近一期的时代杂志讲 Singularity，据说人类到 2045 年将进入半电子人时代，电脑获得意识，人类开始衰亡。怀疑的人也有，但半月前，IBM 开发的 Watson 系统在 Jeopardy!（一译《危险边缘》）中战胜人类对手似乎加剧了人们对机器的预期，引得雀跃或焦虑。本文写在 Jeopardy! 开赛前，Stephen Wolfram 谈论 Wolfram|Alpha 和 Watson 之间的差异，以及，在该领域做过的分析和经验。
大约在 Wolfram|Alpha 上线一个月前，我和 IBM 的某个团队通过一次电话，我谈了谈 Wolfram|Alpha 在知识计算中的远景。几周之后，这个团队宣布，他们将利用在自然语言处理方面的积累，试着开发一个能在 Jeopardy 中 PK 的系统。
当时觉得用这样的方式来展示工作成绩真是不错，何况还可凸显一下 IBM 的综合实力。现在，一年半过去，Jeopardy 开赛在即，IBM 赚到了足够的眼球。不管结果如何（IBM 理应赢得比赛），一件事情是确定的：IBM 所做的将会改变人们对人机交互的认知。
Wolfram|Alpha 发布那会，人们总认为它是一个「新的搜索引擎」——因为在大尺度上的信息搜索，人类掌握的基本上也只有关键字搜索这一项，但是 IBM 的计划显示了另一种绝佳的方案：问题回答。而当人们熟悉了这种模式，便会更清楚的了解 Wolfram|Alpha 的潜能。
那么，Wolfram|Alpha 和 IBM Watson 到底有什么关系？
Watson 采用的基本方法由来已久，和搜索引擎使用的信息检索机制一脉相承：先从文本文档入手，然后以统计学方法构建一个系统，将提问和文档中的回答联系在一起。（首先是寻找符合问题的文本 —— 使用同义词或其他语言转换方法。难点是找出一系列可能符合提问的回答，然后用各种不同的办法为其赋值，最后将得分最高的那个作为答案）
这种方法可以追溯到 50 年前，人们刚开始研究人工智能的时候。之后的时月，这项领域不断获得进展 —— 特别是，记录在近 20 年的 TREC 会议的问答竞赛环节中。IBM Watson 虽然沿用旧法，但是系统工程更为复杂，功能更专一。
（但）Wolfram|Alpha 是完全不同，更为激进的一个东西，它所采用的范式也已不同。原因是 Wolfram|Alpha 不处理文档，或任何源自文档的东西，它直接处理原始的精确的，可计算的知识。它的内核不是统计上的文本，而是知识真实的显现。
Wolfram|Alpha 可以接受以自然语言输入的问题，不过，它会把自然语言转化成一个精确的，可用于计算的内部格式，接着运用这个格式，通过知识计算获取答案。
需要许多技术和新的想法才能构筑这个系统，老实说，在研发 Wolfram|Alpha 之时我并不确定这项目标是否能够达成，但经过多年艰辛和突破，它运转顺利，我也很开心。现在 Wolfram|Alpha 每日回答成千上万的问题，涉及海量话题。
某种意义上说 Wolfram|Alpha 完全理解问题的含义，它不是用统计学办法配对答案，答案是根据它所掌握的知识计算出来的、，并且，许多答案都是全新的：从未存在，或被人类记载。
IBM 的方法，主要的工作是根据 Jeopardy 的规则完善统计上的配对流程，并针对特殊情况，加入一些处理的办法。
对 Wolfram|Alpha 来说，最重要的工作是为系统增加可计算的知识。保存数据、连接实时信息，注入专门行业的知识，部署可用于计算的算法 —— 并构建通用语法，分析来自外界的自然语言。
在开发 Wolfram|Alpha 的过程中，我们逐步构建其在不同领域的知识，先解决简短，在实践中重要的问题。这和挑战 Jeopardy 所需的全然不同，也意味着我们的路途和 IBM 的差异。假以时日，毫无疑问 Wolfram|Alpha 能够在 Jeopardy 中一搏，虽然达成方式会和 IBM 完全不同，但那不是我们今日的目标。
