在AI科學家、翻譯家眼裏,Google翻譯其實沒那麼神?

36氪 於 21/10/2016 發表 收藏文章

採訪:加辰
編輯:季星
製圖:加辰

歡迎轉載,如需授權,請聯繫微信號:miniDeeperBlue

Google 經歷了一個進擊的初秋。除了轟轟烈烈浩浩蕩蕩的秋季發佈會,Google 還用它具有重大突破的翻譯系統點燃了人們。


《連線》雜誌的編輯 Cade Metz 記錄了他所經歷的一件趣事。今年三月,《連線》編輯部花了一整個月做了 Alapha Go 與李世石人機大戰的封面報道,就在雜誌下印刷廠之前,編輯部收到了一封激動人心的韓語郵件。

郵件的大意是這樣:李世石在與 Alapha Go 敗戰之後已連贏五場世界頂級對戰。正是人工智能將人類推向了新的巔峰。在與 Alapha Go 對弈之後,李世石表示正是機器開發了他對這古老對弈遊戲的新理解。

編輯部差不多看懂的時候,當即決定把這一段很好的材料放進文章裏去。但難題來了,新聞是用韓語寫的,更多的細節需要精密翻譯,而編輯部裏面沒有任何一個人懂韓語。於是,編輯們嘗試用 Google 翻譯來識別這則新聞,但網頁上被翻譯出來的英文只有零散的、毫無意義的病句。

沒有辦法,只好緊急蒐羅韓語翻譯。“如果我們能夠等到新的 Google 翻譯就萬事大吉了。” Mets 在文中這樣寫道。這個故事巧合的地方是,正是 Alapha Go 背後的科技—— 深度神經網絡 —— 在 Google 翻譯中扮演着重要的角色。


深度神經網絡仿照人類大腦神經的相互連接系統,與Android手機指令接收及臉書圖像人臉識別系統一樣,來自同一種人工智能技術分支。 Google 隨後在論文《Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation》上表示, Google 神經機器翻譯(GNMT)能夠減少 60% 的翻譯錯誤。

目前 Google 神經機器翻譯系統已經支持中譯英功能,可以看得出來 Google 對於未來的野心與規劃。

Google 新的翻譯系統用的是深度神經網絡中一種叫 LSTM 的技術,即 “長短記憶型遞歸神經網絡(long short-term memory)”。區別於之前的“階段式機器學習” 翻譯,LSTM 可以保持短期與長期的信息,就像人的記憶系統。這使得計算機分析一個句子的時候,在句子結束時仍能夠記住開頭的內容。

但 LSTM 系統最大的問題就是:慢。對於一個在線服務,要是一句話的翻譯得等個一分鐘,就不具備用户粘性了。Google 最大的功績在於,用了許多的算法去改進模型,改進 LSTM 系統。

深度神經網絡由層層數理計算(即線性代數)組成,每一層的算法結果都會輔助下一層的計算。Google採納的一種技巧是在第一層完成的時候才啟動第二層的計算。


但不少圈內人認為,Google 翻譯速度的提升主要是因為擁有了強大的芯片技術支持,指的就是 TPU(Tensor Processing Unit)。有了 TPU,原本要處理 10 秒時間的句子只需要 300 毫秒便可完成。

不僅僅是 Google,所有的互聯網巨頭都在一個方向上賽跑,戰爭一觸即發。從微軟到百度,有能力的選手都入場了。如果説 Google 在芯片上表現卓著,那麼微軟也在運用其可編程芯片 FPGA 來執行神經網絡,而百度正在開發不同類型的硅片。

深藍 Deeper Blue 今天邀請了 5 位不同領域的代表人來一起聊一聊 Google 神經機器翻譯的突破與侷限,聊一聊機器翻譯的未來。

他們中有來自學界的科研人員,有來自業界的從業人員,還有來自翻譯一線的翻譯家,雖然領域各自不同,但他們都關注着人工智能對翻譯的影響。


1

引用Google發佈了Google神經機器翻譯(GNMT:Google Neural Machine Translation)系統,將機器翻譯誤差降低了 55%-85% 以上。可以認為Google神經機器翻譯系統是一項顛覆性的突破嗎?


