5/21/2018 1:58:00 PM
機(jī)器翻譯的發(fā)展史
樂文濮陽翻譯公司分享：
機(jī)器翻譯達(dá)到目前的水平，經(jīng)過了幾十年的發(fā)展，并經(jīng)歷了三次飛躍。
早在1954年，人類就開始嘗試過讓機(jī)器能識(shí)別人類的語言，但直到上世紀(jì)80年代，才有人摸索出方法。當(dāng)時(shí)，IBM做了研究，利用一些規(guī)則方法，句法分析，語意分析等傳統(tǒng)方法讓機(jī)器看懂人類語言。但由于當(dāng)時(shí)的人工智能發(fā)展處于“凜冬時(shí)期”，效果一直不好，翻譯質(zhì)量也一直上不去。
機(jī)器翻譯的第一個(gè)飛躍也是IBM做出的。IBM的研究人員用了統(tǒng)計(jì)的方法來做機(jī)器翻譯。那時(shí)，語音識(shí)別從傳統(tǒng)的人工智能方法專家系統(tǒng)轉(zhuǎn)為統(tǒng)計(jì)學(xué)習(xí)的方法，尤以隱馬爾科夫模型為代表。統(tǒng)計(jì)學(xué)方法的應(yīng)用讓機(jī)器翻譯在上世紀(jì)90年代有了質(zhì)的飛躍。
進(jìn)入21世紀(jì)，機(jī)器翻譯迎來了自己的第二次飛躍。這次的進(jìn)步主要依靠深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的方法。這種方法也稱為神經(jīng)機(jī)器翻譯（Neural Machine Translation），這個(gè)技術(shù)先是用到了語音識(shí)別中，再推廣到圖像識(shí)別和機(jī)器翻譯上。
神經(jīng)機(jī)器翻譯，簡(jiǎn)要的說，就是對(duì)源語言的句子進(jìn)行編碼，即轉(zhuǎn)化為計(jì)算機(jī)可以“理解”的形式，編碼的結(jié)果會(huì)形成很多隱含變量，每個(gè)隱含變量代表從句首到當(dāng)前詞匯為止的語義信息。然后通過一個(gè)解碼的過程，一個(gè)詞、一個(gè)詞輸出譯文。
到了2018年，由微軟亞洲研究院與雷德蒙研究院研發(fā)的機(jī)器翻譯系統(tǒng)，解決了NMT方法的一些局限，并借鑒了人類翻譯過程中的一些方式。例如：對(duì)偶學(xué)習(xí)（Dual
Learning）、推敲網(wǎng)絡(luò)（Deliberation Networks）、一致性規(guī)范（Agreement Regularization）、聯(lián)合訓(xùn)練（Joint
Training）等，讓機(jī)器翻譯水平得到了大大提升。
從機(jī)器翻譯的三次飛躍上不難看出，一家公司構(gòu)建的翻譯系統(tǒng)效果如何，主要取決與兩點(diǎn)：一是算法是否足夠好，二是數(shù)據(jù)是否夠全、夠多。
這樣看，對(duì)于微軟、谷歌、百度等大公司來說，他們有足夠優(yōu)秀的人才來搭建神經(jīng)網(wǎng)絡(luò)，也有足夠多的搜索數(shù)據(jù)可供自己搭建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練。國內(nèi)的科大訊飛和搜狗公司，由于本身在語音識(shí)別上有較長時(shí)間的積累，自然語言資料庫上有優(yōu)勢(shì)。