古语云：工欲善其事必先利其器，随着计算机技术和信息技术的发展，我们的学习工具越来越丰富、越来越智能。现在网课比较多，下面给各位家长和学生推荐几款免费的网上在线学习工具（不需要下载安装任何软件）。

网上免费学习工具使用十分简单，只要有一台能正常上网的电脑或者手机即可，推荐使用电脑，安装谷歌Chrome浏览器或者win10自带的Edge浏览器即可。

一、语文学习工具推荐：

（一）百度汉语：https://hanyu.baidu.com/

主要功能：

汉字（词语）：拼音、读音、部首、笔画笔顺、五笔打字法、解释、组词、笔顺、近反义词、相关谜语；

词语（成语）：词语解释、拼音、读音、词语出处、例句、近义词、反义词、典故、相关词语、接龙等。

（二）词网：https://www.cidianwang.com/

这个的优点是可以选择不同的字典，主要有：说文解字、康熙字典、古汉语、广韵字典、书法字典等，默认的新华字典。

二、数学学习工具推荐：

地址：https://mathsolver.microsoft.com/zh/solver

（经过测试该网址可以在谷歌浏览器打开，但是体验不好，最好还是在Edge浏览器打开。)

推荐使用win10浏览器Edge自带的“数学求解器”，基本可以解决大部分的数学计算类试题，可以绘制函数图像、解方程、微积分等数学问题，而且有解题过程。

打开“数学求解器的”方法：点击浏览器左上角的三个点——更多工具——数学求解器；也可以复制打开上面的网址。

可以截取网页图片AI识别数学公式、可以打开拍摄的图片智能识别公式、也可以自己输入数学公式，非常方便。

1、数学键盘：

支持分数、算术根、对数、平方根、复数、科学计数法、方程、函数、微积分等输入。

2、输入方程，解方程示例：

3、显示求解步骤（可以显示不同方法的解题步骤，以上题为例，可以显示因式分解、分组因式分解、公式法、配方法的解题步骤）：

以下展示用因式分解法展示解题过程：

说明：

如果要计算书本上数学公式，先把内容拍成照片，然后传到电脑，把图片拖入Edge浏览器，打开“数学求解器”截取试题自动识别并解题。

三、英语学习工具推荐：

网址：https://fanyi.baidu.com/

主要功能：单词查询、中英文解释、汉语拼音、翻译，单词例句、英式英语和美式英语的发音、中文和英语的互译、朗读中文和英文等，主要的功能是可以即时朗读。

1、查单词：

即查即读、列句丰富。

2、查词语：

3、翻译句子：

欢迎大家留言交流更好的免费学习工具！！！

从 1956 年达特茅斯会议首次定义人工智能（AI）至今，人工智能已经经历了 60 多年的发展历程，计算机领域的科学家们取得了一次又一次的革命性进步，从机器学习、深度学习到强化学习，科学家们设计开发出了许多复杂的人工智能机制和技术，来复制人类视觉、语言、推理、运动技能和其他与智能生命相关的能力。

尽管这些努力使得人工智能系统能够在有限的环境中有效地解决一些特定的问题，但目前还没有开发出像人类和动物一样 “会思考的机器” ，“通用人工智能（AGI）” 时代尚未到来，想要让机器完全模拟人类进行自主学习、模式识别、想象创造等活动看起来遥不可及。

尽管一些乐观主义者认为通用人工智能离我们不到十年，但一项针对机器学习专家的大型调查表明，如果存在通用人工智能，那我们可能要到 2040 年左右才能拥有它。

近日，来自 DeepMind 的科学家在提交给同行评议的期刊《人工智能》（Artificial Intelligence）上的一篇题为 “Reward is enough” 的论文中认为，人工智能及其相关能力不是通过制定和解决复杂问题而产生的，而是通过坚持一个简单而强大的原则：奖励最大化。

