作者 | 吳彤
編輯 | 青暮
讓機器理解人類的語言是我們長期以來的夢想，經(jīng)過幾十年的發(fā)展，語言與智能技術(shù)發(fā)展到了什么程度？如何評價語言理解的智能水平？離強人工智能還有多遠距離？未來的技術(shù)發(fā)展趨勢如何？這些問題迫切值得研究與探討。
中國計算機學會和中國中文信息學會聯(lián)合創(chuàng)辦了"語言與智能高峰論壇"，每年舉行一次，首屆論壇于2016年在北京舉行，已成功舉辦五屆。在今年8月28日的線上高峰論壇上，北京大學吳璽宏向大家分享了大規(guī)模訓練語言模型的個人見解，隨后具體闡釋了基于發(fā)聲物理模型的語音發(fā)聲姿態(tài)的自監(jiān)督學習。
吳璽宏教授現(xiàn)為北京大學教授、博士生導(dǎo)師，北京大學信息科學技術(shù)學院副院長、智能科學系主任、言語聽覺研究中心主任。同時也擔任南京腦科學與類腦智能創(chuàng)新中心的主任，研究猴腦介入式言語、猴子在交互過程中腦活動、非介入式的人腦介觀的動態(tài)圖譜以及和人類行為語言的關(guān)系。長期以來，吳老師致力于機器聽覺計算理論、語音信息處理、自然語言理解以及智能機器人等領(lǐng)域的基礎(chǔ)及應(yīng)用基礎(chǔ)研究，先后主持和參與國家級、省部級項目40余項，包括國家973課題、863項目、國家科技重大專項、國家科技支撐計劃、國家自然科學基金重大項目及重點項目、國家社會科學基金重大項目等。獲國家授權(quán)發(fā)明專利11項，發(fā)表學術(shù)論文200余篇。吳老師是做聽覺模型出身，從2005 年起才較晚地進入到NLP 領(lǐng)域。近年來吳老師團隊開始深入研究聽覺的發(fā)聲和聽覺的耦合關(guān)系，如何將其整合實現(xiàn)詞匯的發(fā)音姿態(tài)表達，并研究發(fā)音姿態(tài)和客體模型的動作控制之間的關(guān)系。本次報告首先對語音識別任務(wù)的工作假設(shè)進行反思，在此基礎(chǔ)上基于聽覺的"肌動理論(Motor Theory)"，提出了一種結(jié)合發(fā)聲物理模型的非監(jiān)督自主學習方法，即具身學習(Embodied Learning)方法。- 該方法通過正向物理模型和逆向聽覺模型的迭代學習，實現(xiàn)了從任意非標注語音到聲門激勵信號和發(fā)聲姿態(tài)參數(shù)的推斷，實現(xiàn)了對語音具有可解釋性的描述；
- 通過在線自適應(yīng)實現(xiàn)了對新語音的發(fā)聲姿態(tài)推斷，解決了模型學習的泛化問題。
- 基于發(fā)聲姿態(tài)可進一步實現(xiàn)任意語種的音系構(gòu)建，為小語種和方言的語音識別、個性化語音合成任務(wù)提供了一個新的解決思路。
以下是演講全文，AI科技評論進行了不改變原意的整理，文章已經(jīng)過吳老師修改及確認。如何把聲音和控制結(jié)合起來？大規(guī)模預(yù)訓練模型的效果為什么那么好，背后原因何在？我們認為，這類模型做的是預(yù)測工作，預(yù)測是一個主體生存最重要的任務(wù)。但它們的預(yù)測實現(xiàn)，比如基于已有詞匯預(yù)測下一個詞匯，都是基于詞匯的嵌入向量進行的。從語法層面講，這些嵌入向量是抽象的、多維的，不具有語言中的準確上下文關(guān)系。從語用層面將，言語是一種行為，是在特定語境下與他人之間有意識地特定行為。