ИИ. История машины, которая научилась говорить

Исследования Троянского обрели новую жизнь в этой среде. Его довоенная механическая схема была обнаружена и стала восприниматься как предшественник проектов, которые теперь можно было разрабатывать с помощью электронных вычислителей. Но позднее историк Майкл Гордин показал, что вокруг Троянского возникало несколько рассказов: его могли представить забытым изобретателем, доказательством самостоятельного советского первенства или участником более сложной истории международного обмена идеями. Полезнее рассматривать его работу конкретно, не превращая в соревнование «кто изобрёл машинный перевод первым».

Советская линия включала не только технические эксперименты, но и участие филологов, математиков, инженеров и лингвистов. Исследователи могли спорить о самой постановке задачи: считать ли язык набором грамматических правил, строить ли формальный промежуточный код, нужно ли описывать значение или достаточно обработать лексику и форму. Ответ на такой вопрос определял устройство программы не меньше, чем доступ к вычислительной мощности.

География советской работы помогает увидеть, что машинный перевод был частью более крупного движения по формализации языка. Разрабатывались методы автоматического анализа и поиска информации, создавались словари, исследовались грамматические структуры и языки программирования. Даже если коммерческий универсальный переводчик не появился, накопленные работы влияли на математическую лингвистику и последующие направления обработки естественного языка.

В течение 1950-х интерес к машинному переводу в СССР был масштабным, хотя фактические возможности машин и систем оставались ограниченными. Позднее, когда появились специализированные центры, часть исследований стала ориентироваться на практическую обработку текстов и черновой перевод. Разные периоды нельзя сводить к простой шкале «сначала энтузиазм, потом провал»: менялись институты, доступ к компьютерам и представления о том, какой результат можно считать полезным.

Вычислительная машина не равна исследовательской программе

Успех проекта зависел не только от качества лингвистической модели, но и от того, где находилась машина, сколько времени можно было на ней работать и кто имел доступ к результатам. Компьютеры 1950-х были редкими и дорогими системами. Их использовали для множества задач, а программирование и ввод данных требовали отдельных специалистов. Даже если исследовательская группа знала, какие правила хочет проверить, ей ещё нужно было превратить их в работающую программу и получить машинное время.

В Советском Союзе этот разрыв был особенно заметен в истории ранних проектов. Идеи могли быть математически оформлены и опубликованы, но практический опыт зависел от доступности подходящего компьютера. Это не означает, что советские исследования были исключительно теоретическими: система Панова запускалась на BESM. Но исследовательские группы работали в неодинаковых условиях, и путь от статьи до регулярной обработки текстов мог занимать годы.

Машинный перевод также требовал инфраструктуры за пределами лаборатории. Нужны были словари, подготовленные корпуса предложений, отраслевые специалисты и люди, способные оценить ошибки. Если цель — разбирать научную литературу, следует решить, какой поток документов важен, кто проверяет терминологию, где хранится перевод и как исправления возвращаются в словарь. Покупка компьютера решала только один участок этой цепи.

По мере роста интереса появились центры, где перевод понимался как часть более крупной работы с научной информацией. Для пользователя иногда было важнее быстро узнать содержание статьи, чем получить литературно совершенный текст. Черновик мог помочь решить, стоит ли заказывать полный перевод, или найти нужное описание в массиве документов. Такая задача отличается от публикации готового текста, но она не бессмысленна: ценность зависит от того, что читатель собирается делать с результатом.

Именно здесь разошлись ожидания исследователей, заказчиков и широкой публики. Заказчик мог считать полезным инструмент, который сокращает очередь на перевод, даже если редактор остаётся необходим. Публика могла услышать обещание автоматического переводчика, который заменит специалиста. Инженеры оценивали, работает ли программа на выбранных конструкциях. Эти критерии не совпадали, и разница между ними не всегда проговаривалась вслух.

Почему язык не поддавался окончательному словарю

Словарь — необходимая часть перевода, но не сам перевод. Обычное слово может иметь несколько значений, которые не связаны с его формой. «Коса» — причёска, сельскохозяйственный инструмент или узкая полоса суши; выбирать нужно по фразе. «Стол» в одном контексте предмет мебели, в другом — ведомство или отдел, а в разговоре «положить вопрос на стол» вообще означает рассмотреть его официально.

Грамматика помогает сузить варианты. Если слово согласуется с определённым родом или стоит в роли дополнения, некоторые прочтения становятся менее вероятными. Но часто контекст всё равно не решает задачу без знания мира. Фраза может быть правильно построена с обоими значениями, а смысл устанавливается тем, что происходит вокруг.