專業翻譯對多個語言間翻譯結果進行評估,最低分為 0,表示「完全沒有意義的翻譯」,滿分為 6 表示「完美的翻譯」。

計算機科學家 孫茂松:早已不是新鮮事

Google 兩三年前率先使用這個模型的時候,還是具有革命性的。但現在來看,這就不是新鮮事了,比較恰當的説法是:這是近幾年機器翻譯領域發展趨勢的自然延伸。

事實上,如果我們去看機器翻譯領域的頂級國際會議(比如 ACL) ,兩三年前都有若干篇論文在使用這個模型做機器翻譯。另外,百度早在去年就利用神經網絡改進了自己的機器翻譯系統。

計算機專家 劉洋:媒體報道有誇張,遠不是 “顛覆”。

Google 做的其實是把目前學術界的一些技術集成在一起。Google 本身的數據、運算能力,還有工程師水平都非常高,所以他們通過集成做了一個非常強的系統,這個系統和傳統方法相比有比較顯著的提高。

但媒體的報道有點誇張,並不能説機器翻譯已經接近人的水平,或者完全取代人。Google 這項工作還達不到 “顛覆性突破” 這種程度。

自然語言處理專家 呂正東:工程上更成功的商業化項目。

如果從機器翻譯代際更新的角度來看,這確實是一個突破,這次Google發佈的Google神經機器翻譯是從統計翻譯到神經網絡翻譯的里程碑式事件。之前,除了百度之外,世界上一直沒有一個可以這麼大規模生產的翻譯系統,而且它在技術上、控制上比百度更完善。

但其實Google神經機器翻譯最早大概出現在 2014 年底,到現在快兩年的時間裏,有很多科研工作者都在推動整個技術的發展。Google 做出的這個系統是集成了這兩年的很多工作。所以從這個層面來説,它只能被認為是工程上出現的一個能夠更好地商業化的項目。

AI 專家、投資人 丁曉誠:

如果説深度學習的成功是一次真正顛覆性的突破,那麼這次就不算!

翻譯家專家 高興:“顛覆性突破”,説法有失妥當。

僅憑翻譯誤差率降低就説它是一項顛覆性突破,顯然不妥。誤差率降低僅僅是技術改進,算不上顛覆性的突破。

2

引用機器翻譯適用於哪些場景,哪些地方可能可以勝過人類翻譯?機器翻譯未來會消滅翻譯嗎?


出境旅機器翻譯已經相當普及。

計算機科學家 孫茂松:機器與人,各有優勢。

如果是跟專業翻譯去比較,那機器翻譯在翻譯精度上有一定距離。


但在其他一些場景,機器翻譯肯定比普通人強。比如,一種我們完全不了解的語言,阿拉伯語,機器翻譯這時候就可以為我們提供基本信息。在情報處理領域,機器翻譯的優勢不可替代。

哪怕與翻譯水平較高的專業翻譯相比,機器翻譯也有一定的長處。專業翻譯可能在一般通用領域文本翻譯上更出眾,但如果換到特定的專業方向上,比如電子通訊領域,專業翻譯可能就沒法勝任了,而機器翻譯在跨方向翻譯上有優勢。

此外,還有一個顯著的好處就是機器翻譯速度快。

計算機專家 劉洋:離全自動、高質量翻譯還有距離。

機器翻譯目前難度還是非常大的,雖然新技術出現了,但是離大家理想中的水平——全自動、高質量翻譯,還是有很大距離。所以現在機器翻譯主要是用在一些翻譯精度要求沒有那麼高的場合,比如説有的時候只是想了解一下這個網站大意,點一個按鈕將阿拉伯文的網頁翻譯成中文。

自然語言處理專家 呂正東:兩種條件下,機器翻譯會更成功。

現在的所謂神經網絡機器翻譯,包括之前的機器翻譯都不是基於理解的,也就是説目前的機器翻譯沒有一個機制是對源語言(即待翻譯的語言)有基於語意的表示和理解。

於是,你可以發現在滿足這兩個條件的情況下,機器翻譯比較容易成功:第一是説翻譯的兩個主體間有意義上比較清晰的對應關係,比如 “北京” 能明確對應 “Beijing”,另一個是説相似結構的句子有出現比較多的樣例,比如 “小明喜歡狗” 這類 xx 喜愛xx(xx love/like xx)的結構,無論在中文還是英文裏都非常常見。

AI 專家、投資人 丁曉誠:

機器翻譯適用於實用文體翻譯。機器翻譯是機器去學習人類的翻譯內容、檢索規律並進行效仿,和普通內容的翻譯者做的事情是一模一樣的,機器翻譯將使這部分工作失去必要性。

翻譯專家 高興:簡單交流可以,深入靈魂不行。

機器翻譯可能適合於旅遊、貿易、購物、國際交往中簡單溝通等場景。但學術和文學等深刻交流絕對不能指望機器翻譯。在某些領域,也許未來會 “消滅翻譯”,但在社科人文領域,不太可能。

3

引用有人認為機器翻譯可能會導致翻譯腔氾濫、語言匱乏;也有人認為,機器翻譯無法完成詩歌、小説等文學性強的內容;除此之外,機器翻譯現在還有哪些侷限?


