套取模型在预训练阶段记忆到的东西。笔者愚钝，想不出在一个复杂的 NLP 模型里面输入了 prompt 带来的增益会在哪里。prompt 本身的一些细微差别，即可能导致隐层表示大不相同，且复杂模型也会消解 prompt 所带来的分布差异。
与上面案例类似的尬创新现象在工业界比比皆是。如果说10年前，大家都不熟悉深度学习，那做一些如今看起来明显不合逻辑的创新、试错倒也无可厚非。
但如今2022年了，明知一些“创新点”是在毫无道理的强行加戏，却非要浪费人力、财力去尬做、尬上线，最后甚至对外尬吹，实在是让懂深度学习且三观正常的从业者有些看不下去。
那么，是什么样的思潮，造就了国内工业界这种浮夸的“伪创新”乱象呢？笔者认为，有以下几点：
笔者其实不止一次听工业界的朋友们说过，大模型能够做一切事情，大模型拥有了智能，大模型能够创造出新的风格，甚至包括最离谱的，大模型能够做逻辑演算等等的说法。这其中也不乏如 DeepMind 为了骗股价、博眼球，发表的一些乱七八糟的报告，也有营销号们不加掩饰的吹嘘，助长了这种浮夸的风气。卖萌屋文章 《DeepMind 发了篇论文，把我看笑了》 也曾有详细的吐槽。
今天，笔者想在此基础上，题外话的补充一下最近很火热的文生图的讨论。
如今，文生图模型不仅在模仿已有作画风格上有了极大的建树，同时似乎也创造出了一些“离经叛道”的东西——其似乎“独创”了一些别样的艺术风格，看上去，它学会了“创造”。这自然又会引起大规模的讨论：AI 是否要取代画师了？AI 是否真正学会了艺术创作？
我以浅薄的艺术素养，大致将艺术风格突破分为两类，一种是已有不同艺术风格的融会贯通，另一种则是天才的大胆突破，横空出世。而第一种，恰恰可以看作是一个搜索组合游戏。人借助自己的阅历，各取一点他山之石，生发新的东西，但囿于浏览效率、精力、寿命等限制，我们穷尽一生，见过的、记住的、深究过的东西终究十分有限，在 AI 强大算力的面前，仅仅是沧海一粟，所以第一种艺术风格的再创造，反倒正是 AI 所擅长的。
归根到底，人对“美”的穷举和想象，远远不及世界的尽头。甚至，人对自身认知本身的认知，可能也远远未达边界。正如张钹院士常引，“我们不知道我们的知道”，以及“我们不知道我们的不知道”远远超过了“我们知道我们的知道”。而面对 AI 穷举、展现给我们的一些筛选、优化的组合，不妨拥抱它，将之作为有力的助手，用于创造新的美好。
此时此刻，恰如彼时彼刻。
几年前，Alpha Go Zero 横空出世，几乎以压倒性的姿态，打赢了彼时最强的棋手柯洁。在它之后，围棋 AI 出现在各大围棋平台中，成为了棋手们的训练对手。在围棋高手们的眼里，AI 似乎完全没有传统认知上的“棋理”、“棋路”，不会去讲究“阵型”，更遑论“哲学”、“文化”，其诞生的唯一目的就是赢得竞技比赛。竞技棋手们为了提升自己“赢得比赛”的能力，也逐渐转向了 AI 下棋的思路，通过足够多的对局，追求更加有效率的取胜方式。棋手们也纷纷感叹：AI 出现了之后，围棋渐渐失去了它的味道。
以围棋为中心，所衍生出的文化，以及哲学，仍会在各自的领域散发光芒，但是以取胜为唯一目的的竞技围棋，却又变回了启发式搜索游戏，我们穷极千百年，无数的高手，以经验主义得出的所谓棋理、棋道，终抵不过 AI 海量对局，得到的最优搜索路径——在固定规则中，最快地找到最优解，正是 AI 所擅长的。
但围棋，也并没有失去它作为一个游戏、一种文化本身的韵味，职业竞技棋手，也并未消亡。
所以，我们可以看到，尽管大模型已经展现出了神奇的效果，但是说它无所不能，或者说它有了智能，或许就过于得扯淡了。而如果身为业内人士，相信了这路论调，也只能说，难怪在白费劲了。
在我们做的工作还在务虚，追求所谓“影响力”的时候，想要做出成果是无比简单的——拉下来公开的测试集，不断地过拟合（手段多样，包括但不限于集成，用 test 搜数据搞预训练），跑个最高分，然后宣称我们业界最强就行了。
诚然，在 test 上算指标，的确是最有效率的一种评估方式，工业界在评估算法的时候，往往也会用这种方式来定性，在标准测试集上跑出高分，是某一工作成立的必要条件之一。而在这种评估方式之下，错了就错了呗，case 就仅仅是 case，仅仅是拿出来分析的时候用一用就好了，我们也不必想要去解决它。
而这种方式如果直接应用在产业上，则会给我们提供更大的便利——毕竟测试集都是自己定义的了，如果算法调不上去，我们就可以去调整测试集，当然在工业界，有另外一种叫法：调整问题范围，无论怎么样，我们都能够把分数做高，大家皆大欢喜——除了应用方。
在卖萌屋的历史文章 《Google掀桌了，GLUE基准的时代终于过去了？》 中，曾详细讨论了多个数据集共同计算指标的危害。这里就不多做赘述了。
笔者曾经接触过一个团队的研究工作，其汇报上来的测试指标非常的好，但是到了实际应用中，效果骤降到难以接受的水平，追问之下，才知道，测试集是被干预过的，简而言之，就是测试集被一个复杂的预处理策略筛选过，分布之外的数据都已经被预处理卡掉了。
