这种现象的原因在于，像GPT-3这样的AI语言学习模型，根本不理解自己在说什么。
在接到外部输入的信息后，它只不过是利用算力在自己海量语言资讯库中检索那些与输入信息相关的高频词汇，再按照某种机械的算法逻辑拼凑出一个似是而非的答案。
加州大学伯克利分校的斯图尔特·罗素教授总结道：人工智能已经非常「聪明」（Clever），但还不够「聪慧」（Smart）。
前者得益于强大的芯片计算能力和数据库，而后者则要依靠逻辑推理能力，乃至基于「常识」的判断，而这些依旧是人类独有，机器无法逾越的能力门槛。
这就仿佛是一个「中文房间」：一个不懂中文，但学习能力超强的人坐在一间充斥着中文语法书的房间里，每当门外塞进一张写着中文问题的纸条，他就通过查阅语法书，在另一张纸条写上一个自己力所能及的中文回答送出去。
让AI说人话，的确没有那么容易。不过，开发出AI鉴讽师来呢？
虽然讽刺和谎言非常难以辨别，但是如果能够创造出这样一台AI鉴别机器，将会有很多实际应用。
就比如，买东西购物后进行评价。零售商非常热衷于对评论进行「意见挖掘」和「情绪分析」。
通过人工智能来监测评论内容，还有顾客的情绪，就能得知自家产品是否受到赞扬、差评等有价值的信息。
还有就是在社交媒体上内容审查的应用了。
在保护言论自由的同时还要限制网络言语滥用，就得需要了解一个人什么时候是认真的，什么时候是在开玩笑。
举个例子，有人在推特上声称自己刚刚加入当地的恐怖组织，或者自己正往行李箱里装炸弹准备前往机场。
此时就很有必要确定这句话到底是认真的，还是玩笑话。
人工智能的历史为了了解当前对于人工智能识别反讽的研究状况，我们需要先了解一下人工智能的历史。
这段历史通常分为两个时期。
直到20世纪90年代，研究人员还试图用一套正式规则来编写计算机程序，以便在预定义的情况下做出反应。
如果你是80后或90后，肯定会记得90年代的 Microsoft Word里那个讨厌的「回形针」办公室助理 Clippy，它总是喋喋不休地冒出来，提供一些看起来是废话的建议。
有点搞笑就是说
进入21世纪后，这个模型已经被数据驱动的机器学习和神经网络所取代。
它们会把给定的大量例子被转换成数值，在这些数值的基础上，计算机可以执行复杂的数学运算，这种运算是人力无法做到的。
并且，计算机不仅仅会遵守规则，它还会从经验中学习，并且开发出独立于人为干预的新操作。
前者和后者的差别，就好像Clippy和面部识别技术的差别。
教AI识别讽刺
为了构建一个能够检测讽刺的神经网络，研究人员首先开始研究一些最简单的讽刺。
他们会从社交媒体上提取数据，收集所有标有#sarcasm或/s的帖子（后者是Reddit用户用来表示他们在反讽的一种简写）。