但GPT-3缺失主體、時空、意圖、手段、邏輯等。因此，為了從表面上模擬這種預(yù)測，它需要巨量的數(shù)據(jù)才能夠?qū)崿F(xiàn)。即便能夠?qū)崿F(xiàn)，GPT-3生成文本也是一種夢話，一種建立在大規(guī)模訓練語言模型中的無意識“遣詞造句”。語言學家索緒爾認為：每一個符號都由能指和所指組成，即符號=能指+所指。能指是語言符號的聽覺特性，而對意義的探詢是所指。舉個例子：對面的女孩子對我笑（能指），她喜歡我（所指）。即在這種情境下，笑＝喜歡（隱喻），但是換種情境，或許 笑＝嘲諷（隱喻）。所以在符號分析之中，自然語言處理要關(guān)注的就是這種能指和所指之間的斷裂關(guān)系和不穩(wěn)定的關(guān)系。表面來看，我們?nèi)说拿恳豁椥袨闆]有與之呼應(yīng)的意義，但深層次來看，我們掌握的其實始終只是能指的部分，真正的所指早就躲到潛意識的復(fù)雜結(jié)構(gòu)里去了。但世界知識是如何表示的呢？語言訓練僅用符號來描述的世界是充分的嗎？我們要想辦法跳出符號世界。跳出符號世界就出現(xiàn)圖像和文本的聯(lián)合訓練問題。在真實世界中，因為有圖像的客體空間分布，符號有一定具象化之后，使得空間的分布、結(jié)構(gòu)都會對文本約束，語言訓練所要求的數(shù)據(jù)就不再是龐大的的數(shù)據(jù)，而是小數(shù)據(jù)，這樣的話也緩解了對文本數(shù)據(jù)的要求。如果某天做出來文本和圖像聯(lián)合的某一種GPT ，盡管它是受語境約束的，但它仍然是夢話，因為它沒有自己的控制，沒有自己的意圖。傳統(tǒng)的說法是在人工智能上空有兩朵烏云：常識、符號落地。但在這兩朵烏云之外，還有一朵更重要的烏云--主體以及主體的情感和意圖。那如果跳出符號世界到真實世界中，符號產(chǎn)生的條件是什么？我們認為，符號的產(chǎn)生需要三個條件：首先要有社會文化環(huán)境，其次是主體和環(huán)境的交互，所以要有身體，第三個條件是發(fā)聲能力。三者聯(lián)合則構(gòu)成一個包含語境和心智的具身結(jié)構(gòu)。這要比小數(shù)據(jù)的語言訓練模型巧妙得多。身體包括生理需要、身體動作和身體情緒等，在它與社會文化環(huán)境的雙重作用下，生成了感知-運動預(yù)測問題，并由符號在我們的感知-運動之間來回對應(yīng)。在這個具身結(jié)構(gòu)的符號建立之后，吳教授認為這個符號及體系隱含著心智和語境。人工智能上空的第三朵烏云終于被撥開，但最大的障礙在于符號在感知-運動和社會文化環(huán)境之間如何搬運。因此吳教授從第三個條件，也就是發(fā)聲能力，尋找“搬運”的接口。吳教授認為，人之所以區(qū)別于其他的動物，關(guān)鍵是人的發(fā)聲能力。人類學研究已經(jīng)表明，人具有獨特的咽腔結(jié)構(gòu)，能夠產(chǎn)生無數(shù)種發(fā)音變化，因此語音就能對符號編碼，它支撐的編碼空間是足夠的，也就產(chǎn)生了第一符號系統(tǒng)--語音。而我們說的文字符號，則是第二符號系統(tǒng)。一個差別是語音信號如果變成文字符號，過程中會丟失很多信息。除了詞匯分割以外，還有代表情緒的很多韻律信息。比如在線上聊天時，我們總會以表情包彌補丟失的情緒。從最初的顏文字到j(luò)pg到GIF，人們借助表情包傳遞對話情緒，填補“不在場” 的縫隙。