继国际象棋、围棋、游戏等领域之后，人工智能首次在深度阅读理解超越人类。

2019年3月8日，中国人工智能“国家队”云从科技和上海交通大学联合宣布，在自然语言处理（NLP Neuro-Linguistic Programming）上取得重大突破，在大型深层阅读理解任务数据集RACE数据集（ReAding Comprehension dataset collected from English Examinations）登顶第一，并成为世界首个超过人类排名的模型。

有评论认为，这会是机器深层理解人类语言的开端。

论文中，云从科技与上海交通大学基于原创DCMN算法，提出了一种全新的模型，使机器阅读理解正确率提高了4.2个百分点，并在高中测试题部分首次超越人类（机器正确率69.8%、普通人类69.4%）。

这一研究成果，在应用领域搭配文字识别OCR/语音识别技术后，NLP将会帮助机器更好地理解人类文字/语言，并广泛应用于服务领域：帮助企业判断客户风险、审计内部文档合规、从语义层面查找相关信息；在社交软件、推荐引擎软件内辅助文字审阅工作，从枯燥的人工文字工作中解放人类。

突破语义理解瓶颈

此次云从科技和上海交通大学在自然语言处理（NLP）领域的深度阅读理解上登顶RACE排行榜第一名。RACE是一个来源于中学考试题目的大规模阅读理解数据集，包含了大约28000个文章以及近100000个问题。它的形式类似于英语考试中的阅读理解（选择题），给定一篇文章，通过阅读并理解文章（Passage），针对提出的问题（Question）从四个选项中选择正确的答案（Answers）。该题型的正确答案并不一定直接体现在文章中，只能从语义层面深入理解文章，通过分析文章中线索并基于上下文推理，选出正确答案。相对以往的抽取类阅读理解，算法要求更高，被认为是“深度阅读理解”。

RACE数据集的难点在于：由于正确答案并没有直接使用文章中的话术来回答，不能直接从文中检索得到答案。必须从语义层面深入理解文章，才能准确回答问题。

解决方案

怎么让机器在庞大的题库文章中（28000个）找到正确的答案？

云从科技与上海交通大学首创了一种P、Q、与A之间的匹配机制，称为Dual Co-Matching Network（简称DCMN），并基于这种机制探索性的研究了P、Q、与A的各种组合下的匹配策略。

结果显示，采用PQ_A的匹配策略，即先将P与Q连接，然后与A匹配，策略都得到了更优的结果。

再将模型（基于PQ_A策略）与其他已知的模型、以及纯粹基于BERT自身的模型进行了比较，得到如下的结果：

从RACE leaderboard上结果比较可以得到以下结论：

·云从科技与上海交大的单体模型就已经超越榜单上所有的单体或Ensemble模型；

·云从科技与上海交大的Ensemble模型在高中题目（RACE-H）部分优于人类结果（Turkers）。

论文缘起

这篇论文的作者，来自中国人工智能“国家队”云从科技与上海交通大学。

云从科技孵化于中国科学院，2017年3月，承担国家“人工智能”基础项目——“人工智能基础资源公共服务平台”建设任务。

2018年10月的国家“人工智能基础资源与公共服务平台”发布会上，云从科技创始人周曦提出了人工智能发展五个阶段，核心技术闭环是五个阶段的重要基础。

从感知到认知决策的一系列技术组成了核心技术闭环：

1-感知技术：人脸识别、语音识别、文字识别OCR、体态识别、跨镜追踪（ReID）、车辆识别等

2-认知决策：自然语言处理（NLP）、脑科学、大数据分析（风控、精准营销）等