专栏首页量子位要啥给啥的写作AI:新闻评论小说都能编,题材风格随便选,真假难辨,16亿参数模型已开源

要啥给啥的写作AI:新闻评论小说都能编,题材风格随便选,真假难辨,16亿参数模型已开源

鱼羊 乾明 发自 凹非寺 量子位 报道 | 公众号 QbitAI

AI编故事,一模更比一模秀。

这里“一模”,自然是OpenAI横空出世的GPT-2。但今日更秀的另一模型,来自Salesforce——全球最大的SaaS提供商,虽然之前AI能力展露不多,但这一次,绝对一鸣惊人。

作家知道会沉默,评论水军看了要流泪。因为定向化编故事、生成文案评论的能力,实在太强了!

话不多说,直接看“作品”。

定向化编故事,真假难辨

给它一把刀,它编出了这样的“恐怖故事”:

刀柄从洞里拔了出来。当刀击中我时,我吓了一跳,惊恐地睁大了眼睛。除了呜咽声,我只听到她的尖叫声。 蜘蛛准备挖她上面的拱顶时,碰到了她的脚,小家伙的眼泪开始流下来。蜘蛛抬头看着她,回望着我,眼里充满了热泪。我的心开始狂跳……

有情景、有逻辑、有细节,还有故事性,写作功力简直职业作家水平。

还能编出“买家好评”:

刀是一种工具,这个很好用。这是我买给我丈夫的。他拿到它们之后就一直用它们来切肉。 他说它们很锋利,所以使用时要小心,但这似乎不是什么大问题。从鸡胸肉到牛里脊肉,他都切过……

相比无脑好评的水军,AI给出的结果很难想象是机器写的,核心信息点、细节,全都有了。

但写得好、写得真假难辨,还不是重点!

更关键的是,这个模型的独特之处——只需要给出条件,它就能“定向”编故事,写命题作文,指哪打哪,想写什么风格就写什么风格。

与脑洞过于天马行空的GPT-2相比,它更能够被人驯服利用。

于是模型放出后,很快就引起了业内人士的关注。也有人给出评价:

这太酷了!能够以更结构化的方式控制文本生成非常有价值。

而且,这个NLP模型具有16亿参数,比之前最大的GPT-2还要多一个亿。

虽然同样担心模型被滥用,但在研究人员看来,开放可能会更好,能让更多的人参与进来,一起抵抗。

所以,他们直接在GitHub上放出了多个全尺寸的、经过训练的 CTRL 版本。而不是像GPT-2一样,挤牙膏开源。

而且,它还是个全能选手,不仅能编故事,比如在Reddit论坛健身、理财板块发表不同的评论。

它还有很多正经用途:编写维基百科词条、回答各类常识问题、翻译文字等等。

那么这是一个怎样的NLP模型?

16亿参数的语言模型

这个模型,有一个非常有“灵性”的名字:CTRL,全称为Conditional Transformer Language,基于条件的Transformer语言模型。

自从有了Transformer,文本生成领域的大前辈就一个接着一个,这厢BERT开创先河,那厢GPT-2都能写论文了。

但是,与人类的创作方法不同,生成的文本再以假乱真,语言模型前辈们也不能按照特定的主题来写作内容。

于是,CTRL诞生了。

这是一个拥有多达16亿参数的条件Transformer语言模型(GPT-2模型参数15亿),采用无监督学习,并且正如其名,能够对文本生成的内容进行更精准的控制。

比如给出一个商品评分:1.0。

GPT-2生成的内容是这样的:

而CTRL,会生成这样的结果:

我为我儿子买了这个,他是这个节目的忠实粉丝。在拿到它之前,他非常期待。但当他打开它时,我们都非常失望。产品质量太差了。它看起来就像是一元店里的东西。 这玩意儿状况很差。前盖上有几处划痕以及其他一些轻微磨损……

实现的关键,在于控制代码(control codes)

CTRL以控制代码c为条件,学习分布 p ( x | c )。这一分布可以用概率链规则分解,并通过考虑控制代码的损失来进行训练。

控制代码能使用户意图为语言模型所理解。

通过标注训练数据集的特定标签,CTRL模型中大部分控制代码能指定生成文本的整体样式。

即使给出的提示(prompt)相同,控制代码也允许生成多样化的内容。并且,就算不给提示,CTRL一样能生成特定风格的文本。

在有控制代码的情况下,开头也不用给

而将控制代码添加到标签代码中,可以进一步限制生成。

比如在OpenWebText版本中,在每一个文档后面加入URL地址,作为输入序列的开头。

这样,CTRL在训练过程中,就会学习这些URL的结构和文本之间的关系。在推理过程中,URL可以指定各种功能,包括域,子域,实体,实体关系,乃至日期。

除此之外,还有一小部分控制代码是与问答、翻译这样的特定任务相关的。这些控制代码相对复杂。

好玩的是,混合控制代码会产生一些有意思的文本。

比如把翻译控制代码混合到饮食这个标签中,生成的文本就拥有了两种不同语言的版本:

再比如说把政治和法语提示混到一起:

这些组合,在此前的训练中都没有出现过

值得一提的是,CTRL的训练文本数据多达140GB,包括维基百科,Gutenberg上的书籍,OpenWebText2数据集(GPT-2网页文本数据集克隆版),大量新闻数据集,亚马逊评价,来自ELI5的问答,以及包括斯坦福问答数据集在内的MRQA共享任务等等等等。