Язык также хранит идиомы — сочетания, смысл которых не получается простым сложением значений слов. Выражение «держать камень за пазухой» не описывает буквально предмет одежды и геологический объект. Его нужно понимать как образ скрытой неприязни или намерения. В английском будет другое устойчивое выражение или нейтральный эквивалент. Автоматическая подстановка слов даст дословный текст, который может быть грамматическим, но не передаст значение.

Ещё сложнее метафоры, ирония и многозначные высказывания. Когда человек говорит «отличная работа» после очевидной ошибки, он может иметь в виду прямо противоположное. Грамматика не предупреждает машину, что перед ней сарказм. Нужно учитывать отношения между собеседниками, ситуацию, предыдущее событие и тон — сведения, которые часто отсутствуют в письменном тексте.

Даже технические тексты не освобождают от контекста. В статье о химии слово может иметь специальное значение; в юридическом документе близкие термины могут различаться по правовому эффекту; в научном отчёте автор может намеренно вводить новое определение. Для каждой отрасли создают терминологические словари, но специалисты должны постоянно проверять, как конкретное слово употреблено в конкретном документе.

По мере добавления новых правил росла не только база, но и стоимость её согласования. Если система знает несколько значений слова, нужно определить, какие признаки позволят выбрать нужное. Если форма слова меняет его роль, надо распознать окончание и связать его с конструкцией предложения. Если предложение допускает несколько разборов, приходится ранжировать варианты, а для ранжирования нужна информация о вероятности или смысле.

Так появляется эффект лестницы. Сначала нужен словарь. Затем морфология, чтобы распознать формы. Затем синтаксис, чтобы установить отношения. Затем семантика, чтобы выбрать значения. Затем контекст, чтобы объединить предложения. Затем знания о мире, чтобы понять, что говорящий подразумевает. Каждая ступень решает реальную часть проблемы, но не заменяет остальные.

В этом смысле перевод стал одним из самых строгих способов исследовать язык. Чтобы автоматизировать преобразование текста, нужно было решить, какие свойства фразы сохраняются при переходе на другой язык, какие меняются и какую информацию нельзя восстановить по одним словам. Машинный перевод не просто просил лингвистов записать правила; он проверял, достаточно ли этих правил для результата, который читатель считает верным.

Перевод не останавливается на точке

Даже если система научилась разбирать отдельное предложение, текст продолжается за его границами. Местоимение «он» отсылает к кому-то, названному раньше. Слово «это» может указывать на целое событие или на одну деталь. Автор вводит термин, а дальше использует его короче. В русском и английском читателю иногда нужны разные подсказки, чтобы понять, о чём идёт речь.

Например: «Исследователь положил образец на стол. Он был холодным». Что было холодным — образец или стол? Грамматическая форма русского местоимения не всегда решает вопрос; смысл и ситуация помогают человеку выбрать. Перевод на английский потребует указать, к какому предмету относится местоимение, либо перестроить фразу так, чтобы сохранить неопределённость. Если программа смотрит только на последнее предложение, она может сделать выбор без достаточных оснований.

Связь между предложениями важна и для темы. В одном абзаце автор может сначала назвать «систему», затем перейти к «программе», «она» и «механизму», говоря об одном объекте. Переводчик должен понять, относятся ли эти слова к одному предмету или появились новые участники. Названия и сокращения требуют похожей памяти: текст может один раз расшифровать аббревиатуру, а потом использовать её десятки раз.

Некоторые языки позволяют опустить то, что уже ясно из контекста. Другие чаще требуют обозначить участника или грамматическую связь. При переводе приходится добавлять слово, менять конструкцию или оставлять часть информации невыраженной. Значит, не все операции выполняются внутри предложения. Система должна сохранять сведения о предшествующих фразах, а затем решать, какие из них ещё важны.

Здесь возвращается вопрос об объёме памяти в широком смысле. Машине нужны не только ячейки для слов и правила для грамматики, но и способ поддерживать нить повествования: кто уже появился, какие события произошли, что автор считает известным читателю. Маленькая демонстрационная коллекция могла обойти эту задачу за счёт простоты фраз; открытый текст быстро обнаруживал её.

Для людей связность часто незаметна, потому что читатель автоматически связывает местоимения, темы и прежние сведения. Переводчик тоже может осознанно перечитать абзац, если связь неясна. Программа должна либо хранить контекст в пригодной для вычисления форме, либо полагаться на эвристики. Ошибка такого рода способна не испортить грамматику предложения, но поменять участника, к которому относится действие.

