試圖讓電腦理解人類的語言一直是人工智慧領域邁不過的難關。
早期的自然語言處理模式通常採用人工設計特徵，需要專門的語言學家手工編寫pattern，但最終效果卻並不理想，甚至AI研究一度陷入寒冬。
每當我開除語言學家，語音辨識系統就更準確了。
Every time I fire a linguist, the performance of the speech recognizer goes up.
——Frederick Jelinek
#有了統計模型、大規模預訓練模型以後，特徵抽取是不用做了，但仍需要對指定任務進行資料標註，最關鍵的問題在於：訓練得到的模型還是不懂人類的語言。
所以，我們是不是該從語言最初的形態開始重新研究：人類到底是怎麼獲得語言能力的？
最近來自康乃爾大學、麻省理工學院和麥吉爾大學的研究人員在Nature Communications上發表了一篇論文，提出一個演算法合成模型的框架，在人類語言的最基礎部分，即詞法音位學（morpho-phonology）上開始教AI學習語言，直接從聲音建構語言的詞法。
論文連結：https://www.nature.com/articles/s41467-022-32012-w
詞法音位學是語言學分支之一，主要關注語素（即最小的意義單位）在組合成詞時發生的音變，試圖給出一系列規則，以預判語言中音素的規律變聲。
比如說英語中的複數語素寫作-s或是-es，但讀音卻有三種[s]、[z] 及[әz]，比如cats的發音為/kæts/, dogs的發音為/dagz/, horses的發音為/hɔrsәz/。
人類在學習複數發音轉換時，首先根據詞法學（morphology），意識到複數後綴實際上是/z/；然後根據音位學（phonlogy），將後綴基於詞幹中的聲韻，如清輔音等轉換成/s/或/әz/
其他語言也有同樣的音位詞法規律，研究人員從58種語言的音位教科書上收集得到了70個資料集，每個資料集只包含幾十到幾百個單詞，並且只包含少數語法現象，實驗表明在自然語言中尋找語法結構的方法也可以模擬嬰兒學習語言的過程。
透過對這些語言資料集執行分層貝葉斯推理（hierarchical Bayesian inference），研究人員發現該模型僅從一個或幾個樣例中就可以獲得新的詞法音位規則，並且能夠提取出通用的跨語言模式，並以緊湊的、人類可理解的形式表達出來。
人類的智慧主要體現在建立認知世界理論的能力，例如自然語言形成後，語言學家總結了一套規則來幫助兒童更快速地學習特定語言，而當下的AI模型卻無法總結規則，形成一套其他人可理解的理論架構。
在建立模型之前要先解決一個核心問題：「如何描述一個字」，例如說一個字的學習過程包括了解字的概念、意圖、用法、發音以及意義等。
在建構詞表時，研究者把每個字表示為一個對，例如open表示為εn/, [stem: OPEN]>, 過去式表示為/, [tense: PAST]>，組合得到的opened表示為εnd/, [stem: OPEN, [tense: PAST]]>
有了資料集以後，研究人員建立了一個模型，透過最大後驗機率推理來解釋在一組pair集合上生成語法規則，對單字的變化進行解釋。
在聲音的表示上，音素（原子音）被表示為二元特徵的向量，例如/m/，/n/，是鼻音，然後基於該特徵空間定義語音規則。
研究者採用經典的規則表述方式，即情境相關記憶（context-dependent），有時也稱之為SPE-style規則，其廣泛應用於英語的音型（Sound Pattern of English）表示。
(focus)→(structural_change)/(left_trigger)_(right_trigger)，意思是只要左/右觸發環境緊靠focus的左/右，焦點音素就會根據結構變化進行轉換。
觸發環境指定了特徵的連接（表徵音素的集合），例如在英語中，只要左邊的音素是[-sonorant]，在詞末的發音就會從/d/變成/t/，寫成規則就是[-sonorant] → [-voice]/[-voice -sonorant]_#，比如說walked應用這個規則後，發音就從/wɔkd/轉換為/wɔkt/。
