三分钟看懂神经网络机器翻译

神经网络机器翻译 (NMT) 已成为本地化行业中最热门的话题之一，与以往基于统计的机器翻译 (SMT) 相比，可以使翻译质量提升 30％ ，同时解决了远距离语言对的复杂性问题，如中文到英语、日语到英语等。

SDL 的一项近期调查显示，61％的受访者认为机器翻译至关重要，然而找到适合企业自身业务的机器翻译解决方案并非易事。今天小编就邀请到了 SDL AI 和机器学习解决方案副总裁 Mihai Vlad 先生，和大家讨论机器翻译近期的突破和 SDL NMT 的独特之处。

Q : 相比 SMT，NMT 的译文更加自然，您能否解释一下两者之间的差异？

Mihai：SMT 和 NMT 的算法和体系结构有很大的不同。以自动驾驶为例，基于统计的方法使用特定道路的驾驶数据进行培训，汽车可以在特定道路上驾驶得很好。而基于神经网络的方法，不与特定的道路绑定，使用不同道路的驾驶数据进行培训，汽车在任意道路上都驾驶得很好。

MT 的发展实际上始于 20 世纪 70年代基于规则的机器翻译，你可以对一组规则进行编码，但很快就会意识到不同的语言对有太多的例外情况，模型变得越来越复杂。1993 年，机器学习被引入到机器翻译中，算法可以通过学习双语语料得到提升，而不是通过预先的规则设定。

Q : 人工智能热度持续上升，每家公司都声称具备人工智能技术。机器翻译是 SDL 多年来在人工智能方向开拓的应用之一，那么在机器翻译上积累的经验将如何帮助 SDL 开发其他与 AI 的相关应用呢？

Mihai：人工智能旨在让计算机复制人类的行为。看、听、行动、计划都是典型的人类行为，而其中最复杂的任务是沟通，最难的是具备翻译的能力。大约 40％ 的全球人口只能说一种语言，43％ 可以说两种语言，13％ 可以说三种语言，3％ 可以说四种语言，只有 1％ 可以说四种以上语言。

我们可以移动、跑步，最终协调我们的动作驾驶汽车，但我们不能掌握地球上所有的语言。让机器具备这种能力是非常高的要求。这就是人工智能研究人员将解决 MT 问题看作是 “AI complete” 的原因。

Q： 很多面向消费者的在线机器翻译都使用了开源的技术，为什么企业要考虑使用企业级的机器翻译解决方案呢？

Mihai：与 SMT 相比，NMT 代码更紧凑复杂，一些开发人员使用开源项目，用几百行代码就可以创建一个能够通过数据进行学习的翻译工具。然而，企业解决方案的需求远远超过了几百行代码。可扩展、可集成和通过定制提升质量，只是企业用户在 NMT 代码中需要实现的很少一部分示例。其他例如，通用 NMT 难以很好地处理文档格式，而保持文档格式是任何想要维护文档完整性的组织的关键要求；通用开源 NMT 技术有时还会重复翻译一些词。

然而，通用 NMT 的一个关键问题是训练和翻译成本比 SMT 高几个数量级。而且想要部署这种系统的企业可能会因此而支付大笔硬件费用。

简而言之，使用开源 NMT 系统，你想要得到一个流畅的翻译系统，代价非常高昂，并且在翻译过程中会产生相当多的错误。