按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
是玩，玩就是学”来概括他当年选择这个专业的动机。
多年以后他真的成为清华大学计算机博士，又成为微软中国研究院的副研究员之后，每天坐在电脑屏幕前面的时候，还是那副如鱼得水的样子，下了班还不愿意离去。
不了解他的人说他是在加班，但了解他的女友说，“他变348成‘计算机狂’了，好像是在和计算机恋爱。”陈正觉得“恋爱”之说有点过分，但他承认：“这种加班就像是在玩一样。”陈正花了整整3天时间，来构造中文语言模型的搜索引擎框架。如果这仍然可以看作“玩”，那么他第一次发现，“玩”有时候真是艰苦。因为李开复给他的第一个指导，是不能再循着国内此项研究的老路子走下去。“我听说，在中国做语音搜索统计，只联系到前面一个词，”李开复说，“这不够，至少要向前推两个词。”
在常人看来，这“一个词”和“两个词”的区别至为微小，实则其中隐含着巨大的变化。
机器不是人，没有人所共有的耳朵。它之所以能够听懂人话，必须遵循一个基本逻辑：将声音信号变成拼音符号，然后再变成计算机能够理解的“比特”。但人类语言的一个特征就是多有歧义，中文尤其如此。比如“一”
的同音字多达137个，也即专家所说“一音对多字”，而计算机能够识别的语言则必须是“一对一”－－不仅是“一”，而且要告诉它是哪一个“一”。不过，自然语言349中的另外一个特征，给科学家们提供了摆脱困境的机会。
这就是，每一个单字都是在一个完整的句子中间才会构成特有的含义。比如你要让电脑在“意”、“义”、“一”
这三个字中决定取舍，它必会莫名其妙。但你若给它阅读前边一字的机会－－“注意”、“主义”、“逐一”，它就会很容易地确定应该使用这三个字中的哪一个。这种情形在英文叫做“Bigram”模型，也即让机器在识别一个字的时候，将其和前边一字的各种联系全部搜索一遍，以判断哪一个字用在这里最合适。
然则更多的时候，仅仅依靠向前对应一个字，并不能做出正确的判断，以致电脑经常会犯下非常愚蠢的错误。有一次王坚在饭桌上面讲述了一个笑话，令人在喷饭之余，也想到了这个问题的严重性。
笑话说，杭州市有一家药店，大字招牌上是这样几个字：杭州市长春药店。人们看到这个店名的时候，必定读成：杭州市／长春药店。但这店名之所以会成为笑话，是因为句子中间有可能发生歧义，变成：杭州／市长／春药店。
即使是一个最迟钝的人，想来也不会犯这样的错误，350但每秒钟运算几千万次的电脑就无法分辨。有时候你会禁不住感叹：电脑真是一个最聪明的笨蛋！其实，不是电脑笨，而是电脑软件的设计，比如“Bigram”模型，还没有足够聪明。
问题发生在，“市”前边的第一个字为“州”，“州”
和“市”在一起组合，什么也不是。电脑如果一味拘泥于“Bigram”，必会自动地将其分开，以致铸成大错。但如果我们让电脑看到前边两个字：“杭州”，它就有极大可能把“市”与“杭州”连接起来。所以李开复认定，语音识别的研究必须让电脑前推两个词，方有可能大大减少其犯错误的可能。英文把这种方法叫做“Trigram”。
陈正明白李开复的意思之后，立即意识到他的工作量将会骤然增加。从“一个词”到“两个词”，并非人们通常所想像的“一加一”，而是“平方”和“三次方”的关系。所以机器的“搜索”范围，就将不是扩大一倍而是扩大10倍，又由于一个词大约由1。6个字组成，就使得实际的数量更加巨大，语料库的数据积累亦须相应增加。陈正的幸运在于，当他开始从事这项研究的时候，前人已经把所有这些道理都弄明白了。“我继承了分割语351言的方法。”后来他这样说。但他没有陷在前人的经验中，当他深入到这种方法里的时候，就发现，这种建立在自然语言基础上的分割，并不自然。比如“中国”一词，按照传统的切分，应当写成：zhong/guo。陈正把这组拼音写在电脑屏幕上，左看右看，连续数十分钟目不转睛，似已魂飞魄散，蓦然间脑子里面跳出一个念头，为什么不能这样切分呢：z/h/o/n/g/g/u/o这一来，他就看到了他梦想中的美好情景。
“我要做的是，将每一个字母都分出来，具体到最小的语言要素。”他向同事陈述自己的想法，“每一个字母都有多种匹配的可能，所以我要切分每一个字母。”他相信个人电脑的计算功能已经足够强大，运算速度也已足够快，不怕在瞬间完成巨大的统计，只怕不知道怎样做。
以后事情的发展证明，这的确是一个聪明的想法，机器不仅大大地提高了选择能力，并且开始产生一种奇妙的功效：自动纠正人为造成的拼写错误，也即我们此前所述的“自动纠错模型”。由于有了“最小语音要素”
