【编者按】人工智能时代，每个领域都开始进军，在风口浪尖下，与人工智能搭上联系似乎更重要。本文主要对机器翻译在智能时代的跨语言交流中的重要武器作了分析，有道CEO周枫在这个领域正发起进攻，并且要转向在线教育领域。在他看来，要想赢得胜利，首先必须不断创新提升翻译质量，其次如何做好自然交互。 说：“看哪，他们都是一样的人，说着同一种语言，如今他们既然能做起这事（建造巴别塔），以后他们想要做的事就没有不成功的了。”——《圣经》 《圣经》用巴别塔的故事解释了人类语言复杂性的起源，但是，千百年来，虽然面临重重阻碍，人类从未放弃过建造巴别塔的愿望，从职业翻译的出现到国际语的出现都是如此。 智能时代为跨语言交流提供了有力的武器——AI。机器翻译大大降低了翻译的门槛，并且，当下众多科技公司都是免费提供这一服务。如果要评选一个离大众最近的人工智能产品，机器翻译绝对不能忽略。 以时下用户量较大的微信为例，在微信中长按文字，可以进行实时翻译，这就是大众以最简便的方式能感受到的机器翻译。网易有道正是微信的翻译提供商之一。 周枫先生现任网易高级副总裁，网易有道CEO。周枫在大学取得计算机科学学士和硕士学位，在伯克利大学取得计算机科学博士学位，曾在多个国际学术会议和期刊上发表超过10篇论文。 周枫加入网易后，主持有道词典开发、有道搜索平台架构、有道云笔记和密码认证系统“将军令”开发等，将有道词典打造成了份额第一的词典与翻译产品，用户量超过6亿。目前，周枫带领有道的NMT团队攻坚基于人工智能的神经网络翻译（NMT）技术，并开始进军在线教育领域。 从创办有道开始，周枫已经带着有道团队经历了中国互联网发展的两次重大变革，一次是移动互联网的热潮，另一次就是今天的人工智能热潮。 2009年，移动互联网热潮到来的时候，周枫决定，“必须要把计算机的那根线剪掉了”。有道团队的动作很快，有道词典移动版上线后，迎来了巨大的用户红利。 而对于这次人工智能热潮，周枫表示，这对于企业来说，可能是一次弯道超车的机会，但如果不小心，也许会成为掉队的开始： “AI和移动互联网的变革将会带来共同的结果，都能够大幅提高用户体验，带动大量新技术被采纳。同时，AI将会带来终端数量的激增，就像移动互联网的终端数量比PC时代暴涨了十倍一样。 在这场AI的变革中，企业如果能用户需求和技术的好的结合点，就可能开拓并占领一些新的领域。而企业本身的优势业务领域，如果没有及时调整，很容易就会被别人吃掉。” 互联网的江湖永远充满着硝烟。最近几年，神经网络翻译这个新概念，把机器翻译这一潭静水搅起了风浪，加之整个社会翻译使用量的快速提升，翻译这个原本小众的业务，突然站上了风口变成了互联网巨头重点发力的对象。他们都想借助神经网络翻译这一新技术，打破翻译市场的旧秩序，从中分一杯羹。 “国内的机器翻译市场，最大的两个供应商是有道和百度，其他的厂商包括海外厂商在内，普通用户的使用占比其实很小。 有道是国内最早推出机器翻译系统的互联网公司，在语言翻译市场中早早地站稳了脚跟。从移动端来看，有道在国内翻译市场的份额超过50%，在词典这个领域，有道的市占率超过了70%。 在周枫看来，要在巨头的翻译之争中继续保持领先，关键在于两点，首先是需要不断创新提升翻译质量，其次是怎么把自然交互这件事情做好。这两点经验来自有道翻译官的用户增长，2015到2016年的一年时间内，有道翻译官的用户量提升了三倍，这其中有翻译需求增长的因素，更重要的是原因是产品交互的改变：语音翻译和拍照翻译两个场景化很强的功能，成为产品的主打功能，用户对这样的交互方式感到很兴奋。 