IBM人機辯論第二場：人類辯手勝
AI能有多靈活？
從1997年、2007年IBM Deep Blue擊敗人類國際象棋手，近年來Alpha Go 連續戰勝李世石、柯潔，再到近來Deepmind戰勝人類電競高手，AI的幾何化學習速度似乎讓大眾也聞之生畏。然而，在人類擅長的思想表達和辯論領域，AI仍舊能所向披靡麼？
2月11日， 此前曾戰勝人類辯手的IBM Project Debater重出江湖，對戰2016年世界辯論決賽選手、畢業於牛津大學的Harish Natarajan,圍繞“政府是否應該資助學前教育 （Whether goverment should subsidize pre-schools?)”進行了一場人機辯論，採用傳統美式辯論規則：雙方在開場15分鐘前得知辯題，辯論分為三回合，前兩回合每人四分鐘，第三回合兩分鐘結辯陳詞；最終結果由現場800位觀眾投票決定。
這一次，AI戰勝人類的神話並未延續，擔任反方的Harish憑藉更少跑票數獲勝。
最終投票結果：在辯論之前，79% 的觀眾同意學前教育應該得到補貼，13% 的觀眾不同意。 最後，62% 的人同意，30% 的人不同意。 基於反方得分更多，跑票數更少，Harish獲勝。
縱觀整場辯論，從技巧層面，機器稍遜風騷 ：Project Debater主要圍繞資助學前教育對社會的意義展開論證，具體觀點包括可促進整體教育、提升社會公平、以及降低犯罪率，論證時多旁徵博引，從離線資料庫、語料庫中呼叫案例和資料進行支援， 然而在駁論（Rebuttal)環節和人類差距拉開,仍舊停留在對於既有立論觀點的延續佐證，過多鋪陳而未有有力反擊 ；反觀人類辯手Harish, 在駁論環節表現出色，提出“基於市場現實，補貼將消耗中產家庭的財政資源”，並提出“資助學前教育並不意味著讓所有孩子都上學”的精彩觀點。
人機辯論現場
儘管如此，Project Debter在沒有提前預知辯題情況下，展示出即時且富有邏輯的語言組織能力，令人印象深刻。在圓桌環節，人類辯手Harish這樣評價Project Debater: “她可以有效理解資訊，並且通過從後臺資料庫中提取研究材料將這些資訊整合在上下文裡流暢地表達出來（contexualize the information and pull details from research)，如果將這樣的技能與人類技能相結合，將會有效提升決策力。”
Project Debater 創立於2012年，從修辭和辯論這一人類特有的思想表達行為入手，旨在訓練機器與人類進行直接、有意義的溝通。 IBM的科學家們為 Project Debater創造了其自有的離線資料庫，資料來源為海量書報、雜誌期刊等，在辯論中不進行聯網，也不可能抄襲Wikipedia等網站的觀點。
在每一次辯論開始時，圍繞某一辯題，Project Debater將從離線資料庫中的100億句子中挑選具備強相關性的語料整合生成有說服力的觀點，並組織成一篇流暢的四分鐘陳詞；在駁論環節，Project Debater通過吸收人類辯手觀點，創造自己的駁論。
與此前的棋類和電競類的人機對抗不同，辯論作為一項勝負條件模糊，且融合技巧性、思想性、修辭性等綜合要求的複雜比賽，對AI系統的要求也更為靈活。 在現場，Project Debater首席研究員表示：Project Debater在系統設計中充分考慮了人機理解能力（語音識別、自然語言處理）、資料寫作和資訊生成能力（自然語言生成），以及反向吸收和模擬人類邏輯的能力。
對於此次人機辯論對抗，IBM研究主管 Dario Gil表示：IBM Project Debater存在的目的不是為了擊敗人類，而是探究如何通過資訊交換和有效交流實現人機合作，提升決策效率和科學性。 未來，36氪也將持續關注Project Debater在實際場景中的應用。