机器翻译都 60 年了，谷歌为什么还译不对「卡顿」 (下)
机器翻译都 60 年了，谷歌为什么还译不对「卡顿」 (下)
By 超神经
场景描述：机器翻译是自然语言处理领域的一个重要应用，从它最初的诞生到现在，已经过去了 60 多年，但在一些小问题上，还是会出现令人啼笑皆非的情况。机器翻译是如何一步步发展来的？它背后的的机理是什么样子？它的局限性又是怎么一回事呢？
关键词：机器翻译 发展历史
上集回顾
- 机器翻译缓慢发展的六十年
- 基于规则的机器翻译(RBMT)
- 基于实例的机器翻译(EBMT)
统计机器翻译（SMT）
在 1990 年初，在 IBM 研究中心，一个机器翻译系统首次被展示，它对规则和语言学一无所知。它用两种语言分析了下图中的文本，并试图理解这些模式。
这个想法简单而美丽。在两种语言中，一个相同的句子被分成好几个词，之后再重新组合。这个操作大约重复了 5 亿次，例如，「Das Haus」一词被翻译成「house」vs「building」vs「construction」等等。
如果大多数时候源词（以「Das Haus」为例）被翻译成「house」，机器就会默认这个含义。注意，我们没有设置任何规则，也没有使用任何字典——所有的结论都是由机器完成，由数据和逻辑指导。
翻译时机器仿佛在说：「如果人们这样翻译，我也会这样做」，于是，统计机器翻译诞生。
它的优点在于更有效、更准确，而且不需要语言学家。我们使用的文本越多，我们得到的翻译就越好。
（来自谷歌内部的统计翻译：它不仅显示该含义的使用概率，还进行了其它含义的统计）
还有一个问题:
机器如何把「Das Haus」和「building」这个词联系起来——我们怎么知道这些是正确的翻译呢?
答案是我们不知道。
一开始，机器假定「Das Haus」一词与翻译的句子中的任何单词都有同样的关联，接下来，当「Das Haus」出现在其他句子中时，与「house」的相关性会增加。这就是「单词对齐算法」，这是校级机器学习的一个典型任务。
这台机器需要两种语言的数百万个句子，来收集每个单词的相关统计信息，那如何获取这些语言信息的呢？
我们决定采取欧洲议会和联合国安全理事会的会议摘要——这些摘要均以所有成员国的语言呈现，能给素材搜集节省大量时间。
- 基于单词的 SMT
在一开始，第一个统计翻译系统将句子分成单词，因为这个方法是直截了当和合乎逻辑的，IBM 的第一个统计翻译模型称为「模型 1」。
模型 1：一篮子单词
模型 1 使用了经典的方法——分裂成单词和计数统计，但没有考虑词序，唯一的诀窍就是把一个单词翻译成多个单词。例如，「Der Staubsauger」可以变成「吸尘器」，但这并不意味着它会变成「真空吸尘器」。
模型 2：考虑句子中的单词顺序
文字排列顺序的缺乏是模型 1 的主要局限，而这些在翻译过程中是非常重要的。模型 2 的出现解决了这个问题：记忆单词在输出句子中的通常位置，并在中间步骤中重新洗牌，以便翻译的更加自然。
那么，情况变好了吗？并没有。
模型 3：加入新词
翻译中经常需要增加新词以完善语义，比如德文要用英文否定的时候用「do」。德文“「Ich will keine Persimonen”」翻译成英文为 「I do not want Persimmons」 。
为了解决这个问题，模型3中又在前面基础上添加了两个步骤：
1. 如果机器考虑到需要加入一个新词，则 NULL 标记插入；
2. 选择正确的语法或单词对每一个词对齐。
模型 4:词对齐
模型 2 考虑了单词对齐，但对重新排序一无所知。例如，形容词通常会与名词交换位置，不管顺序如何被记住，如果不加入语法因子，很难获得精妙的翻译。
因此，模型 4 考虑到这个「相对秩序」——如果两个词总是互换位置，模型就会知道。
模型 5：修正错误