（来源：ScienceDirect）

该研究由 DeepMind 首席研究科学家、伦敦大学学院教授 David Silver 领衔，研究灵感源于他们对自然智能的进化研究以及人工智能的最新成就，在撰写论文时仍处于预证明阶段。研究人员认为，奖励最大化和试错经验足以培养表现出与智力相关的能力行为。由此，他们得出结论，强化学习是基于奖励最大化的人工智能分支，可以推动通用人工智能的发展。

“奖励最大化” 的人工智能实现途径

创建人工智能的一种常见方法就是在计算机中尝试复制智能行为的元素。例如，我们对哺乳动物视觉系统的理解催生了各种人工智能系统，来实现对图像进行分类、定位照片中的对象、定义对象之间的边界等等。同样，我们对语言的理解有助于开发各种自然语言处理系统，例如回答问题、文本生成和机器翻译。

这些都是狭义人工智能的实例，这些系统旨在执行特定任务，而不是具有一般解决问题的能力。一些科学家认为，组装多个狭义的人工智能模块会产生更高的智能系统。例如，我们可以拥有一个软件系统，在单独的计算机视觉、语音处理、NLP 和电机控制模块之间进行协调，以解决需要多种技能的复杂问题。

相比之下，通用人工智能有时也被称为人类级别的人工智能，它更像是《星球大战》中的 C-3PO，因为它可以理解上下文、潜台词和社会线索，甚至被认为可能完全超过人类。

（来源：pixabay）

Deep Mind 的研究人员提出的另一种创建人工智能的方法：重新创建产生自然智能的简单而有效的规则。为什么自然界中的的动物和人类会表现出丰富多样的智能行为？Silver 等人指出，可能是由于每一种能力都源于对一个目标的追求，而这个目标是专门为激发这种能力而设计的。为此，该研究设计了一个替代假设：最大化奖励的一般目标足以驱动表现出自然和人工智能研究的大部分（尽管不是全部）能力的行为。”

这种假设基本上是遵守达尔文的生物进化论。从科学的角度分析，在我们周围看到的复杂有机体中，并没有自上而下的智能设计。数十亿年的自然选择和随机变异过滤了生命形式，使其适合生存和繁殖，能够更好地应对环境中的挑战和情况的生物设法生存和繁殖。其余的都被淘汰了。

这种简单而有效的机制导致了具有各种感知、导航、改变环境和相互交流的技能和能力的生物去进化。

图 | “奖励就足够” 的假设，假定智力及其相关能力可以被理解为在其环境中行动的主体促进奖励的最大化

研究人员在论文中写道：“动物和人类面临的自然世界，以及人工代理未来面临的环境，本质上都是如此复杂，以至于它们需要复杂的能力才能在这些环境中生存下来。因此，以奖励最大化来衡量的成功需要各种与智力相关的能力。在这样的环境中，任何使奖励最大化的行为都必须表现出这些能力。从这个意义上说，奖励最大化的一般目标包含许多甚至可能的所有智能目标。”

例如，考虑一只松鼠，它为了寻求减少饥饿的奖励。一方面，它的感官和运动技能帮助它在有食物时定位和收集坚果。但是，当食物变得稀缺时，一只只去寻找食物的松鼠必然会饿死。这就是为什么它也有计划技能和记忆来缓存坚果并在冬天恢复它们。松鼠具有社交技能和知识，可以确保其他动物不会偷吃它的坚果。如果你放大来看，饥饿最小化可能是 “活下去” 的一个子目标，这还需要一些技能，例如发现和躲避危险动物、保护自己免受环境威胁以及寻找季节性变化的更好栖息地。

研究人员写道：“当与智力相关的能力作为奖励最大化的单一目标的解决方案出现时，这实际上可能提供了一个更深入的理解，因为它解释了为什么这种能力会出现。相反，当每一种能力被理解为其自身专门目标的解决方案时，为了关注该能力的作用，为什么的问题就被绕开了。”

