原創(chuàng) 文摘菌 大數(shù)據(jù)文摘

大數(shù)據(jù)文摘出品

作者：Caleb

陳勝者，陽城人也 ，字涉。吳廣者，陽夏人也，字叔。

相信不少人還記得中學(xué)的時候全文背誦《陳涉世家》的痛苦，當(dāng)然還有考試的時候讓你翻譯某一句名言，像是“燕雀安知鴻鵠之志哉”，或者“天下苦秦久矣。吾聞二世少子也，不當(dāng)立，當(dāng)立者乃公子扶蘇”。

如今，隨著AI技術(shù)的成熟，機(jī)器也逐漸在學(xué)習(xí)如何以人類的方式行動和思考。

既然如此，我們?yōu)楹尾豢伎妓纯丛贏I眼中，《陳涉世家》到底是個什么故事。

最近，B站上一位叫做“鷹目大人”的阿婆主就用谷歌翻譯對AI進(jìn)行了一次隨堂測驗，只不過它的表現(xiàn)嘛，就見仁見智了。

比如，AI就把這句著名的“茍富貴，勿相忘”就翻譯成了“沒有錢的人，總是會被遺忘”。

“燕雀焉知鴻鵠之志”在AI看來竟然是，“蝎子給了我一個熱烈的擁抱”？？？

整個過程，文摘菌一邊黑人問號臉一邊笑到拍桌子。

有網(wǎng)友就指出，這波反諷竟然“翻譯出了本質(zhì)”。

還有網(wǎng)友“太喜歡了所以拼了一首詩”，大家可以猜猜每句話對應(yīng)到的原文是什么？

然后，再來對對答案，看看整本《陳涉世家》都被AI翻譯成了什么樣子？

機(jī)器翻譯為何如此困難？

其實不管是語種互譯，還是古文翻譯，都是機(jī)器翻譯的類別之一。

但是，如果機(jī)器翻譯翻車的情況持續(xù)發(fā)生，我們還能相信它嗎？

先別急，我們從NMT（neural machine translation，神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯）的誕生開始講起，看看機(jī)器翻譯到底是個什么東西。

2013年，Nal Kalchbrenner和Phil Blunsom提出了一種用于機(jī)器翻譯的新型端到端編碼器-解碼器結(jié)構(gòu)。該模型可以使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）將給定的一段源文本編碼成一個連續(xù)的向量，然后再使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）作為解碼器將該狀態(tài)向量轉(zhuǎn)換成目標(biāo)語言。

這一研究成果的發(fā)布可以說是標(biāo)志著NMT的誕生，雖然在那之后也有不少研究者進(jìn)行改進(jìn)，但是仍然缺乏對模型的理解。比如，經(jīng)常出現(xiàn)的問題包括但不限于訓(xùn)練和解碼過程緩慢；對同一個詞的翻譯風(fēng)格不一致；翻譯結(jié)果存在超出詞匯表（out-of-vocabulary）的問題；黑箱的神經(jīng)網(wǎng)絡(luò)機(jī)制的可解釋性很差；訓(xùn)練所用的參數(shù)大多數(shù)是根據(jù)經(jīng)驗選擇的。

NMT和SMT對比

總的來說：不確定性是翻譯中的一個核心挑戰(zhàn)。

知己知彼百戰(zhàn)百勝，想要根除這種不確定性，我們還需要知道它的來源。

在一篇論文中作者指出，在構(gòu)建翻譯的模型的時候，基本上有兩種不確定性，一種是任務(wù)本身固有的不確定性，另一種是數(shù)據(jù)收集過程中存在的不確定性。

所謂內(nèi)在的不確定性，是指不確定性的一個來源是一句話會有幾種等價的翻譯。因為在翻譯的過程中或多或少是可以直譯的，即使字面上有很多表達(dá)相同意思的方法。句子的表達(dá)可以是主動的，也可以是被動的，對于某些語言來說，類似于“the”“of”或“their”是可選擇的。

除了一句話可以多種翻譯這種情況外，規(guī)范性不足同樣是翻譯不確定的來源。另外，如果沒有背景輸入，模型通常無法預(yù)測翻譯語言的時態(tài)或數(shù)字，因此，簡化或增加相關(guān)背景也是翻譯不確定性的來源。

而外在的不確定性，則是因為系統(tǒng)，特別是模型，需要大量的訓(xùn)練數(shù)據(jù)才能表現(xiàn)良好。為了節(jié)省時間和精力，使用低質(zhì)量的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行高質(zhì)量的人工翻譯是常見的。這一過程容易出錯，并導(dǎo)致數(shù)據(jù)分配中出現(xiàn)其他的不確定性。目標(biāo)句可能只是源句的部分翻譯，或者目標(biāo)句里面有源句中沒有的信息。