熱愛工作,工作使其快樂的 Google 翻譯也難免犯迷糊。

計算機科學家 孫茂松:機器翻譯的強大與侷限都來自於模型。

對於文學性強的語言,機器翻譯不一定處理得不好。其實機器翻譯的原理就是從大量的人工翻譯好的語料中去學習訓練。如果有大量文學作品給機器,那機器對文學作品的翻譯能力也就越強。文學作品中寫作風格比較靈活,但只要訓練語料裏面有充分多的類似語料,機器翻譯便可以捕捉到寫作模型。

在我看來,機器翻譯的強大之處和侷限都是因為它所使用的模型:機器並不像人一樣真正理解某句話,而是歸功於大量的訓練。也就是説,機器的翻譯知識其實來源於人類,它可以從數以億計的人類翻譯好的文本中學習。這種模型本身並不創造知識,只是把人類的翻譯知識放進去,機器想辦法學會。

於是這帶來了問題。如果你提供的句子,機器沒有看到過也沒有學習過,可能就處理不好。比如網上網友的測試,讓機器翻譯一句 “我不想上課”,假設訓練語料裏面沒有類似 “我下課了” 的表述,機器可能會犯糊塗,這就不一定能翻好。總而言之,翻譯模型的原理是基於統計的,在訓練語料中如果沒有出現過,機器就有可能會去猜,於是會出錯。

計算機專家 劉洋:最大的難點——如何讓機器真正擁有智能

機器翻譯的難點其實是整個人工智能的難點——如何讓機器真正有智能,像人一樣有智能行為。語言翻譯是智能行為的一種,還有很多其他類似的行為。現在的計算機模型、方法、數據支持還不足以讓計算機真正達到人的智能。

機器翻譯現在完全是一個數據驅動的方法,取決於我給計算機提供哪些數據,那麼很大的問題就是現在數據比較稀缺。最多的翻譯數據來自於政府文檔,比如聯合國有多種官方語言,每出一個文件都會有多語種版本。而有的領域基本沒有數據,比如娛樂、體育,因為我們不可能把網上每一篇體育新聞都翻譯成另一種語言。

至於文學類型的翻譯,倒不是説機器一定翻不好,而是大家暫時覺得沒有商用價值,所有受關注不高。商用價值比較高的,像專利、旅遊、法律文書、專業手冊這類。機器翻譯的應用比較多。

自然語言處理專家 呂正東:更多的數據或許可以彌補缺憾。

到具體的應用場景上,機器翻譯不太能成功的地方可能會在:需要對句子的引申含義進行翻譯;翻譯要求較高的場景,比如對文學作品的翻譯;還有就是對於邏輯非常複雜的句子,機器翻譯很難搞定,因為它的原理不是基於理解,而是利用某種意義上待翻譯語言和目標語言的對齊。

其實所有上述問題,理論上來説都可以靠更多的數據來彌補,但是我們數據是有限的。

AI 專家、投資人 丁曉誠:機器不能替代人產生情感與好惡。

機器翻譯的優勢是對字面結構在統計意義上的發現、模仿、對應變換能力,其侷限是不理解字面背後的意思,對特定場景的適應能力會有不足(而人類不僅僅認識語言,還理解意思)。

機器無法理解翻譯的語言背後的意義,它不能代替人產生情感與好惡,從而產生對文字的意義上的判斷(機器沒有人的認知意義上的 “理解力” 與 “判斷力”)。雖然機器翻譯依然最終能夠相當好的解決絕大部分實用文本翻譯,但不能勝任真正具有創造性的工作,比如詩歌的翻譯。

翻譯專家 高興:創造、創作,機器還無法勝任。

機器翻譯肯定不能替代文學藝術翻譯。文學藝術翻譯要體現情感、色彩、語調、温度、韻致、字裏行間的意味等種種幽微之處。要傳達出這些,譯者的水準、敏感、境界和心靈力量尤為重要。此外,文學藝術在某種程度上就是創造,就是打破常規。而這些恰恰是標準化、程序化和統一化的機器翻譯難以適應、難以做到的。

4

引用機器翻譯未來可能在哪些地方取得突破?


