内蒙古大学计算机学院教授策吉日格拉,长期从事蒙古文信息处理与人工智能研究,他早年毕业于内蒙古大学蒙古语言文学系,后转向计算语言学方向,这种跨学科背景让他在处理蒙古文编码、分词和语义分析时有着独特的视角,上世纪九十年代末,他参与制定了蒙古文国际标准编码方案,这项工作为后来手机和电脑上正常显示蒙古文奠定了基础。
在内蒙古大学,策吉日格拉带团队搭建了百万词级的蒙古文语料库,覆盖新闻、法律、文学和日常口语等多个领域,他常对学生说,语料库不是冷冰冰的数据堆砌,每一篇文本背后都是活生生的语言使用场景,为了收集牧区口语素材,他多次带队深入锡林郭勒和呼伦贝尔的苏木嘎查,用录音笔和笔记本记录老人们的日常对话。
这些田野调查得来的素材,后来被用于训练蒙古文语音识别模型,策吉日格拉团队开发的识别系统,在安静环境下的准确率已经超过百分之九十,不过他也坦言,牧区风噪大、方言差异明显,真实场景下的识别仍然面临不少挑战。
蒙古文是竖写文字,字母在词首、词中和词尾有不同的变形,这给计算机处理带来了天然困难,策吉日格拉解释说,一个蒙古文单词可能由多个变体字母连接而成,切分时不能简单按空格来断,团队花了好几年时间,才建立起一套相对稳定的分词规范,并开发了自动分词工具。
在机器翻译方面,蒙古文与汉文之间的语料相对稀缺,直接套用大模型效果并不理想,策吉日格拉选择了一条务实路线:先做好规则与统计相结合的混合系统,再逐步引入神经网络方法,他们推出的汉蒙辅助翻译工具,目前已在部分基层法院和医院试用,帮助工作人员处理简单的文书和导诊信息。
让他最欣慰的,是蒙古文输入法的普及,现在很多牧民能用手机发蒙古文短信、刷短视频,背后就有他参与制定的编码标准和输入方案,他说,技术不能只停留在论文里,能让普通人用得上、用得起,才算真正落地。
策吉日格拉在课堂上经常提醒学生,做少数民族语言信息处理,不能只懂技术不懂语言,也不能只懂语言不懂技术,他建议低年级学生先把编程基础和语言学概论打牢,高年级再选择具体方向深入,他自己带研究生时,第一年往往要求他们精读三十篇以上相关文献,并手工标注一千条以上的语料。
对于想进入这个领域的年轻人,他给出三条具体路径:一是参与开源项目,比如蒙古文分词和词性标注工具的开发;二是到牧区做语言调查,积累第一手素材;三是多与语言学、民族学专业的师生合作,不要把自己封闭在计算机圈子里,他特别强调,数据标注虽然枯燥,但却是锻炼语言敏感度的好办法。
他还鼓励学生参加全国少数民族语言信息处理学术会议,哪怕只是去听一听,也能了解同行在做什么,他说,这个领域不大,但同行之间关系紧密,一次会议上的交流,可能比读十篇论文更有启发。
策吉日格拉认为,蒙古文信息处理不只是技术问题,更关系到文化传承,如果年轻人只会用汉文或英文输入,蒙古文的网络使用场景就会萎缩,他支持在中小学校推广蒙古文编程和数字工具,让孩子从小觉得自己的文字也能和电脑、手机顺畅互动,他参与的一个公益项目,已经向内蒙古多所民族学校捐赠了蒙古文输入法教学套件。
在他看来,人工智能时代反而给少数民族语言带来了新机会,语音合成可以帮助视障人士“听”蒙古文,机器翻译可以让基层工作者跨语言沟通更顺畅,关键在于,研究者要愿意花时间了解真实需求,而不是一味追求论文指标,他常对团队说,做出来的东西,先拿给牧民和基层干部试一试,他们说好用,才算过关。
如果你正在学习蒙古文或从事相关技术工作,不妨从整理自己身边的语料开始,哪怕只是记录家里长辈的日常对话,坚持积累,主动合作,关注真实场景,这就是策吉日格拉教授给年轻人最朴素的建议。