导读：机器翻译是个学术味和生活味都特别浓的词。现在中国是个很大的市场，国外的游戏、小说和影视剧现在都出了中文版，如果译文质量不好大家就会吐槽，文雅一点的说“味同嚼蜡”，大多数人就直白多了，直接就说“像机翻一样”。这里的“机翻”就是机器翻译。
01
为什么要有机器翻译
小标题起得有点凡尔赛，其实原因我们都知道，因为翻译始终是一种短缺的资源，尤其对于一些小众的语言和小众的消息，可能永远不会有人来翻译成中文。这时我们要去获取信息无非就两种选择，一种是发下狠誓自学这门外语，另一种就是指望机器翻译——这也是大多数人的选择。
不过，早年机器翻译总给人一种指望不上的感觉。译文经常牛头不搭马嘴，在中文语境无论如何都不可能凑在一起的两个词，在译文中偏偏就凑在了一起，剩下的部分只能靠大家的想象力来弥补。我曾经就加过同好群，一些同学负责在国外网站上搬运消息，另一些同学则负责猜测机翻到底说了什么东西，大家乐此不疲也算是机翻带来的另一种趣味。
到了移动互联网时代，机器翻译就跟在手机后面深深地渗透进了我们的日常生活。微信有长按翻译，能英译中也能中译英，据说做外贸的同学爱得不行。华为手机有全屏翻译，上外文网站也能如履平地。我最喜欢的则是翻译App都有的拍照翻译功能，买了外国的产品，对着外包装上爬满的洋文拍个照，App就直接在原图上给P成中文，感觉一下就打开了新天地，让人有种语言从此不再是问题的错觉。
拍照翻译功能看着神奇，原理说穿了也简单，就是OCR+机器翻译，OCR负责把图片上的字抠出来，然后输进机器翻译。技术都是现成的，不过不要小看它，这项功能绝对是“找准了应用场景，价值飙升”的典型案例。以前也有很多翻译软件，但都得先把外文输入进去，然后才能翻译成中文，问题就出在输入这个环节，如果这里的外文是英语我们还有点办法，单词不认识好歹字母还认识，要是法语、德语或者日语，不是学这个语种的都不知道应该怎么用键盘敲出来这个词。有了拍照翻译就简单多了，不但极大简化输入过程，不用再苦恼怎样输入奇怪的外文字符，甚至干脆不用输入，而且拍照本身就是手机自带属性，拍照翻译简直就是二者最佳的结合点，机器翻译的应用场景也一下变得更为广阔。
02
机器翻译的进化简史
现在机器翻译可以说是无处不在，手机自然是其中一个原因，但更重要的原因当然是机翻水平这几年确实有了长足的进步，从早些年的不知所云，到现在已经至少是可堪使用。虽然距离“信达雅”的要求还差很远，但意思已经能读懂个八九不离十。
然而，冰冻三尺非一日之寒，机器翻译也是经历了漫长而曲折的进化历程。机器翻译在学科划分上，属于计算语言学。注意，这里是“计算语言学”，不是“计算机语言学”。不过，在我看来，计算语言学更像是机器翻译的前传。计算语言学也是起源于翻译，当时还是1950年代，美国人想要了解冷战对手苏联的科技发展情况，可是这事说起来简单做起来难，懂技术的专家大多不懂俄文，懂俄文的专家又大多不懂技术，两者都会的专家人数稀少，翻译效率可想而知，项目刚起步就撞上了语言障碍。而1950年代正是计算机科学特别是人工智能科学崭露头角的年代，科学界充满了理想甚至幻想，自然而然就想用快得多的计算机来完成翻译工作。
不过，不要以为这是人类第一次提出机器翻译的概念。对于机器翻译最早的起源，各家文献说法不一，有的说最早可以追溯至17世纪的笛卡尔时代，有的则说是1930年代有发明家提出具有机器翻译功能的设计图纸。只是，实现机器翻译不但需要大胆的想象和果决的执行，还要有相应的技术发展作为坚实基底，在技术发展达到某个水平之前，所有的设计只能是没法落地的空想。