研究人员认为，在可能的奖励最大化方法中，最通用和可扩展的方法是智能体通过试错及与环境的交互来学习这样做。

通过 “奖励最大化” 发展能力

在这篇论文中，研究人员列举了一些高级示例，来说明 “在为许多可能的奖励信号最大化服务中，智能和相关能力将如何隐含地出现，对应于自然或人工智能可能指向的许多实用的目标。”

在知识和学习方面，研究人员将知识定义为代理人的内部信息，包含代理人选择行动、预测累积奖励或预测未来观察的特征，这些知识有先天具备的，也有后天学习而来的知识。奖励和环境也塑造了动物与生俱来的知识。例如，由狮子和猎豹等掠食性动物统治的敌对栖息地会奖励反刍动物，它们自出生以来就具有逃避威胁的先天知识。同时，动物也因其学习栖息地特定知识的能力而获得奖励，例如在哪里可以找到食物和住所。

通过列举生物世界的学习，说明环境可能同时需要先天和后天的知识，奖励最大化的代理将在需要时，通过自然代理的进化和人工代理的设计包含前者，并通过学习获得后者。在更丰富和更长久的环境中，需求的平衡越来越向学习知识转移。

（来源：VentureBeat）

在感知方面，动物的感官技能服务于在复杂环境中生存的需要。对象识别使动物能够检测食物、猎物、朋友和威胁，或找到路径、庇护所和栖息地；图像分割使他们能够分辨不同对象之间的差异，并避免致命错误，例如跑下悬崖或从树枝上掉下来；听觉有助于发现动物在伪装时看不到或找不到猎物的威胁；触觉、味觉和嗅觉也给动物带来优势，使其对栖息地有更丰富的感官体验，在危险的环境中获得更大的生存机会。

于是，研究人员假设感知可以被理解为服务于奖励的最大化。从奖励最大化而不是监督学习的角度考虑感知，最终可能会支持更大范围的感知行为，包括具有挑战性和现实形式的感知能力。

在社会智能方面，研究人员假设社会智能可以被理解为在包含其他代理人的环境中，从一个代理人的角度最大化累积奖励来实施，并推断出如果一个环境需要社会智能，奖励最大化将产生社会智能。

在语言理解方面，研究人员假设语言能力的全部丰富性，包括所有这些更广泛的能力，产生于对奖励的追求，而理解和产生语言的压力可以来自许多奖励增加的好处。例如，一个代理人能够理解 "危险" 警告，那么它就可以预测并避免负面的奖励；如果一个代理可以产生 "取" 的命令，可能会导致环境将一个物体移到代理的附近。这些奖励的好处可能最终会导致代理人具备各种复杂的语言技能。

它是一个代理人根据复杂的观察序列（如接收句子）产生复杂的行动序列（如说出句子），以影响环境中的其他代理人并积累更大的奖励的能力的一个实例。理解和产生语言的压力可以来自许多奖励增加的好处。

研究人员还讨论了泛化、模仿以及一般智能的奖励驱动基础，将其描述为 “在单一、复杂的环境中使单一奖励最大化 "。在这项研究中，研究人员在自然智能和通用人工智能之间进行了类比：“动物的经验流足够丰富和多样的，它可能需要一种灵活的能力来实现各种各样的子目标（例如觅食、战斗或逃跑），以便成功地最大化其整体奖励（例如饥饿或繁殖）。类似地，如果一个人工智能代理的经验流足够丰富，那么许多目标（例如电池寿命或生存）可能隐含地需要实现同样广泛的子目标的能力，因此奖励的最大化应该足以产生一种通用的人工智能。”

“奖励最大化” 的强化学习

按照人工智能之父 John McCarthy 的说法，“智力是在世界范围内实现目标的能力的计算部分”，而后来发展起来的强化学习将寻求目标的智能问题正式化，对应于不同智能形式的奖励信号，在不同的环境中如何实现最大化。

