提起閱讀理解這四個字，你會想到什么？

被四六級雅思托福支配的恐懼？語文試卷上連原作者都搞不懂的選擇題？

不管哪種答案，肯定都逃不出一個規律：進行閱讀理解這項有益身心運動的主體，必然是跟你我一樣的人類。

畢竟嘛，這東西需要閱讀一大段文字，然后理解了意義之后再做題目，堪稱一場考試中最復雜最費腦筋，也最考驗綜合能力的一個環節。所以你的英語老師一定說過這樣一句話：得閱讀理解者得天下。

然而，可是，但是，如果告訴你今天得這個天下的已經不再是人類，而是AI了，你會怎么想？也許此前我們想象過單詞聽寫、句子翻譯甚至寫作都可以被AI完成，但是閱讀理解這件事人類已經被甩在了AI身后，大概很多人都沒想到。

可事實就是這樣，近日，斯坦福大學著名的機器閱讀理解賽事SQuAD刷新了全球排名，阿里巴巴憑借82.440的精準率打破了世界紀錄，超越了人類82.304的平均得分。

當然了，AI是不會去跟你比托福刷分的，這件事的背后，腦洞有點大哦…

什么是機器閱讀理解？

機器閱讀理解，雖然看起來只是讓AI上陣來一場考試。但是卻是自然語言處理技術中，繼語音判斷、語義理解之后最大的挑戰：讓智能體理解全文語境。

而斯坦福大學發起的SQuAD挑戰賽，則是業內公認的機器閱讀理解最高水平賽事。

SQuAD挑戰賽的基本規則，是通過眾包的方式構建一個包含10萬個問題左右的大規模數據集，并給出來源于維基百科長度大約在幾百個單詞左右的文章。參賽者提交的AI模型在閱讀完數據集中的一篇短文之后，回答若干個基于文章內容的問題，答案與標準答案進行比對，最終得出成績。

由于閱讀理解這項“智能”調整，需要運用到大量邏輯、細節和結構分析能力，并且直接作用于現實中的文本資料，所以實際價值很大。

比如說，我們首先要面對的問題就是，假如人工智能已經比人類平均水平更擅長在對文本中精準信息進行理解和回答，會帶給我們什么呢？

當AI的“閱讀理解”得分超越人類，意味著什么

舉個例子或許可以很簡單的理解這個問題：英語考試上，當機器可以翻譯單詞的時候，我們一點都不驚奇；但機器可以聽寫整句話的時候，我們會感嘆技術進步了；當機器自己做閱讀理解的時候，我們大概會想：還要我考這個試干什么?

這里面的差別，在于處理閱讀理解相關問題時，AI不只是要運算和記錄，而是要主動去分析和理解，所以閱讀理解問題一直被人問是NLP的標志性臨界點。但這個點被AI破解，直接意味著很多必須人類才能完成的工作已經正式能夠被AI接管。

因為閱讀理解問題，不只是要處理語音和簡單的語義，而是要理解和關注詞匯、語句、篇章結構、思維邏輯、輔助語句和關鍵句等等元素構成的復雜組織網絡。

機器閱讀理解“達標”，最直接的產業影響，是大多數今天還必須由人工完成的規則、對話、服務信息類的相關理解工作，都可以被人工智能所取代。比如說客服、信息管理和推薦類的工作，都可以考慮用不妙不休、高運算速度的機器來取代。

機器閱讀理解如何工作

或許我們都注意到了這樣一個問題：今天的互聯網世界，在變得越來越多文本內容，各種各樣的信息爆炸而來。太多你知道的、你不知道的、你以為自己知道的卻實際不知道的事情呼嘯而過。甚至你雙11想要剁個手，都有各種各樣的游戲規則等著你。自己讀吧，太累太痛苦還沒時間，問客服吧，很可能出錯還很慢，簡直是薛定諤式問題。

這里或許就可以用機器閱讀理解來解決了。比如客戶對某個電商促銷規則有疑問，就可以直接向AI提問，而AI就可以把這個問題當做一道閱讀理解問題來進行解決方案回饋。

機器閱讀理解能力，將在如何向客戶提供非模板式的智能客服服務中發揮作用。而當AI在這些能力上超越人工，那么機器客服的利用價值將可能快速提升。換句話說，機器客服終于可以不那么機器了.....

由此不難看出，這種關鍵能力的標桿性突破，對大量強調與普通消費者交互的產業線益處最多。

推而廣之，機器閱讀能力也是文娛領域進行內容尋找和推薦的有效方式，比如閱讀用戶提出的復雜需求，進行精準推薦；與IoT產品相結合，給出對用戶大段語言的回饋，乃至對話互動，都必須以機器理解能力為依托。

理解力，讓我們在未來面前不僅是個孩子

除了知道AI可以充當更好的客服之外，究竟我們為什么應該關注機器閱讀理解這件事？或許關鍵，是我們應該知道“理解力”在目前AI世界中的重要程度和期待指數。

AI作為一種從計算機科學下的分支，一個智能體先天具備的是運算能力，而希望進行仿人類智慧的智能模擬，第二步就是模仿人類的感知。今天我們看到的機器視覺、語音識別、語義理解，都是在做這件事。而第三步，就是讓AI產生理解力。

顯然，識別有著龐大的應用場景，并會在接下來很長一段時間內占據主流。但是AI的理解能力是大多數識別能力的進化，假如單純的識別出卻無法產生輸出，那么AI無非是更靈活的傳感器而已。

從這個邏輯上看，閱讀理解這道題絕不僅僅是個測試，或者商業應用的技術加持，更重要的是開啟AI紀元里理解力的加速器。

更廣闊的意義在于，我們或許距離永遠不用測試機器閱讀理解更近了一步。當我們不再考慮機器是否能理解人類文本和語言，那么DeepNLP將可能達成，人機交互的范圍將級擴大。機器智能可以開始捕捉人類的邏輯和函指。

可能那還很遠，也可能很近，但機器理解力讓我們在未來面前不止是個孩子，應該是毫無疑問的。