80老翁谈人生（291）：揭开沃森超级电脑的神秘面纱

    当今，国外媒体掀起鼓吹IBM沃森超级电脑的狂浪，每天新闻不断。沃森超级电脑是什么“神物”？它的工作原理如何？

                       2016年6月，美国知名人工智能专家James Hendler教授（1957- ）应邀在国际人工智能大会（IJCAI 2016）上深入浅出地讲解了沃森超级电脑的工作原理，值得一读。

    他说：我们把沃森超级电脑设想为一间环形办公室走廊，每一间办公室都有一群人做着特殊的工作，让我们从头来梳理整个运行过程。

• 问题输入（QUESTION IN）

• 问题分析 （Question Analysis）

这个问题什么意思？

我们在找什么？

还存在其他有效信息么？

问题中有没有词语提到问题中的其他词语？

在这一环节，IBM的DeepQA软件自动尝试去理解这个问题，搞清楚问题到底在问什么，同时做一些初步的分析来确定选择哪种方法来应对这个问题。

• 初步搜索 （Primary Search）

在数据库中能不能找到或许跟这个问题有关的文件？

找到了多少文件？

这些文件从哪里来的？

• 搜索结果处理并生成备选答案 （Search Result Processing and Candidate Answer Generation）

在这些文件中，有这个问题可能的答案么？

有多少个备选答案？

     当问一个问题时，一份文档就打开了。文档在办公室中不断移动时，更多信息被添加进去了。

•  上下文无关回答得分 （Context-Independent Answer Scoring）

这个选择有可能是正确的答案吗？

这个选择是正确的答案形式吗？

• 软滤波（ Soft Filtering）

有哪些选择是明显错误的？

如果是的话，能不能让它们在后面的处理过程中不占太多的时间？

   每个可能的回答都被给定一个分数，给出这个证据对备选答案支持得到底有多好。

•  支持证据检索（ Supporting Evidence Retrieval）

能在数据库中找到任何能够证明某个选择答案是正确的信息吗？

对每个选择来说有多少信息在哪？

• 搜索结果处理和上下文相关得分 （Search Result Processing and Context Dependent Scoring）

选择工作作为问题回答怎么样？

现在有更多的信息，能给每个选择什么分数？

• 最终合并并排名（Final Merging and Ranking）

每个选择的总分是多少？

哪个选择分数最高？

分数第二高的选择是什么？    

还有任何能够改变分数的额外信息吗？

DeepQA也观察到了这种现象：不同的表面形式通常会被不同的证据支持，并得到完全不同但潜在互补的分数，这产生了一种方法：将答案分数在排名和信心计算之前先合并掉。

•  输出答案 （ANSWER OUT）

有用的最高分答案被返回，然后沃森尝试判断从它做的多好（或者多坏）中进行学习。

由此可见，Waltson的工作原理就是“实事求是”，不是耍嘴皮子。