强化学习是人工智能算法的一个特殊分支，由三个关键要素组成：环境（Environment）、代理（Agent）和奖励（Reward）。通过执行操作，代理会改变自己和环境的状态。根据这些动作对代理必须实现的目标的影响程度，对其进行奖励或惩罚。在许多强化学习问题中，智能体没有环境的初始知识，并从随机动作开始。根据收到的反馈，代理学习调整其行为并制定最大化其奖励的策略。

（来源：TechTalks）

在强化学习研究领域的一个著名的例子：敲锣训猴。驯兽师在训练猴子时，以敲锣为信号来训练猴子站立敬礼，每当猴子很好地完成站立敬礼的动作，就会获得一定的食物奖励；如果没有完成或者完成的不对，不仅不会得到食物奖励，甚至会得到一顿鞭子抽打。由于听到敲锣后站立敬礼是猴子在所处环境下能够获得的最大收益，所以时间长了猴子自然在听到驯兽师敲锣后，就会站立敬礼。

强化学习就是训练对象如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。在这篇论文中，DeepMind 的研究人员建议将强化学习作为主要算法，它可以复制自然界中看到的奖励最大化，并最终导致通用人工智能。

研究人员写道：“如果一个智能体可以不断调整其行为以提高其累积奖励，那么其环境反复要求的任何能力最终都必须在智能体的行为中产生。” 并补充说，一个好的强化学习代理可以在学习过程中获得表现出感知、语言、社会智能等的行为，以便在一个环境（如人类世界）中实现奖励最大化，在这个环境中，这些能力具有持续的价值。

在论文中，研究人员提供了几个例子，展示了强化学习代理如何能够在游戏和机器人环境中学习一般技能。例如，当被要求在围棋比赛中取得最大胜利时，AlphaZero 学会了跨越围棋许多方面的综合智能。

然而，研究人员强调，一些根本性的挑战仍未解决，他们并没有对强化学习代理的样本效率提供任何理论上的保证。而是猜想，当强大的强化学习代理被置于复杂的环境中时，将在实践中产生复杂的智能表达。如果这个猜想是正确的，它将为实现人工通用智能提供了一条完整的途径。

强化学习以需要大量数据而闻名，强化学习代理可能需要几个世纪的游戏时间才能掌握计算机游戏。研究人员仍然没有想出如何创建强化学习系统来将他们的学习推广到多个领域。因此，环境的微小变化通常需要对模型进行全面的重新训练。

研究人员还承认，奖励最大化的学习机制是一个未解决的问题，仍然是强化学习中有待进一步研究的核心问题。论文抛出了整个强化学习领域研究的一个核心问题，即如何在一个实用的代理中有效地学习奖励最大化。

“奖励最大化” 的优缺点

加州大学圣地亚哥分校的神经科学家、哲学家和名誉教授帕特里夏・丘奇兰（Patricia Churchland）将该论文中的想法描述为 “非常仔细和有见地的解决方案”。

然而，Churchland 也指出了该论文关于社会决策的讨论中可能存在的缺陷。Churchland 最近写了一本关于道德直觉的生物学起源的书，他认为依恋和联系是哺乳动物和鸟类社会决策的一个强大因素，这就是为什么动物为了保护他们的孩子而将自己置于极大的危险之中。

Churchland 说：“我倾向于将亲密关系以及其他人的关怀视为自己，也就是 “我和我” 的范围的延伸。在这种情况下，我认为，对论文假设进行小幅修改以实现对 “我和我” 的奖励最大化会非常有效。当然，我们群居动物都有依恋程度，对后代超强依恋、对配偶和亲属非常强依恋，对朋友和熟人很强依恋等等，依恋类型的强度会因环境和发育阶段而异。”

Churchland 表示，这不是一个主要的批评，并且很可能会非常优雅地融入这个假设。Churchland 说：“我对论文的详细程度以及他们考虑可能存在的弱点的仔细程度印象深刻。我可能也不对，但我倾向于认为这是一个里程碑。”

