一般情況下，我們和電腦說話都覺得很費勁，因為它們有點望文生義。但是，谷歌正在教電腦如何理解人類語音和文本的博大精深。
現(xiàn)在，谷歌把其算法開放給第三方的軟件開發(fā)人員。有了這些工具，程序員就能開發(fā)基于語言的應用和服務，比現(xiàn)在許多的聊天機器人更加善解人意。而程序員大概會迷上谷歌正在完善的強大的機器學習技術。
谷歌對語法和句法的掌握有助于其提供更準確的搜索結果，而且會隨著越來越多的設備和服務都依賴于語音控制變得越來越重要。
基于谷歌軟件的智能手機已經(jīng)可以聲控，而且谷歌正在開發(fā)類似于亞馬遜Echo的家庭設備，它很大程度上依賴語音交互。所以谷歌開放工具，使語言理解更容易有很大的戰(zhàn)略意義。
“我們的大多數(shù)用戶都通過語言與我們互動。”谷歌自然語言理解和機器學習的領導人Fernando Pereira說。 “他們通過打字或說話來問問題，所以，為了讓用戶滿意，我們必須使系統(tǒng)了解用戶想要的是什么。”
谷歌還發(fā)布了名為SyntaxNet的工具，可以基于其上下文背景和普遍使用學會理解單詞和短語的意思。它適用于谷歌原先發(fā)布的名為TensorFlow的深度學習框架，同時，它還是迄今使用TensorFlow構建的最復雜和最精密的部件。
谷 歌還發(fā)布了英語預先訓練解析器，稱為Parsey McParseface（一發(fā)言人稱，該公司在幫它起名字時很困擾，直到有人建議這個瑯瑯上口的名字）。文本被送入分析器后會自動分解成這樣的句法成分： 如名詞，動詞，主體和對象。這使得計算機更容易正確解析不明確的查詢或命令。
谷歌通常依賴于數(shù)據(jù)和機器學習，當然的確有些其他的方法，如Facebook試圖通過提供大量未標注主要數(shù)據(jù)給計算機，從而培養(yǎng)它們解析語言的能力。但是，谷歌的語言理解項目，是專業(yè)人士建設的。八年多來，語言專家一直在努力為谷歌注釋文本。而最近這些標注在大型深度學習神經(jīng)網(wǎng)絡取得了很大進展。
對計算機而言，理解語言是非常困難的，因為語言往往是模糊的。即使是像“Find me cats in hats”一樣簡單的搜索查詢，也會出現(xiàn)歧義，可以解釋為帶帽子的貓或者坐在帽子上的貓。人類可以使用常識來辨別這樣歧義的句子，而谷歌的技術則是采用機 器學習。其深度學習系統(tǒng)，通過語法文字的培訓，判斷出最有可能正確的語句結構。而在剛才的“cats in hats”例子里，谷歌會假定搜索者感興趣的是時尚前衛(wèi)帶帽子的貓。
谷歌產品經(jīng)理Dave Orr，負責尋找語言理解研究的商業(yè)應用，向外媒記者展示了該技術。他把幾篇MIT科技評論的文章放進內部版本的語言解析器。它犯了幾個微不足道的錯誤， 但總體來說其注釋的準確性令人印象深刻，能正確識別句法結構或捕獲標題的含義。 “這是人類能創(chuàng)造的最好的解析器，”奧爾說， “我們認為這是接近人類的水平。”
在內部，谷歌結合了自然語言系統(tǒng)和稱為知識圖譜的語義信息數(shù)據(jù)庫。這使得它能夠識別特定對象，人物，地點 等概念，并作出相應的反應。該系統(tǒng)通常也能夠通過將單詞與出現(xiàn)在一個類似的上下文比較，正確將新單詞分類。迄今為止，該技術適用于15種語言。有些語言對 語言分析更有挑戰(zhàn)性，培訓起來更加困難，奧爾說。
然而，該技術遠遠還沒能夠完全理解英語。 “我們的系統(tǒng)在結構合理，精心編輯的文本表現(xiàn)得最好。”Pereira說， “社交媒體和搜索查詢的不規(guī)律更有挑戰(zhàn)性。我們已經(jīng)取得了進展，但有很多的空間。”
仍然有很多歧義的地方需要人類程度的常識——我們從經(jīng)驗中學習的東西，從我們的朋友和我們的父母得到的建議，”Pereira說。 “這種豐富的解決問題能力正是我們系統(tǒng)的缺失。”
研究語言理解的斯坦福大學教授Noah Goodman說，改進語法的理解僅僅是電腦需要掌握語言的開始。 “語法肯定是語言的重要組成部分，”他說。 “但是，從語法到語義學；從淺層語義到推斷深層含義都是很大的進步。”
