人类语言主要通过说话和写字承载。那显然，语言学（Linguistics）对人工智能（ArtificialIntelligence）助力较大的领域，就是教计算机识别人说的话（语音识别），教计算机生成人说的话（语音合成）、教计算机理解人写的字（自然语言处理）、以及教计算机生成文本（自然语言生成）这四个方面了。实现以上四个任务，简单粗暴地说，是需要把人类说的话和写的字用统计模型描述出来。那统计模型应该怎么得到呢，通过数据训练出来。这些数据是什么呢？那就是有语言学标注的文本或者语音了。拿个语音合成的小例子举例。例如，你想语音合成一句句子“Dr.SmithlivesinNYC.”输入是这句文本，输出是waveform。大致思路是你要通过文本的语言学标注找到符合语音学标注的音素，再拼起来。
语言学（linguistics）在人工智能（AI）的应用都有哪些，这仿佛已经假设了：语言学是理论，人工智能是应用。这样说在通常意义下不算错，但严格来说，它们之间的关系没这么简单。总的来说，语言学和人工智能是两个相互独立却又密切相关的研究领域。之所以说独立，是因为它们都有各自的理论层面研究和应用层面研究，并非语言学一定是理论的，人工智能一定是应用的。比如，语言学分为理论语言学（theoreticallinguistics）和应用语言学（appliedlinguistics）；人工智能领域流派众多，从目前最热的机器学习approach来看，也分为对机器学习理论（MLtheory）的研究以及机器学习在具体领域应用（MLapplication）的研究。而说二者密切相关，主要是有以下两个方面的支撑：应用语言学中有着与人工智能关系密切的方向，即计算语言学（CL,computationallinguistics）。CL的主要目的为借助计算机科学、统计学领域中的模型与算法，解决语言学中的问题。注意，这里的算法和模型是手段，解决语言学问题是目的。
主流语言学难以应用的最大问题在于symbolicrepresentation的假设。语言学的模型把语言都写成二进制，非黑即白，要知道自从20世纪80年代开始，AI的人就已经意识到了概率的重要性。概率与传统语言学完全背离。而且理论语言学的人并不喜欢讨论实际自然语言数据，尤其喜欢坐着想句子。著名斯坦福计算语言学大神ChristManning，也是语言学系出身，但最近十几年几乎再也没发过跟理论语言学有关的论文。主流贡献相对大一点的分支有形式语义学(formalsemantics)，但过于依赖手写规则(handwrittenrules)，大规模推广有困难，面临的问题跟传统专家系统类似。两个冷门的句法模型dependencygrammar和combinatorialcategoricalgrammar(CCG)在句法分析领域有一定市场。对AI领域有帮助的理论都是语言学以及相关学科中偏门的领域，包括语音学(phonetics，语音识别的理论基础，不过语言学很多人不把语音学当作语言学分支)，词汇语义(lexicalsemantics,主要以LSA,LDA等一系列模型间接实现)，历史语言学(historicallinguistics)和类型学(typology)对于多语言的技术开发比较有一定启发。心理语言学(psycholinguistics)依靠行为实验(behaviorexperiments)，大脑成像技术(brainimaging)以及认知建模(cognitivemodeling)研究人类实际语言使用，可谓计算语言技术的理论后盾。计算语言学顶级会议ACL每年专门设分领域接收认知模拟的研究。认知建模也是我做的最多的一块。AI领域志在逼近人类智能，研究人类智能的认知科学才是AI的理论基础，而不是理论语言学。