针对 “哪一个通用目标可以产生所有形式的智能” 这一问题。研究人员在讨论部分提到，在不同的环境中实现不同的奖励最大化可能会导致不同的、强大的智能形式，每一种智能都会表现出自己令人印象深刻的、但又无法比拟的一系列能力。一个好的奖励最大化的代理将利用其环境中存在的任何元素，但某种形式的智能的出现并不以它们的具体内容为前提。

相比于只有精心构建的奖励才有可能诱发一般的智力，研究人员认为人工智能代理智力的出现可能对奖励信号的性质相当稳健。此外，他们建议强化学习问题也可以转化为一个概率框架，接近于奖励最大化的目标。

（来源：pixabay）

数据科学家 Herbert Roitblat 对该论文的立场提出了挑战，即简单的学习机制和试错经验足以培养与智能相关的能力。Roitblat 认为，论文中提出的理论在现实生活中实施时面临着一些挑战。

Roitblat 说 “如果没有时间限制，那么试错学习可能就足够了，否则我们就会遇到无限数量的猴子在无限长的时间内打字的问题。” 无限猴子定理指出，一只猴子在无限长的时间内敲打打字机上的随机键，最终可能会打出任何给定的文本。

Roitblat 在《Algorithms are Not Enough》一书中解释了为什么所有当前包括强化学习在内的人工智能算法，都需要仔细制定人类创建的问题和表示。他表示，一旦建立了模型及其内在表示，优化或强化就可以指导其进化，但这并不意味着强化就足够了。同样，Roitblat 补充说，该论文没有就如何定义强化学习的奖励、动作和其他元素提出任何建议。

Roitblat 说：“强化学习假设智能体具有一组有限的潜在动作。已经指定了奖励信号和价值函数。换句话说，通用智能的问题恰恰是提供强化学习作为先决条件的那些东西。因此，如果机器学习都可以简化为某种形式的优化，以最大化某些评估措施，那么强化学习肯定是相关的，但它的解释性并不强。”

参考资料：

https://www.sciencedirect.com/science/article/pii/S0004370221000862

DeepMind says reinforcement learning is ‘enough’ to reach general AI

https://www.jonkrohn.com/posts/2021/1/22/google-deepminds-quest-for-artificial-general-intelligence

在信息获取如此容易的互联网时代，学习多门语言已经不是什么新鲜事。虽然传统教育方式一直使得这件事显得不太愉快，但是多熟习一门语言，就意味着获取新信息又多了一些渠道，外语是拓展自己能力边界的好工具。从去年的 6 月份开始，笔者正式地接触日语并下决心想要坚持下来，到现在已经持续快一年的时间了。在整个学习过程中，间或有人询问我要如何开始一门不熟悉的语言的学习，想来现在也终于有些可以总结的东西了，于是就迫不及待的想与大家分享。下面我将会结合我的经验，以日语入门准备到后期维持学习这样的过程，分步骤为大家介绍一些日语入门的内容与对应的工具，希望能够帮助更多对日语感兴趣的同学快速地适应日语的学习节奏。

选择教材

自学一门语言首要的就是选择一本合适的教材，这是学习的基础。那么怎样才能选择一本适合自己的教材呢？我认为的标准是，你手里拿到书，看了之后能看进去，能学进去，不会产生抵触心理就可以。如果你学不进去，那么这本教材即便编写的再好，对于你而言都没有任何作用。我这里要推荐的教材是《大家的日本语》（みんなの 日本語），初级分为上下两部分，每部分都有本册和指导用书两本。本册里全是日语，指导用书里有单词表、中文说明等内容。

