Диалог с компьютером
Шрифт:
Слово женщина тоже имеет двойную оценку. Пройдя классификатор, «хорошая женщина» попадет в одну группу со словами мать, невеста, ласка, забота, любовь, нежность и т. п. Ну а «плохая женщина» будет окружена словами зависть, глупость, карга, выдра и т. п.
«Размытые» слова, такие, как дождь, попадут не на два, а на несколько выходов. «Слабый и хороший» дождь окажется в группе со словами лето, радуга, свежесть; «сильный и плохой» — со словами гроза, буря; «слабый и плохой» будет соседствовать со слякотью, осенью, моросью, гнилью; «сильный и хороший» — с урожаем, добром и т. д.
Как видим, классификатор работает гораздо
Опора на два семантических аспекта — на понятийное ядро и качественный ореол — позволяет компьютеру неплохо ориентироваться в семантике текста и вести вполне «человеческую» беседу, хотя на самом первом, «понятийном» этапе компьютеру придется основательно помогать.
Например, вы спрашиваете компьютер:
— Как можно добраться из Ленинграда в Таллин?
В этом вопросе компьютер, увы, ничего не поймет.
Ему тут просто не за что зацепиться. Глагол добираться слишком многозначен, его понятийное ядро размыто, неопределенно. Будем великодушными, снизойдем к непонятливости компьютера и переформулируем вопрос:
— На каком транспорте можно доехать от Ленинграда до Таллина?
Казалось бы, теперь все предельно ясно. Но это нам ясно. А компьютеру все еще не по силам разобраться в понятийной семантике вопроса. Слово транспорт объединяет слишком много самых разных понятийных групп. Скажем, городской транспорт — трамвай, троллейбус, метро — здесь не годится. Грузовой транспорт — тоже. А есть ведь еще транспорт как тип морского судна. Да и с Ленинградом и Таллином тоже все не просто. Компьютеру нужно знать, что это города, а не районы одного города, не разные страны или материки, что оба города расположены на берегах одного моря. И много еще чего нужно. Короче говоря, чтобы понять смысл даже такого простенького вопроса, необходимо сознавать ситуацию, чего компьютер сделать не в состоянии.
Допустим, мы как-то оградили нашего, мягко говоря, несообразительного собеседника от излишних семантических трудностей и задаем ему донельзя «разжеванный» вопрос:
— На каком пассажирском транспорте можно доехать от города Ленинграда до города Таллина?
Компьютер включает «понятийный классификатор», обнаруживает в группе «междугородный пассажирский транспорт» слова поезд, самолет, корабль, автобус, автомобиль и, наконец отвечает:
— Поездом, самолетом, на корабле, автобусе или на автомобиле.
Вы говорите:
— Только мне хотелось бы побыстрей.
Если бы компьютер обладал эмоциями, то здесь он бы облегченно вздохнул — кончилась непосильная для него работа с понятийными ядрами, он вырвался в область семантических ореолов, где чувствует себя гораздо более уверенно. Пробежав оценки этих ореолов по шкале «быстрое — медленное» и установив, что самое быстрое — самолет, а самое медленное — корабль, он уверенно отвечает:
— Быстрее всего, конечно, самолетом.
Вы сомневаетесь:
— Самолетом — это риск: вдруг дождь.
Компьютер не понял причины ваших колебаний, но
уловил «размытое» слово дождь и спешит получить уточнения:
— Дожди бывают разные. Вы имеете
— Да, в бурю самолет не полетит.
— Конечно, дождь с грозой и бурей — это плохо. Но если слабый дождь, если свежесть, радуга — тогда все прекрасно.
Электронный собеседник взял реванш за тугодумие в начале беседы — он уже не только отвечает, но и сам спрашивает, рассуждает.
Вам понравилась его сообразительность, и вы пытаетесь установить, как далеко она простирается:
— А вам какой транспорт больше всего нравится?
Такой вопрос компьютеру нипочем. Увидев, что лучшая оценка по шкале «хорошее — плохое» у автомобиля, он безапелляционно заявляет:
— Я считаю, что лучше всего автомобиль.
Беседа наладилась, и вы позволяете себе попривередничать:
— Но мне хотелось бы отдохнуть в дороге, чтобы было тихо и спокойно.
До сих пор компьютер беседовал, обходясь основными качественными уровнями (были использованы факторы активности, силы и оценки). Теперь этой информации не хватает. Он ищет подходящие признаки и, обнаружив в вашей реплике слово тихо останавливается на шкале «громкое — тихое». На ней самым «громким» оказывается самолет, а самым «тихим» корабль, поэтому компьютер, поразмыслив, резонно советует:
В таком случае, самолетом лететь не следует, отправляйтесь на корабле.
— А как насчет безопасности путешествия?
Компьютер подключает шкалу «безопасное — устрашающее»:
— В общем-то все эти виды транспорта достаточно надежны, но если вы особенно осторожны, то ехать автомобилем я вам не посоветую, ну а корабль — это самое безопасное.
Хотя компьютер оказался упрямым и настоял-таки на своем первоначальном «замысле» — отправить вас в плавание на корабле, ясно, что разговор вели вы, заранее предвидя реплики машины. Но все же заметим, что выбор видов транспорта не был запрограммирован в ответах компьютера, он «сам» находил решения, исходя из запросов собеседника.
Понятно, что трафареты ответов машины составлены человеком и заложены в ее память. Но заполнял пустые места трафаретов компьютер самостоятельно: опираясь на анализ качественно-признаковых ореолов слов, он высказывал собственное мнение, давал оценки и советы. Иначе говоря, довольно убедительно имитировал понимание смысла вопросов и ответов, и особенно способным проявил себя не в постижении их логики (чего, казалось бы, следовало ожидать от бездушной машины в первую очередь), а как раз в овладении человеческими — эмоциональными, оценочными, личностными"— сторонами речи.
Анализ и синтез фоносемантики
«Семантический дифференциал» одно время был очень популярным измерительным инструментом не только среди лингвистов, но и среди литературоведов, психологов, искусствоведов, среди всех, кто изучает человеческое восприятие, эмоции, мышление. Чего только с его помощью не мерили — литературных героев и целые литературные произведения, живопись (реалистическую и абстрактную), разные эмблемы, значки, знаки... И никто (странно, но это так), никто не догадался измерить звуки речи!