数据集虽然没有开源,但Salesforce表示,他们会发布与数据收集相关的代码。

以及,由于控制代码和用于训练模型的文本之间存在直接关系,CTRL能判断出新文本生成时对其影响最大的数据源是哪一个。

全球最大的SaaS服务提供商出品

这篇论文来自Salesforce——全球最大的SaaS服务提供商。

最近最为人关注的是一次大规模商业并购:豪掷157亿美元收购大数据公司Tableau。

Salesforce Research是其内部的研究部门,核心目标是用AI来解决业务中的问题,已经在NLP领域颇有建树。

目前,这一部门由Salesforce的首席科学家Richard Socher领导。

他博士毕业于斯坦福大学计算机系。2016年,自己创办的公司被Salesforce收购后,加入Salesforce。

根据他个人网站信息,仅在2019年他就发布了11篇顶会论文,其中ACL 2019 3篇;ICLR 2019 6篇;CVPR 2019 1篇;ICML 2019 3篇。

他也是这篇论文的作者之一。这篇论文的其他作者,都是Salesforce Research的研究员。第一作者有两位,分别是Nitish Shirish Keskar和Bryan McCann。

其中,Nitish Shirish Keskar是Salesforce的高级研究员,博士毕业于西北大学,研究方向为深度学习及其在自然语言处理和计算机视觉方面的应用。他的个人页面显示,已经发表了14篇论文,其中不乏ICLR等顶会。

Bryan McCann也是Salesforce高级研究员,毕业于斯坦福大学,曾经担任过吴恩达机器学习课程的助理,研究方向是深度学习及其在自然语言处理方面的应用。个人网站显示,他发表过7篇论文,不乏ACL、NeurIPS、EMNLP等AI顶会。

引发参数热议

这一研究成果,也引起了大家对模型参数的讨论。

有人说,15亿参数也好,16亿参数也罢,要是英伟达的Megatron放出来,80亿参数肯定都通通碾压。

但也有人给出冷思考,表示参数很多并不是优点,而是一个弱点。阿姆斯特丹大学的助理教授Willem Zuidema说:

为什么规模大是一个卖点?我理解人们为建立了一个非常好的模型而自豪,甚至为找到了在有限的计算资源上训练大型模型的方法而自豪。 但在我看来,16亿参数本身似乎是一个弱点,而不是优势。

对此,Richard Socher也给出了回应:

确实,假设性能相同,较小的模型更好。但事实证明,只要你在大量的训练数据上训练它,语言模型的性能和记忆事实的能力与大小是密切相关的。

Jelle Zuidema再度回应,给出了进一步的解释:

令我惊讶的是,“最大”是声明中的第一个形容词,而“高质量”只是最后一点。 我认为有必要提醒人们,理想的方法仍然是更少的参数、更少的培训和更好的性能。

你怎么看?

传送门

最后,如果你对这个研究感兴趣,请收好传送门:

项目地址: https://github.com/salesforce/ctrl

论文地址: https://einstein.ai/presentations/ctrl.pdf

博客文章: https://blog.einstein.ai/introducing-a-conditional-transformer-language-model-for-controllable-generation/

本文分享自微信公众号 - 量子位(QbitAI)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-09-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 图解 2018 年领先的两大 NLP 模型:BERT 和 ELMo

    2018 年已经成为自然语言处理机器学习模型的转折点。我们对如何以最能捕捉潜在意义和关系的方式、最准确地表示单词和句子的理解正在迅速发展。

    崔庆才
  • 手把手教你如何选择、斩下NLP算法岗offer!

    这篇文章不是面经集合,也不是装X和贩卖焦虑的晒offer贴,也不是堆砌可能问到的知识点,而是希望给还在迷茫的小伙伴提供一些系统的指导和建议。当然,这些建议可能不...

    AI研习社
  • 【NLP-词向量】词向量的由来及本质

    词嵌入是所有自然语言处理任务所必须要经历的步骤,非常的重要。词向量在网络上已经有了大量的文章,但是,出于我们专栏的完整性系统性的考虑,笔者还是决定加上这样一个专...

    用户1508658
  • 活动报名 | 集结腾讯技术专家,共探AI技术原理与实践

    | 导语 9月7日,上海市长宁区Hello coffee,云+社区邀您参加《AI技术原理与实践》沙龙活动,聚焦人工智能技术在各产业领域的应用落地,共话AI技术...

    腾讯大数据
  • 微软亚研提出VL-BERT:通用的视觉-语言预训练模型

    作者:Weijie Su、Xizhou Zhu、Yue Cao、Bin Li、Lewei Lu、Furu Wei、Jifeng Dai

    机器之心
  • NLP领域中的迁移学习现状

    在过去一年多的时间里,以预训练模型形式进行的迁移学习已经成为NLP领域的主流,许多任务的基准都因而得到极大地提升。然而事实上迁移学习在NLP中并不是最近才出现的...

    AI科技评论
  • 【每周NLP论文推荐】 聊天机器人中FAQ相关的论文推荐

    今天推荐FAQ相关的论文,FAQ是聊天机器人的一种,它主要是基于用户的question,匹配相应的答案,返回给用户answer,没有太多的多轮交互。FAQ有较多...

    用户1508658
  • 自然语言处理基石 Embedding 最新进展汇总

    词嵌入(word embeddings)和句嵌入(sentence embeddings)已经成为任何基于深度学习的自然语言处理系统不可或缺的部分。

    崔庆才
  • 一起探讨NLP的边界和未来,学术界与工业界在“语言与智能高峰论坛”上擦出火花

    语言与智能技术发展到了什么程度?未来的技术发展趋势是什么?如何与其他人工智能技术协同发展?都是值得思考与探讨的问题。

    量子位
  • NLP这两年:15个预训练模型对比分析与剖析

    在之前写过的《NLP的游戏规则从此改写?从word2vec, ELMo到BERT》一文中,介绍了从word2vec到ELMo再到BERT的发展路径。而在BERT...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券