之所以推荐这套教材，首先是因为它是日本人编的教材。这意味着，即便这教材中存在某些错误，那么也是日本人容易犯的错误，至少对于你理解日语，不会产生什么实质性影响，而如果是中国人编写的教材，那么一旦你认真学习的地方是错误的，那么在你实践中，一定会遇到非常多困惑的地方。当然选择这本教材的另外一个主要原因是，每一课的内容相对而言要少一点，就初学者而言，不会产生大的压力感。之前我放弃新标准日语教材的一大主要原因就是每一课的内容太多，需要花很长的时间才能完成一课内容，对于我这样喜欢利用零碎时间的孩子来说，真的有点亚历山大。

《大家的日本语》（みんなの日本語）在 App store 中有对应的同名教材应用「大家的日本语」可以下载，应用中包含了书本教材的单词、文型、例文、会话以及语法部分，可以说将整部纸质教材进行了非常完美的电子化，甚至于教材附带光盘中的视频资料也整合到了应用中，十分方便进行学习。（应用包含内购，但是价格要比实体书便宜不少）

记忆五十音

由于日语是一种表音加表意的语言，因此五十音记忆是日语学习的基础，这里基本没有太多的技巧，大家能做的也就是按照已有的顺口溜背诵。背诵五十音，正常认真的同学一周时间足以，所以千万不要觉得自己背不下来。这里需要说明的是，正常方法背诵的五十音，仅仅是按照横排的顺序背下来，当然这应付日文的识别和发音已经没有问题。但是在我们学习语法的过程中，会遇到大量的单词变型，而变型常常是以竖排的「段」为单位进行的，比如将词末的「う」段变为「え」段。这个时候就需要你能够分清假名所属的竖排位置，所以在背诵五十音的时候，建议在能够背出横排的情况下，加入竖排的背诵。由于竖排的罗马音拼读的「韵母」相同，因此很容易记忆。

>这里推荐一款沪江出品的 App 应用「日语五十音图」，这款应用专注于日语五十音的记忆学习。应用界面是传统的日语五十音图，点击对应的片假名进行发音练习，同时应用会动画显示对应假名的书写方法，十分适合初学者利用碎片时间辅助记忆。

背单词

五十音的记忆比较牢固以后，就可以开始着手背诵教材课后单词了。通过采用优先熟练记忆单词，再听写课文的方法，能够最大效率地进行日文的初期学习。

背诵单词切记要跟着发音去背，这里提供两种方法。一种方式是使用教材自带光盘中的音频，其单词发音最为舒服，因为最是原汁原味。如果觉得使用光盘音频进行单词背诵不方便，上文提到的「大家的日本语」这款应用中单词部分也有基于教材音频的整合，而且严格按照对应课文单词表呈现，大家大可将其作为单词的主力背诵工具。

另外一种就是借助于背词软件了，这里推荐沪江出品的「开心词场」，其中能够自由添加各种单词书，《大家的日本语》这套教材的词汇也安排在内。不过开心磁场对整体词汇进行了重新分类，所以可能每一节背诵单词的内容和教材课程并不对应，这是需要大家注意的地方。由于应用具有拼写测试功能，恰好能够作为单词记忆的辅助手段。其中单词测试有三种题型：释义选择、补全例句以及单词拼写，完成一课单词的学习才能解锁下一课，每一课未答对的单词会自动添加到生词本中，方便后续复习。

练听力

即便大家在初期无法准确的听懂日语，也十分建议大家经常听一些日语的原声材料，此时听听力更多的是为了熟悉日语的表达节奏，培养语感。一些同学可能喜欢借助于一些语言类的电台节目来进行学习，但是就我体验的结果来看，大多数国人主播的日语电台发音都不甚理想。因此这里为大家推荐一款国外非常火的日语播客「japanesepod101」所发布的应用「Innovative」，应用中包含了大量专业的日语教学团队整理制作的音频、视频节目以及对应的文本学习资料。节目难度从菜鸟篇、初级、中级、高级、会员等进行划分，基本能够覆盖你所有的日语学习阶段。不过由于其日语教学面向的是英语系的国家，所以节目内容也是采用的英文日文交杂讲解，因此对于学习者而言可能需要一定的英文基础。这款应用首次下载可以免费使用7天，之后需要付费购买会员，如果认为自己借助于「japanesepod101」学习并不需要下载对应的文本资料等，那么大可在手机的播客中订阅他们的节目，节目每日音频视频交替更新。

