牛津大学最新调研：AI面临基准危机，NLP集中“攻关”推理测试

作者 | 维克多

人工智能（AI）基准为模型提供了衡量和比较的路径，超越基准，达到SOTA，经常成为顶会论文的标配。同时，有些基准确实推动了AI的发展，例如ImageNet 基准测试对近几年的热潮功不可没。

如今，ImageNet 基准仍然在研究中发挥核心作用，一些新模型，例如谷歌的Vision Transformer在论文中仍然与ImageNet方法进行比较。

但，如果某一基准的分数一直占据榜首，后续没有高质量基准引入，那么这种依靠基准推动发展的“路子”就有问题。

近日，维也纳医科大学和牛津大学的研究人员对AI基准图谱进行了调查，共统计了2013年以来CV和NLP领域的406项任务的1688项基准。发现：很大一部分基准迅速趋于接近饱和，还有一部分基准被搁置；同时，在NLP领域，从2020年开始，新基准的建立减少，方向转向推理或推理相关的高级任务上。

在文中，作者呼吁，未来的工作应该着重于大规模的社区合作，以及将基准性能与现实世界效用和影响相联系。

从单个基准出发，如上图可以看出基准上的SOTA有三种状态：稳定增长，停滞或饱和，以及停滞后的飞跃。其中，稳定增长代表技术稳定；停滞背后代表缺乏技术进步的能力；而爆发是指技术出现突破。

事实上，近年来，关键领域，如NLP，有相当一部分新基准迅速趋于饱和，或者设计针对特定基准特征过度优化的模型，而这些模型往往无法泛化到其他数据中。

目前，这些现象已经蔓延到相同领域的不同基准中，例如上图，CIFAR-10和CIFAR-100的状态。

同时，数量方面也出现了尴尬的局面，例如《2021年的人工智能指数报告》指出，CV基准数量或许能满足日益增长的任务需求；而NLP模型的增长速度正在超过现有的问答和自然语言理解基准。

Martínez-Plumed等学者分析了 CIFAR-100 和 SQuAD1.1 等 25 个流行 AI 基准背后“故事”，他们发现“SOTA 前沿”由某些长期协作的社区主导，例如美国或亚洲大学与科技公司共同合作的组织。

此外，其他学者分析了大量 AI 基准测试工作中数据集使用和再利用的趋势，他们发现，很大一部分“知名”数据集是由少数高知名度的组织提出，其中一些数据集被越来越多地重新用于新的任务。NLP是个例外，它对新的、特定任务的基准的引入和使用超过了平均水平。

在这项研究中，维也纳医科大学和牛津大学的研究人员表明：饱和和搁置非常常见。总体看来有以下几个趋势：

1.缺乏研究兴趣是导致停滞不前的原因之一；

2.所有基准中的大多数很快就会达到技术停滞或饱和；

3.在某些情况下，会出现持续增长，例如在 ImageNet 基准测试中；

4.性能改进的动态变化并不遵循一个清晰可辨的模式：在某些情况下，停滞阶段之后是不可预测的飞跃。

图注：基准有三种发展趋势：稳定增长，停滞或饱和，以及停滞后的飞跃。

此外，在1688个基准中，只有66%的基准充分被利用，换言之33%的基准被搁置。同时，基准测试的另一个趋势是：被某些既定机构和公司的数据集主导。

过去几年，CV领域的基准占据主导地位，但NLP也开始了蓬勃发展。2020年，新基准的数量有所下降，越来越多地集中在难度较高的任务上，例如测试推理的任务，例如BIG-bench和NetHack，前者属于谷歌，后者来自Facebook。

上图是NLP的基准生命周期展示，可以清晰看出，大多数任务的几个主流基准是在2011~2015年间建立的，这期间，也只有少数几个SOTA出现。2016年之后，新基准的建立速度大大加快，在翻译和自然语言建模方面表现最为突出；2018和2019年，分别都针对各种任务建立了大量的基准；2020年是个转折点，新基准的建立减少，方向转向推理或推理相关的高级任务上。

整体来说，当前AI基准的趋势是：来自既定机构（包括工业界）的基准的趋势引起了人们对基准的偏见和代表性的关注；许多基准并不能完全将AI性能与现实世界相匹配，因此，开发少量但有质量保证，涵盖多种AI能力、场景的基准可能是可取的。

最后，研究人员展望，在未来，新的基准应该由来自许多机构、知识领域的大型合作团队开发，如此才能确保建立高质量的基准。

参考链接

https://mixed-news.com/en/are-we-running-out-of-ai-benchmarks/

https://arxiv.org/ftp/arxiv/papers/2203/2203.04592.pdf

雷峰网(公众号：雷峰网)