352的概念，陈正有可能提出进一步的设想：让机器来纠正自己那满口南方腔调造成的拼音错误。他向王坚请教，王坚赞赏他的想法，还给了他一本书。书的内容是专门分析英文拼写中发生的各种错误，其统计错误概率的方法，令陈正茅塞顿开。于是他转而建筑汉语拼音拼写的“错误模型”。他将这个模型分为“替代”、“插入”、“跳跃”、“交换”四种，又将26个拼音字母的各种搭配分布于这四种模型中，列出下面一个简单的算术式：26×26×4=2704这意味着，陈正建立起来的“电脑自动纠错模型”
共计2704种。
陈正完成了一件划时代的工作，但却给人留下了意犹未尽的印象。当语音被分割成一个个最小因素的时候，英文和中文之间似乎有了某种共同的东西。那一天，李开复对他说：“英文也有自己的组词规律，我们能不能让机器识别出来。”于是他们拿出一大堆“维斯波”的英文实验数据，让电脑去识别一串字母像英文还是像中文。
结果，一个更加令人惊讶的事情发生了：当他使用“Trigram”的模型去追寻正确的字母搭配时，机器居然353能够准确地分辨英文字母与汉语拼音。当初王坚小组设计“无模式界面”的研究计划时，就曾说到“中文和英文混合输入而无须切换按钮”，陈正那时的第一个反应是：“怎么可能？”没有想到，由于有了“最小因素分割”
的思想，王坚小组提出的取消“中英文切换”模式的想法，立即成为可能。
工业时代的奥秘是“分工”，信息时代的奥秘是“融合”
陈正的“搜索引擎”基本框架，一步一步地生成。
与此同时，邸烁的中文语音识别系统也有了大致模样。
到了6月20日，距离“21世纪的计算”大会还有一周的时候，李开复有些着急，他问两人能否在一周之内“弄出一个结果来”。“试试吧。”两个人说。陈正胸有成竹，邸烁也跃跃欲试。一个星期以后，他们果真拿出了阶段性的报告，汉语语音识别系统的识别率达到了78％。又6个星期之后，识别率就超过了90％。现在，陈正也能洋洋自得地说：“我觉得，抛弃原来的方式真是英明。”一向自信的邸烁，这一回也没有想到自己身上蕴藏着如此大的潜力：“这么快就入了门，而且还能做出东西来。真没想到。”354不用说他们两个人没有想到，就是老于世故阅历丰富的黄昌宁也难以想像，自己此生还能身处这样一个环境中。过去和现在的对比实在太强烈，以至于他在一个私下场合讲出一番镂骨铭心的感受来：我一直直言不讳：我得从头学起。微软有一个很大的不同：“资源共享”。研究的资源，也就是软件工具、源码、语料数据，所有的资源都是共享。公司内部的研究资源是无偿使用，我只要发出一个电子邮件，要什么，他就很乐意地送过来给你用，但原创者的功绩并不会因此埋没。他发明的东西被别人引用得越多，他的业绩也就越好。我们国家的学者对这种情况是梦寐以求的，但始终行不通。我们大家做着同一个课题，不是做一年半年，而是做十年八年了。但我的成果你不能看，你的成果我不能看。要看，只能在发表之后，和全世界的人一同看，甚至同一个系里的人也不能交换成果。为什么？
钱不是一个老板出的。我要靠这个课题吃饭。如果我的成果公开了，那我吃什么？我的同行要是拿了我的成果到上面申请经费，我吃什么？所以就要封闭起来。
我们国家的科研效率非常非常低！很重要的原因是355资源不能共享。人很多，但你的力量是分散的，没有合力。当然也有“社会主义的大协作”，比如说“两弹一星”、“三峡建设”这样的大事，可以说是“集中力量办大事”。
但这样的大事毕竟不多，更多的是中事小事，怎么就不能开放研究，资源共享？“视窗”大不大？小小一张光盘，却影响整个世界。
倘若比尔．盖茨能够撰写一本新的《财富论》，那么他的理论必定与亚当．斯密分道扬镳。后者在100多年前揭示了，工业时代发展的奥秘在于“分工”，而我们眼前这位“世界首富”及其属下数千“百万富翁”乃至“千万富翁”的发迹轨道，似乎都在证明，信息时代发展的奥秘在于“融合”。这给了每一个人挣脱流水线重新做人的机会。
“分工”的价值日愈减小，而“融合”的价值日愈增大，人的时代就到来了。
1999年6月，王坚依据他在国内的既成经验，公开表示，在3个月内语音识别研究初战告捷是“不可想像的事情”。到了1999年10月，研究院真的把他们的中文语音识别模型拿到雷德蒙去演示的时候，惊讶不已的人356就不只王坚一个，至少还有比尔．盖茨。比尔．盖茨情不自禁地说道：“太出色了。”有人据此又问王坚做何感想。他说：“绝对是‘资源共享’、‘团队精神’的结果。”
这回他说对了。但这种“共享”与“团队