此报告一出 ， 相关的研究经费大幅萎缩 。

文章插图

直至80年代后期 ， 由于电脑运算效能的提升及电脑成本的降低 ， 研究的重心开始放在机器翻译统计模型上 。
至今仍没有一个翻译系统能够达到「全自动优质翻译任何文体」（fully automatic high quality translation of unrestricted text）的境界 。
但在使用场景的严格限制下 ， 已经有很多程序能够提供相对准确的翻译了 。
在神经网络在NLP领域大火前 ， 机器翻译界的主流方法都是Phrased-Based Machine Translation (PBMT) ， Google翻译使用的也是基于这个框架的算法 。
所谓Phrased-based ， 即翻译的最小单位由任意连续的词（Word）组合成为的短语（Phrase） 。

文章插图

首先 ， 算法会把句子打散成一个个由词语组成的词组（中文需要进行额外的分词）；
然后 ， 预先训练好的统计模型会对于每个词组 ， 找到另一种语言中最佳对应的词组；
最后 ， 需要将这样「硬生生」翻译过来的目标语言词组 ， 通过重新排序 ， 让它看起来尽量通顺以及符合目标语言的语法 。
传统的PBMT的方法 ， 一直被称为NLP（Natural Language Processing ， 自然语言处理）领域的终极任务之一 。
因为整个翻译过程中 ， 需要依次调用其他各种更底层的NLP算法 ， 比如中文分词、词性标注、句法结构等等 ， 最终才能生成正确的翻译 。 这样像流水线一样的翻译方法 ， 一环套一环 ， 中间任意一个环节有了错误 ， 这样的错误会一直传播下去（error propagation） ， 导致最终的结果出错 。
因此 ， 即使单个系统准确率可以高达95% ， 但是整个翻译流程走下来 ， 最终累积的错误可能就不可接受了 。
由于神经网络的大火 ， 目前的机器翻译技术大多都采用神经网络机器翻译（Neural Machine Translation, NMT）的方式 。
相比于传统的统计机器翻译（SMT）而言 ， NMT能够训练一张能够从一个序列映射到另一个序列的神经网络 ， 输出的可以是一个变长的序列 ， 这在翻译、对话和文字概括方面能够获得非常好的表现 。
NMT本质上是一个encoder-decoder系统 ， encoder把源语言序列进行编码 ， 并提取源语言中信息 ， 通过decoder再把这种信息转换到另一种语言即目标语言中来 ， 从而完成对语言的翻译 。

文章插图

NMT这样的过程直接学习源语言到目标语言 ， 省去了训练一大堆复杂NLP子系统的依赖 ， 依靠大量的训练数据（平行语料库 ， 比如同一本书的中文和英文版本） ， 直接让深度神经网络去学习拟合 ， 省去了很多人工特征选择和调参的步骤 。
2015年 ， Yoshua Bengio团队进一步 ， 加入了Attention的概念 。 稍微区别于上面描述的Encoder-Decoder方法 ， 基于Attention的Decoder逻辑在从隐层h中读取信息输出的时候 ， 会根据现在正在翻译的是哪个词 ， 自动调整对隐层的读入权重 。 即翻译每个词的时候 ， 会更加有侧重点 ， 这样也模拟了传统翻译中词组对词组的对应翻译的过程 。

• 《鱿鱼游戏》火热全球，翻译人才出现巨大缺口
• 华为鸿蒙半年，就走完了苹果、谷歌5年，小米9年的路？
• 花钱给开发者在谷歌上投广告，苹果到底图的啥
• 三十而立四十不惑原文及翻译 三十而立四十不惑
• 翻译几个有关减肥的英语词汇
• 谷歌Pixel 6a将继续使用Tensor SoC，摄像模块会降级
• Coatue买了张元宇宙门票，3亿美金投了“谷歌的小老弟”
• 部署100 个机器人，执行办公室清洁等任务，谷歌母公司离“可以自己学习”的Robot还有多远？
• 大家电销售陷入两难：线下卖不动，线上带不动
• 联想陷入“塔西佗陷阱”