在挑戰寫語文作文後，AI現在又盯上瞭高考英語。結果好傢夥，今年高考英語卷（全國甲卷）一上手，就拿瞭134分。而且不是偶然的超常發揮。在2018-2021年的10套真題測試中，AI的分數都在125分以上，最高紀錄為138.5分，聽力和閱讀理解還拿過滿分。
這就是由CMU學者提出的，高考英語測試AI系統Qin。
它的參數量隻有GPT-3的16分之一，平均成績卻比GPT-3高出15分。
其背後的秘訣名叫重構預訓練 （reStructured Pre-training），是作者提出的一種新學習范式。
具體來看，就是把維基百科、YouTube等平臺的信息重新提取重構，再喂給AI進行訓練，由此讓AI具有更強的泛化能力。
兩位學者用足足100多頁的論文，深入解釋瞭這一新范式。
那麼，這一范式到底講瞭什麼？
我們來深扒一下~
什麼是重構預訓練？
論文題目很簡單，就叫reStructured Pre-training（重構預訓練，RST）。
核心觀點凝練來說就是一句話，要重視數據啊！
作者認為，這個世界上有價值的信息無處不在，而目前的AI系統並沒有充分利用數據中的信息。
比如像維基百科，Github，裡面包含瞭各種可以供模型學習的信號：實體，關系，文本摘要，文本主題等。這些信號之前由於技術瓶頸都沒有被考慮。
所以，作者在本文中提出瞭一種方法，可以用神經網絡統一地存儲和訪問包含各種類型信息的數據。
他們以信號為單位、結構化地表示數據，這很類似於數據科學裡我們常常將數據構造成表或JSON格式，然後通過專門的語言（如SQL）來檢索所需的信息。
具體來看，這裡的信號，其實就是指數據中的有用信息。
比如在“莫紮特生於薩爾茨堡”這句話中，“莫紮特”、“薩爾茨堡”就是信號。
然後，就需要在各種平臺上挖掘數據、提取信號，作者把這個過程比作瞭從礦山裡尋寶。
接下來，利用prompt方法，就能將這些來自不同地方的信號統一成一種形式。
最後，再將這些重組的數據集成並存儲到語言模型中。
這樣一來，該研究就能從10個數據源中，統一26種不同類型的信號，讓模型獲得很強的泛化能力。
結果表明，在多個數據集中，RST-T、RST-A零樣本學習的表現，都優於GPT-3的少樣本學習性能。
而為瞭更進一步測試新方法的表現，作者還想到瞭讓AI做高考題的方法。
他們表示，現在很多工作方法走的都是漢化GPT-3的思路，在評估的應用場景上也是跟隨OpenAI、DeepMind。
比如GLUE測評基準、蛋白質折疊評分等。
基於對當下AI模型發展的觀察，作者認為可以開辟出一條新的賽道試試，所以就想到瞭用高考給AI練練手。
他們找來瞭前後幾年共10套試卷進行標註，請高中老師來進行打分。
像聽力/識圖理解這樣的題目，還找來機器視覺、語音識別領域的學者幫忙。
最終，煉出瞭這套高考英語AI模型，也可以叫她為Qin。
從測試結果可以看到，Qin絕對是學霸級別瞭，10套卷子成績都高於T0pp和GPT-3。
此外，作者還提出瞭高考benchmark。
他們覺得當下很多評價基準的任務都很單一，大多沒有實用價值，和人類情況對比也比較困難。
而高考題目既涵蓋瞭各種各樣的知識點，還直接有人類分數來做比對，可以說是一箭雙雕瞭。
NLP的第五范式？
如果從更深層次來看，作者認為，重構預訓練或許會成為NLP的一種新范式，即把預訓練/微調過程視為數據存儲/訪問過程。
此前，作者將NLP的發展總結成瞭4種范式：
P1. 非神經網絡時代的完全監督學習 （Fully Supervised Learning, Non-Neural Network）
P2. 基於神經網絡的完全監督學習 (Fully Supervised Learning, Neural Network)
P3. 預訓練，精調范式 (Pre-train, Fine-tune)
P4. 預訓練，提示，預測范式（Pre-train, Prompt, Predict）
但是基於當下對NLP發展的觀察，他們認為或許之後可以以一種data-centric的方式來看待問題。
也就是，預訓/精調、few-shot/zero-shot等概念的差異化會更加模糊，核心隻關註一個點——
有價值的信息有多少、能利用多少。
此外，他們還提出瞭一個NLP進化假說。
其中的核心思想是，技術發展方向總是順著這樣的——做更少的事實現更好、更通用的系統。
作者認為，NLP經歷瞭特征工程、架構工程、目標工程、提示工程，當下正在朝著數據工程方向發展。
復旦武大校友打造
本篇論文的一作為Weizhe Yuan。
她本科畢業於武漢大學，後赴卡內基梅隆大學讀研，學習數據科學專業。
研究方向集中在NLP任務的文本生成和評估。
去年，她被AAAI 2022、NeurIPS 2021分別接收瞭一篇論文，還獲得瞭ACL 2021 Best Demo Paper Award。
論文的通訊作者為卡內基梅隆大學語言技術研究所（LTI）的博士後研究員劉鵬飛。
他於2019年在復旦大學計算機系獲得博士學位，師從邱錫鵬教授、黃萱菁教授。
研究興趣包括NLP模型可解釋性、遷移學習、任務學習等。
博士期間，他包攬瞭各種計算機領域的獎學金，包括IBM博士獎學金、微軟學者獎學金、騰訊人工智能獎學金、百度獎學金。
One More Thing
值得一提的是，劉鵬飛在和我們介紹這項工作時，直言“最初我們就沒打算拿去投稿”。
這是因為他們不想讓會議論文的格式限制瞭構思論文的想象力。
我們決定把這篇論文當作一個故事來講，並給“讀者”一種看電影的體驗。
這也是為什麼我們在第三頁，設置瞭一個“觀影模式“的全景圖。
就是為瞭帶著大傢去瞭解NLP發展的歷史，以及我們所展望的未來是怎樣的，讓每一個研究者都能有一定的代入感，感受到自己去帶領著預訓練語言模型們(PLMs)通過礦山尋寶走向更好明天的一個過程。
論文結尾，還藏瞭一些驚喜彩蛋。
比如PLMs主題表情包：
還有結尾的插畫：
這麼看，100多頁的論文讀起來也不會累瞭