第二個是認知神經(jīng)科學的研究表明，我們在語音交流過程中，我說的話和你聽懂的話，聽者并沒有逐詞處理，而是“挑”著來。比如早上媽媽沖進房間大吼十分鐘，你只聽到一句“要發(fā)霉了”，便會自動明白今天陽光很好，媽媽嫌棄起床晚。而在符號處理中，每一個符號都必須處理，如果不處理的話，它會影響對整個句子的理解。在語音識別領(lǐng)域，近年來它已經(jīng)發(fā)展得十分優(yōu)秀。相對于自然語言處理來說，語音識別的識別率和抗噪音性能很高。但在語義識別領(lǐng)域，還存在大量繁瑣的數(shù)據(jù)標注和計算資源工作。但種種跡象表明，語音識別系統(tǒng)出現(xiàn)了天棚現(xiàn)象，它并沒有達到100% 完美，盡管還能往里加數(shù)據(jù)，語音識別的性能卻不增加了。第二個短板是無法識別非標準化的數(shù)據(jù)，也就是語音的變異，比如方言、小語種，如果大家沿用數(shù)據(jù)標注的方法，無異于降維為“AI民工”。首先，語音識別研究默認為它要識別的語言必須具有文字符號，即第二符號系統(tǒng)必須具備；其次，需要語音學家提供注音標注的音系系統(tǒng)；最后還需要語音學家提供詞典。多年來，語音識別之所以所向披靡，其實就是借用了語音學家和語言學家大量的資源，以及語言的第二符號系統(tǒng)。但實際上我們面對的是什么？語音隨著講話方式的變化而變化，多變是語音的本質(zhì)；很多語種和方言沒有文字系統(tǒng)，也沒有構(gòu)建音系系統(tǒng)。這樣的話，我們面臨的挑戰(zhàn)問題是如何實現(xiàn)新方言、新語種的音系的自動構(gòu)建，以及如何實現(xiàn)對語音的精細的自動的標注。在研究過程中，我們找到一個新方法，基于具有認知啟發(fā)的表示學習和范疇學習，實現(xiàn)語音或語種的自動標注和音系構(gòu)建。首先這涉及到語音的產(chǎn)生和聽覺過程。語音的產(chǎn)生是氣流經(jīng)過喉、咽、腔，經(jīng)過舌和口腔的調(diào)制，再通過口唇動作調(diào)節(jié)產(chǎn)出語音。語音再傳輸?shù)蕉洌瑢β曇粜盘栠M行頻譜分析和加工。但語音具有多變性，例如同一個人的zero發(fā)音在平穩(wěn)、憤怒、溫柔、叫喊的情緒下，語音的語譜變化非常激烈；不同人的發(fā)音，比如孩子、男人、女人也有很大的變化。傳統(tǒng)的語音識別應(yīng)對方法是人工打標簽，不管語譜如何變化，總能映射到一個標簽，形成一個范疇。但也因此出現(xiàn)一個推廣性問題。語音語譜是多變的，不同人、不同的情緒下都有變化，打標簽的方法不可能覆蓋所有變化。從AI的演化來看。這是一種非智能的方法。另外還有一個可解釋問題。從語音頻譜的角度看，人工標記過于粗略，不能描述語音音節(jié)的精細變化。那還有什么精準描述語音變化又節(jié)省人力的方法嗎？我們提出從發(fā)音姿態(tài)的表示對語音進行編碼的方法。回歸到語音的產(chǎn)生，氣流推動聲帶振動，經(jīng)由口腔調(diào)制使得語音有不同的共振特性，如果這個時候?qū)φZ音以及口腔形狀進行編碼，即口腔的發(fā)音姿態(tài)等，是不是能夠捕捉一對映射。那我們能不能從發(fā)聲姿態(tài)的角度進行范疇化呢？其實國際音標表就是一個基于發(fā)聲部位和發(fā)聲方法的發(fā)音表述。在國際音標表中，它涵蓋雙唇、唇齒、齒間、舌尖前等12個發(fā)聲部位，塞音、塞擦音、鼻音等10中發(fā)音方法。