Так становится понятнее, почему речь о переводе так быстро приводит к вопросам о понимании. Система должна выбрать не только значение слова, но и то, как текущая фраза входит в уже рассказанную историю. Её задача растёт вместе с текстом: от знаков к словам, от слов к предложениям, от предложений к связному высказыванию и ситуации.

Бар-Хиллел и «коробка в загоне»

Йехошуа Бар-Хиллел стал одним из самых заметных ранних критиков идеи полностью автоматического высококачественного перевода. В 1950-е годы он работал над машинным переводом и изучал, что именно потребуется от системы, которая должна выдавать не только понятный черновик, но и текст, сопоставимый с работой профессионального переводчика.

Его аргумент был не в том, что компьютеры никогда не смогут переводить. Он разделял разные задачи: быстро получить приблизительное содержание, помочь переводчику и самостоятельно выдать высококачественный перевод любого текста — не одно и то же. Он сомневался, что машины того времени и доступные лингвистические методы способны обеспечить последний вариант без огромных знаний о мире.

В известном примере фигурирует английское слово «pen». Оно может означать пишущий инструмент или загон для животных. Если фраза сообщает, что коробка находится «в pen», грамматический разбор не решает, о каком значении идёт речь. В соседнем предложении может быть сказано, что ребёнок ищет игрушечный ящик; здравый смысл подсказывает, что тот, вероятно, находится в манеже или загоне, а не внутри авторучки. Но чтобы сделать этот вывод, машине нужно знать, что такое игрушечный ящик, что такое загон, кто такой ребёнок и какие предметы обычно помещаются друг в друга.

На таком примере видно, почему словарь не может быть единственным источником смысла. Оба значения слова корректны, оба могут соответствовать грамматике, но реальная ситуация делает одно прочтение абсурдным. Человек выбирает интерпретацию, соединяя фразу с представлением о мире. Компьютеру нужен либо формальный аналог этих знаний, либо иной способ получить их из большого числа примеров и контекстов.

В 1960 году Бар-Хиллел изложил критику амбиции «полностью автоматического высококачественного перевода». Важно не превращать этот тезис в фразу «Бар-Хиллел доказал, что компьютерный перевод невозможен». Его аргумент относился к максималистской цели и состоянию исследований того времени. Он не отрицал возможности чернового перевода, помощи человеку или систем для узких областей. Он предупреждал, что высокое качество в произвольном тексте требует не только мощного словаря и грамматики.

Дискуссия имела практическое значение. Одни исследователи считали, что достаточно разработать более глубокий синтаксический анализ и большую лингвистическую базу. Другие полагали, что система должна располагать общими знаниями о мире и здравом смысле. Третьи рассчитывали, что контекст и статистические закономерности помогут выбрать правильный вариант без полного моделирования мира. Во всех трёх случаях нужно было признать, что словарный перевод — лишь первый шаг.

Предупреждение Бар-Хиллела часто звучало пессимистично, особенно на фоне ожиданий после успешной демонстрации. Но его вклад был не в том, чтобы закрыть тему, а в том, чтобы потребовать точнее определить, что именно считается качественным переводом и насколько широкий текст система должна обрабатывать. Машинный перевод стал одновременно инженерной гонкой и спором о границах того, что можно формализовать.

Цена правила: кто переводит до и после компьютера

В ранних системах люди оставались внутри процесса на каждом этапе. Лингвисты выбирали словарные значения и грамматические конструкции; программисты превращали их в код; специалисты по предметной области помогали решить, какие термины встречаются в реальных документах. Пользователь мог подготовить текст, чтобы сделать его проще для системы. После получения результата редактор исправлял перевод.

Человеческий труд не исчезал. Он перемещался до запуска — в создание словарей, классификацию значений, разметку примеров и составление правил; а после запуска — в редактирование, исправление терминологии и выявление ошибок. Автоматизация могла ускорить некоторые этапы и изменить способ распределения работы, но она не отменяла необходимость человека, который понимал оба языка и предмет перевода.

Предобработка особенно важна для ранних систем. Если автор использовал короткие предложения, знакомую терминологию и предсказуемые формулировки, программа могла добиться заметно лучшего результата. Иногда текст можно было писать по специальным правилам — избегать многозначных слов, сложных оборотов и неясных местоимений. Так возникал компромисс: либо система учится работать с естественным текстом, либо люди адаптируют текст под то, что система может обработать.