當這個規則被限制為不能循環應用於自己的輸出時，規則和詞法學就對應於雙向有理函數（2-way rational functions），又對應於有窮狀態轉換器（finite -state transductions）。有人認為有窮狀態轉換器的空間有足夠的表現力來涵蓋形態語音學中已知的經驗現象，並代表了對語音學理論實際使用的描述能力的限制。
為了學習這種語法，研究者採用了貝葉斯程式學習（Bayesian Program Learning, BPL）的方法。將每個語法規則T建模為一種程式語言中的程序，這種語言捕捉了問題空間的特定領域的限制。所有語言共同的語言結構稱為通用語法（universal grammar）。該方法可以被視為語言學中一個長期存在的方法的現代實例，並採用人類可理解的生成性代表來正式確定通用語法。
在定義好BPL需要解決的問題後，在所有程式的搜尋空間都是無窮大，不給出如何解決這個問題的任何指導方向，且缺乏像梯度下降或馬爾科夫鏈蒙特卡洛這樣局部優化演算法所利用的局部平穩性的情況下，研究人員採用了一種基於約束的程序合成的策略，將優化問題轉化為組合約束滿足問題，並使用布林可滿足性（SAT）求解器來解決。
這些求解器實現了詳盡但相對有效地搜索，並保證在有足夠時間的情況下，會找到一個最優解。使用Sketch程式合成器可以解決與某些資料一致的最小的語法，但必須符合語法大小的上限。
但在實務上，SAT求解器所採用的窮舉搜尋技術無法擴展到解釋大型語料庫所需的大量規則。
為了將解算器擴展到大型且複雜的理論，研究人員從兒童獲得語言能力和科學家建立理論的一個基本特徵中得到了啟發。
兒童不是一蹴可幾地學習語言，而是透過語言發展的中間階段，逐漸豐富他們對文法和字彙的掌握。同樣地，一個複雜的科學理論可能從一個簡單的概念內核開始，然後逐漸發展到涵蓋越來越多的語言現象。
基於上述想法，研究人員又設計了一個程式合成演算法，從一個小程式開始，然後重複使用SAT求解器來尋找小的修改點，使其能夠解釋越來越多的數據。具體來說，就是找到一個對當前理論的反例，然後使用求解器詳盡地探索可以容納這個反例的理論的所有小修改的空間。
但這種啟發式的方法缺乏SAT求解的完整性保證：儘管重複調用一個完整的、精確的SAT求解器，但它並不能保證找到一個最優解，不過每一次重複調用都比直接要對整個數據進行優化要難得多。因為約束每個新的理論在理論空間中接近其前一個理論會導致約束滿足問題的多項式縮小，從而使搜尋時間呈指數級增長，而SAT求解器在最壞的情況下是以指數級增長的。
在實驗評估階段，研究人員從語言學教科書中蒐集了70個問題，每個問題都要求對一些自然語言中的一些形式的理論進行綜合分析。這些問題的難度範圍很廣，涵蓋了多種多樣的自然語言現象。
自然語言也多種多樣，包括音調語言，例如，在Kerewe語（坦尚尼亞的一種班圖語）中，to count是/kubala/，但to count it是/kukíbála/，其中重音標記高音調。
也有母音和諧（vowel harmony）的語言，例如土耳其有/el/，/t∫an/，分別表示手，鐘，以及/el-ler/，/t∫an-lar/ ，分別表示手和鐘的複數；還有許多其他語言現象，如同化和外延式。
在評估上，首先測量模型發現正確的單字表的能力。與ground-truth詞表相比，該模型在60%的基準中發現了與問題的全部詞庫正確匹配的語法，並在79%的問題中正確解釋了大部分的詞庫。
通常情況下，每個問題的正確詞庫比正確的規則更明確，任何從正確的詞庫產生完整資料的規則都必須與模型可能提出的任何基礎規則具有觀察上的等效性。因此，與基礎真理詞庫的一致性應該作為一個指標來衡量同步化的規則在資料上是否有正確的行為，該評估與規則的品質相關。
為了測試這個假設，研究者隨機抽取了15個問題，並與一位專業語言學家協商，對發現的規則進行評分。同時測量召回率（正確恢復的實際語音規則的比例）和精確度（恢復的規則中實際出現的比例）。在精確度和召回率的指標下，可以發現規則的準確度與詞庫的準確度呈正相關。
當系統得到所有字庫的正確性時，它很少引入無關的規則（高精度），而且幾乎總是得到所有正確的規則（高召回率）。
以上是語言學家重出江湖！從「發音」開始學：這次AI模型要自己教自己的詳細內容。更多資訊請關注PHP中文網其他相關文章！
