如何将认知语言学的洞见带入机器翻译研究？

主流的机器翻译研究主要分为"基于统计的路径"与"基于规则路径"这两大支,而前者则乘着"深度学习"的东风,日益受到业界的青睐。不过,与人类的自然语言理解能力与翻译能力相比,基于深度学习的机器翻译系统的运作既无法脱离大量的语料输入(因此无法解释为何人类可以在"刺激匮乏"的情况下学习语言的问题),也无法彻底避免"过拟合"的问题。相比较而言,基于规则的机器翻译路数则无法有效地应对语用学考量对于句法分析的影响。与这两大主流思想相比,认知语言学的翻译理论毋宁说更为符合人类译员的翻译实际。然而,由于认知语言学的基本描述手段存在着"难以被计算化"的问题,要将相关的洞见兑现为能被计算语言学所消化的材料,我们还需要借助于别的技术手段,比如目前作为"通用人工智能"技术路径之一的"非公理化推演系统"(纳思系统)。