（现在，Wolfram|Alpha 大约知道 Jeopardy 提问中 75％ 的内容，我觉得不算太差，虽然离我们真正达成的目标还很远。）
过去的几周以来，我对这项计划所涉及的技术怀抱好奇。不如彻底忘记 Wolfram|Alpha 一会儿，想想看，挑战 Jeopardy 用什么办法最显著？
用一个简单而且古老的搜索引擎怎么样？输入 Jeopardy 的一些线索，然后看看哪些文档符合要求。嗯，为了好玩，我们做了一次测试。随机导入 20 万条 Jeopardy 线索（问题），接着把这些问题输入搜索引擎，然后看看（a）正确的答案是否出现在搜索结果页的标题或预览部位，（b）看看正确答案出现在搜索结果页首页的比例。当然，我们在操作中删除了那些专谈 Jeopardy 的站点。
于此，大概可以了解现代搜索引擎的图景了。这些数据告诉我们，越先进的搜索引擎，原始结果和最终结果就越相同，那么这说明，用户体验的其他方面有可能变得更为重要（例如 Wolfram|Alpha integration）。
在处理 Jeopardy 问题上，搜索引擎的表现力予人深刻印象，当然，这种办法并不完整：它只给出了可能的结果，并没有告诉真正的回答。也可以用几种简单的技巧推进这个办法，例如从首页标题中获得回答 —— 优秀的搜索引擎的成功率约是 20％。
显然，必需要做额外的工作才能在 Jeopardy 中亮相，这就是 IBM 所做的。
那么 Watson 意义是什么？它只是另一个像是人工智能的东西，仅做计算就能实现。（因此，可认为是计算等价原理的另一个证据）
但在一个更实际的层面，它和 IBM 有史以来的业务核心不谋而合：处理企业和其他组织的内部数据。
有两种典型的的企业数据：结构化的（通常是数值，在未来将可以自动获取），和非结构化的（通常是文本或图形）。IBM Jeopardy 的方法是从非结构化的文本数据中获取答案 —— 潜在的关联应用可能是挖掘医疗或专利文档，或者在诉讼阶段做电子化搜寻。近些年来，搜索引擎也被广泛在这些工作中 —— 那么通过 Jeopardy 计划，IBM 成为了自然语言处理大军中的一员。
谈到处理结构化的企业数据，Jeopardy 使用的方法关联度不大，在该领域已存在一个庞大的工业集团 —— 帮助人们用结构化的方式研究结构化的数据。
正是在这个领域，Wolfram|Alpha 做出了显著的突破：首次以完全自由的非结构化方式发掘结构化的数据。例如将企业用的数据输入到订制版的 Wolfram|Alpha，然后便可接受自然语言输入，通过算法获得结果，并生成完整的报告。
那么，Wolfram|Alpha 和 Watson 之间如何协作？虽然现在还谈不上，但是如果未来诞生了 Watson 2.0，最好是能调用 Wolfram|Alpha 的 API。IBM 显然已经使用了一定数量的结构化数据和规则给备选答案赋值。但我们发现，在自然语言处理的过程中仍有许多可为之处。特别当涉及到回答多种多样的问题时，就需要 Wolfram|Alpha 的计算办法。
另一方面，对于 Wolfram|Alpha 中的数据，我们专注在可定义的结构化数据源，但有时候，你没有选择，只能试着从非结构化的文本数据源中提取结构化的数据。以我们的经验，总有一个不可靠的过程（最高可以达到 80％ 的准确率）—— 迄今为止，我们只是积累数据，以供后续研究。但也许通过 Watson 采用的办法，能够获得大量以概览计的备选回答——便可作为 Wolfram|Alpha 计算知识引擎的一部分。
未来可期，但现在，我盼望着 IBM 在 Jeopardy 的表现。
IBM 在重要的研发上有其悠久和独特的历史——一些令人失望的小公司时至今日也不会反对的。我在 IBM Research 有几位朋友（难过的是，一些已离世），IBM 作为一个公司有许多的地方值得尊重。很高兴在这样的比赛中看到 IBM 身影，这个领域又是我所喜欢的。
好运，Watson，我为你加油。