1.数据关，成风尽垩之技无的放矢。要明确动物语言所表达的具体意义，需要先对动物的叫声和即时脑电波动进行完整的采样比对，再在这些数据的基础上建立数据库。而这两种数据都存在着广泛性和多样性，以犬类为例，不同的犬种声带粗细宽窄各不相同，针对同一情景发出的叫声分贝高低和尖细情况也不同，而刺激犬类发出叫声的场景又是难以穷尽的，单单收集犬类的声音样本就是一个无比巨大的工程了，数据库自然也难以完善。
2.技术关，空手搏斗难制胜。一个AI翻译产品做到翻译精确至少需要攻破几个难题：形式端，拍译要攻克图像识别，同声翻译要攻克语音识别：内容端，攻克文本语言分析、大数据。而AI还没有发展到能够极为精确地处理这些问题的阶段，机器缺乏对视觉场景、听觉场景、自然语言处理的常识判断。
如搜狗搜索在2017年6月的分享会上发布了创新产品搜狗翻译APP，应用了基于生物学习的神经网络机器翻译（NMT）系统，将翻译精确度提升到一个前所未有的高水准，然而在翻译效果的“信达雅”上，仍然只做到了“信”的层面，对语言背后的幽默、情感等丰富含义的解读离人们所期待的水准还有些距离。
3.语义关，语料积累、场景收集和副语言与文化背景成痛痒之地。AI翻译在文本或语言的寓意分析方面还强差人意。与人类语言相比，动物语言都是即时信号，信息内容全部关于当下，或示威，或示警，或示爱……从中看不到用语言来激起对过去的联想的迹象，并且单个个体能发出的声音形式太单一了，蕴含在其中的丰富信息难以明确表达。
宠物翻译的难点不仅在于声音的收集，更在于声音背后具体含义的对应。这种对应是宽范围的，难以精确的，机器缺乏对视觉场景、听觉场景、自然语言处理的常识判断，无法精确理解语音所表达的内涵，甚至在这个方面还比不上人类对动物语言的理解，人可以根据生活经验来理解动物语言，比如看到狗狗冲着陌生人吠叫，人们可以推测它是在防备这个陌生人，而机器可能就没办法很好地理解这个画面，从而做出错误的判断。
又比如，“好”这个字是日常交际的常用字，在百度汉语显示有19种语义，这些语义是结合具体场景来体现的，当偶遇熟人时，“好”的意思是问好；当别人征求意见时，“好”用来表示同意；当人们商讨时，又可以用“好”来表示反问……可见场景对于语义具有至关重要的影响，机器的正确理解场景的这件事上还需要加油，从而提高语义翻译上的高精确性。
4.“历史包袱”难抖掉，AI难以跟上生命体的学习进程。狗的叫声在一定历史时期并不是一成不变的，狗凭借自身的灵性以及主人的后天驯养，具备有学习能力，例如狗类中智商排名第一的边境牧羊犬智力水平已经相当于6—8岁的小孩，经过学习，在放牧时它会用不同的叫声来驱使羊群，控制羊群走向。还有一些宠物狗，甚至会在人类的刻意训练下发出类似“妈妈”的叫声，宠物语言在日新月异的变化，计算机却很难抖掉语言的“历史包袱”，这些也造成了AI宠物翻译的困境。
动物语言和人语之间的代沟是客观存在的，AI所能做的，只能是不断改进自身的功能，用科学手段完善数据库、内容、语料和场景，形式和内容双管齐下，才能将这条横亘在动物语言和人语之间的代沟填平，在坚实的地基上建立起实现人和动物“有效沟通”的“巴别塔”。
智能相对论（微信id:aixdlun）：深挖人工智能这口井，评出咸淡，讲出黑白，道出深浅。重点关注领域：AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。
文章TAG：应用 内容 算法
