文檔智能，“AI改變生活”的新注解

當代職場人，“隨地移動辦公”是一種常態(tài)。

前一秒還在city walk，下一秒掏出筆記本往臺階上一放、就地辦公；候機室里，總有那么幾個人直到登機的前一秒還在筆記本上敲字疾書。

這是信息爆炸、連接無處不在的現(xiàn)代社會，在給予人類生活方便之余，隨手附贈的無奈。

合同簽訂前關(guān)鍵信息修改、稿件發(fā)布前的查漏補缺，種種突發(fā)狀況，都讓移動辦公處理文檔成為當下職場人的剛需。

手機屏幕越做越大，給人們在移動中閱讀更長的文檔提供了方便，但“處理”的步驟仍在困住職場人的手腳，隨身攜帶的筆記本仍然是肩頭沉重的負擔。

大模型的到來給解放職場人的肩膀帶來了可能，也給產(chǎn)學界攻克“難啃的硬骨頭”——文檔AI，帶來了突破口。

難啃的硬骨頭

1992年，Adobe聯(lián)合創(chuàng)始人查爾斯·希莫尼發(fā)明了PDF，連同十年前微軟的查爾斯·希莫尼發(fā)明的Word，聯(lián)手開啟了數(shù)字化辦公的時代。

堆積如山的紙質(zhì)文檔工作被濃縮在一方屏幕之中，一度將人們處理文檔的效率推向了新的層級。但兩個查爾斯都不會想到，幾十年后的現(xiàn)在，這些數(shù)字文檔會反過來拖累職場人的工作效率。

工程師敲代碼前需要閱讀的技術(shù)文檔動輒幾百頁，分析師寫行業(yè)報告需要從幾十、上百家公司財報中抽絲剝繭、獲取趨勢共性，物理世界的紙質(zhì)文件化身為14寸屏幕堆不下的數(shù)字文檔，同樣可以淹沒無數(shù)職場人。

人工智能發(fā)展幾十年，產(chǎn)學界很早就試圖用AI技術(shù)輔助人們處理文檔工作。從最早的規(guī)則啟發(fā)到神經(jīng)網(wǎng)絡(luò)引入權(quán)重和數(shù)據(jù)訓練，基本的思路都是“人為歸納規(guī)則->轉(zhuǎn)換為機器語言（函數(shù)和代碼）->教授計算機規(guī)則”。

然而，隨著人們需要在電腦上處理的工作范圍越來越廣，文檔的復雜化發(fā)展沒有盡頭，有限的硬件算力和仍待完善的算法，都使得大部分文檔智能不那么智能。

例如一旦文章過長或是包含的圖文要素過多，文檔智能給出的摘要常常不夠準確，甚至和文檔內(nèi)容風馬牛不相及；

或是用戶希望針對某一問題在文檔內(nèi)容中找到相應(yīng)的解答，文檔智能雖然會給出答案，卻不能溯源定位到原文，使得用戶無法進一步確定答案的準確性。

同時，隨著數(shù)字化深入到各行各業(yè)，文檔類型越發(fā)繁雜，每一類文檔對應(yīng)一種處理規(guī)則，一種規(guī)則再對應(yīng)一套算法的建立和后續(xù)的調(diào)試，整個流程逐漸變成了難以負擔，并且不具備經(jīng)濟效益的繁重工作。

自動駕駛的難度眾所周知，而文檔AI面臨的挑戰(zhàn)并不比自動駕駛少。

一是數(shù)據(jù)。根據(jù)IDC口徑，2018年-2025年，全球數(shù)據(jù)量將從33ZB到增長到175ZB，其中80%是非結(jié)構(gòu)化數(shù)據(jù)[1]，包括圖像、音頻、傳感器數(shù)據(jù)等，共同特點是沒有統(tǒng)一格式、缺乏定義，難以表征；

二是理解能力。語言中的復雜語義、文檔的結(jié)構(gòu)化都需要更強的邏輯演繹能力來理解和解讀，比如從“任務(wù)很困難，但小明堅持完成了”，推導出“小明持之以恒”，再比如一級標題和二級標題之間的遞進、表格表頭與數(shù)據(jù)的一一對應(yīng)等。

三是專業(yè)性。尤其是在專業(yè)性極強的垂直行業(yè)，例如專業(yè)的論文，財經(jīng)報告，律師卷宗等等，解讀這類文檔需要專業(yè)知識的長期積累。

直到大模型的出現(xiàn)，無需人工標注的數(shù)據(jù)和自監(jiān)督學習機制，賦予了計算機自主進化的能力。

作為產(chǎn)學界最難啃的骨頭之一，文檔AI因此得到了突破的機會，HUAWEI Mate X6的系統(tǒng)級AI助手小藝率先作出了示范。

突破文獻綜述難題的創(chuàng)新探索

今年10月“原生鴻蒙”HarmonyOS NEXT正式登場，11月華為Mate品牌盛典，軟件層煥然一新，再次進化的智能體小藝聚焦了視線。

HUAWEI Mate X6的大屏和輕便為移動辦公而生，HarmonyOS NEXT將AI與操作系統(tǒng)深度融合，賦予了小藝處理復雜文檔時的突破性表現(xiàn)。

