但是底下我们还是要讲，这是不够的。对语言学领域的这个知识到底长什么样，如果不知道长什么样就想学习，或者说随便攒一个长什么样，然后就学习，这个效果会差得很远，很少有人真的去关注语言学知识真往深了走到底长什么样。深层的知识躲在后面，似乎没有什么硬标准能够把它们拎出来，或者说你可以画一样，他可以画另一样，大家的画法不一样。但是，大家要解决、要共同面对的问题难点是明确的：一个是递归嵌套的深度，一个是语言成分远距离相关的宽度。相关成分相距越远、递归嵌套层数越深，浅层模型越难处理。只要这两个难点有所突破，我相信不管是把语言模型画成了一个什么样子，这个样子肯定在某种程度上反映了深层的语言学知识。
我个人在自然语言处理领域的研究兴趣，一是关注语言学知识长什么样，就是刚才所描述的问题；二是利用RNN（递归神经网络）做语言知识的自动获取，这个有很多的花样，比如可以加栈、加计数器，可以把规则编译成RNN等等，和自动机的机理非常接近，这个领域是值得特别关注的；三是用自然语言作为知识表示直接进 行模式推理和检索，是我带着学生做的方向。个人在纯语言学方向也有一些研究兴趣。
说到语言与人工智能的关系，我认为语言从三个角度对人工智能是有贡献的：第一，语言是一个自然的交互界面，善解人意绕不开这个界面；第二，语言背后是一套知识，对它怎么学习，怎么表示，和对一般的知识怎么学习和怎么表示，是有共性的；第三，语言是一个窗口，通过对人类语言的观察，我们可以侧面了解人类大脑内部发生的推理和表示。
但我还是要提两个“不指望”。第一是我们做自然语言处理的，不指望人工智能的天上掉下语言处理的馅饼，还是靠自己认识语言，真正地在这个语言上做文章，而不要在其他的地方做文章，其他的地方没有出路。第二是不指望语言处理的这个方向，如果突破了的话，会导致人工智能领域出现什么样的飞跃或者奇迹，这也是不现实的，因为语言这个东西就是刚才说的许多类别的知识领域之一，就是一个边角的东西，虽然很重要，虽然躲不开，但是对人工智能那边没有太大的影响，那边该怎么研究就怎么研究。
看到各种大脑计划，大脑计划的外显能力都离不开自然语言的处理，但是我们还是可以根据语言处理所用到的技术的不同，把它们分几个类型，如下图所示：
其中刚才说的高考是属于第三个层面的，最后一个类型（分析理解型）最难，其典型就是应用题。谁能解决了我觉得很令人佩服，如果真做好了说明是对语言深一层的东西掌握了。上图所举的应用题，是我们期权培训教材里面一个考题，自然语言理解怎么样处理这样一个题，通过什么方式入手来处理，很有讲究。我们看到这里面有计算和分析，还有价值取向：要赚钱。在这道题里面隐含了一个答题目标，就是如何做才是赚钱的。这是典型的投资逻辑。 |