Постредактирование давало другой путь. Машина быстро выдавала черновик, специалист исправлял ошибки и доводил стиль до нужного качества. В технической документации такой процесс может быть полезен, даже если перевод далеко не готов для публикации. В юридическом или литературном тексте цена неточности и стилистической потери намного выше. Качество нужно измерять относительно конкретной работы, а не одной общей шкалы.

В этом заключается один из устойчивых уроков машинного перевода. Вопрос «может ли машина переводить?» слишком широк. Важно спросить, какие языки, какие жанры, какой объём, с какой точностью, кто исправляет ошибки, сколько стоит подготовка ресурсов и кто несёт последствия неверного результата. Одна система может помочь исследователю просмотреть тысячи страниц, но быть непригодной для договора. Другая может переводить инструкции с ограниченным словарём, но не справляться с рекламным текстом.

История раннего перевода показывает, что каждая автоматизация создаёт новый участок человеческой работы. Когда компьютер ускоряет выбор слов, появляется потребность тщательно разметить словарь. Когда он строит черновик, возникает редакторская работа. Когда машина переводит быстро, организация должна определить, какие тексты можно поручать ей без проверки. Производительность не равна автономии, а скорость не равна качеству.

Узкая область — разумный инженерный компромисс

Сложность открытого языка не означает, что правила бесполезны. В технической документации термины повторяются, стиль стандартизирован, а структура предложений предсказуемее, чем в романе или личном письме. Если тексты ограничены одной предметной областью, можно создать специальный словарь и грамматические модели, которые дадут полезный результат.

Такой подход не обещает переводить всё. Он оптимизирует процесс для известной задачи. Например, оператор может использовать черновой перевод технического отчёта, чтобы найти нужную информацию; переводчик проверит критические места. Компания может стандартизировать написание инструкций, чтобы система чаще встречала знакомые конструкции. Пользователь видит экономию времени, хотя система не понимает все возможные способы человеческого выражения.

Для бизнеса узкая область означает контроль. Можно собрать типичные тексты, определить стандарт терминов, проверять перевод на примерах и обновлять словарь по мере появления новых моделей или требований. Чем свободнее исходный язык, тем больше вероятность, что система встретит конструкцию, на которую у неё нет правила. Ограничение формулировок снижает неопределённость.

Но сама идея «просто ограничить область» может быть обманчивой. Технический текст всё равно содержит неоднозначность, названия, ошибки, сокращения и ссылки на предыдущие части. У предметной области есть собственные метафоры и жаргон. Обновление словаря требует участия специалистов. Даже строго контролируемый язык создаёт исключения, потому что люди продолжают писать для других людей, а не только для программы.

И всё же ограничение — это стратегия, а не признание поражения. Большинство практических систем не обязаны решить весь язык. Они могут быть полезными, если их возможности точно обозначены и пользователь понимает, где требуется проверка. Ошибка ранней индустрии заключалась не в том, что исследователи начинали с маленьких систем, а в том, что успех маленькой системы порой воспринимался как доказательство близкого универсального перевода.

В этом смысле ранний опыт был созвучен SHRDLU из предыдущей главы. Маленький мир позволяет встроить знания и контекст непосредственно в проект. Перевод в ограниченной предметной области работает сходным образом: программа заранее знает, какой словарь и стиль наиболее вероятны. В обоих случаях возникает честная польза и соблазн экстраполировать её далеко за пределы испытанной среды.

Один результат — несколько разных оценок

Рассмотрим перевод отчёта о новом материале. Исследователь, которому нужно быстро понять, о чём статья, может считать приемлемым черновик с неуклюжими оборотами, если технические факты переданы верно. Редактор журнала предъявит другие требования: ясность, точность терминов и отсутствие двусмысленных фраз. Переводчик, который отвечает за инструкцию по безопасности, потребует ещё более строгой проверки, потому что ошибка может привести к неправильному действию.

Для системы одной отметки «хорошо» недостаточно. Можно отдельно оценить, правильно ли передано основное содержание; сколько предложений читатель понял без оригинала; сколько времени понадобилось на редактуру; сколько терминов пришлось исправлять; насколько часто программа пропускает отрицание, число, имя или единицу измерения. Такие показатели отвечают на разные вопросы. Система может быть быстрой, но требовать долгой редактуры; может быть понятной, но менять оттенок утверждения; может редко ошибаться в общей теме, но опасно путать один критический термин.

Публичная демонстрация и рабочая эксплуатация поэтому измеряют разные вещи. Демонстрация показывает, что система способна на выбранном примере. Рабочая оценка проверяет, можно ли включить её в устойчивый процесс и что происходит с неотобранными текстами. Для этого нужны независимые примеры и заранее оговорённое назначение. Иначе у разработчиков есть соблазн оценивать систему по тем фразам, для которых её правила уже были подобраны.