在發(fā)音描述上，國際音標表早在1887年就被制定，按照發(fā)音姿態(tài)刻畫全世界各種語言。不僅如此，言語知覺理論（Motor Theoty）講到，我們感知言語，實際上是感知講話者的目標發(fā)聲動作。比如在一些噪聲情況下，你沒聽清楚對方說的話，但可以通過自己嘴上模仿“聽懂”對方說的話。另外嬰兒也是先掌握發(fā)聲的動作模式才學會詞匯。剛生下來的小嬰兒就會哭喊，其中有一個功能就是練習口腔發(fā)音。通過自己的發(fā)聲動作調(diào)整音量大小、口腔形狀，并產(chǎn)生聲音變化，這個過程實際上是嬰兒在訓練自己發(fā)聲與聽的功能。有這個基礎(chǔ)之后，才去學后續(xù)的詞匯。
肌動理論和國際音標表證明，我們可以通過發(fā)音姿態(tài)位置感知對方的言語，甚至是任何發(fā)音都可以通過我的口腔姿態(tài)作逼近模擬。那么，動態(tài)的語音信號也可以自適應(yīng)地用口腔姿態(tài)來描述。另外它具有可解釋性，能夠刻畫聲音在每一時刻的精細變化，推演從語音到口腔、再從口腔到語音的因果過程。語音信號用發(fā)音姿態(tài)描述出來之后，我們可以進一步地通過相似性、區(qū)分性、詞位，對不同的發(fā)音姿態(tài)建立音位范疇，最終形成音位的符號串，就可以不使用語言學家提供的音位系統(tǒng)。那么，如何實現(xiàn)自監(jiān)督學習？是否可以引入物理發(fā)聲模型？基于發(fā)聲物理模型的語音發(fā)聲姿態(tài)自監(jiān)督學習
從語音信號倒推發(fā)音姿態(tài)，實際上這個想法有幾十年了，姿態(tài)獲得是最有難度的問題。傳統(tǒng)的方法是在實驗員的舌上貼不同的磁電傳感器，通過傳感器獲得他在說話過程中的姿態(tài)：舌動-口腔聯(lián)動-生成對應(yīng)的語音信號-記錄對應(yīng)的語音信號隨著時間的變化軌跡，因此獲得一對映射數(shù)據(jù)。是否拿到數(shù)據(jù)后就可以通過語音反演出發(fā)音姿態(tài)？這是一個自然的想法。但實際上，這種方法獲取的數(shù)據(jù)代價太大，一是人力低效，二是數(shù)據(jù)不具備遷移性，如果換另一個人講話，發(fā)音姿態(tài)也會隨之有微小的改變。那么回歸到說和聽的過程，語言和生理的閉環(huán)式如何表現(xiàn)的？在1983年的 曹劍芬 和 任宏謨的《言語鏈：說和聽的科學》書中，早已詳細描述聽覺系統(tǒng)和發(fā)聲系統(tǒng)的閉合鏈：說話人大腦中產(chǎn)生想說話的信號，由肌肉控制生成句子。聲音信號一方面通過感覺神經(jīng)傳遞到自己的反饋鏈環(huán)節(jié)，另一方面通過言語聲波傳遞給聽話人，從而構(gòu)成一個從語言學平面-生理學平面-聲學平面-生理學平面-語言學平面的閉環(huán)鏈。
具身認知：將語音的聽覺表示轉(zhuǎn)換成發(fā)聲的肌肉控制，發(fā)聲器官的姿態(tài)成為語音的具有物理意義的表示。
具身學習：協(xié)同物理的發(fā)聲過程與聽覺的逆過程，實現(xiàn)物理系統(tǒng)約束下的自監(jiān)督的學習。在實驗中，我們通過模仿這個發(fā)聲閉環(huán)，對發(fā)音過程建立了一個物理模型。通過氣流、壓力、聲帶的彈性系數(shù)等控制聲音輸入信號、通過舌位、唇位等控制物理模型的聲音輸出信號。即能否把物理模型和感知過程結(jié)合起來，實現(xiàn)閉環(huán)的自監(jiān)督學習。