谷歌、百度等很多企业都用了NMT，笔者曾在网上做了一个小测试：谷歌和有道能把“一百一”翻译成“one hundred and ten”，但是百度翻译是“one hundred and one”。 对于这样的结果，周枫表示，单个例句的翻译结果其实无法说明准确度，翻译和语音识别、搜索一样，需要大量数据评测。具体到“一百一”翻译不准确的原因，周枫认为，一方面是翻译总数据量的原因，另外一方面也因为垂直语料算法没经过专门处理，比如数字、日期、人名就需要专门算法处理，如果依赖总体数据库翻译就会不完全准确。 “所有自然交互系统都是很复杂的，不存在教科书式的用某一个办法一下子就把所有问题都解决了的情况，需要专门处理。这也反映出团队在这一领域中的经验和积累。” 不少有垂直领域翻译需求的大机构找上门来，希望有道能提供精准高效和更加场景化的翻译服务，并且，他们非常乐意付钱来做这件事。有道智云正是这一翻译技术合作的入口，支持API接口，同时能够追踪用户翻译行为，了解用户翻译使用情况。 对新技术催生的新商业模式，周枫兴趣十足。“金融、医疗等垂直领域的翻译需求其实非常适合用机器翻译去解决，有道比起海外公司更了解和接近中国市场，所以这也是我们很感兴趣的一个方向。” 对整个翻译行业来说，2017年是充满变化的一年。不仅国内的竞争者相继带着神经网络的翻译技术市场，谷歌翻译也在3月重新回归中国。翻译的准确度，自然成为衡量技术水准最直观的标准。 出身于和伯克利这两所院校的计算机专业，周枫的身上有着深深的技术烙印。谈到准确度，他更喜欢用数据说话。 他用国际通用的BLEU评测把谷歌和有道的中英互译进行了的对比。BLEU（双语评估研究-Bilingual Evaluation Understudy）是一种用于评估自然语言之间机器翻译的文本质量的算法，它是与人类质量判断高度相关的指标之一，也是最受欢迎的指标之一。“机器翻译越接近专业的人文翻译越好，这是BLEU背后的核心思想。”BLEU评测输出百分数，该值表示候选文本与参考文本的相似度BLEU值越高，代表翻译准确度越高。 有道的这次评测采用了盲测方式，即评测采用的例句数据对开发者保密，更不会出现在模型的训练数据中。同时，由于语言在不同的场景下表现出很强的多样性，这次评测针对翻译引擎不同的使用场景（学习、新闻、口语、用户日志）采集不同的评测数据，分别作出评测。结果显示，在以下语料类型中，有道的翻译准确度均高于谷歌，并且最高能超出谷歌8个百分点。 周枫介绍这一成绩时说：“现在机器翻译的准确度并不像大家想象的，能够达到90%这种级别的数值，因为BLEU通常只以一个答案为参考，而翻译实际上可以有很多答案，因此要完全准确常难的。即使人工翻译的BLEU值也无法达到百分百，一般也就50-60%。” 周枫把这归功于有道的领域自适应模型和两个机制——Attention（注意力）、Coverage（覆盖度）。 用户的需求是多元的，比如有人想查时政新闻，有人要查医学知识，若想要用一个模型来覆盖所有用户需求，必然会影响翻译的准确度。机器翻译中的领域自适应模型是指，若想要让翻译质量更好，需要给它更多垂直领域的数据，更多的平行语料。有道对于一些特定领域有单独的模型，系统会判定语料适应的领域，分配不同的模型进行翻译。 Attention机制最早在图像识别取得很大突破，2015年引入到NMT中，它跟人的思维方式很像。现在业界的机器翻译几乎都基于Attention的模型。 其基本思想就是目言端的词，往往只与源语言端部分词有关。Attention机制的引入，可以使模型在每一步注意到源句子中不同的部分，从而提高NMT的效果，该效果的提升对于长句子的翻译尤其明显，并缓解Encoder-Decoder框架中将源语言压缩成固定维度向量带来的问题。