谷歌、百度、微軟、Facebook、阿里……我們介紹過很多中美在人工智能領域技術和商業(yè)化方面的進展，包括印度、以色列等等地區(qū)也出現(xiàn)過不少創(chuàng)業(yè)團隊。
可這里面似乎沒有戰(zhàn)斗民族俄羅斯什么事。按理說，俄羅斯有在冷戰(zhàn)時代遺留下來的大量科技人才儲備，國家對數(shù)學、計算機等學科的基礎教育也足夠重視，強大的黑客團隊展示了俄羅斯人資技術上能達到的種種可能。而且天寒地凍的氣候，好像也挺適合在家宅著擼代碼的。
放眼俄羅斯、甚至整個東歐地區(qū)，在人工智能領域最活躍的可能就是Yandex了。
Yandex：把搜索引擎當做技術發(fā)展的根本
Yandex是誰？大多數(shù)人第一反應是俄羅斯的“百度”。
沒錯，在1990年，來自莫斯科大學的兩位校友阿卡季·弗洛日和阿卡季·勃可夫斯基共同創(chuàng)建了俄羅斯自己的搜索引擎Yandex。“Yandex”一詞俄語含義是“Языковой index”（語言索引），是英語單詞“Yet Another indexer”的縮寫。意味“另一種搜索引擎”。從名字就能感受到兩位創(chuàng)始人對英語世界的反抗。
建立了搜索引擎后，Yandex逐漸開始發(fā)展為一家全能型的互聯(lián)網(wǎng)公司：建立門戶網(wǎng)站、創(chuàng)立電商平臺、與聯(lián)邦儲蓄銀行Sberbank合作推廣線上支付、代理來自中國的4399小游戲、推出打車平臺……基本你能想到的風口，Yandex都沒錯過。
和谷歌、百度一樣，搜索引擎成了Yandex收集語料數(shù)據(jù)、著手機器學習技術發(fā)展的根本。
戰(zhàn)斗民族在人工智能上發(fā)展如何？
Yandex在機器學習方面都做了什么？
首先，是時下最火的無人駕駛。據(jù)稱Yandex正在著手研發(fā)無人駕駛需要的計算機視覺、語音識別等等相關的技術。目前Yandex選擇了豐田普銳斯作為原型車，加上英偉達的芯片、Velodyne的雷達傳感器，目標向L5級的無人駕駛沖擊。
幾個月以前，Yandex還曬出了旗下無人駕駛車的場地測試視頻，視頻中無人車的表現(xiàn)中規(guī)中矩，雖然實現(xiàn)了在無人控制的情況下緩慢駕駛，但也會有難以越過障礙、躲避行人不及時等情況。
Yandex為自己定下了目標，明年要讓豐田普銳斯上公共道路測試，同時還和卡車制造商Kamaz、Daimler達成合作，計劃推出無人駕駛的迷你公交車。坦白講，Yandex對于自身無人駕駛技術的披露相當少，俄羅斯本土是否有無人駕駛必備的高精地圖也不得而知，俄羅斯的無人駕駛究竟會發(fā)展成什么樣，目前很難下個定論。
除了無人駕駛，Yandex還“有樣學樣”的推出了語音助手Alice，以此展示自己的語音識別技術。和Siri、谷歌語音助手一樣，Alice可以幫助用戶連接出行、購物、支付、新聞、音樂等等服務。
Yandex還給Alice加上了基于神經網(wǎng)絡的聊天引擎，讓Alice可以在社交網(wǎng)絡上學習他人的言論，這一技術的確較為先進。在測試中，Alice甚至還學會了一些政治、暴力方面的不當言論，不過在問題曝光后，這些言論很快被技術和諧了。
除了這些以外，Yandex還開源了機器學習框架Catboost、推出了深度神經網(wǎng)絡搜索引擎等等。
分詞技術：本土搜索引擎的神器
我們想了解到的是，Yandex是如何戰(zhàn)勝谷歌搜索，還在自然語言方面取得了相對前沿的進展。答案或許是因為Yandex獨有的分詞技術。
所謂分詞技術，其實是中文搜索引擎中的技術。即搜索引擎針對用戶提交查詢的關鍵詞串進行的查詢處理后根據(jù)用戶的關鍵詞串用各種匹配方法進行分詞的一種技術。
比如在搜索引擎中搜“不知道你在說什么”，就可能分成“不，知道，你，在，說什么”和“不知道，你，在，說什么”等等很多種分法，再到數(shù)據(jù)庫中進行索引。
如何確定分詞的方式有很多種，比如正向最大匹配法，按照中文閱讀習慣，從左向右分詞；又比如最短路徑分詞法，把一段話切出的詞數(shù)最少等等。這些只是比較傳統(tǒng)的方法，現(xiàn)在還可以利用NLP技術，從語義理解上進行分詞；利用鄰近算法，看哪些相鄰字符出現(xiàn)的頻率最多，就按照這樣的方式進行分詞。
如何戰(zhàn)勝谷歌？語言壁壘是關鍵
同樣的概念，在Yandex的搜索引擎技術中也存在，只不過不叫分詞技術，叫“морфология”這個詞可以被理解為“詞形”。
這就要談到了俄語這門語言的特殊性，和中文、英語不同，俄語中詞與詞之間的關系通常用詞形變化表示，于是，同一個名詞可以有12個形式，形容詞甚至能達到20、30個形式……所以，俄語中會有動名詞、形名詞這些奇怪的東西。
于是，因為俄語的特性，在搜索中非常容易引起歧義，對搜索的精度要求也更高。比如машиностроительный這個詞，在俄語中意為“機械的”。在谷歌搜索中，可以找到與之完全匹配的網(wǎng)頁，卻很難找到有關機械形容詞剩下的二十多個詞形變化的網(wǎng)頁。
而Yandex搜索引擎技術擅長的，恰恰就是關鍵詞的多義分析和查找。也形成了一些Yandex獨有的搜索方式，比如加上“”即可只搜索指定單詞，不搜索變形詞，也利用指令只搜索形容詞形態(tài)、動詞形態(tài)等等。
俄語屬于斯拉夫語族內的東斯拉夫語支，也就是說白俄羅斯語、烏克蘭語甚至捷克、波蘭等等地方的語言都會都類似的語法形態(tài)。而Yandex的分詞技術在這些語言中的表現(xiàn)也很出色。
憑借著語言優(yōu)勢上的獨有技術，Yandex戰(zhàn)勝了谷歌成為了俄羅斯本土最大的搜索引擎。而大量用戶使用累積的數(shù)據(jù)，更讓Yandex可以發(fā)展機器學習技術對算法進行進一步優(yōu)化。放到整個NLP技術里也是一樣，難怪Yandex可以在語音識別上獲得不小的進展。
機器學習給了這個世界一個相對平等的機會，就算技術、資金相對落后，語言上的優(yōu)勢仍然可以樹立起壁壘，更別提語料數(shù)據(jù)這一寶貴的數(shù)據(jù)。有Yandex的案例在先，是不是意味著那些基于泰語、印度語、阿拉伯語等等小語種的搜索引擎，也會在人工智能領域有著獨有的優(yōu)勢？
看來除了中美之外，我們還可以把眼光放到更遠的地方。
