如何看待機器做閱讀理解已「超越人類」？
我一哥們的堂妹學生物，在某個研究人工智慧的國家實驗室，他們有一個課題是從生物神經的角度來解決人們的心理問題(好吧，其實我也說不清他們到底是幹啥的)，但有兩點吸引了我。
1 他們的一個目標是從完全生物的角度來解決人的心理問題，但他們實驗室除了那個妹子是搞生物的，全部都是搞數學的，而按照那個妹子的話，他們大部分人大多數時候並不知道自己在做什麼(參考破譯代碼但並不需要知道代碼的含義)。2 我是存在取向的心理治療師，曾經陪伴這個哥們走過了他一段人生灰暗期(因為是朋友不能諮詢，只是陪伴)，而當他與堂妹接觸了幾次後，向我表達了深深的疑惑：如果有機器人，可以從生物的角度簡單的解決人的心理問題，為什麼還要心理諮詢師，還要花這麼多時間精力，經受那麼多痛苦，去做所謂個人成長與探索？我一直認為，人工智慧的出現一定能讓人類的生活更美好，它們的精準高效對於人類而言何嘗不是一次新的生產力解放。
所以，它們可以做閱讀也是極好的。只是，它們是否能"理解"，或者說，我們是否需要它們的「理解"，我持懷疑態度。是的，我是從另外一個角度來理解這個問題，可能也是機器人不太擅長的角度。作為一個半吊子速讀學習者（大部分書籍可以一目一行，一行指40字以內），我來嘗試答一下。內容主要是速讀的基本原理，剩下是個人對大腦閱讀理解的感悟和對機器閱讀的個人認識。並以此作為基礎對這個問題進行猜測和嘗試性的回答。 速讀區別於傳統的閱讀在於：傳統閱讀是在看見文字的基礎上，然後讀出來，最後再進行理解。期間文字閱讀需要耗費大量時間，並且在閱讀理解的進行中也會產生反覆，比如：回看和多次閱讀（指口頭念和默讀）也不能理解的情況。而相比於傳統閱讀速讀更為直接。速讀的理解渠道是由眼的看直接到腦的理解（既眼腦直印）。正是由於速讀省去了大量的口念和默讀的時間，他的速度優勢凸顯出來。但想要達到這一點，並不是像理念上的那樣簡單。很多前人的嘗試都失敗了，主要原因在於無法理解。也就是由看到，並不能直接理解。很多培訓機構，所謂的速讀也只不過是音讀的快速版。而其閱讀質量也是非常差的，就如同預覽一般，丟失了大量的信息。而如何做到真正的速讀，師承月大的我做一個簡單的訴述。第一，要解決眼睛的問題。也就是在一目之內，你要能看到更多的信息，比如一目一行，一目一段，甚至一目一頁等。也包括眼睛能瞬間停駐去攝取信息以及處理信息之後迅速移動等要求。這裡不作詳述。第二，要有良好的瞬間記憶力。簡單來說，就是不但要看清，並且要把文字作為圖形，在腦中暫時存儲，這樣才能與下一個視點意義整合。第三，就是最重要的理解能力。也就是將之前攝取的文字圖形進行瞬間的理解。具體的理解方法有七田真的右腦波動速讀和月大的無聲思維等。因為涉及版權問題，這裡不做詳述。簡單的說一下，這種理解能力其實是大腦的本源思維。它是拋開了發音之後的思維。這種思維是極其快速的，並且更加完整和準確。包括內語和右腦思維等。正因為它是本源思維，所以其實是人腦天生就可以達到的。所以我們知道大腦有快速理解的物質基礎。 然後根據我的速讀練習經驗和一些日常的學習等嘗試概述一下大腦閱讀理解的基本功能。大腦的閱讀理解，其實簡單來說就是將所有的感受，轉化成意義的功能。感受器官，包括眼耳口鼻身等。這就是為什麼盲人耳聾者也可以閱讀和看懂唇語的原因。而將這些感受到的元素概念進行重新的排列組合，達到一種理解的狀態，這是我們所謂的理解了。在物質上表現為大腦神經元的相互連接。一個理解的達成是一批相關的大腦神經元的共同興奮。 再來說說人工智慧的閱讀理解。人工智慧的學習能力是模仿於人類的大腦。不過這裡的神經元變成了硬碟內存，而神經物質的傳遞變成了CPU的運行。而人工智慧通過多次的運算嘗試，將所有單獨的數據進行嘗試性組合。（具體方法可以參照題主題目下的那篇論文）。所以當無數次嘗試之後，可以得到一個最優解，也就是所謂的機器理解了。由於極快的運算速度，所以也達到了人類所無法達到的理解速度。也就出現了題主的問題。 那麼就最終極來說，到底是人類的大腦速度更快，還是機器更快？我們仍然從三個方面進行比較，即感受，瞬間記憶和理解。 