模型 5 获得了更多的学习参数，并解决了单词位置冲突的问题。尽管它们具有革命意义，但基于文字的系统仍然无法处理同音异义的情况，即每个单词都以一种单一的方式被翻译出来。
不过，这些系统已不再被使用，因为它们被更高级的基于短语的翻译所取代。
- 基于短语的SMT
该方法基于所有基于单词的翻译原则：统计、重新排序和词汇技巧。它不仅将文本分割成单词，还将其分割成短语，精确地说，这是连续的多个单词序列。
因此，机器学会了翻译稳定的词语组合，这明显提高了准确性。
关键在于，这些短语并不总是简单的句法结构，如果有人意识到语言学和句子结构的干扰，那么翻译的质量就会显著下降。计算机语言学的先驱弗雷德里克·耶利内克(Frederick Jelinek)曾经开玩笑说过:「每次我向语言学家发起攻击时，语音识别器的性能就会提高。」
除了提高精确性之外，基于短语的翻译提供了更多双语文本的选项。对于基于文字的翻译，来源的精确匹配是至关重要的，因此，它很难在文学或自由翻译上贡献价值。
而基于短语的翻译没有这个问题，为了提高机器翻译水平，研究人员甚至开始用不同的语言来解析新闻网站。
从 2006 年开始，大家几乎都在使用这种方法。谷歌翻译、Yandex、Bing 等其他一些知名的在线翻译系统在 2016 年之前都是基于短语的。
因此，这些翻译系统翻译的结果要么完美无暇，要么毫无意义，没错，这就是短语翻译的特点。
这种基于规则的老方法总是能得出有失偏颇的结果，谷歌毫不犹豫将「three hundred」翻译成「300」，但实际上「three hundred」也有「300 年」的含义，这就是统计翻译机器普遍存在的局限。
在 2016 年以前，几乎所有的研究都认为基于短语的翻译是最先进的，甚至将「统计机器翻译」和「基于短语的翻译」等同看待，而没有人意识到谷歌将掀起对整个机器翻译的革命。
- 基于句法的 SMT
这个方法也应该简短地提到。在神经网络出现之前的许多年，基于语法的翻译被认为是「未来」，但这个想法并没有成功。
它的支持者们认为可以将它与基于规则的方法合并。可以对句子进行精确的语法分析——确定主语、谓语和句子的其他部分，然后构建句子树。
通过使用它，机器学习转换语言之间的句法单元，并通过单词或短语来进行翻译。这就能彻底解决「翻译误差」这个问题。
想法很美好，但现实很骨感，语法分析工作得非常糟糕，即便它的语法库问题此前已经解决了（因为我们已经有了许多现成的语言库）。
神经机器翻译（NMT）
2014 年出现了一篇关于神经网络机器翻译的有趣论文，但并没有引起广泛关注，只有谷歌开始深入挖掘这一领域。两年后的 2016 年 11 月，谷歌高调宣布：机器翻译的游戏规则正式被我们改变。
这个想法跟 Prisma 中模仿著名艺术家作品风格的功能类似。在 Prisma 中，神经网络被教导识别艺术家的作品风格，并由此得到的程式化图像，比如让一张照片看起来像梵高的作品。这虽然是网络的幻象，但我们认为它很美。
如果我们可以将样式转移到照片上，如果我们试图将另一种语言强加给源文本会怎样？文本将是精确的「艺术家的风格」，我们将试图在保留图像的本质的同时将其转移(换句话说，就是文本的本质)。
想像一下，如果把这种神经网络应用到翻译系统中会发生什么呢？
现在，假设源文本是特定特征的集合，这意味着你需要对它进行编码，然后让另一个神经网络用只有解码器知道的语言，将它解码回文本。它不知道这些特征的来源，但可以用西班牙语来表达。
这将是一个十分有趣的过程，一个神经网络只能将句子编码到特定的特征集合，而另一个只能将它们解码回文本。两个人都不知道对方是谁，他们每个人都只知道自己的语言，彼此陌生却能协调一致。
不过，这里面也存在一个问题，那就是如何找到并界定这些特征。当我们讨论狗的时候，它的特征很明显，但对于文本呢？要知道，30 年前，科学家们就已经尝试创建通用语言代码，但最终以失败告终。
