以用解决通信问题的方法来解决。
为此贾里尼克用了两个数学模型，即马尔科夫模型，分别描述信息源和信道。
找到了数学模型后，下一步就是用统计的方法‘训练出’模型的参数，这在今天来讲就是机器学习。
通过这种方法，人工智能的语音识别率从过去的70%左右，提高到了90%。
同时语音识别的规模，从几百词上升到了两万多词，堪称革命性的发展。
最重要的是贾里尼克的研究得出一个结论。
即：
随着数据量的不断提升，系统会变得越来越好。
因此，国际上的人工智能研究分成了两派。
一派是模仿人的鸟飞派，一派是数据驱动派。
而后者之所以没有迅速发展起来，主要是因为数据获取非常困难。
第一，当时没有机读资料。
第二，很多文学明珠不同版本分散在不同国家，并且其翻译常常不是一一对应。
当然还有很多其它原因就不一一细说了。
但，这个困难在互联网时代被改变了。
它的出现，让研究机构可以轻易获得全球的机读资料。
而且数据量还在随着互联网的发展，每年呈几倍，甚至十几倍的增长。
在庞大的数据支持下，从1994年到2004年的十年里，语音识别的错误率减少了一半。
而机器翻译的准确性提高了一倍。
其中20%的贡献来自方法的改进，80%来自数据量的提升。
再就是今年2月份，在美国召开的全球机器翻译系统大赛。
鸿蒙和google通过数据驱动的方法，取得了50%以上的bleu分数。
比著名的南加州大学、ibm沃森实验室等研究机器翻译几十年的顶尖研究机构领先了5%。
而提高这五个百分点在过去需要研究5~10年的时间。
在中文到英文的翻译中，鸿蒙的得分比第三名领先了17%，同样采用数据驱动方法的google比第二名领先了15%，这个差距已经超出了一代人的水平。
而鸿蒙和google都是成立不超过十年的新公司。
在人工智能研发上的底蕴肯定没有南加州和沃森实验室深厚。
但我们却超过了他们。
原因是我们比他们更优秀吗？
不是。
那么差距是怎么产生的？
很简单。
作为全球最大的两个搜索公司，鸿蒙必应和google都拥