學術(shù)論文是典型的復雜文檔，其中包含大量抽象概念，混合艱深晦澀的文字表述，加上龐雜的數(shù)據(jù)圖表，依靠肉眼閱讀、人腦理解都費時費力。

但論文寫作逃不開閱讀、引用大量前人論文，尤其是文獻綜述環(huán)節(jié)，是學術(shù)圈知名“老大難”。

用HUAWEI Mate X6的文件管理器打開一篇學術(shù)論文，點擊右上角小藝星環(huán)呼喚出小藝，先生成一張思維導圖，快速掌握文章的邏輯脈絡(luò)和核心觀點。

用戶對生疏概念進行提問，小藝會給與解答，利用小藝連續(xù)問答精準溯源的能力，通過將相關(guān)文字高亮，用戶可以直接定位到原文做進一步理解，或是根據(jù)解答繼續(xù)追問。這個舉動就像人類寫論文標注數(shù)據(jù)來源和出處的習慣，為的就是追求嚴謹和準確，打消閱讀者對生成內(nèi)容準確性的顧慮。同時，借助高亮溯源的特性，閱讀者也能快速找到想詳細了解的段落，進一步提升閱讀效率。

閱讀過程中，遇到陌生的概念，不用到搜索引擎上搜索，直接問小藝，從“深度學習和神經(jīng)網(wǎng)絡(luò)的關(guān)系”到“多模態(tài)LLM和一般模型的區(qū)別”，都能迅速給與解答。

得益于多模態(tài)內(nèi)容感知能力，哪怕是論文包含復雜的圖表和大段抽象的文字表述，也可以讓小藝將其轉(zhuǎn)換為精美易讀的圖文摘要，繪聲繪色、通俗易懂。比如讓小藝進行論文解讀，用小藝根據(jù)文檔生成好看易讀的圖文編排呈現(xiàn)，能更清晰地給出抽象概念的區(qū)別，便于理解。不得不說，在需要處理非結(jié)構(gòu)化、多樣化表格或圖文混排等復雜文檔情況下，華為的版面理解模型在內(nèi)容解析能力上的提升，讓小藝具有了更大的優(yōu)勢。

表格數(shù)據(jù)也是學術(shù)論文中常常出現(xiàn)的表達形式，但其在呈現(xiàn)趨勢、差異等方面存在不夠直觀的問題。

依托于鴻蒙系統(tǒng)打造的系統(tǒng)級文檔助手，也讓小藝有了智能感知用戶意圖的能力，在遇到類似“LLM歷年參數(shù)規(guī)模”的表格數(shù)據(jù)時，就可以復制其中的大部分文字，小藝完整識別后提取數(shù)據(jù)，生成“LLM參數(shù)規(guī)模散點圖/直線圖”，展現(xiàn)趨勢，一句話即可根據(jù)文檔內(nèi)容生成圖表，就省得我們自己倒進數(shù)據(jù)表再手動拉數(shù)據(jù)畫圖了。而這就是系統(tǒng)與AI深度綁定的結(jié)果。

小藝之所以能正確識別文檔，并給出準確的摘要，這也要歸功于華為的版面理解模型，正因為有了這項能力的賦能，小藝才能做到準確的高亮溯源、一句話生成圖表等動作，事實上它還可以理解文檔的頁碼，即便是將文檔的某一頁刪掉或保留這種操作，都能動動嘴巴讓小藝代勞。

國內(nèi)學者還經(jīng)常遭遇全英文文獻的困擾，貫穿全文的英文專有名詞，即使翻譯APP不離手，也免不了閱讀速度大大降低。小藝不僅能提供全文翻譯，還可以生成中文摘要、提供中文問答來幫助用戶更快地領(lǐng)會文獻核心。

幾十頁的學術(shù)論文，靠小藝可以極大地縮短閱讀時間，將自己從繁雜的信息中解放出來，更高效地獲取對自己的研究真正有價值的論據(jù)和數(shù)據(jù)。

財報同樣充斥著大量的文字、數(shù)據(jù)和圖表內(nèi)容。分析師寫行業(yè)報告，需要梳理幾十上百份財報，抽取出關(guān)鍵數(shù)據(jù)做線性回歸分析。

有了小藝，想要對財報中的表格數(shù)據(jù)進一步分析，同樣可以借助小藝的多模內(nèi)容精準感知解讀的能力，獲得分析繪圖，還可以直接一句話生成自定義表格，例如“把第一季度、第二季度收入畫成餅狀圖”等要求。

