Christopher Manning 专攻自然语言处理——设计能够理解书面和口语中的含义与情感，并作出智能回应的计算机算法。
他的工作与智能手机和在线应用中的语音激活系统密切相关，这些应用可以在人类语言之间翻译文本。他借助一种名为深度学习的人工智能分支来设计算法，使算法能够自行学会理解含义，并适应语言的新用法或不断变化的用法。
斯坦福大学的 Andrew Myers 最近采访了计算机科学与语言学教授 Manning，谈论这项工作；直到现在，这项工作才开始受到公众更广泛的关注。
问：你会如何向一个完全陌生的人解释自己的工作？
答：我的研究重点是自然语言处理，也称计算语言学。它旨在让计算机系统能够对文本材料和人类语言作出智能回应。
我关注的是词语的含义。如果你对 Google、Siri 或 Alexa 说些什么，它们的语音识别能力非常出色，但有一半时候它们并不明白你的意思，而是会问：“要我为此进行网络搜索吗？”
问：是什么让你对语言产生了兴趣？
答：年轻时，我对计算机科学和人工智能非常感兴趣，同时也觉得人类语言及其语法结构和复杂性令人着迷。我既对语言学和语言本身的研究感兴趣，也对计算方面感兴趣。计算这一面吸引的是那些更关心句子如何组合起来表达含义与情感，以及隐喻如何产生的人。
问：这些年来，这一领域发生了怎样的演变？
答：早期，这一领域需要把语法规则写成符号形式——主语、名词、从句、带动词的谓语，后面可能接名词短语，也可能接介词短语，等等。人们花了多年时间试图复现语法和词汇体系。这种方法在非常小的语境中效果不错，但始终未能真正扩展到理解含义。
随后，20 世纪 90 年代迎来了第一次变革：大量语言材料以数字形式出现在网上。人们开始探索统计方法，分析所有这些数据，并建立概率模型，判断哪些词可能会同时出现，从而表达含义与情感。
语法规则与交流关系不大，也无法决定表达听起来是否自然。你可以走到某人面前说：“早上好，今天早上你好吗？”这句话完全正确，但没人这么说。他们会说：“嘿，最近怎么样？”大多数语言都由这类较为微妙的选择构成，体现了人们如何使用语言。
在自然语言处理中，你需要让计算机理解世界。该怎么做到呢？一个很好的方法，就是利用已经写下的大量关于世界的内容。每天，世界各地的作者都在描写我们的世界，以及万事万物如何运作。我们创建计算模型，为词语和词组赋予数学数值，并用这些模型成功地阅读文本、提取含义。
问：自然语言处理能适应语言的新用法、新词或俚语吗？
答：这是早期方法的一大局限。随着时间推移，词语往往会出现不同的用法，甚至改变含义，有时变化相当惊人。“terrific”这个词过去带有强烈的负面含义，指令人恐惧的事物。直到最近，它才变成一个褒义词。
这是我参与研究的领域之一。即使自然语言处理系统最初是按旧含义训练的，它也能观察像“terrific”这样的词，并识别其正面语境。它能捕捉这些随时间发生的细微含义变化，并通过考察语言在现实世界中的实际用法来学习。
问：每种语言都需要重复这一学习过程吗？
答：我们在机器翻译方面做了很多工作。怎样才能在人类的两种不同语言之间实现自动翻译？
我们发现，现成的译文数量庞大，可以提供语境；基于这些语境，我们能够建立概率模型来翻译新文本。大约在 2005 年，Google 翻译采用了这种方法。效果并不出色，但有所帮助。你大致能看出一个页面在讲什么，但当然不能指望译文会是语法良好的句子。
最近，深度学习或神经机器翻译方法使翻译质量有了很大飞跃；斯坦福大学和蒙特利尔大学都探索过这些方法。如今 Google、Microsoft 和百度都在其翻译服务中使用神经机器翻译系统，但问题远未解决。我相信，20 年后人们仍会继续研究这一问题。
问：你的研究如何应用于 Siri、Alexa 和 Google Voice 这类语音系统？
答：我们把这类系统称为对话代理——它们试图理解你说的话，并根据你的表达执行任务。创建一个聊天机器人很容易，只需让它重复一些与提问只有一半关联的随机内容即可；但怎样才能构建出能够理解人们的请求并执行相应任务的对话代理呢？
一种实现途径是，利用 Freebase 和 Wikidata 等来源免费提供的结构化事实，构建我们之前谈到的那种语境化能力。遗憾的是，现实情况是，这些结构目前必须由人工构建。
我们的愿景是开发一种技术，让它能够通过阅读维基百科或在线报纸自动构建这些结构。
