[[406821]]

自然語言處理（NLP）被譽為 AI 皇冠上的明珠，傳統(tǒng) NLP 模型制作復(fù)雜，耗時耗力，且用途單一，難以復(fù)用，猶如手工作坊。而近幾年興起的預(yù)訓(xùn)練語言模型，正在改變局面，有望讓語言 AI 走向可規(guī)模化復(fù)制的工業(yè)時代。因此，「預(yù)訓(xùn)練 + 精調(diào)」已成為 NLP 任務(wù)的新范式。

阿里巴巴達摩院作為最早投入預(yù)訓(xùn)練語言模型研究的團隊之一，歷經(jīng)三年研發(fā)出深度語言模型體系 AliceMind, 在通用語言模型 StructBERT 的基礎(chǔ)上，拓展到多語言、生成式、多模態(tài)、結(jié)構(gòu)化、知識驅(qū)動等方向，能力全面。其中的模型先后登頂 GLUE、CLUE、XTREME、VQA Challenge、DocVQA、MS MARCO 在內(nèi)的自然語言處理領(lǐng)域六大權(quán)威榜單，領(lǐng)先業(yè)界，相關(guān)工作論文被 AI/NLP 頂會接收，并在 6 月入選 2021 世界人工智能大會最高獎 SAIL 獎 TOP30 榜單。

上周 AliceMind 再次登頂多模態(tài)權(quán)威榜單 VQA Challenge 2021 視覺問答挑戰(zhàn)賽，戰(zhàn)勝了微軟、Facebook 等幾十家國際頂尖團隊，超越第二名 1 個點，將紀錄從去年第一名的 76.36% 顯著提升到 79.78%，接近人類水平（80.78%）。

就在近日，阿里巴巴達摩院宣布正式開源 AliceMind。達摩院相關(guān)負責人表示，希望通過開源來降低業(yè)界研究和創(chuàng)新應(yīng)用的門檻，助推語言 AI 進入大工業(yè)時代。

據(jù)介紹，達摩院深度語言模型體系 AliceMind，包括通用語言模型 StructBERT、多語言 VECO、生成式 PALM、多模態(tài) StructVBERT、結(jié)構(gòu)化 StructuralLM、知識驅(qū)動 LatticeBERT、機器閱讀理解 UED、超大模型 PLUG 等，此次大部分已開源。此外，AliceMind 之后將圍繞「預(yù)訓(xùn)練 + 精調(diào)」語言模型持續(xù)進行生態(tài)性的技術(shù)開源。

AliceMind 開源地址：
https://github.com/alibaba/AliceMind

AliceMind 體驗入口：
https://nlp.aliyun.com/portal#/alice

AliceMind 的創(chuàng)新之處

1、通用語言模型 StructBERT

Google 于 2018 年底推出的 BERT 模型是業(yè)界廣泛使用的自然語言預(yù)訓(xùn)練模型，達摩院團隊在 BERT 的基礎(chǔ)上提出優(yōu)化模型 StructBERT，讓機器更好地掌握人類語法，理解自然語言，2020 年多次在自然語言處理領(lǐng)域頂級賽事 GLUE Benchmark 上奪冠。

StructBERT 通過在句子級別和詞級別引入兩個新的目標函數(shù)，好比給機器內(nèi)置一個「語法識別器」，使機器在面對語序錯亂或不符合語法習慣的詞句時，仍能準確理解并給出正確的表達和回應(yīng)，大大提高機器對詞語、句子以及語言整體的理解力。相關(guān)論文被 ICLR2020 接收。

2、多語言語言模型 VECO

跨語言預(yù)訓(xùn)練初衷是為多種語言建立起一個統(tǒng)一聯(lián)合的語義表示，AliceMind 體系內(nèi)的跨語言預(yù)訓(xùn)練模型 VECO 一經(jīng)提出，便在國際權(quán)威多語言榜單 XTREME 排名第一，遠超 Facebook、Microsoft 等業(yè)界代表性模型。VECO 目前支持 100 種語言的理解和生成任務(wù)。

