在FAIR和蒙特利爾大學(xué)合作的最新研究中，研究人員首次將實(shí)驗(yàn)中將感知、行動(dòng)和使用自然語言交互達(dá)成目標(biāo)這三個(gè)任務(wù)結(jié)合在一起：讓兩個(gè)Bot使用自然語言對話，讓“導(dǎo)游bot”將“游客bot”帶到指定地點(diǎn)，而且導(dǎo)航成功率超越了人類。

Facebook讓兩個(gè)Bot自己游紐約，“導(dǎo)游Bot”在模擬的紐約市中導(dǎo)航定位，使用自然語言跟“游客Bot”交流，成功率超過了88%！

這已經(jīng)顯著超越某些“路癡”人類，而且，兩個(gè)Bot還是使用自然語言在交流。

兩個(gè)Bot使用自然語言交流導(dǎo)航定位

在今天最新上傳到arxiv的一篇研究論文中，F(xiàn)acebook人工智能實(shí)驗(yàn)室（FAIR）與蒙特利爾大學(xué)合作，研究人工智能系統(tǒng)如何定位，并比人類更好地傳達(dá)觀測數(shù)據(jù)。

研究人員把他們的實(shí)驗(yàn)成為“Talk the Walk”。在實(shí)驗(yàn)中，他們將游客Bot隨機(jī)放到紐約市的一個(gè)街角，再讓一個(gè)導(dǎo)游Bot將前者引導(dǎo)到2D地圖上的某個(gè)位置。導(dǎo)游Bot知道地圖，也知道目標(biāo)地點(diǎn)，但是不知道游客Bot在哪里；游客Bot擁有360°視角，但不知道地圖，也不清楚目標(biāo)地點(diǎn)。

游客和導(dǎo)游必須相互溝通，交流彼此所知道的信息，才能實(shí)現(xiàn)目標(biāo)。

想象一下兩個(gè)Bot的對話：

導(dǎo)游：你好，你在附近嗎？

游客：你好，在我面前是“布魯克斯兄弟”。

導(dǎo)游：這是家商店還是餐館？

游客：這是一家服裝店。

導(dǎo)游：你往地圖西北角的十字路口走。

游客：我身后似乎有一家銀行。

導(dǎo)游：好的，左轉(zhuǎn)然后沿著那條路直行。

...

研究人員表示，Talk the Walk是首個(gè)將所有三個(gè)要素結(jié)合在一起的任務(wù)：感知（游客Bot觀察世）、行為（游客Bot在環(huán)境中導(dǎo)航），以及語言交互達(dá)成目標(biāo)（導(dǎo)游Bot為游客Bot提供引導(dǎo)幫助其實(shí)現(xiàn)目標(biāo)）。

首次將感知、行動(dòng)和使用自然語言交流達(dá)成目標(biāo)結(jié)合在一起

實(shí)驗(yàn)中使用的街景地圖數(shù)據(jù)，是MTurk眾包手動(dòng)收集的幾個(gè)紐約市街區(qū)的360°視圖。這些街景環(huán)境被整合到ParlAI中，這是Facebook的一個(gè)用于訓(xùn)練AI的框架，支持很多任務(wù)，包含的數(shù)據(jù)集包括SQuAD,bAbI tasks,MS MARCO,MCTest,WikiQA,WebQuestions等等。

實(shí)驗(yàn)中使用的自然語言數(shù)據(jù)，也是MTurk的真人對話，用幾周時(shí)間收集，包含10k成功的導(dǎo)航對話。平均來說，人類需要超過62次行動(dòng)（對話和走路）才能順利到達(dá)目標(biāo)地點(diǎn)。大部分行動(dòng)發(fā)生在游客這邊，平均每次對話44次行動(dòng)。人類導(dǎo)游大約說了9次話（稍微比游客的8次話多一點(diǎn)點(diǎn)）。

雖然研究人員的目標(biāo)是讓Bot通過自然語言來處理收集到的信息，但他們發(fā)現(xiàn)，當(dāng)Bot使用“合成語言”時(shí)，完成任務(wù)的效果更好，因?yàn)楹笳吒蕾囉谑褂酶唵蔚姆杹韨鬟_(dá)信息和位置。這種不那么自然的數(shù)據(jù)通信方式不僅優(yōu)于人類的聊天，還能讓Bot比人在自然語言聊天中更簡單快讀地找到自己的道路。

機(jī)器比人類更擅長導(dǎo)航定位！

Talk The Walk的實(shí)驗(yàn)環(huán)境設(shè)置全部來自現(xiàn)實(shí)世界，因此尤其困難。讓兩個(gè)人用文字描述自己周圍的不熟悉環(huán)境已經(jīng)不容易，何況兩個(gè)Bot？

為了解決這個(gè)問題，研究人員提出了一個(gè)名為MASC（Masked Attention for Spatial Convolution）的機(jī)制，讓Bot能快速從語言模型中解析對方回應(yīng)的關(guān)鍵字的內(nèi)容。Facebook表示，利用該流程可以使正在測試的結(jié)果的準(zhǔn)確性翻倍。

結(jié)果顯示，他們最好的溝通模型（emergent communication model）準(zhǔn)確率幾乎達(dá)到了70%，要顯著優(yōu)于從人類話語中得到最好的定位模型（大約20％），這表明人類很不善于定位，因?yàn)槿祟惒⒉豢偰芎芎玫貍鬟_(dá)自己的觀察和行動(dòng)。

不僅如此，他們最好的定位模型（continuous communication, with MASC, and T = 3）在整個(gè)導(dǎo)航任務(wù)測試中達(dá)到了88.33%的準(zhǔn)確率，超過了人類76.74%的表現(xiàn)。

激動(dòng)人心的新研究方向：用自然語言對話解決現(xiàn)實(shí)世界問題

研究人員表示，這是一項(xiàng)基礎(chǔ)性研究，這次實(shí)驗(yàn)只是初步結(jié)果，還提出了更多的問題等待解決。

“如果你真的想要解決所有人工智能問題，那么你可能要有解決不同子問題的不同模塊或組件，”Facebook AI研究科學(xué)家Douwe Kiela在接受TechCrunch記者采訪時(shí)表示：“從這個(gè)意義上說，這個(gè)問題是一個(gè)真正的挑戰(zhàn)。”

他希望有更多的人參與進(jìn)來與他們共同在這個(gè)激動(dòng)人心的新研究方向上與他們合作。