OFweek网讯：李磊博士，今日头条科学家、头条实验室总监，原百度美国深度学习实验室少帅科学家。上海交通大学计算机系本科，卡耐基梅隆大学计算机系博士，毕业论文获美国计算机学会SIGKDD最佳博士论文之一。曾于微软研究院、Google、IBMTJWatson、加州大学伯克利分校工作。在机器学习和自然语言理解方面于国际顶级学术会议发表论文30余篇，拥有三项美国技术发明专利。机器之心不久前曾对李磊博士进行过专访，主题是准确率更高的问答系统和概率程序语言。

以下是关于机器理解语言演讲全文：

大家下午好！很荣幸有机会在这里和各位专家学者以及同行朋友们交流人工智能在自然语言理解方面可以做到的一些成果。今天我会介绍一下用机器学习怎样来做自然语言的理解，怎样跟人对话、问答以及怎样自动创作新闻；做到这些事情，我们需要哪些机器学习的工具，和哪些基础的算法模块；然后介绍三个方面，分别是对话机器人、问答机器人、自动创作新闻的机器人，具体是通过何种技术来实现的；最后介绍我们如何来实现通用的人工智能，或者说目前的人工智能技术还有哪些挑战以及我的一些思考。

今年年初GOOGLE的DeepMind通过他们的围棋机器人AlphaGO让全世界几乎所有的人都知道，机器学习可以在某些任务上达到甚至超过人类的智力水平。那围棋的机器学习是怎样来实现的？用了两部分的算法，一部分深度学习，另一部分强化学习或者蒙特卡洛树搜索。我后面介绍的内容与深度学习有关。从过去20年或者30年神经网络以及深度学习发展的成功经验里都可以看到，深度学习解决一类问题是非常非常有效的，这一类问题是有监督学习。什么叫有监督学习？就是你给一组数据X，希望对这组数据做一点预测，它是Y，你希望通过机器学习的方法找到从X到Y的映射函数f。

例如我们的输入是一张图片，我们的输出是这张图片的标记，它到底属于哪个类别，是猫还是狗，这是图像分类问题。如果我们的输入是一句中文的语音，输出是一句英文，那从中文到英文同样是一个有监督的学习或者叫机器翻译。第三个例子，我们给一个图片，我们希望生成一段文字来描述这个图片。大家知道我们小的时候会做看图说话，是不是机器也可以做看图说话？同样，这就可以把它建模成一个有监督学习的问题。第四，输入是一段语音，输出是这段语音对应的文字，这个叫语音识别，同样是有监督学习的问题。当然可以把这个问题反过来，输入是一段文字，输出是一段语音，这就是语音合成，同样是一个有监督学习。深度学习在解决这样一类有监督学习的问题时，只要数据充分、模型合适，可以做到非常好。

那么深度学习究竟是如何来做的？深度学习或者人工神经网络最早是从人脑的工作方式得到启发。人脑由非常非常多的神经元组成，每个神经原元都只可以做非常简单的事情，但把这些神经元连接起来就可以做一些比较复杂的事情。

从这里得到启发，我们的人工智能先驱创作了人工神经元。人工神经元同样有一些输入，这个输入经过非常简单的方式加权求和，通过非线性的函数输出一些结果，把很多个这样的神经元组合起来，就可以做一些复杂的事情。