關於感受器官。我們很難說是機器的更精妙，還是人類的感受器官更精緻。人類的感受器官現在並未得到完全的開發，而機器的感受「器官」也是越來越升級的。就目前來說，人類的感受器官還是遠低於機器的。第二個我們說瞬間記憶。這個我們都知道，機器的硬碟可以快速而大量的記錄下大量的信息，這是人類的記憶系統所不能及的。所以就目前來說，人類無法匹敵。但我們也不能否認人類大腦的潛能。比如學者綜合症等BT記憶的存在。最後我們說說理解能力，這是目前我們人類唯一領先的方面。其實就目前來看，人類的理解物質基礎和機器的理解物質基礎是基本相似的。人類有千億級的腦細胞。其次人腦本源理解方法的物質基礎與機器是很相似的。都是依靠神經介質或電子的傳播。所以終級速度上也是相似的。當然，當量子計算機出現之後，那就不同了。最後就是理解的演算法了，上面論述的人腦的理解方法是一批相關神經元的共同興奮。而機器亦是與此相似。當然現在的機器演算法並沒有達到終級。而普通的人，因為發音等限制，思考速度也是很慢的。但就終極來說，達到最優速度的物質基礎以及方法是一樣的，所以不分伯仲。 所以就目前來說，機器和人類可以打個平手。而在近未來，機器必定勝於人類。但是終極來說誰更勝一籌，那就不一定了。
人類進行閱讀理解時，會先根據經驗尋找直接對應。如果找不到直接對應，就會根據經驗進行聯想。這個流程可以被先進的機器學習演算法和龐大的語言資料庫所等價化。人類語言交流傳遞情報是失真的：人類會優先關注自己最感興趣的內容，經常忽略其他內容；人類對語言的理解會隨著自己的心態和對對方的態度而產生變化；人類對語言的理解受到個體知識和經驗的局限。為此，人類自己做「閱讀理解」經常拿不到「滿分」，經常做不到完全理解他人的原意。甚至說話的人的表達方法也可能不明確，導致產生誤會。機器的性質能解決這其中「興趣」、「心態」和「態度」的問題，而機器也能配置比人類大得多的資料庫來解決其中「知識」的問題。如此一來，讓機器比人類還要擅長人類語言交流，理論上實則不難，主要受限於當時的 AI 技術水平。
至於有人提到體驗：人有自己的感官，有自己的感情，這是機器無法學到的人類文化。然而，不需要為機器操這份心。機器並不需要理解冷熱，並不需要理解五顏六色，只需要給機器安裝感測器，就能肆意地模擬人類感知世界的方式。機器也不需要擁有人類的感情，因為無數的事實表明人類相當多的感情都是自作多情，沒有什麼高貴性可言。機器只需要模擬出友善的態度，並根據人類的動物行為添加一系列的對策方案，就足夠應對人類的感情需求。反正你看著別人大哭大鬧情感爆發的時候，也差不多是這麼做的，也沒見誰覺得你是個機器人。機器學會人類語言，現階段的作用就是提供研究對象罷了。機器平時並不需要使用人類語言來和其他機器聊天——因為人類語言是低效的，失真的。
如果機器學會人類語言，也許將來某天能商業化，製作用於取悅人類的智能聊天機器人。值得一提的是，也許你會覺得這種聊天機器人會難以成為人類的「知己」，但我看這很簡單——只需要讓機器人模仿主人的性格，關注主人的興趣就行。讓機器人成為一面鏡子，映射出你，就會讓你覺得它是一個和你性格相似、興趣相投的知己。許多家貓的智力都不足以辨認出鏡子里的自己。而在這個場合，就不單是智力夠不夠的問題，還有聊天機器人的主人願意不願意去觸碰事實的問題。
很欣喜，因為中小學最難的學問－－閱讀理解－－也許不日可以不用考了(why? because there"s no point)，給學生老師減負。
咳。稍微正經一點，就一句話，語義不可窮盡。
談談自己對這個問題的看法。
1，機器做閱讀理解屬於人工智慧研究領域的分支之一，自然語言理解（NLP：Natural Language Processing）。人工智慧還有其他應用方面的分支，例如計算機視覺（computer vision），語音識別（speech recognition），機器翻譯（machine translation）等等，因此我們不妨將機器做閱讀理解看做是NLP領域的一個特定的task。類似的比如機器識別圖像，機器辨別語音，機器中英互譯。