练表达

Busuu 是一款适合多语言学习的应用，其界面设计简洁纯碎，内容精炼实用，对于日语初学者的语言表达能够起到非常大的助力作用。所以在日语学习的日常表达部分，推荐大家使用「在 busuu 学习日语」。应用中根据生活中场景出现的频率把等级划分为初级、中级、中高级和旅游课程四种，每种等级中内置丰富的主题表达课程，同时学习过程中的交互设计极其精致，能够很大限度的激发大家的学习兴趣。不过很多进阶功能需要付费购买会员才能使用，例如后续课程的测试考核功能等。

输入法

iPhone 手机由于自带多种语言输入法，切换非常方便。而安卓手机在使用国内的输入法进行切换的时候，需要每次打开设置菜单进行选择。所以建议大家直接搭配使用谷歌家的拼音输入法和日语输入法，两者之间仅仅只需点击「地球」标志就能随时自由切换，可以提高大家的双语输入效率。而且谷歌的日文输入法无论是在颜值还是功能体验上，都是我现在用到的最好用的日语输入法软件。类似于我们的汉语输入法（九宫格以及全键盘），日文输入法也有多种键盘输入模式。下图中的日文键盘采用的是罗马音输入方式，也是日语学习者最容易上手的一种键盘格式，只需要你熟悉日文的五十音，基本上就能够享受日文输入的快感了。

词典

词典可能是大家语言学习中使用频率最高的工具了。如果你正在学习不止一种外语，力荐大家使用「欧路词典」。相比较于知名的有道词典，欧陆词典更为纯粹简洁，没有庞杂的资讯信息，使得用户能够更加专注于查词本身。应用本身支持添加各种词典资源（日文的字典资源同样丰富），大家可以根据需要自行下载。查词的历史记录以及生词本的设置，可以帮助大家在空闲时间回顾历史学习内容。唯一遗憾的是欧陆词典另外的一项强悍技能——跨软件取词，实际使用中对于日文的支持并不理想。

答疑

在自学语言的过程中，一定会伴随着许多我们自己无法解决的问题，这时候如果能够出现一位语言学习前辈或者以对应语言为母语的人帮助我们解答学习中的困惑就再好不过了。应用「HiNative」给我们提供了这样的一个交流平台。这款应用是由基于日记写作与修改的Lang-8 语言学习网站发布的一款语言学习社区类应用。用户能够在应用中提出任何语言学习的问题，这些问题将会由其他有相应语言学习经验的人，或者以对应语言为母语的人为你解答。应用中内置了多种提问模版，通过模块化的提问方式，你的问题将会被翻译成以对应语言为母语的人能够看懂的内容，从而方便不同母语的人进行学习交流。

小结

由于日语中含有大量的「汉字词」，因此初学者对于日语的学习具有很高的接受度，这会帮助大家快速的进入某一语言的学习状态。但是日语中的这些「汉字词」实际上与我们所熟悉的汉语内容有一定差异，因而更需要大家认真地对待。更具挑战性的是日语语言成分的表达顺序和汉语有比较大的差异。我们习惯于按照主-谓-宾的顺序组成句子，而在日语中则是按照主-宾-谓的顺序进行表达，这需要大家花费一些时间来适应。当你在学习中认真的注意以上的两点内容，并辅之各种 App 进行学习，想必能够很快的入门日语。现在我已经开始中级日语的学习了，之后大家如果有需要，我们可以交流一些进阶日语的学习经验和工具推荐。

