中文的复杂和丰富本来是我们文化的优势和骄傲，不过在AI学习的过程中去有了障碍。机器学中文有四重难，第一重难度是语速太多，现在的简体中文被认为是一种语速文字，有的地方也说成表意文字，语速就是最小语义单位，简单说主要就是字，还有一些不能拆分的词。

这导致汉语的基本单元有成千上万个，比如表达马的字有十多个之多，反正不就是一个马吗？这让AI选择的时候就有了麻烦。英文是一种表音文字，对应来说就是音素文字，只有48个音素，最小单元比汉语更少，这意味着中文训练的数据标记难度更大。

第二重难度没有空格。中文打字的时候除了标点符号之外，大部分字与词之间没有空格，机器不知道词与从哪开始，从哪结束。

第三重难度，多音字、同音字太多。因为汉字有四个音调，同音字很多，这样语音识别更难。

 

第四重难度，语法天马行空，现在全世界的语言都在分析语的道路上发展，也就是把简单语速。通过语法来回排列来表达复杂的意思，这是一个语言简单高效的特征。汉语变成白话，其实就已经分析化了，用有限的字通过语法构成无限的意思还好学易懂，放弃了为每个意思造一个新字的做法，所以常用汉字就剩两三千个，康熙字典里面的好几万个字就自动淘汰了，这是进化而不是退化，这让我们民族的教育程度大幅度提高。

汉语的简体化和白化并不是100%的，目前的状态实际上是古今混合。比如大量的成语就不太分析语化，像蝇营狗苟，意思很清楚但语法何在？AI无法通过一般的语法解剖思维去理解，只能做整个的标注。