2，機器做閱讀理解【超越人類】。看似是一個非常轟動的標題，以至於很多人覺得不太可能。我想作為一個半隻腳踏入人工智慧相關研究的人來說，這是完全可行的，這具有足夠的真實性，這說明了該領域技術的進步，我為此感到高興。但是，從一個特定的task的角度來說，這也不是第一次機器在特定任務上超越人類了。有計算機視覺背景的人都知道ImageNet（用於圖像識別的最大的資料庫）的成長史，從2012年AlexNet的出現開始，Top5 error就被一次次刷新，最新的技術也已經比人類做得好，可以說超越人類。更不用說眾所周知的AlphaGo和更強大的AlphaZero。然而，歸根結底，這只是特定的task。AlphaGo下圍棋再強，它也不能去識圖。能識圖的再准，你讓它去下圍棋，同樣不可能。
3，既然如此，那何不做一個既能識圖，又能下棋的機器呢？對了，這也是很多學者希望人工智慧今後能夠發展的方向，即實現通用的人工智慧。但是通用人工智慧的實現離不開每一個領域，每一個特定task的突破。即便當每一個特定的task都能夠超越人類了，要將他們融合起來又會遇到更大的挑戰。因此，人工智慧真正意義上趕上人類還任重道遠，更何況真正意義上超越人類。
不過，聚沙成塔，集腋成裘。今天的每一小步，都是為將來的每一大步做準備！
謝邀
SQuAD考察的文本理解能力並不需要太多創造力，更多的是抓取關鍵詞，也就是所說ExactMatch。在這個方面machine learning的參與度很大，而且計算機具有先天的優勢和類似於人類邏輯的演算法，並不值得稀奇。這個指標並不是考察閱讀理解能力，假如拿出一篇Shakespeare的文章或者是類似《TRUE》這樣的文章，需要極強的想像力才能理解的文章，機器並不能超越人類，文章的選擇也是很重要的，因此不能武斷地說「計算機文本理解能力首次超越人類」。
謝邀。
看了幾篇回答，感覺到大家對於AI的低估更多的來自於對於自身所謂智慧的傲慢。我不打算鼓吹AI的智能程度，而一直想試著解構一下我們人類引以為傲的智慧，以免我們過分傲慢地把人工智慧看成一種極為平庸的很容易掌控的工具。Ai的理解能力的底層極為簡單，就是龐大數據的統計與分析結果，很像是一個讀了很多書的書獃子，我們常常說，盡信書不如無書，所以看起來這種對於數據不進行有效分析和邏輯思考的機器實在是沒有任何所謂的智慧的。
現在我們反思一下人類自身引以為傲的智慧吧。人的智慧實際上是分為對於外界信息的接收和對於這些信息的處理兩部分，前者實際上就是跟人工智慧一樣吃數據，但是我們為什麼要對於這些感受進行處理呢？根據近代哲學以來對於理性主義的批判，比如說威廉詹姆斯嗯徹底經驗主義的看法，我們之所以要對於這些感受進行有效的處理，根本目的是在使用有限的記憶存儲更多的信息。我們所謂的邏輯思考實質上就是把所接受的具體的信息歸納到一個相近的現象群，然後抽象為一個邏輯或者概念，這樣我們透過對於這個邏輯與概念的記憶，在使用邏輯與概念時將它映射到具體場景，這看似是我們與AI的交鋒中唯一的優勢，因為Ai不需要抽象化的記憶，那麼看似它就失去了將經驗抽象化後的邏輯與概念具象到超越經驗範疇事物上的能力，也就是舉一反三的能力。但實際上當AI不斷吸收數據的時候，它的分析能力也在不斷增強，也就是說它必然會將所接納的需要處理的新問題越來越恰當地歸納到與之相似性更為貼切的經驗數據群中進行分析，這時候Ai可能不僅會舉一反三，而且用的應該是比我們更精密的舉證方式。
不過不用擔心，Ai技術的XAI方向，中文名字叫人工智慧的可解釋方向，有許多新的突破，可解釋性會讓我們與AI之間的控制關係變得更為緩和，使我們不至於淪為被AI控制的地步。
真正聰明的人需要做的不是與機器賽跑，而是更好地利用新的技術武裝自己。不要害怕，我們不會輸給AI，因為它是我們未來的武器，就想現在的互聯網一樣，並不會真的吞噬掉實體商業，而是為實體商業提供更基礎化的服務。
以上諸多見解，如有紕漏，還請各位指正。這是遲早的事，沒啥大驚小怪的。初級和中級的外語教學可能是最先被淘汰的教師，其實中小學的外語教師沒啥創新性。語言就那點東西，早被研究透了。技術上的儲備基本夠了，只是沒啥利潤，沒人願意做…
