常用的“四大物联网”通讯网络

大量被边缘化、失业和商业失败的人群，加入了“数据奴隶”的大军。他们将生命中的大部分时间贡献给网络，形成大数据。他们中的很多人，迷恋140个字符的碎片思维和写作，传播肤浅空洞的社交网红热帖，习惯使用简单粗暴的干货。沉浸在电脑、手机或游戏里的聊天者，好像只要一秒钟不检查消息，就会感觉被整个世界抛弃了。

结果，在AI永无止境地学习时，有一批人类却正在变成只贡献、无收入的“数字佃农”。久而久之，不读书、不思考的人类便丧失了作为“智人”特有的独立思考、系统思维的能力，更不用说抱新技术、发展专业的能力了。严重迷恋这种生活的人，就是 “数据奴隶”。

世界就是这么奇怪，如果没有“数据奴隶”，没有他们在手机电脑等网络界面上留下的行为轨迹，就很难有今天的大数据规模也就没有大数据和数据货币化的机会，也就更不会有基于数据的新秀。

大数据究竟强大了谁?

首先是那些强大的平台公司。根据公开数据，2015年，在谷歌700多亿美元的总收入中，有600亿美元来自广告收入——全球数字佃农们在网络上的辛勤耕耘，为精准广告投放带来了更高的收益。千亿美元市值的 Facebook，全球月活跃用户数高达16亿，为其带来了260亿美元的广告收入。

根据腾讯的数据，2016年，微信与 WeChat(微信海外版)共拥有8.06亿的月活跃用户，90%的用户平均每天使用11-30次，54%的用户每天至少花一小时进行微信交流，仅仅来自效果广告部分的收入就接近40亿元人民币。另外，据IDG公布的数据，2015年，大数据产业产生的收入达1220亿美元，到2019年将增加到1870亿

美元。在这些收入组成中，依靠大数据服务获得的收入占总收入的50%以上;其次是软件，包括收集、查询、报告和分析大数据的工具，以及数据仓库管理工具等。除了IBM、微软等老牌的公司之外，当前崛起的还有很多新秀阿里云、腾讯、百度等。由此不难看出全球经济“一半是海水，一半是火焰”的困境，它们之间就像有一道不可跨越的“量子鸿沟”。
 

由于语言工程、认知科学等主要局限于实验室，目前来看数据处理可能是NLP应用场景最多的一个发展方向。实际上，自从进入大数据时代，各大平台就没有停止过对用户数据的深度挖掘。要想提取出有用的信息，仅提取关键词、统计词频等是远远不够的，必须对用户数据(尤其是发言、评论等)进行语义上的理解。另外，利用离线大数据统计分析的方法进行NLP任务的研究是目前非常有潜力的一种研究范式，尤其是谷歌、推特、百度等大公司在这类应用上的成功经验，引领了目前大数据研究的浪潮。

NLP是为各类企业及开发者提供的用于文本分析及挖掘的核心工具，已经广泛应用在电商、金融、物流、医疗、文化娱乐等行业客户的多项业务中。它可帮助用户搭建内容搜索、内容推荐、舆情识别及分析、文本结构化、对话机器人等智能产品，也能够通过合作，定制个性化的解决方案。由于理解自然语言，需要关于外在世界的广泛知识以及运用操作这些知识的能力，所以NLP也被视为解决强AI的核心问题之一，其未来一般也因此密切结合AI发展，尤其是设计一个模仿人脑的神经网络。

训练NLP文本解析AI系统需要采集大量多源头数据集，对科学家来说是一项持续的挑战：需要使用最新的深度学习模型，模仿人类大脑中神经元的行为，在数百万甚至数十亿的注释示例中进行训练来持续改进。当下一种流行的NLP解决方案是预训练，它改进了对未标记文本进行训练的通用语言模型，以执行特定任务;它的思想就是，该模型的参数不再是随机初始化，而是先有一个任务进行训练得到一套模型参数，然后用这套参数对模型进行初始化，再进行训练，以获得更好的预测性见解。

我们目前已进入一个以互联网为主要标志的海量信息时代，而这些海量信息大部分是以自然语言表示的。一方面，有关的海量信息可为计算机学习自然语言提供更多的“素材”;另一方面，这也为NLP提供更加宽广的应用舞台。例如，作为NLP的重要应用，搜索引擎逐渐成为人们获取信息的重要工具，出现了以谷歌、百度等为代表的搜索引擎巨头;机器翻译也从实验室走入寻常百姓家;基于自然语言处理的中文输入法(如搜狗、微软、谷歌等输入法)成为计算机用户的必备工具;带有语音识别的计算机和手机也正大行其道，协助用户更有效地生活、工作和学习。

现在，NLP领域已经有了大量的人工标注知识，而深度学习可以通过有监督学习得到相关的语义知识，这种知识和人类总结的知识应该存在某种对应关系，尤其是在一些浅层语义方面。因为人工标注，本质上已经给深度学习提供了学习的目标;只是深度学习可以不眠不休地学习，这种逐步靠拢学习目标的过程，可能远比人类总结过程来得更快、更好。这一点，从谷歌公司旗下DeepMind研究团队开发的围棋软件AlphaGo短时间内连胜两位人类围棋高手的事实，似乎能够得到验证。

深度学习在NLP中的应用非常广泛，可以说横扫NLP的各个应用，从底层的分词、语言模型、句法分析、词性标注、语音识别等到高层的语义理解、语用阐释、对话管理、知识问答等方面都几乎都有深度学习的模型，并且取得了不错的效果。有关研究已从传统的机器学习算法转变成更有表现力的深度学习模型，如卷积神经网络和回归神经网络。不过，目前的深度学习技术还不具备理解和使用自然语言所必需的概念抽象和逻辑推理能力，这方面还有待今后进一步的研究。

（编辑：平凉站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!