在實驗中，我們建立了一個TRM模型，這是一個聲門激勵信號，通過聲帶進入咽腔、軟顎、鼻腔、口腔這種耦合的調(diào)制產(chǎn)出語音信號。這是一個典型的物理模型，氣流進入-調(diào)制壓力-發(fā)出不同的語音信號，其中通過固定參數(shù)和動態(tài)參數(shù)調(diào)制不同的聲音信號，比如固定參數(shù)來刻畫聲道長度，鼻腔長度，軟顎和聲帶的彈性系數(shù)等，動態(tài)參數(shù)刻畫舌頭位置的變化、氣流強度等。拿到語音信號后通過一個相同的反模型輸出，對比正模型和發(fā)模型的參數(shù)差異，并按照梯度下降繼續(xù)迭代學習，得到準確的系數(shù)。這個物理模型和傳統(tǒng)的強化學習不一樣，傳統(tǒng)的強化學習需要確定評價函數(shù)，每次迭代都需要評價，但在語音信號的評價中，兩個語音信號距離小并不意味著相似、距離大不意味著不相似，這是強化學習的缺陷。而我們的自監(jiān)督物理模型無需評價函數(shù)，利用發(fā)聲姿態(tài)的差異作為梯度；網(wǎng)絡(luò)輸入是物理模型生成的語音，輸入和監(jiān)督信息受物理約束，是一種監(jiān)督學習。另外網(wǎng)絡(luò)輸入語音信號的生成信號永遠受物理約束。神經(jīng)網(wǎng)絡(luò)的反模型，實際上對 TRM 物理的正模型的一個逆過程。原始的語音信號經(jīng)過模型迭代，就可以得到發(fā)音姿態(tài)每時每刻的變化。這個物理模型的不僅能發(fā)出聲音，還能準確提取聲帶肌頻信號。在獲得發(fā)音姿態(tài)后，我們希望它是從一個生物學信號的姿態(tài)到物理的口腔形狀姿態(tài)的變換，并依據(jù)發(fā)音姿態(tài)自動建立一個音位范疇，那么就可以進一步發(fā)現(xiàn)發(fā)音姿態(tài)的特征點，建立發(fā)音姿態(tài)和語音信號的映射范疇。建立一個固定目標標記，隨后建立一個動態(tài)的動力學目標模型，估計發(fā)音姿態(tài)中哪些是行動發(fā)音過程，比對最終的發(fā)音目標是什么。估計出來之后，通過一個決策樹的聚類方法，對應(yīng)漢語音系。如果漢語音系和這個語音訓練得出的音系基本上對應(yīng)，說明我們提取的姿態(tài)和音位是可行的。下一步可以在這基礎(chǔ)之上做詞匯，從自然語言中自動發(fā)現(xiàn)的詞匯。基于具身認知和肌動理論，吳老師提出了一種具身的自監(jiān)督學習框架。它通過發(fā)聲的物理模型和深度神經(jīng)網(wǎng)絡(luò)模型之間構(gòu)建了一個閉環(huán)的協(xié)動學習模型，實現(xiàn)了具有強推廣性和精細描述能力的語音發(fā)聲姿態(tài)的估計。同時，范疇學習構(gòu)建了漢語的音位范疇體系，符合人類“先口語，后書面語”的言語獲得機理。未來，基于物理模型或?qū)嶋H物理過程的具身學習方法，還能建構(gòu)任意方言、語種的發(fā)音姿態(tài)和音系體系，并且輔助語音學家以及語言教學工作，推動方言、小語種的語音識別和語音合成的研究。不僅如此，還能推廣到視覺運動、聽覺運動等機器感知工作。而且，通過發(fā)音聲帶的彈簧緊張度捕捉一個人說話時的情緒變化，語音測謊也將不是難題。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