中學時代的閱讀題，背下技巧誰不會
我們在理解「閱讀理解」的時候就有了歧義「閱讀理解」究竟是用方法來「做」還是用思想來「品」謝邀。
我覺得暫時還不能這麼武斷的說閱讀理解能力已經超過人類。但是，同樣不能否認。這將會是發展的趨勢。
下面進行解釋。
首先，機器閱讀能力超過人類？這個問題本身理解起來就比較麻煩。
「讀書最大的魅力，是你能賦予這本書什麼。」
就是說，寫好的書籍只是給你一些資料，去衝擊你的腦神經。而你的腦神經會根據你的人生閱歷產出不一樣的東西。這也是為什麼「一千個人眼中有一千個哈姆雷特」。
但是，同在地球里生活，互聯網不斷連接人與人的生活與想法。人們的人生閱歷的交集必定是越來越大。所以在面對同樣的文本的時候，每個人的理解的交集也會很大。所以，我們才能夠比較閱讀能力。而且由概論中的大數定律可以知道，當我們採樣數據足夠多的時候。人們對一個文本的理解程度是服從正態分布的。也就是說，大部分人的理解能力是相當的。
那麼機器理解能力超越人類，只能說機器人的理解能力能與大部分人相同。從而超越了正態分布中那極少數的人。
人類優於機器的一點在於：人們有生活體驗。我們生活在一個充滿信息源的語境里，人們能夠根據聽覺，視覺，觸覺，嗅覺來理解不同語境（context）下的語意。舉個例子，在人們的社交活動中，比如小學同學聚會中講一個段子，背後牽扯到的東西可能是幾十年前誰和誰發生的什麼小事，又牽扯到時下的某些最潮流事件。這對機器來說是難以理解的。所以說，暫時還不能武斷地說機器的理解能力已經超過人類。
而機器優於人類的是：機器不受精力的限制。人類對文本的處理會隨著工作時間的增加下降，而機器不會。只要電源充足，散熱良好。機器可以無限制的工作下去。而且機器的記憶能力非常強大。現在普通的筆記本電腦上T的硬碟也很常見了。
機器的這些優點在大數據處理方面，就非常吃香了。
舉個簡單的例子，論文查重。
人去查一篇論文是否有抄襲行為是幾乎不可能的。首先，人很難閱讀所有與待查論文主題相關的所有文獻。其次，就算能夠閱讀完畢，也很難記住。
而現在使用TF-IDF和餘弦相似度演算法就可以進行初步的論文查重。
//有興趣的朋友可以自己編碼實現一下，可以用網上已有的分詞庫實現。
總結：
顯然機器在NLP（自然語言處理）方面已經取得重大成就。但是暫時憑一個指標就斷定機器的閱讀理解已經超過人類是不嚴謹的。想要機器閱讀理解能力真正匹敵甚至超過人類，還需要新的演算法的出現。
如果閱讀理解需要的只是最接近「標答」的答案，毫無疑問機器會完勝。手握大數據搜索等各種外掛，豈是我等凡夫俗子能比的。
機器理解力「超人類」是故弄玄虛。機器的優勢在於「計算」和「體力」，而「想像」和「抽象」就不及人類了。比如讓機器讀一本哲學著作可怕它無論如何也不會讀懂的。……
這是人工智慧和機器學習領域，底層技術，仍然是基於數據統計來做。拋開表象不談，現在機器智能的實現，仍然是依靠算力和演算法。就是利用龐大的計算機集群,加上軟體的強大存儲計算來實現。換句話說，只要後端的數據量足夠大，機器計算存儲能力跟得上，演算法又好，三者結合就能取得不錯結果。但是這樣的處理方案，離真正意義上的AGI還是相去甚遠。
謝邀，個人認為機器並不缺少邏輯判斷能力，缺的是一種認知能力。其實我們在閱讀與理解中，第一次遇到從未見過詞語，我們只能依靠過去的積累，去想像這個詞語的意思，這個過程往往是模糊的，但是機器的特性要求一切都是精確的。於是由模糊到清晰這個認知過程只有在一次次訓練中慢慢提升（人也是同樣道理，題海戰術，人不行機器可以，而且還比人記得牢），機器訓練的多了，自然而然超過人類。
那你把書賣給機器人吧，一樣的道理。
人工智慧課老師說過一句話，無論如何機器都是人類智慧的結晶。
都是模塊化的東西，人類的模塊化不標準而機器的方法也是人類可能想到的，閱讀內容最終解釋權歸於人類，閱讀理解的基礎是人類，而機器也只能在上面加強而沒有創新，就像看向宇宙人類可能會迷信神靈而機器只會記錄分析，差別只是反映速度