然而，我们现在有了深度学习，可以很好的解决这个问题，因为它就是为此而存在。深度学习和经典神经网络之间的主要区别在于，它精确地定位了搜索这些特定特征的能力，而不考虑它们的本质。如果神经网络足够大，并且有成千上万的视频卡供它研究，就能在文本中归纳出这些特征。
从理论上讲，我们可以把从神经网络中获得的特征传递给语言学家，这样他们就可以为自己打开全新的视野。
有一个问题，什么类型的神经网络能被应用于文字的编码和解码呢？
我们知道，卷积神经网络 (CNN) 目前仅适用于基于独立像素块的图片，但文本中没有独立的块，且每个单词都依赖于它周围的环境，就像语言和音乐一样。递归神经网络 (RNN) 将提供一个最佳选择，因为它们记住了之前所有的结果——在我们的例子中是之前的单词。
而且递归神经网络如今已经得到应用，比如 iPhone 的 RNN-Siri 语音识别(它解析声音的顺序，下一个依赖于前一个)，键盘的提示(记住前一个，猜测下一个)，音乐产生，甚至聊天机器人。
在两年的时间里，神经网络完全超越了过去 20 年的翻译。它使单词顺序错误减少了 50%、词汇错误减少了 17 %、语法错误减少了 19%。神经网络甚至学会用不同的语言来处理类似同音异意的问题。
值得注意的是，神经网络能够实现真正意义上的直接翻译，彻底扔掉词典。在进行两种非英文翻译时，不需要将英文作为中间语进行翻译，此前，如果要将俄文翻译成德文，需要先将俄文翻译成英文，在将英文翻译成德文，这样一来就会增加重复翻译的失误率。
谷歌翻译（2016 年以来）
2016 年，他们开发了名为谷歌神经机器翻译(GNMT)的系统，用于 9 种语言的翻译。它包括 8 个编码器和 8 个解码器，以及可以用于在线翻译的网络连接。
他们不仅把句子分开，而且还把单词分开，这也是他们如何处理一个罕见单词的做法。当单词不在字典里时，NMT 是没有参考的。比如翻译一个字母组 「Vas3k」，在这种情况下，GMNT 试图将单词拆分为单词块并恢复它们的翻译。
提示：在浏览器中用于网站翻译的谷歌翻译仍然使用旧的基于短语的算法。不知何故，谷歌并没有升级它，与在线版本相比，这些差异是显而易见的。
不过，目前浏览器中用于网站翻译的谷歌翻译使用的仍是基于短语的算法，不知何故，谷歌并没有在这方面升级它，不过这也让我们能够看出与传统翻译模式的区别。
谷歌在网上使用众包机制，人们可以选择他们认为最正确的版本，如果有很多用户喜欢它，谷歌就会一直用这种方式来翻译这个短语，并且用一个特殊的徽章来标记它。这对于日常的短句，如「让我们去看电影吧」或者「我在等你」这样的短句非常有用。
Yandex 翻译（2017 年以来）
Yandex 在 2017 年推出了神经翻译系统，它采用的是将神经网络跟统计方法相结合的 CatBoost 算法。
这种方法能有效弥补神经网络翻译的短板——对不经常出现的短语容易出现翻译失真，在这种情况下，一个简单的统计翻译就能快速而简单地找到正确的词。
机器翻译的未来
大家现在仍然对「Babel fish」这个概念感到兴奋——即时语音翻译。谷歌已经通过其 Pixel Buds 向它迈进了一步，但事实上，它肯定不完美，因为你需要让它知道什么时候开始翻译，什么时候该闭嘴听。不过这点就连 Siri 都做不到。
还有一个待探索的难点：所有的学习都局限于机器学习的语料库。即使能设计再复杂的神经网络，但目前也只能局限在提供的文本中学习。人工翻译可以通过阅读书籍或文章来补充相关语料，以保证翻译结果更加准确，这就是机器翻译大比分落后于人工翻译的部分。
不过既然人工翻译能做到这一点，理论上，神经网络也能做到这一点。而且好像已经有人在尝试用神经网络实现这一功能。也就是通过它知道的一种语言，以另一种语言进行阅读以获得经验，再反哺到自己的翻译系统中备用，让我们拭目以待。
补充阅读
《Statistical Machine Translation》
Philipp Koehn 著