它能从前到后，翻译结果的不同部分对应原文的相应部分，这样就能表达比较复杂的概念。 Coverage大约是2016年提出的，所谓Coverage就是要衡量翻译结果是不是比较完整地覆盖原文想要表达的意思。NMT最初的模型有一个比较大的问题就是——有时候他会漏掉某一部分，也可能会多出来某一部分。因为神经网络模型会对语义信息和语法信息同时进行建模，往往会混在一起。机器并不知道自己漏了东西，因此要引入Coverage（覆盖度）的概念。 所有深度学习网络都是一个优化问题，就是让训练算法去优化整个网络，使得在某一个评价标准下得分最高。如果这个网络得分最高，那训练完之后，就拿这个网络来处理所有的问题。 因此，在训练中间加入覆盖度之后，最后得到的网络就倾向于选择覆盖比较完整的模型。翻译的内容多了少了，模型都会管。神经网络模型是一个很强的语言模式，会从大量的语料里生成结果。如果不加入Attention或者Coverage等机制，机器可能会生出一堆很顺利的文字，但是不一定符合翻译的原意。这两个机制能够使它更好地呈现原来的语义。 互联网是有道NMT最主要的数据来源。网上有大量中英文的句对和网页，特别是新事物、新概念，网上能够找到最新的英文原文和对应中文，而算去判定和筛选最准确的对应翻译。例如像有道词典的网络释义功能，就是通过分析网页来得到一些新词的解释，比如deepneural network（深度神经元网络）这样的新词就很快能查到准确翻译。 同时有道也下的语料数据源。有道会投入重金以合作的方式专门订制高质量的语料数据；此外，有道还有一支超过3000人的兼职人工翻译团队，每年的翻译量超过一亿五千万字。在刚刚过去的苹果WWDC 2017大会上，有工翻译就为大会提供了同声传译服务。这些都奠定了有道的语料数据优势。 作为一个技术型的CEO，周枫经常是某个新技术最早的观察者和探讨者，他很清楚NMT未来将面临的挑战。 机器人可以识别文字，却没有思维。翻译最终还是涉及知识储备层面，如果一个翻仅仅懂语言，却没有背景知识，是很难去理解语言表达的真正意图。可以预见到，在某一个时间点，机器表层的翻译能力会超过人，比如词汇量，整体通顺度，但是缺少思维能力会导致机器无法翻译出更深层的语义。 疯长的计算量与芯片处理速度的矛盾。随着模型越来越复杂，数据越来越多，模型迭代的速度会变慢，训练时间就会出问题。“为什么GPU（图像处理器）这么流行，因为它能大大缩短训练时间。如果未来数据量激增，可能一屋子GPU都不太管用了。” 据报道，谷歌前段时间在乌镇的围棋对决上宣传并公开出售CloudTPU，声称其能够解决GPU训练速度的问题，并能在神经网络的计算之外执行TensorFlow程序。它能否解决处理速度的问题？对此，周枫的看法值得业内人士借鉴。 “深度学习比较有意思的一个特点是大量时间集中在少数几种运算上，比如最关键的计算是矩阵乘法，TPU的架构就是为矩阵乘法和累加优化的，这样就可以大幅提高深度学习的性能。但是，英伟达新的GPU也对矩阵以及Tensor的运算进行了针对性的优化，所以综合考虑两者之间的绝对性能以及性价比，并不一定是TPU占优。” 周枫表示，在未来三年，机器翻译应该能够满足90%以上的翻译需求，但不包括文学创作、商业合同等场景，那依然是人类的领域。 在机器翻译尚不完美之前，有道的NMT团队给了有高标准需求的用户另一个选择——有机翻译。NMT+译后编译结合的模式，可以让翻译成本降低50%，并且翻译质量能够达到标准水平。 推荐：
|