因為“黑箱”難題，我和莫妮卡關於機器翻譯的研究一個學期不到就碰了壁。
起初一切還很順利。我們分析了二十世紀的幾種商業翻譯軟件，這些軟件的原理大多很簡單，連我也能理解。無非是先將一個句子拆解成一個個詞組，再根據辭典把這些詞組翻成目標語言，然後根據目標語言的句法規則將詞組重新組合，就得到了翻譯的結果。這種方法對於簡單的句子尚且可行，但用它翻譯一些習語時，總是免不了要鬧笑話。因為目標語言中可能並沒有類似的表述。
對此，一些翻譯軟件開發者想了一些對策，比如說為專有名詞、習語和固定的表達方式建立語料庫，軟件進行翻譯時會先檢索語料庫中是否有匹配的內容。這樣的做法的確讓翻譯的準確度和流暢性都有所提高，但是，詞義消歧仍是一個難題。特別是當一個詞在源語言和目標語言中並不等價的時候，就會引出很多麻煩來。
一個最常被舉到的例子是英語的“sheep”和法語的“mouton”。在英語裏，“sheep”指的是綿羊，而法語的“mouton”不僅可以指“綿羊”，也可以指“羊肉”（英語中的mutton），兩個詞並不等價。為了檢驗一個翻譯軟件是否能有效地消除歧義，我會設計一個包含類似“mouton”這樣的單詞的法語句子，讓軟件生成英語的譯文。那些采用最傳統原理的軟件幾乎隻會把“mouton”翻成“sheep”，而並不會考慮語義是否恰當。所以，有開發者設計了一套統計學方法來消除歧義。比較常見的方法是：先製作兩種語言的平行語料庫，然後進行統計，從而發現“mouton”和草地、牧羊犬或羊毛等詞一起出現時，一般要翻譯成“sheep”；而與表示吃或烹飪的動詞出現在一起時，則要翻譯成“mutton”。
之後莫妮卡又分析了一些二十一世紀初的機器翻譯軟件。有些軟件使用了大量的統計學方法，通過隱變量和對數線性模型來實現翻譯（這些術語都是莫妮卡告訴我的，我也不確定自己的表述是否準確）。這部分的工作我幾乎沒有參與。她試圖教會我線性代數的基本知識，我也努力了一番，不過最後還是放棄了。有一天，她把倫敦大學的一位講師請到了會議室，向她請教了一些高維空間中的線性不可分問題。而我能做的，隻是站在一邊泡紅茶罷了。