У машинного перевода рано появилась ещё одна сложность: эталонный перевод не всегда единственный. Русскую фразу можно передать по-английски разными синтаксическими конструкциями; одна версия сохранит структуру оригинала, другая будет естественнее для читателя. Экспертам нужно было различать ошибку смысла и предпочтение стиля. Это требует времени и ясных критериев, а не только сравнения с единственной строкой ответа.

Поэтому практический результат должен включать не только программу, но и описание того, для каких документов она предназначена, какие ошибки допустимы, а какие требуют обязательной проверки. Такое описание может выглядеть менее захватывающе, чем заявление о переводе целого языка, но именно оно помогает понять реальную пользу. Узкая система с честно заданной областью может принести больше пользы, чем универсальное обещание, которое невозможно проверить.

Оценка качества превращается в отдельную проблему

Качество перевода не сводится к тому, совпадает ли каждое слово с одним заранее выбранным эталоном. Даже два профессиональных переводчика могут построить разные фразы и оба сохранить смысл. Выбор зависит от назначения текста, аудитории, стиля и цены ошибки. Поэтому оценка требует больше, чем списка правильных ответов.

Для лабораторного опыта можно заранее подготовить несколько предложений и показать, что машина их обрабатывает. Такая проверка удобна и полезна, но не показывает, что система справится с новым текстом. Чем ближе тестовый набор к структурам, на которых настраивали программу, тем меньше он говорит о поведении на незнакомом материале. Нужно проверять новые примеры, разные жанры и варианты формулировок.

Человек обычно оценивает перевод сразу по нескольким критериям: можно ли понять смысл, верны ли факты, естественно ли звучит фраза, не исчезли ли важные оттенки. Один текст может быть понятным, но стилистически неловким; другой — гладким, но с неверным термином. Одна метрика редко способна одновременно измерить все эти качества.

В ранних исследованиях качество часто оценивали экспертно и с учётом конкретного назначения. Машина могла помогать быстро просматривать документы, даже если её текст не годился для публикации. Но если результаты демонстрации представляли публике как «высококачественный перевод», возникало разногласие: речь о полезном черновике или о результате, который можно доверить без редактора?

Эта проблема помогла сделать машинный перевод более серьёзной дисциплиной. Исследователи стали тщательнее разделять тестовую демонстрацию и рабочую эксплуатацию. Нужно было считать не только секунды машинного времени, но и часы человеческой подготовки и редактуры. Система, которая переводит предложение за секунду, может оказаться медленнее, если на каждую строку приходится долго исправлять неправильный смысл.

На этом фоне разочарование середины 1960-х не было внезапным приговором языку как таковому. Оно возникло из-за разрыва между обещанным качеством, экономическими ожиданиями и результатами доступных систем. Отчёт ALPAC и его последствия подробно рассматриваются в главе о первой зиме ИИ; здесь важно, что перевод дал один из самых ясных примеров различия между красивой демонстрацией и устойчивым производственным процессом.

После большого разочарования осталась прикладная работа

К середине 1960-х ожидания от машинного перевода столкнулись с проверкой на стоимость и качество. Отчёт ALPAC, подробно рассмотренный в главе 6, критиковал американскую программу автоматического перевода и рекомендовал не наращивать финансирование универсального машинного перевода в прежнем масштабе. Документ стал символом «зимы» для области, хотя последствия в разных странах и учреждениях были неодинаковыми.

Для исследователей важен был не только размер бюджета. Возник вопрос, соответствует ли полученный результат реальной потребности. Если учёному нужен быстрый доступ к содержанию статьи, машина может дать полезный черновик. Если редакции нужен текст, который можно публиковать без проверки, тот же результат окажется неприемлем. Отчёт усилил требование сравнивать машинный перевод с человеческой работой и учитывать полную стоимость процесса: подготовку словарей, ввод исходных документов, время редактора и качество итогового текста.

Оценка ALPAC стала поводом для споров. Критики указывали, что исследование измеряло доступные на тот момент американские системы и не могло предсказать, что появится после новых методов и вычислительных ресурсов. Сторонники подчёркивали, что обещания уже влияли на финансирование и ожидания заказчиков; полагаться на возможное будущее было недостаточно. Так спор сместился от вопроса «можно ли когда-нибудь перевести языки?» к вопросу «какие результаты доступны сейчас и оправдывают ли они затраты?».