語言是文化的有機(jī)組成部分,也是文化的載體,世界文明的多樣性在很大程度上表現(xiàn)為世界語言的多樣性。而在 21 世紀(jì)的今天,語言學(xué)家們顯然已經(jīng)不滿足于傳統(tǒng)的、對已知語言的研究。相反,許多科學(xué)家開始利用計算機(jī)技術(shù),去探索已經(jīng)消失的、幾乎成為謎底的滅絕古老語言。

近日,麻省理工學(xué)院計算機(jī)科學(xué)與人工智能實驗室(Computer Science and Artificial Intelligence Laboratory 簡稱 CSAIL)的研究人員就開發(fā)出一種計算機(jī)算法,旨在幫助語言學(xué)家破譯歷史上已消失的語言。

無法“谷歌翻譯”的古老語言

如今,世界上現(xiàn)存約有 7100 種語言。然而,古時存在的大多數(shù)語言都已不再使用,幾近滅絕。數(shù)十種已滅絕語言也被認(rèn)為是“未破譯”的語言,也就是說,我們對它們的語法(grammar)、詞匯(vocabulary)或句法(syntax)了解不足,也無法理解其文本的意思。

圖 | 世界語言分布地圖 2018

而研究這些“未破譯”的語言,不僅僅是處于學(xué)術(shù)上的好奇心。還是因為,不理解語言,我們就會錯過與講這些語言的人有關(guān)的一整套知識體系。不幸的是,大多數(shù)滅絕語言的相關(guān)記錄極少,因此,科學(xué)家無法使用谷歌翻譯之類的機(jī)器翻譯工具或AI算法來對其進(jìn)行解密。

而傳統(tǒng)的研究方法是,找出目標(biāo)語言的“相關(guān)”語言來作比較研究,例如同一語系或相似度較高的現(xiàn)存語言。然而,有些語言并沒有對應(yīng)的、已被深入研究過的“相關(guān)”語言,并且它們通常缺少諸如空格和標(biāo)點(diǎn)符號之類的傳統(tǒng)分隔符(想像一下,要解密出用這種語言寫出的文字該有多么令人頭禿)。

但是,CSAIL 的研究人員發(fā)明的新系統(tǒng),已被證明能夠自動破譯消失的語言,且無需對其與其他語言的關(guān)系有深入的了解。他們還表明,該系統(tǒng)自身就可以確定語言之間的關(guān)系,并可以用它來證實最近的一項表明 Iberian 語言實際上與 Basque 語言無關(guān)的學(xué)術(shù)研究。

語言破譯:從文本到矢量的轉(zhuǎn)變

此研究由 MIT 教授 Regina Barzilay 牽頭,依賴于基于歷史語言學(xué)(historical linguistics)見解的幾項原則。其中一條原則是,一種給定的語言很少會直接添加或刪除整個音節(jié),但是很可能會發(fā)生某些近似發(fā)音的替換。比如,母語中帶有“ p”發(fā)音的單詞可能會在其后代演變中變?yōu)椤?b”,但是由于明顯的發(fā)音差異,變?yōu)椤?k”的可能性則較小。

通過整合這些原則和其他語言學(xué)約束,Barzilay 等人的新算法學(xué)習(xí)將語言發(fā)音嵌入多維向量空間,在該多維空間中,相應(yīng)矢量之間的距離反映了不同發(fā)音的差異。這種設(shè)計使他們能夠捕獲語言變化的相關(guān)特征,并將這些特征表達(dá)為計算約束(computational constraints)。因此,它可以評估兩種語言之間的相似度。實際上,當(dāng)對已知語言進(jìn)行測試時,它甚至可以準(zhǔn)確地識別出該語言屬于哪個語系(language families)。例如英語、德語同屬于日耳曼語系。

不僅如此,算法生成的模型可以將古語言中的單詞進(jìn)行細(xì)分,并將其一一映射到“相關(guān)”語言中的對應(yīng)單詞上去。研究團(tuán)隊的最終目標(biāo)是使該系統(tǒng)僅僅使用幾千個單詞,就能夠破譯數(shù)十年來語言學(xué)家們都無法理解的古語言。

機(jī)器翻譯相關(guān)研究

實際上,這并非 MIT 首個使用計算機(jī)技術(shù)破譯已消失語言的研究。

早在 2010 年,Barzilay 就和其他合作者一起,開發(fā)出一個新的計算機(jī)算法,該算法在幾個小時內(nèi)就破解了古老的猶太語言烏加里特語(Ugaritic)。除了幫助破譯“神秘的”八種左右古老語言外,這項工作還可以擴(kuò)大自動翻譯系統(tǒng)可以處理的語言數(shù)量。例如目前,谷歌翻譯支持103種語言,而破譯系統(tǒng)中使用的技術(shù)可以幫助其為數(shù)千種語言構(gòu)建詞典。

去年,Barzilay 等人也發(fā)表過一篇論文,文中使用改進(jìn)的計算機(jī)算法破譯了線形文字 B(Linear B,出現(xiàn)在公元前 1400 年左右)。他們說,“我們的翻譯腳本能夠以 67．3%的準(zhǔn)確率將線性文字 B 的同源詞轉(zhuǎn)換成對應(yīng)的希臘語。據(jù)我們所知,該試驗是自動解讀線性文字 B 的第一次嘗試。”

在未來的工作中,該團(tuán)隊希望擴(kuò)展到將文本與已知語言的相關(guān)單詞相關(guān)聯(lián)的范圍之外,這種方法被稱為“基于同源的破譯方法”。

Barzilay 說:“例如,我們可以識別文本中涉及到的所有人或地點(diǎn)的信息,然后可以根據(jù)已知的歷史證據(jù)對其進(jìn)行進(jìn)一步的調(diào)查。這些實體識別(entity recognition)方法如今已廣泛用于各種文本處理應(yīng)用程序中,并且具有很高的準(zhǔn)確性 。”