機器存在的目的無非是協(xié)助人類進行各式工作，將人類從無聊繁瑣的事物中解放。 由于沒有一個行業(yè)不需要語言，每一個行業(yè)也都有特殊的文字與行話，因此，語意理解絕對是人工智能的重要應用之一，未來將在無數(shù)領域給予人類各種協(xié)助。

舉例而言，如繁瑣的數(shù)據(jù)庫整理、閱讀查詢等等工作，都與語意分析有關系。 另外，電子商務中的輿情分析，也是語意理解技術一項相當重要應用實例。 盡管語言相關的應用依然是人工智能中比較困難的一部分，然而目前在輿情分析應用中，準確率已可達到八成以上。 雖距離完全正確尚有距離，但已經可以做到相當程度的應用。

與輿情分析概念相同的意圖偵測功能，同樣可以應用在在線客服機器人的開發(fā)，或是自動翻譯機制，都是人工智能中的語意理解技術能夠發(fā)揮的應用領域。

中文編碼無法窮舉 須轉向機器學習技術編碼

語意理解的第一個步驟是為文字編碼。 例如，英文屬于拼音文字，26個字母加上標點符號頂多70個編碼就能涵蓋英語的所有編碼可能。 但中文的變化不如英語穩(wěn)定，同樣一件事情有無限多種表述方式，因此在中文的語意理解操作上，就會相較英語困難許多。

若是將每個中文字看作單獨的存在并個別編碼，大約會有兩萬個以上的編碼數(shù)據(jù)。 由于相較于英文而言，中文若是將幾個單字抽換、交換位置，人類依然可以理解，要是再加上網(wǎng)絡流行語、同音字、中英文夾雜等等使用情境，編碼數(shù)可能將會超過四萬。

先前曾針對電子商務的評論進行分析，發(fā)現(xiàn)同樣是在表示「快遞速度優(yōu)良」此一訊息，就有超過三千種中文表述方式。 而且表述方式還能夠無限擴充，該數(shù)據(jù)量將隨著數(shù)據(jù)的增加而出現(xiàn)無限多種中文句型（圖1）。

圖1 針對電子商務的評論進行分析，發(fā)現(xiàn)同樣是在表示「快遞速度優(yōu)良」此一訊息，就有超過三千種中文表述方式。

以往，傳統(tǒng)語意分析方法是必須先建立一個巨型的數(shù)據(jù)庫，接著用抓關鍵詞的方式比對出需要的數(shù)據(jù)，并沒有使用到深度學習技術。 然而，由于語言很復雜且具彈性，因此使用窮舉法建立數(shù)據(jù)庫將會發(fā)現(xiàn)永遠無法列出所有可能。 唯有轉向讓機器理解，以新的角度理解中文的語意理解，才能做到最具效率且準確的語意理解。

配合詞向量技術 以機器視覺技術理解語意

以往人們皆是以序列的方式去思考文字，進而理解語意。 近來人們開始將技術開發(fā)方式轉移至詞向量技術。 由于其能自主學習，進而找到中文字詞之間關聯(lián)的特性，故成為近來中文語言分析的最大突破。

利用詞向量的特性，把百萬個詞匯壓縮成兩百個維度，會發(fā)現(xiàn)語言突然變得很簡單，只要使用基本的加法、減法數(shù)學概念，便能夠解決語意之間的關聯(lián)性。 舉例而言，「國王」、「皇后」、「男人」、「女人」四個字詞都能夠指向一個向量，因此，假如我們輸入「國王-男人+女人」，計算機便能計算向量之間的相似度，而得出「皇后」此一解答。 詞向量的計算方式大致如圖2。

圖2 利用詞向量的特性，基本的加法、減法數(shù)學概念便能夠解決語意之間的關聯(lián)性。

也由于每個字詞都有一個向量，該向量也能被視為是一個二維的圖像。 因此又進一步衍伸出一個新的技術趨勢，便是將機器視覺技術運用于語意理解之中。 也就是說，以前會去偵測序列的意義，現(xiàn)在是去偵測該二維圖像的意義。

利用機器視覺技術處理語意理解將會有效提高指令周期。 以往利用序列的方式，一次只能運算一個字詞的維度，無法平行運算。 然而機器視覺能利用GPU平行運算，將比傳統(tǒng)運算方式更為精準且效率更好。