VECO 效果亮眼，主要是因為兩項創(chuàng)新：一是其可以更加「顯式」地進行跨語言信息的建模（圖 1）；二是 VECO 在預(yù)訓(xùn)練的過程充分學習用于語言理解（NLU）和生成（NLG）任務(wù)，并讓二者互相學習提高彼此（圖 2）。因此，VECO 模型成為了多語言領(lǐng)域內(nèi)的第一個同時在多語言理解（NLU）和語言生成（NLG）任務(wù)上均取得業(yè)內(nèi)最佳效果的模型，相關(guān)論文被頂會 ACL 2021 接收。

3、生成式語言模型 PALM

PALM 采用了與之前的生成模型不同的預(yù)訓(xùn)練方式，將預(yù)測后續(xù)文本作為其預(yù)訓(xùn)練目標，而非重構(gòu)輸入文本。PALM 在一個模型中使用自編碼方式來編碼輸入文本，同時使用自回歸方式來生成后續(xù)文本。這種預(yù)測后續(xù)文本的預(yù)訓(xùn)練促使該模型提高對輸入文本的理解能力，從而在下游的各個語言生成（NLG）任務(wù)上取得更好的效果。

PALM 在 MARCO NLG 自然語言生成公開評測上取得了排行榜第一，同時在摘要生成標準數(shù)據(jù)集 CNN/DailyMail 和 Gigaword 上也超過了現(xiàn)有的各個預(yù)訓(xùn)練生成語言模型。PALM 可被用于問答生成、文本復(fù)述、回復(fù)生成、文本摘要、Data-to-Text 等生成應(yīng)用上。相關(guān)文章已被頂會 ACL2020 錄用。

4、多模態(tài)語言模型 StructVBERT

StructVBERT 是在通用的 StructBERT 模型基礎(chǔ)上，同時引入文本和圖像模態(tài)，在統(tǒng)一的多模態(tài)語義空間進行聯(lián)合建模，在單流架構(gòu)的基礎(chǔ)上同時引入圖像 - 文本描述數(shù)據(jù)和圖像問答數(shù)據(jù)進行多任務(wù)預(yù)訓(xùn)練，并在多尺度的圖像特征上進行分階段預(yù)訓(xùn)練。此外，模型利用 attention mask 矩陣控制實現(xiàn)雙流架構(gòu)，從而提升跨模態(tài)雙流建模能力，結(jié)合單流、雙流結(jié)構(gòu)的優(yōu)點進一步提升模型對文本和圖像兩個模態(tài)的理解能力。相關(guān)文章已被頂會 ACL2021 錄用。

5、結(jié)構(gòu)化語言模型 StructuralLM

StructuralLM 在語言模型 StructBERT 的基礎(chǔ)上擴展到結(jié)構(gòu)化語言模型，充分利用圖片文檔數(shù)據(jù)的 2D 位置信息，并引入 box 位置預(yù)測的預(yù)訓(xùn)練任務(wù)，幫助模型感知圖片不同位置之間詞語的關(guān)系，這對于理解真實場景中的圖片文檔十分重要。Structural LM 模型在 DocVQA 榜單上排名第一，同時在表單理解 FUNSD 數(shù)據(jù)集和文檔圖片分類 RVL-CDIP 數(shù)據(jù)集上也超過現(xiàn)有的所有預(yù)訓(xùn)練模型。相關(guān)文章已被頂會 ACL2021 錄用。

6、機器閱讀理解模型 UED

自最開始聲名大噪的 SQuAD 榜單起，阿里圍繞著機器閱讀理解發(fā)展路線：單段落抽取 -> 多文檔抽取 / 檢索 -> 多文檔生成 -> 開放式閱讀理解，拿下了一系列的榜單冠軍：

• 2018 年在單段落機器閱讀理解領(lǐng)域頂級賽事 SQuAD 上首次超出人類回答精準率；
• 2018 年在多文檔機器閱讀理解權(quán)威比賽 TriviaQA 和 DuReader 上雙雙刷新紀錄，取得第一名；
• 2019 年在信息檢索國際頂級評測 TREC 2019 Deep Learning Track 上的段落檢索和文檔檢索任務(wù)上均取得第一名；
• 2019 年在機器閱讀理解頂級賽事 MS MARCO 的段落排序、多文檔答案抽取以及多文檔答案生成 3 個任務(wù)均取得第一名，并在多文檔答案抽取任務(wù)上首次超越人類水平。