小藝能夠輕松扮演“研究助手”、“助理分析師”，最關(guān)鍵的就是前面所提到的，其依托的是領(lǐng)先業(yè)內(nèi)的版面理解模型。

版面分析模型是復雜文檔處理的基礎(chǔ)，它將文檔按照區(qū)域劃分，定位標題、文字、圖片、表格等關(guān)鍵信息，再進行解讀，是執(zhí)行表格提取等后續(xù)操作的前提，其精度決定了這些操作的準確性。

小藝背后的版面理解模型通過增加長序列、RAG、Grounding等技術(shù)辦法，提升了解析文檔的能力，并實現(xiàn)了端對端的優(yōu)化。

其中，長序列是指文檔中的上下文，也就是“前景提要”和“背景知識”，模型能夠利用的上下文越長，對內(nèi)容的理解能力越強，直接影響摘要生成、翻譯等功能。

RAG即檢索增強生成技術(shù)，當用戶向小藝提出一個問題，RAG技術(shù)負責從各類數(shù)據(jù)源檢索相關(guān)聯(lián)的信息提供給模型，綜合這些信息回答用戶的問題。

Grounding則用來引用具體的概念、事件，通過建立與現(xiàn)實世界的聯(lián)系，確保小藝生成內(nèi)容的可靠性，更準確地理解、描述圖像、視頻等多媒體數(shù)據(jù)。

強大的模型賦予了小藝領(lǐng)先業(yè)內(nèi)的文檔處理能力，是其綜合能力的其中一隅。

隨時在線的文檔助手

職場上要求的不只是工作能力，主觀能動性、有求必應(yīng)也被視作責任心的體現(xiàn)。

類似地，用戶對于文檔智能助手的期待也不只是足夠強的處理文檔“硬實力”，更容易開啟、隨叫隨到等等“軟實力”，也對用戶體驗至關(guān)重要。

而小藝的深厚“內(nèi)功”就在于此。

與HarmonyOS NEXT的深度融合，使得小藝晉升為系統(tǒng)級AI助手，調(diào)配算力、線程、內(nèi)存等系統(tǒng)資源更加靈活。

相當于跑堂傳話的小廝升職成為執(zhí)掌人事調(diào)度、采買等事務(wù)的大管家，真正擁有了接管用戶生活、工作瑣事的能力。

小藝的文檔智能也因此實現(xiàn)了“隨叫隨到”，與用戶的交互方式更加自然，將調(diào)用方式濃縮為了幾個簡單而日常的動作：

拖——比如導師通過郵件附件發(fā)來的要求閱讀的學術(shù)論文、在社交軟件中與人做學術(shù)討論時對方發(fā)來推薦閱讀的文獻，都可以直接拖拽至屏幕底部的小藝導航條，小藝能夠識別并解讀、生成總結(jié)摘要，用戶可以針對摘要進行提問、追問。

圈——閱讀文獻時，遇到難以理解的理論或?qū)I(yè)術(shù)語，可以用指關(guān)節(jié)對內(nèi)容進行圈選，小藝能識別圈選的內(nèi)容并快捷地推薦“問問小藝”、“識圖搜索”等高頻功能，用戶點擊“問問小藝”就可以針對理論與小藝進行問答。

喚——在圖書館等需要保持安靜的環(huán)境里閱讀材料和論文時，借助“小藝私語”功能，可以在不打擾周圍人的情況下使用文檔AI功能，只需要抬起手機、在距離麥克風約5厘米左右的區(qū)域直接說出需求即可，即使是悄悄說，小藝也能聽見。

更自然的交互方式+更強大的處理能力，讓小藝的文檔能力真正落到了實際，幫助學者、以及更多的職場人從重復而繁重的工作中解放，轉(zhuǎn)而將更多精力放在能夠創(chuàng)造更大效益、體現(xiàn)自身獨特價值的事務(wù)中，提升獲得感和成就感。

這些情緒價值被放大到生活中，也將讓人們對“AI改變生活”的愿景有了實感。

2024年被視作大模型入端元年，AI助手作為人們調(diào)用大模型最直接的媒介被寄予厚望。人們希望AI助手能切實為自己分擔瑣碎的事務(wù)和工作。

處理復雜文檔是困擾AI產(chǎn)業(yè)多年的疑難雜癥，也是現(xiàn)代社會人們繁重和低效率工作的縮影，成為AI終端和智能體繞不開的大山。

小藝文檔助手的突破給產(chǎn)業(yè)提供了一個全新的范本，也標志著一個隱形的AI超級入口——文檔，正在向無數(shù)產(chǎn)業(yè)參與者，敞開大門。

參考資料

[1]數(shù)字化世界—從邊緣到核心，IDC

[2]“盤古”開天記，AI落地時，《華為技術(shù)》第90期

[3]盤古3.0：中國大模型突圍的一個典型樣本，遠川研究所

[4]文檔智能：數(shù)據(jù)集、模型和應(yīng)用，BFT智能機器人研究

[5]文檔能否成為AI的超級入口？出海同學會

作者：何律衡

編輯：李墨天

視覺設(shè)計：疏睿

責任編輯：何律衡