5/21/2018 1:58:00 PM
機器翻譯的發展史
樂文濮陽翻譯公司分享：
機器翻譯達到目前的水平，經過了幾十年的發展，并經歷了三次飛躍。
早在1954年，人類就開始嘗試過讓機器能識別人類的語言，但直到上世紀80年代，才有人摸索出方法。當時，IBM做了研究，利用一些規則方法，句法分析，語意分析等傳統方法讓機器看懂人類語言。但由于當時的人工智能發展處于“凜冬時期”，效果一直不好，翻譯質量也一直上不去。
機器翻譯的第一個飛躍也是IBM做出的。IBM的研究人員用了統計的方法來做機器翻譯。那時，語音識別從傳統的人工智能方法專家系統轉為統計學習的方法，尤以隱馬爾科夫模型為代表。統計學方法的應用讓機器翻譯在上世紀90年代有了質的飛躍。
進入21世紀，機器翻譯迎來了自己的第二次飛躍。這次的進步主要依靠深度學習神經網絡的方法。這種方法也稱為神經機器翻譯（Neural Machine Translation），這個技術先是用到了語音識別中，再推廣到圖像識別和機器翻譯上。
神經機器翻譯，簡要的說，就是對源語言的句子進行編碼，即轉化為計算機可以“理解”的形式，編碼的結果會形成很多隱含變量，每個隱含變量代表從句首到當前詞匯為止的語義信息。然后通過一個解碼的過程，一個詞、一個詞輸出譯文。
到了2018年，由微軟亞洲研究院與雷德蒙研究院研發的機器翻譯系統，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：對偶學習（Dual
Learning）、推敲網絡（Deliberation Networks）、一致性規范（Agreement Regularization）、聯合訓練（Joint
Training）等，讓機器翻譯水平得到了大大提升。
從機器翻譯的三次飛躍上不難看出，一家公司構建的翻譯系統效果如何，主要取決與兩點：一是算法是否足夠好，二是數據是否夠全、夠多。
這樣看，對于微軟、谷歌、百度等大公司來說，他們有足夠優秀的人才來搭建神經網絡，也有足夠多的搜索數據可供自己搭建的網絡進行訓練。國內的科大訊飛和搜狗公司，由于本身在語音識別上有較長時間的積累，自然語言資料庫上有優勢。