相關(guān)論文已被 AAAI2021 接收。

7、超大規(guī)模中文理解和生成統(tǒng)一模型 PLUG

PLUG 是目前中文社區(qū)已開放 API 的最大規(guī)模的純文本預(yù)訓(xùn)練語言模型，集語言理解與生成能力于一身。PLUG 可為目標任務(wù)做針對性優(yōu)化，通過利用下游訓(xùn)練數(shù)據(jù)精調(diào)模型使其在該特定任務(wù)上生成質(zhì)量達到最優(yōu)，彌補之前其它大規(guī)模生成模型 few-shot 推理的生成效果不足，適于應(yīng)用在實際生成任務(wù)。同時，PLUG 采用 encoder-decoder 的雙向建模方式，因此，在傳統(tǒng)的 zero-shot 生成的表現(xiàn)上，無論是生成的多樣性，領(lǐng)域的廣泛程度，還是生成長文本的表現(xiàn)，較此前的模型均有明顯的優(yōu)勢。

8. 知識驅(qū)動的語言模型 LatticeBERT

LatticeBERT 在預(yù)訓(xùn)練模型中訓(xùn)練中有效地融合了詞典等知識，從而能夠同時建模字和詞的結(jié)構(gòu)，來線性化地表示這種混合粒度的輸入。第一步是將涵蓋多粒度字詞信息的中文文本用詞格（Lattice）表示起來，再把這個詞格線性化作為 BERT 的輸入。LatticeBERT 在 2020 年 9 月達到中文語義理解評估基準 CLUE 榜單的 base 模型中的第一名。

霸榜背后，是 AliceMind 持續(xù)創(chuàng)新和進化。達摩院團隊在 BERT 基礎(chǔ)上提出優(yōu)化模型 StructBERT，2020 年多次在 NLP 頂級賽事 GLUE Benchmark 上奪冠。該模型通過在句子和詞級別引入兩個新的目標函數(shù)，好比給 AI 裝上「語法識別器」，在面對語法錯亂時，AI 依然能準確理解并給出正確回應(yīng)，大大提高機器對語言的整體理解力，相關(guān)文章被 NAACL2021 錄用。

而此次在 VQA Challenge 2021 登頂?shù)亩嗄B(tài)模型 StrucVBERT，融合了通用模型 StructBERT 和結(jié)構(gòu)化模型 StructuralLM，同時引入文本和圖像模態(tài)，利用更高效的視覺特征和創(chuàng)新的注意力機制在統(tǒng)一的多模態(tài)語義空間進行聯(lián)合建模。

AliceMind 的應(yīng)用情況

AliceMind 具有閱讀、寫作、翻譯、問答、搜索、摘要生成、對話等多種能力，目前已成為阿里的語言技術(shù)底座，日均調(diào)用量超過 50 億次，活躍場景超過 200 個，已在跨境電商、客服、廣告等數(shù)十個核心業(yè)務(wù)應(yīng)用落地。AliceMind 已上線到內(nèi)部平臺，開箱即用，目前支持訓(xùn)練、精調(diào)、蒸餾、測試、部署五大功能，只需簡單操作即可完成語言模型從訓(xùn)練到部署的完整鏈路。

在阿里之外，AliceMind 廣泛運用于醫(yī)療、能源、金融等多個行業(yè)。其中，浙江電網(wǎng)公司以 AliceMind 為底座為員工構(gòu)建智能化運維平臺，應(yīng)用于變壓器檢修、供電搶修等業(yè)務(wù)，已經(jīng)開始在國家電網(wǎng)公司統(tǒng)一推廣。

阿里達摩院深度語言模型團隊負責人黃松芳表示：「預(yù)訓(xùn)練語言模型已成為 NLP 領(lǐng)域的基石和原材料，AliceMind 開源將降低 NLP 領(lǐng)域研究和應(yīng)用創(chuàng)新的門檻，助推行業(yè)從手工業(yè)時代走向大工業(yè)時代。」