有没有觉得很离谱？？
但在国内的工业界，笔者对这类事情却有些看麻了。
实际上，真正在做应用上的算法的人，真正在产业中的人，从来不会把测试集上的那几个分数，当作是唯一的评审依据。一个算法是否可用，向来会经过复杂的检验，其中包括完备的测试流程、用户表现上的反馈等等。而仅仅在极少数测试集上跑出了几个分数，却有各种各样的前置条件，又要满世界吹嘘自己业界最强，最终也只是圈地自嗨，贻笑大方而已。
实际上，很多 NLU 的打榜任务，可能仅仅是由学界假想出来，或者在 case 中看到，就直接收集数据集，将之做成了一个基准任务了。前些年卷出天际的时候，水文们看到了这样新鲜、复杂的基准任务，自然要扑上去吮吸一番，毕竟先到先得，又能复用一批 trick，又是一批顶会文章，又养活了不知道多少人。
但是回到工业界，我们就得看看，这些任务，是否可以作为需求，在实际的产业中存在？如果可以，需求范围又有多大？是否达到了必须得用模型才能解决的程度？
例如，复合词的拆解，这个需求，在产业中的确有用得到的地方，比如拆解了之后，更方便做实体归一和链指，其结果可用于支持问答、搜索等场景。不过，无论是用映射表，构造词汇学的规则，还是结合了大规模用户行为数据，起码在线上应用场景，复合词的归一和链指都被解决得不错。那么，一个问题，出现在哪儿？规模多大？是否一定要放在基础层解决？各方案性价比是什么样子？都是应当去想清楚的事情。
又比如，表格内容理解，如将表格转换成结构化数据，或者将表格里面的东西抽出来。这的确是一个可以玩一玩的问题，但是在真正的工业上，做这个事情是要干嘛呢？例如，我为什么要将一个半结构化的数据，转换成另一个结构化的数据？我为什么要将里面的特定信息抽出来，干什么用呢？搜索？问答？但是，如果是搜索和问答的话，现在 DeepQA 已经做的相当好了啊，如果我把表格打平了，变成 DQA 能够理解的格式，喂进去，是不是更香呢？
再延伸一下，比如，开放域信息抽取。
当然，笔者承认，领域信息抽取是非常有意义的，首先，领域文本，大多数表达方式单一、集中，而将这类文本中特定的信息抽取出来，或用于填槽，或用于下游很多的辅助任务，比如医疗领域的辅助诊疗等，且领域的知识绝大多数也只存在于专业文档中。
但是到了开放域，问题就复杂得多了。首先就是，表达形式相当多样，且相当多的通用表达里面，是不包含 schema 里面定义的 SPO 的，意味着，高质量的标注样本就很难拿到，遑论把句式给训练好了。而如果记忆事实知识……这个问题卖萌屋的文章已经讨论过很多次了。
其次，信息抽取任务起初被设计出来，是为了构造知识图谱，但尴尬的是，现有的大规模知识图谱，基本上没有用信息抽取算法构建起来的，基本都是使用大规模、多源头、由人工编辑而得的结构化数据，辅之以大量的归一、消歧策略而成，说一句略显嘲讽的话，知识图谱构建，真的是使用了“人工”智能。我们也可以放眼业界，看看有哪个通用信息抽取模型，真正地落了地。
哪怕，我们放开知识图谱不谈，认为信息抽取的结果可以当作问答特征，那么，还是上面的问题，为什么不直接拥抱 DQA 呢？
又例如，知识图谱构建中的实体归一，及 SPO 归一。实际上，自动的归一方法，业界几乎没有人做好过，我们也能够看出些许问题。例如，在飞机领域，教练机和指导机，如果没有相关背景，是否知道它们的区别是什么？桃花和山桃花，如果没学过，是否能够知道这两个压根不是同一个物种？芒果和杧果又有什么区别？甚至，大熊猫、熊猫、猫熊这三者又要怎么分辨？我们无法假设，所有这些实体我们都有充分的语料去区分它，哪怕有了语料，其细微的区别我们也无法假设模型能够捕获它。
我们看中深度学习模型，就是看中它的泛化能力，可是上面那些 case，如果不特殊对待，模型泛化起来，谁也不知道会发生什么，这在应用上一定是不允许的，但是如果特殊对待了，首先是否会影响模型的其他部分，其次，我们处理一次这种 case，要枚举多少数据？花费多少时间？是否值得？而如果我们把这类 case 都放到人工规则干预，是否性价比更高些呢？
SPO 归一同样，实际上，在自然语义表达中，P 的语义可以说根本是不靠谱的，那么又只能像远程监督一样，用 S 和 O 去约束、归一，但是这又会有多少种情况呢？最终是不是又变成了 garbage in garbage out 了？
综上，我们可以看到，不少工业界团队的问题，总结起来就是：
太渴望创新了，却又没有算法功底支撑；放弃思考，只想生搬硬套。他们往往过于相信大模型，认为所有的问题都可以通过大模型解决，同时又信了搞大模型的那些论文的邪，将自己过多的精力放在了测试集打榜上，从而忽略了自己的立足点——我的问题是什么，这个问题到底有多大的价值。
“什么问题可以放在基础模型层解决，什么问题应该靠上层应用策略解决”，这种策略分层能力是每个AI团队的负责人必备的素质。负责人需要有足够清醒的头脑，及对行业有充分的洞察，不要再为创新而创新了。
| 留言与评论（共有 0 条评论） “” |
