当我们和计算机交互时，它看到的是什么？
计算机虽然有了人工智能的程序支持，但事实上也不能将其机器学习的功能等同于像人类那样。至少，到目前还不是这样。那么，向Google的图片识别或者Facebook的M应用等一类系统，它们是怎么能够理解自然语言或视觉的呢？下面，是人工智能系统Josh的自我独白：
简而言之，我们将单词和短语的含义以数字的形式储存在计算机上。目前，市场上有许多这类产品，比如将单词转换成向量形式的工具word2vec，该工具使用浅人工神经网络来计算文字嵌入。此外也有一些诸如记忆网络的技术，能够自主学习文本，进行一些简单有限的问答。
在过去的几年中，由于先进的人工神经网络算法有了许多惊人的成果，图像识别和数字信号处理技术异常火爆。但是相比较之下，同是人工智能领域的理解自然语言方面似乎显得困难得多，为什么呢？
自然语言处理本质上是另一种约束关系的问题
研究自然语言是困难的，很多时候甚至超过了我们的想象——因为语言永远不变的是改变，因为全世界有千万种语言……无论你的观点是什么，自然语言难以为算法所处理的最大原因是——我们没有足够多的样本。
确实，我们拥有大量的文本资源，包括书籍、博客、社交媒体等。但即便如此，我们得到的用以分析的文本相对来说还显得不足。看一看以下图片：
当我们分析音频数据，或者图像数据时，事实上我们得到的数据信息比人类意
识中的要多。以佳能5D Mark III相机为例，摄影领域的人通常会说这是一个令人尊敬的相机，因为它有着5760 x 3840的分辨率。因为每个颜色像数都分别由红、蓝、绿、α值（RGBA）来表示，所以每个像素拥有4个标准数值。在其原始格式当中，一张这种像素的图片大约含有 88.47 MB数据。相比较之下，莎士比亚的所有作品也只有4.4 MB。一个像数等于4个字节，一个字符则占一个字节。
这意味着：
1.解析文本的时候，每一个令牌（字词的NLP术语）更多的是影响文本的整体分析。
2.生成文本的时候，每一个被选出来的令牌才能影响结果。
换句话说，在文本当中，字符和令牌才是占据主要成分的元素，和像素不同。
好了，那我们是如何处理文本的呢？在一个严格的解析系统中，我们需要用数值格式来表示文本，提示为向量形式。现在我们还是要继续理解很简单的向量表示，而未来则可以处理更为复杂的表达了。
我们来以几个词组为例：
1.Turn on the lights（开灯）
2.Power on the lights（打开灯的电源）
3.What time is it?（现在几点？）
4.What is the current time?（当前时间是几点？）
我们需要做的是创建一个叫词典的东西。换句话说，我们想要将现有的词组用特有的令牌技术来创建一个词汇表。然后，我们需要对信息做一些隐式预处理，去掉标点符号等。最后，我们给每一个唯一码赋予其各自的索引，从而生成自己的词汇向量：
0 turn
1 on
2 the
3 lights
4 power
5 what
6 time
7 is
8 it
9 current由于每一个字代表一个索引，因此我们可以使用反向散列数据结构来得到每个单词的索引，然后无论是否每一个字都是给定文本，我们都可以将这些字表示为一系列的布尔值（布尔值：是“真” True 或“假” False 中的一个）。比如，上述例句就可以表示为：
1.{ 1, 1, 1, 1, 0, 0, 0, 0, 0, 0 }
2.{ 0, 1, 1, 1, 1, 0, 0, 0, 0, 0 }
3.{ 0, 0, 0, 0, 0, 1, 1, 1, 1, 0 }
4.{ 0, 0, 1, 0, 0, 1, 1, 1, 0, 1}
有了这些向量，我们可以使用向量点积得到一个粗略的相似度计算。所谓点积，就是接受在实数R上的两个向量并返回一个实数值标量的二元运算。
所以，上述前两个例句的点积就是：
1 * 0 = 0
1 * 1 = 1
1 * 1 = 1
1 * 1 = 1
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0这些数值加起来和是3。而如果将第一个和第三个句子做同样的处理：
1 * 0 = 0
1 * 0 = 0
1 * 0 = 0
1 * 0 = 0
0 * 0 = 0
0 * 1 = 0
0 * 1 = 0
0 * 1 = 0
0 * 1 = 0
0 * 0 = 0那么和为0。这就是说，“Turn on the lights”和“What time is it”没有丝毫的相似。
你也许会发现，我们目前的词汇处理规模小到只有10个词。不过，未来当我们探索更多语义词嵌入时，我们还可以压缩向量，获得更准确的上下文理解和表达。