敲响警钟还是走向终结？
“ACL不是AI会议。”在泰国曼谷举办的ACL 2024上，今年的ACL主席Emily M.抛出了一条颇具争议的结论。
ACL会议是计算语言学与自然语言处理领域的顶级国际会议，由计算语言学协会主办，每年举办一次，在NLP领域学术影响力一直名列第一，也是CCF-A级推荐会议。
近年来，随着深度学习等方法成为 NLP 研究的主流，越来越多的人把这个会议当成了 AI 会议，大部分投稿都和 AI 有关。Emily M. 似乎也看到了这种倾向的一些弊端。
她在演讲中强调，ACL作为计算语言学协会的年度会议，其核心并不是人工智能，而更加侧重于语言技术和计算语言学。
她明确表示，自己并不把AI（人工智能）当做ML（机器学习）的同义词，她认为机器学习（包括深度学习）为语言技术和计算语言学提供了许多有用的技术，但当焦点转向AI时就会出现问题。
计算语言学和自然语言处理（CL/NLP）关注的是语言的相似性/差异性、信息如何在语言中表现、如何构建技术来帮助不同语言的转录、翻译、总结、信息获取等，以及如何评估这些技术，哪些中间表示对这些技术有用，不同的 ML 技术对不同任务的有效性，以及语言技术如何与现有的电力系统互动。
人工智能领域的问题包括如何制造能够像人类一样推理的思考机器，如何让这些机器在认知任务上超越人类，如何使科学方法自动化，如何使创造性工作自动化。
AI领域也提出了一些想法，比如人类的命运是与机器融合成为超人，奇点的到来不可避免，AI（实际上是合成文本机器）可以取代我们本应相互提供的服务（教育、医疗保健、法律代理）。
人工智能领域存在几个问题，包括风险投资和亿万富翁的浓厚兴趣。
它还批评了人工智能领域的一些不良研究实践，如不恰当地使用基准、需要与 SOTA 封闭模型进行比较评估、数据集过大导致缺乏保留数据等。它表示，如果你的研究问题集中在“如何证明我的机器是智能的”上，那么这种关注可能会扭曲研究实践。
她还指出，AI 领域的重点导致了糟糕的审查实践，例如不使用大型语言模型 (LLM) 或不提供 SOTA 大小的 LLM 结果的论文可能会被认为无趣。
与人工智能的不良实践相比，CL/NLP 中的研究最佳实践包括技术的适用性、对人类语言行为的理解、明确的评估、内在和外在的评估、可靠的基线、保留的测试数据和详细的错误分析。
据作者称，CL/NLP 研究建立在对数据的理解之上，包括语言运作方式（即语言学）和数据集文档的知识。
在可复制性和可再现性方面，强调科学是建立在先前研究的基础上，而不仅仅是达到 SOTA。
在社会影响方面，CL/NLP 研究关注其技术对社会的影响，包括伦理和 NLP 研究的历史，以及了解语言和技术将被谁、为谁和对谁使用，以及谁可能因被排除或纳入而受到伤害。
我相信ACL应该是一个专注于语言技术的地方，一个促进跨学科研究的社区，一个关心语言社区的研究领域，一个可以理性讨论我们的研究和技术对社会的影响的空间。
此观点在社交平台引发巨大争议。
有人认为这是缺乏包容性的表现。“NLP 历史上最美好的时刻发生在人们对其他学科的想法持开放态度的时候：向语言研究人员学习统计方法，向社会科学家学习如何看待世界。这些幻灯片让我感觉到有些人希望我们封闭起来。”
另一些人则认为，没有必要这样划分，二者已经有机结合。
不过也有人表示理解，毕竟AI太火爆了，一旦一个会议被AI论文“承包”，其他领域的研究必然会被冷落，让这个会议失去原有的趣味性。
对于此次讲话所传递出的信号，人们开始猜测：这是否意味着ACL不再欢迎AI论文？
您对此有何看法？
参考链接：
