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

近日，麻省理工學院計算機科學與人工智能實驗室（Computer Science and Artificial Intelligence Laboratory 簡稱 CSAIL）的研究人員就開發出一種計算機算法，旨在幫助語言學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，世界上現存約有 7100 種語言。然而，古時存在的大多數語言都已不再使用，幾近滅絕。數十種已滅絕語言也被認為是“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，不僅僅是處于學術上的好奇心。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的一整套知識體系。不幸的是，大多數滅絕語言的相關記錄極少，因此，科學家無法使用谷歌翻譯之類的機器翻譯工具或AI算法來對其進行解密。

而傳統的研究方法是，找出目標語言的“相關”語言來作比較研究，例如同一語系或相似度較高的現存語言。然而，有些語言并沒有對應的、已被深入研究過的“相關”語言，并且它們通常缺少諸如空格和標點符號之類的傳統分隔符（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 的研究人員發明的新系統，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系有深入的了解。他們還表明，該系統自身就可以確定語言之間的關系，并可以用它來證實最近的一項表明 Iberian 語言實際上與 Basque 語言無關的學術研究。

語言破譯：從文本到矢量的轉變

此研究由 MIT 教授 Regina Barzilay 牽頭，依賴于基于歷史語言學（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，但是很可能會發生某些近似發音的替換。比如，母語中帶有“ p”發音的單詞可能會在其后代演變中變為“ b”，但是由于明顯的發音差異，變為“ k”的可能性則較小。

通過整合這些原則和其他語言學約束，Barzilay 等人的新算法學習將語言發音嵌入多維向量空間，在該多維空間中，相應矢量之間的距離反映了不同發音的差異。這種設計使他們能夠捕獲語言變化的相關特征，并將這些特征表達為計算約束（computational constraints）。因此，它可以評估兩種語言之間的相似度。實際上，當對已知語言進行測試時，它甚至可以準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行細分，并將其一一映射到“相關”語言中的對應單詞上去。研究團隊的最終目標是使該系統僅僅使用幾千個單詞，就能夠破譯數十年來語言學家們都無法理解的古語言。

機器翻譯相關研究

實際上，這并非 MIT 首個使用計算機技術破譯已消失語言的研究。

早在 2010 年，Barzilay 就和其他合作者一起，開發出一個新的計算機算法，該算法在幾個小時內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，這項工作還可以擴大自動翻譯系統可以處理的語言數量。例如目前，谷歌翻譯支持103種語言，而破譯系統中使用的技術可以幫助其為數千種語言構建詞典。

去年，Barzilay 等人也發表過一篇論文，文中使用改進的計算機算法破譯了線形文字 B（Linear B，出現在公元前 1400 年左右）。他們說，“我們的翻譯腳本能夠以 67．3%的準確率將線性文字 B 的同源詞轉換成對應的希臘語。據我們所知，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，該團隊希望擴展到將文本與已知語言的相關單詞相關聯的范圍之外，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的信息，然后可以根據已知的歷史證據對其進行進一步的調查。這些實體識別（entity recognition）方法如今已廣泛用于各種文本處理應用程序中，并且具有很高的準確性 。”
責編AJX