论文就写了100多页

明敏 发自 凹非寺

非常AI | 公众号 QbitAI

在挑战写语文作文后，AI现在又盯上了高考英语。

结果好家伙，今年高考英语卷（全国甲卷）一上手，就拿了134分。

而且不是偶然的超常发挥。

在2018-2021年的10套真题测试中，AI的分数都在125分以上，最高纪录为138.5分，听力和阅读理解还拿过满分。

这就是由CMU学者提出的，高考英语测试AI系统Qin。

它的参数量只有GPT-3的16分之一，平均成绩却比GPT-3高出15分。

其背后的秘诀名叫重构预训练 （reStructured Pre-training），是作者提出的一种新学习范式。

具体来看，就是把维基百科、YouTube等平台的信息重新提取重构，再喂给AI进行训练，由此让AI具有更强的泛化能力。

两位学者用足足100多页的论文，深入解释了这一新范式。

那么，这一范式到底讲了什么？

我们来深扒一下~

什么是重构预训练？

论文题目很简单，就叫reStructured Pre-training（重构预训练，RST）。

核心观点凝练来说就是一句话，要重视数据啊！

作者认为，这个世界上有价值的信息无处不在，而目前的AI系统并没有充分利用数据中的信息。

比如像维基百科，Github，里面包含了各种可以供模型学习的信号：实体，关系，文本摘要，文本主题等。这些信号之前由于技术瓶颈都没有被考虑。

所以，作者在本文中提出了一种方法，可以用神经网络统一地存储和访问包含各种类型信息的数据。

他们以信号为单位、结构化地表示数据，这很类似于数据科学里我们常常将数据构造成表或JSON格式，然后通过专门的语言（如SQL）来检索所需的信息。

具体来看，这里的信号，其实就是指数据中的有用信息。

比如在“莫扎特生于萨尔茨堡”这句话中，“莫扎特”、“萨尔茨堡”就是信号。

然后，就需要在各种平台上挖掘数据、提取信号，作者把这个过程比作了从矿山里寻宝。

接下来，利用prompt方法，就能将这些来自不同地方的信号统一成一种形式。

最后，再将这些重组的数据集成并存储到语言模型中。

这样一来，该研究就能从10个数据源中，统一26种不同类型的信号，让模型获得很强的泛化能力。

结果表明，在多个数据集中，RST-T、RST-A零样本学习的表现，都优于GPT-3的少样本学习性能。

而为了更进一步测试新方法的表现，作者还想到了让AI做高考题的方法。

他们表示，现在很多工作方法走的都是汉化GPT-3的思路，在评估的应用场景上也是跟随OpenAI、DeepMind。

比如GLUE测评基准、蛋白质折叠评分等。

基于对当下AI模型发展的观察，作者认为可以开辟出一条新的赛道试试，所以就想到了用高考给AI练练手。

他们找来了前后几年共10套试卷进行标注，请高中老师来进行打分。

像听力/识图理解这样的题目，还找来机器视觉、语音识别领域的学者帮忙。

最终，炼出了这套高考英语AI模型，也可以叫她为Qin。

从测试结果可以看到，Qin绝对是学霸级别了，10套卷子成绩都高于T0pp和GPT-3。

此外，作者还提出了高考benchmark。

他们觉得当下很多评价基准的任务都很单一，大多没有实用价值，和人类情况对比也比较困难。

而高考题目既涵盖了各种各样的知识点，还直接有人类分数来做比对，可以说是一箭双雕了。

NLP的第五范式？

如果从更深层次来看，作者认为，重构预训练或许会成为NLP的一种新范式，即把预训练/微调过程视为数据存储/访问过程。

此前，作者将NLP的发展总结成了4种范式：

• P1. 非神经网络时代的完全监督学习 （Fully Supervised Learning, Non-Neural Network）
• P2. 基于神经网络的完全监督学习 (Fully Supervised Learning, Neural Network)
• P3. 预训练，精调范式 (Pre-train, Fine-tune)
• P4. 预训练，提示，预测范式（Pre-train, Prompt, Predict）

但是基于当下对NLP发展的观察，他们认为或许之后可以以一种data-centric的方式来看待问题。

也就是，预训/精调、few-shot/zero-shot等概念的差异化会更加模糊，核心只关注一个点——

有价值的信息有多少、能利用多少。

此外，他们还提出了一个NLP进化假说。

其中的核心思想是，技术发展方向总是顺着这样的——做更少的事实现更好、更通用的系统。

作者认为，NLP经历了特征工程、架构工程、目标工程、提示工程，当下正在朝着数据工程方向发展。

复旦武大校友打造

本篇论文的一作为Weizhe Yuan。

她本科毕业于武汉大学，后赴卡内基梅隆大学读研，学习数据科学专业。

研究方向集中在NLP任务的文本生成和评估。

去年，她被AAAI 2022、NeurIPS 2021分别接收了一篇论文，还获得了ACL 2021 Best Demo Paper Award。

论文的通讯作者为卡内基梅隆大学语言技术研究所（LTI）的博士后研究员刘鹏飞。

他于2019年在复旦大学计算机系获得博士学位，师从邱锡鹏教授、黄萱菁教授。

研究兴趣包括NLP模型可解释性、迁移学习、任务学习等。

博士期间，他包揽了各种计算机领域的奖学金，包括IBM博士奖学金、微软学者奖学金、腾讯人工智能奖学金、百度奖学金。

One More Thing

值得一提的是，刘鹏飞在和我们介绍这项工作时，直言“最初我们就没打算拿去投稿”。

这是因为他们不想让会议论文的格式限制了构思论文的想象力。

我们决定把这篇论文当作一个故事来讲，并给“读者”一种看电影的体验。

这也是为什么我们在第三页，设置了一个“观影模式“的全景图。

就是为了带着大家去了解NLP发展的历史，以及我们所展望的未来是怎样的，让每一个研究者都能有一定的代入感，感受到自己去带领着预训练语言模型们(PLMs)通过矿山寻宝走向更好明天的一个过程。

论文结尾，还藏了一些惊喜彩蛋。

比如PLMs主题表情包：

还有结尾的插画：

这么看，100多页的论文读起来也不会累了~

论文地址：
https://arxiv.org/abs/2206.11147