Meta整合平台言论审查模型，以降低运算资源消耗和维护复杂度

Meta揭露它们在Facebook等平台上部署新的交叉问题系统，能够更好地处理三种不同但相关的违规行为，分别是仇恨言论、霸凌骚扰，以及暴力和煽动。Meta透过将原本用于审查言论的多个模型，收敛集中成更加强大的人工智能系统，以降低系统复杂度以及维护的困难度。

Meta花了大量的心力在开发人工智能系统，以侦测平台上的违规内容，官方解释，人工智能系统通常是单一用途，每个系统都针对特定的内容类型、语言和问题设计，像是侦测误导资讯和标记仇恨言论的系统，就需要不同的训练资料和不同的基础设施，因此需要分开各自独立。

众多专属的系统，最终导致大量的计算资源消耗，也提高了系统维护复杂度，进而降低系统的更新速度，最终导致跟不上不断变化的挑战。因此Meta认为，对于整体的工作来说，最大的挑战并非开发更多解决特定问题的系统，而是建构更少且更强大的人工智能系统。

Meta以交叉问题系统来解决这个问题，由于跨多个系统讯号的人工智能模型，能够建立新的连结提高对内容的理解，并且提高运算资源的使用效率，同时也增加了对于新挑战的回应速度。

Meta提到，有一些问题是重叠的，像是霸凌通常和暴力、煽动有关，同时也涉及仇恨言论，透过让人工智能能够概括处理这三种违规行为，系统对于三个独立的问题，都能有更广泛地理解，表现比之前个别分类器更好。

这项新方法有助于Meta应付不同语言的需求，官方提到，过去他们通常需要数个月，才能替每个市场创建单独的分类器，但是现在只要数周，就可以更换大部分市场的跨问题系统，也不需要增加额外的硬件，来执行新的进阶模型。

官方将几十个模型整合成少数几个模型，系统反而能够从所有问题的训练资料中学习，而这有助于弥补单一用途模型间可能存在的差距，像是特别擅长侦测西班牙语仇恨言论的模型，但是霸凌和骚扰的西班牙语训练资料较少，借助多语言理解方面的进步，就能够将西班牙语霸凌内容翻译成为其他支援霸凌侦测的语言，进一步侦测西班牙语中的霸凌行为，而不需要额外对其进行训练。

之所以Meta能够整合多个独立模型成一个大模型，这项工作建立在Meta多模态完整性系统的基础上，该系统能够跨语言、模态和违规类型的系统，以更深层次地了解有害内容。

Meta强调，在过去几年，建立通用模型是无法想像的。特别是文字、视觉和声音讯号，都由不同的训练资料和架构来处理，而在Meta创建了FAIM（Facebook AI Multimodal）框架函式库后，开始能够支援跨文字、图像和音讯的多模态内容理解，Meta更进一步开发了WPIE（Whole Post Integrity Embeddings），以辨识跨类型的违规内容。

透过折叠任务、领域和语言成单一更强大的系统，Meta得以跨多个维度改进系统，包括提高效能、降低系统复杂度，同时提高迭代速度，Meta认为，泛化让模型模仿人类学习的方式，是开发更聪明人工智能的途径。