在一些加了copy機(jī)制的翻譯模型中，對目標(biāo)語言進(jìn)行翻譯的時候可能會完全或部分復(fù)制源句子。論文作者經(jīng)過研究發(fā)現(xiàn)，即使copy機(jī)制很小，也能對模型預(yù)測產(chǎn)生較大的影響。

論文下載地址：

https://arxiv.org/pdf/1803.00047.pdf

機(jī)器翻譯頻繁翻車，微信谷歌無一幸免

去年3月，得到了人們的關(guān)注，機(jī)器翻譯的不確定性同時也被更多人所了解。

目前，機(jī)器翻譯領(lǐng)域主要使用的NMT架構(gòu)都差不多，一方面問題出在解碼器語言模型，使用的語料讓它學(xué)習(xí)到了這些最大概率出現(xiàn)的詞。微信團(tuán)隊在處理的過程中似乎沒有對“特殊情況”進(jìn)行處理，于是我們就能看到這樣的翻譯發(fā)生：

如果添加了特殊詞的copy機(jī)制，完全可以把無法翻譯的單詞不進(jìn)行翻譯，直接copy過去。也就是說，一個聰明的模型應(yīng)該知道哪些應(yīng)該翻譯，哪些不應(yīng)該翻譯。

隨后，微信也針對這一問題進(jìn)行了修復(fù)，對于敏感詞“caixukun”或者句式“you are so……”進(jìn)行原句返回。

除了解碼器語言模型外，問題可能更多出現(xiàn)在語料庫上，現(xiàn)在業(yè)界所做的機(jī)器翻譯很大程度上靠語料“懟”，只要平行語料數(shù)量足夠多，質(zhì)量足夠好， 一般的系統(tǒng)也可以訓(xùn)練出很好的結(jié)果。

不過，如果訓(xùn)練語料多來自電影字幕、多語言會議等材料，那么模型最終呈現(xiàn)的翻譯內(nèi)容也會相對應(yīng)比較“活潑”和“口語化”。面對庫中不存在的詞，比如caixunkun，算法會自動匹配最經(jīng)常出現(xiàn)，或者在同語境下最容易匹配的內(nèi)容，比如形容詞“帥哥”或“傻蛋”。

當(dāng)然除了微信，被業(yè)界視為先驅(qū)的谷歌也發(fā)生過類似的翻車案例。

此前就有Reddit網(wǎng)友指出，谷歌翻譯在學(xué)習(xí)過程中可能受到了輸入來源的影響，將一些意味不明的語句翻譯成了如圣經(jīng)一般的語言。比如這個：

英文大意為：世界末日時鐘在12點3分鐘，我們正在經(jīng)歷世界上的人物和戲劇性的發(fā)展，這表明我們越來越接近末日和耶穌的回歸。

哈佛大學(xué)助理教授、研究自然語言處理和計算機(jī)翻譯的Andrew Rush認(rèn)為，這些神秘的翻譯結(jié)果可能和谷歌幾年前采用的“神經(jīng)機(jī)器翻譯”技術(shù)有關(guān)。他表示，在神經(jīng)機(jī)器翻譯中，系統(tǒng)訓(xùn)練用了一種語言的大量文本來和另一種語言進(jìn)行相應(yīng)翻譯，以在兩者之間創(chuàng)建模型。但當(dāng)輸入的是無意義內(nèi)容時，系統(tǒng)就會出現(xiàn)“幻覺性”的輸出結(jié)果。

在去年中，中科院自動化研究所研究員宗成慶就表示，機(jī)器翻譯近幾年的進(jìn)步確實很大，但是其需要基于場景和任務(wù)。機(jī)器翻譯在一些場景下確實能幫助人，比如旅游問路，但是在某些領(lǐng)域，比如高層次的翻譯，要對機(jī)器翻譯寄予太多的希望還為時過早。

東北大學(xué)計算機(jī)學(xué)院教授朱靖波根據(jù)自己的經(jīng)驗列舉出好的機(jī)器翻譯系統(tǒng)需要的三個東西：一是擴(kuò)大訓(xùn)練數(shù)據(jù)規(guī)模，提高品質(zhì)；二是不斷創(chuàng)新技術(shù)；三是根據(jù)問題不斷打磨，三者缺一不可。

看來，機(jī)器翻譯未來還有很長一段路要走啊！

原標(biāo)題：《機(jī)器翻譯古文也翻車？讀了20次“茍富貴勿相忘”后，谷歌：沒錢的人總會被遺忘》

閱讀原文