ACM通信
不要忘记“计算机科学”中的“科学”
不久前，我在波士顿做了一个演讲，主题是我们在开发真正理解普通口语(自然)语言的系统的过程中仍然面临的各种挑战。在演讲中，我报告了一些我亲身经历的事情:我经常会见许多所谓的自然语言处理(NLP)专家，并与他们交谈。那些专家，正如通常所证明的那样，从未听说过拉塞尔、弗雷格、卡尔纳普、奎因、刘易斯、克里普克、蒙塔古等人，或从未听说过转喻，强度；内涵，范围和参考解析以及自然语言计算处理方面的其他挑战。我说这就像遇到了一个从未听说过牛顿、爱因斯坦或热力学定律的专业物理学家(顺便说一句，它们是完全一样的)，这引起了一阵笑声。
那么到底发生了什么?我们怎么可能有领先的实验室(无论是在工业界还是学术界)来培养或培养语言处理方面的所谓专家——这些“专家”对几个世纪以来逻辑学、语义学和形式语言方面最敏锐的头脑所做的基础工作漠不关心?现在看来，计算机科学中最困难的问题之一(即，NLU)被认为是一个“数据”问题，因此，这个问题可以很容易地解决，只需拖动一些机器学习库，下载大量数据，训练你的“深度”网络，就“大”数据，而viola——你离及格又近了一步图灵测试(或者更好的是，通过考试Winograd模式的挑战!)
这对农田是有害的。毕竟，计算科学(至少在很大程度上)是一门科学。这已经是一门数据科学了，谢谢;更不用说它还是一门信息科学，最终还是一门知识和认知科学。
这种趋势对该领域有害的原因是，它把计算科学变成了计算机和系统编程，而后者只是我们作为计算机科学家的工具。虽然系统和软件工程是崇高的事业——非常刺激和具有挑战性——但科学也必须进步，如果我们忽视它，它就不会进步。重大问题的解决不应该都是通过寻找某种“近似”解决方案来实现的。计算机科学一直是一部分是科学，一部分是工程学科，所以虽然许多人可以两者兼顾，但我们中的一些人肯定应该继续在科学上工作。
瓦利德萨巴是Astound的首席人工智能科学家ai，他在那里研究对话代理技术。在Astound之前，他是Klangoo的联合创始人和首席技术官。他在AI和NLP上发表了超过35篇文章，包括KI-2008上的一篇获奖论文。
没有发现记录