关联阅读：

题图来自日语学习博客 tofugu.com

谷歌最近推出的新翻译系统取得巨大进展，与之前被众人吐槽的“蹩脚”翻

译大不相同，几乎可以与人工翻译水平相媲美。

谷歌在机器学习方面的最新进展将使我们居住的地球更像一个“村儿”。

谷歌的研究人员开发了一套新的系统，使谷歌翻译的准确度有了质的飞跃。目前，谷歌正在全面升级自己的翻译系统。在一场与人工翻译展开的较量中，新系统在某些语种之间的翻译流畅度已经十分接近人工翻译的水平，例如将英语翻译西班牙语。

针对 “汉译英”，谷歌也升级了之前的系统，并且打算对现有的翻译系统进行彻底的更新换代。

这一改变将使得阅读外文网站更加容易，和不同母语的人们沟通更加轻松。谷歌的研究人员Quoc Le表示，谷歌翻译系统的升级还将促进人和机器之间的交流。

图中，巴黎的一名商贩正在使用谷歌翻译与顾客沟通。

Quoc Le说，新的翻译系统可以帮助机器完成更为复杂的任务，例如通过大量阅读Wikipedia来回答用户更为复杂的问题。

谷歌的新翻译系统基于“深度学习（DeepLearning）”，利用松散的数学函数网络进行语言分析。这项科技的灵感来源于对哺乳动物大脑的研究。它的出现极大的促进了人工智能的发展，在图像和语音识别等领域产生了巨大的变革。

Quoc Le说，从2014年起谷歌就开始探索如何将“深度学习”应用在翻译领域。他说，从最近的结果看，翻译领域的新时代已经来临。

谷歌发布的一份文件列举了英语翻译成西班牙语、法语和中文，以及这些语言翻译成英文的范例。之后，谷歌邀请熟知两门语言的人来对于机器与人工翻译的结果。很多时候，人们几乎感觉不到两者之间有很大的差别。

测试中，谷歌随机摘取了Wikipedia或者新闻报道中的500句话，并让受访者对机器和人工翻译的结果打分（6分制）。对于英语到西班牙语的翻译，谷歌新翻译系统的平均得分为5.43分，距离人工翻译的5.55分相差无几。在法语翻译成英语的测试中，谷歌新翻译系统也与人工翻译的得分接近。

谷歌之前的翻译系统很难与人工翻译媲美。在谷歌的一项调查中，受访者认为新系统的性能提升了64~87%。Quoc Le认为，这一成就得益于谷歌设计人员开发的“神经网络”系统。该系统使得翻译系统可以独立于工程师的设计而进行自我思考。

事实上，不管新系统还是老系统都是通过学习已经人工翻译成不同语言的文件来实现翻译功能的。不同的是，老系统主要基于事前设计好的翻译规则，例如如何在不同语言中重新组装词汇的顺序。

与之相比，新系统并没有所谓的翻译规则，而是利用自己摸索出的一条切实可靠的翻译方法。它甚至可以在不考虑文字含义的前提下阅读或者创建一段文字。该系统将文章自动分割成很多小的片段，并且大多数时候这些片段看起来是无厘头的，甚至不符合人类说话的音节规律。

这种“独立性”让系统的设计者都不知道它正在做些什么，但是结果胜过一切。Quoc Le说：“这让人听起来有些迷惑不解。然而，我们反复的测试证明，新系统就是好用。”

谷歌新系统的飞跃并不是凭空而来的。伊利诺伊大学的语言学副教授雷恩·施瓦茨巷（Lane Schwartz）说：“学术界和产业界的研究人员都相信，‘神经网络’的发展必然会帮助机器更好的理解人类的语言。”

几十年来，科学家们一直致力于发展人工智能，希望可以模拟人类的语言能力和交流的复杂程度，然而真正的成果并不多。

因此，这次谷歌新翻译系统的出现能够在多大程度上促进机器理解人类语言仍然是个未知数。