關於機器翻譯,還有很多值得想象。

計算機科學家 孫茂松:稀有語言翻譯難度較大,值得關注。

現在對某些訓練語料很少的語言,機器翻譯甚至可能完全不能用,比如説漢語-維吾爾語,維吾爾語-藏語。世界語言好幾千種,幾千種之間的互譯,其中絕大多數語言之間都沒有足夠語料。所以這方面的翻譯還有很多工作需要去做,包括一些模型的探索。

計算機專家 劉洋:和 “知識” 深度結合。

最近二十年,機器翻譯的發展趨勢是數據驅動,從大量互聯網文本中自動學習,主要還是受機器學習、人工智能整體潮流的影響,所使用的很多方法都是機器學習領域的。

我個人認為,未來,機器翻譯應該和更多的 “知識” 聯合在一起,和一些知識圖譜,知識庫相結合,因為現在主要都是從數據文本中學習,缺乏知識上的智能。

另外,現在機器翻譯並沒有和認知、腦科學結合起來,純粹是一個數學方法。機器翻譯是一個交叉學科,取決於很多方向的進展:數學、語言學、計算機科學、神經認知科學、工程學,每個學科的發展都有可能推動它向前走。

自然語言處理專家 呂正東:

未來我覺得機器翻譯要做好的事情,是對於某些出現頻率不那麼高的詞、句的處理上。這些詞、句對人來説是很容易掌握的,但對機器翻譯的特點來説,需要它們重複/出現足夠多次才能學習到。這是一個需要去突破的地方,而且我相信能比較快取得突破的地方,因為這在商業上有很強的需求。

而比較難突破的地方,我覺得是語言中那些委婉的對應關係,和不規範的地方。因為不規範,某種意義上對應着例外,我們可能會需要相當長的時間才能搞定,需要真正去理解語意,這是非常非常困難的任務。

AI 專家、投資人 丁曉誠:

機器翻譯會更好的解決 “常規問題”,把陳詞濫調翻譯得更流暢,比如混合語言(比如中文、英文、符號夾雜)、混合通道(比如文字、語音切換)的翻譯。

翻譯專家 高興:

我想機器翻譯未來主要會在日常生活中取得突破,會明顯地改變日常生活的面貌。

深藍本期專家介紹:

孫茂松 清華大學計算機系教授,前系主任


國家 973 計劃項目首席科學家,國家社會科學基金重大項目首席專家。研究方向為自然語言理解、社會計算等。他曾主持完成信息處理用分詞國際標準2項,在自然語言處理和人工智能領域重要國際刊物 Computational Linguistics 和會議 ACL 等上發表論文數十篇。

劉洋,清華大學計算機系副研究員

研究方向為自然語言處理,機器翻譯。在自然語言處理和人工智能領域重要國際刊物 Computational Linguistics 和會議 ACL 等上發表論文 40 餘篇。

呂正東,華為諾亞方舟實驗室資深研究員

領導自然語言處理中的深度學習研究項目,研究方向研究方向包括機器學習,自然語言處理,深度學習及數據挖掘。他曾任得克薩斯大學奧斯汀分校博士後研究員,微軟亞洲研究院副研究員。目前,呂正東博士已發表 30 多篇頂級會議和期刊論文,並且長期擔任多個國際會議(NIPS, ICML和IEEE transaction on PAMI)的審稿人。

丁曉誠,創客總部兼職合夥人

專注於智能服務與機器人產業的研究、諮詢、孵化、投資。他曾參與創辦 Face++,研發世界級照片/視頻人臉識別雲引擎。丁曉誠擁有北京大學計算機碩士學位,畢業後歷任IBM、中國移動、百度、Symbian、惠普等公司技術研發與產品管理工作。

高興,著名翻譯家。

現任中國社會科學院外國文學研究所編審,《世界文學》主編。參與過米蘭昆德拉、索勒斯庫等國外文學家專輯作品的編輯,發表過1百多萬字及數百首詩歌的翻譯,代表翻譯作品有《凡高》、《安娜·布蘭迪亞娜詩選》、《我的初戀》、《搭車遊戲》、《野姑娘》。


資料來源:36Kr

如果喜歡我們的文章,請即分享到︰

留言

會員
我要評論
請按此登錄後留言。未成為會員? 立即註冊
快捷鍵:←
快捷鍵:→