MIT科学家开发机器翻译新算法，专为破译消失的古语言

语言是文化的有机组成部分，也是文化的载体，世界文明的多样性在很大程度上表现为世界语言的多样性。而在 21 世纪的今天，语言学家们显然已经不满足于传统的、对已知语言的研究。相反，许多科学家开始利用计算机技术，去探索已经消失的、几乎成为谜底的灭绝古老语言。

近日，麻省理工学院计算机科学与人工智能实验室（Computer Science and Artificial Intelligence Laboratory 简称 CSAIL）的研究人员就开发出一种计算机算法，旨在帮助语言学家破译历史上已消失的语言。

无法“谷歌翻译”的古老语言

如今，世界上现存约有 7100 种语言。然而，古时存在的大多数语言都已不再使用，几近灭绝。数十种已灭绝语言也被认为是“未破译”的语言，也就是说，我们对它们的语法（grammar）、词汇（vocabulary）或句法（syntax）了解不足，也无法理解其文本的意思。

图 | 世界语言分布地图 2018

而研究这些“未破译”的语言，不仅仅是出于学术上的好奇心。还是因为，不理解语言，我们就会错过与讲这些语言的人有关的一整套知识体系。不幸的是，大多数灭绝语言的相关记录极少，因此，科学家无法使用谷歌翻译之类的机器翻译工具或AI算法来对其进行解密。

而传统的研究方法是，找出目标语言的“相关”语言来作比较研究，例如同一语系或相似度较高的现存语言。然而，有些语言并没有对应的、已被深入研究过的“相关”语言，并且它们通常缺少诸如空格和标点符号之类的传统分隔符（想像一下，要解密出用这种语言写出的文字该有多么令人头秃）。

但是，CSAIL 的研究人员发明的新系统，已被证明能够自动破译消失的语言，且无需对其与其他语言的关系有深入的了解。他们还表明，该系统自身就可以确定语言之间的关系，并可以用它来证实最近的一项表明 Iberian 语言实际上与 Basque 语言无关的学术研究。

语言破译：从文本到矢量的转变

此研究由 MIT 教授 Regina Barzilay 牵头，依赖于基于历史语言学（historical linguistics)见解的几项原则。其中一条原则是，一种给定的语言很少会直接添加或删除整个音节，但是很可能会发生某些近似发音的替换。比如，母语中带有“ p”发音的单词可能会在其后代演变中变为“ b”，但是由于明显的发音差异，变为“ k”的可能性则较小。

通过整合这些原则和其他语言学约束，Barzilay 等人的新算法学习将语言发音嵌入多维向量空间，在该多维空间中，相应矢量之间的距离反映了不同发音的差异。这种设计使他们能够捕获语言变化的相关特征，并将这些特征表达为计算约束（computational constraints）。

因此，它可以评估两种语言之间的相似度。实际上，当对已知语言进行测试时，它甚至可以准确地识别出该语言属于哪个语系（language families)。例如英语、德语同属于日耳曼语系。

不仅如此，算法生成的模型可以将古语言中的单词进行细分，并将其一一映射到“相关”语言中的对应单词上去。研究团队的最终目标是使该系统仅仅使用几千个单词，就能够破译数十年来语言学家们都无法理解的古语言。

机器翻译相关研究

实际上，这并非 MIT 首个使用计算机技术破译已消失语言的研究。

早在 2010 年，Barzilay 就和其他合作者一起，开发出一个新的计算机算法，该算法在几个小时内就破解了古老的犹太语言乌加里特语（Ugaritic）。

除了帮助破译“神秘的”八种左右古老语言外，这项工作还可以扩大自动翻译系统可以处理的语言数量。例如目前，谷歌翻译支持 103 种语言，而破译系统中使用的技术可以帮助其为数千种语言构建词典。

去年，Barzilay 等人也发表过一篇论文，文中使用改进的计算机算法破译了线形文字 B（Linear B，出现在公元前 1400 年左右）。他们说，“我们的翻译脚本能够以 67.3%的准确率将线性文字 B 的同源词转换成对应的希腊语。据我们所知，该试验是自动解读线性文字 B 的第一次尝试。”

在未来的工作中，该团队希望扩展到将文本与已知语言的相关单词相关联的范围之外，这种方法被称为“基于同源的破译方法”。

Barzilay 说：“例如，我们可以识别文本中涉及到的所有人或地点的信息，然后可以根据已知的历史证据对其进行进一步的调查。这些实体识别（entity recognition）方法如今已广泛用于各种文本处理应用程序中，并且具有很高的准确性 。”