目前公认机器翻译的真正开端始于乔治城大学和IBM的联合实验，成功将约60条俄文句子通过机器翻译译成英文，证明了机翻是可行的。学界对实验结果大感振奋，都觉得机翻稳了，在此后十年，美国政府也不断加大资金投入以期尽快产出成效。
不过，现在我们拥有了上帝视角，当然知道那时的美国人过于天真了，果然，到了1960年代，学界终于发现机器翻译远比想象的复杂，关键在于人类语言远比想象复杂，于是专门就有了采用计量方法研究复杂人类语言的计算语言学。
计算语言学的目的和现在我们常说的自然语言处理，也就是NLP非常类似，就是建立语言模型，最终达到让计算机也能理解、分析和处理人类语言，说的直白点，就是教计算机学说人话。科学家最开始想到的办法和我们小学学英语的办法是一样的，从句法、语法入手。语言学家阅读了大量语料，试图从中归纳出通用性的规则。
也许大家看过很多后来的文献，都知道这是一条吃力不讨好的路线。不过，如果放下后来者的上帝视角，会发现这条路线会有许多理所当然的地方：计算机是很擅长学会规则的，编程从某种意义上说就是编写各种规则，而人类学习语言直至今日也是从学习语法规则开始，所以，想到用规则达成目标从当时的角度来看确实是符合直觉的。当时的机器翻译也是沿着规则归纳这条路进行的研究。
这条路线取得了一些成果，当然最终不了了之。问题也许不在于规则，而在于不讲规则，是字面意义上的“不讲规则”。回想一下，我们学讲话的时候，有谁是从语法规则学起的吗？没有。我们是怎么学的呢？耳濡目染。很小的小孩子开始当然是不会说话的，但是他们会听，在生活中观察到大人谈论到某个对象时会固定发几个音，听得多了就知道那个对象该发什么音。从某种意义上说，这个过程使用的就是“统计学习方法”。
统计学习方法不再需要语言学家归纳规则，核心在于统计。也就是说，我再不管你背后有什么语法什么规律，我只看大家都怎么说。大家都这么说了，我就跟着这么说。当然，学说话不仅仅只是听，还要学，会根据参考答案修正。譬如学着对某个对象也发几个音，发对了大人会点头认可，发错了则会纠正，一来二去就学会说话了。用机器学习的术语来说，这叫有监督学习。
统计学习方法替代规则归纳成为主流以后，计算语言学就走上了快车道。不过，用统计学习方法来做计算语言学的任务，并不只是一种方法，而是发展出一系列的方法。技术发展是受客观规律限制的，当时方法是对路了，但硬件计算资源不足，各种不同流派的科学家于是八仙过海，各自想法子在螺蛳壳里做道场。
我手边有一本宗成庆老师的《统计自然语言处理》第二版，这是NLP领域的一本经典著作，相信搞NLP的同学都读过。这本书第一版写于2007年，第二版写于2013年，从时间上看并不太老，但如果和现在新出版的教科书比较，会发现在内容编排上已经出现了很多肉眼可见的不同。
技术路线上的变化足以写一本书，我们就从用户角度谈谈机器翻译的发展吧。机器翻译大概是从1980年代开始走上统计学习方法这条路的，一方面得益于计算机技术的发展，另一方面我觉得和数据积累达到一定量级也有关系。毕竟统计方法虽然不需要消耗专家，但是需要消耗计算资源和数据资源，也慢慢开始推出了一些产品。不过，前面已经一再说过，早期的机翻产品有各种一言难尽的地方，要知道，这里的“早期”指的不是1950年代，而已经是2010年代。这时的机器翻译虽然找对了大方向，还要继续找一找小方向。
这一找就找到了2016年，谷歌翻译宣布采用神经网络模型来做机器翻译，这在当时算个挺大的事，科技新闻几乎都报道了，我马上跑去试了试，果然，和那时候一众一言难尽的机器翻译软件一比，完全可以用“效果拔群”来形容，很快就一扫大家对机翻很烂的刻板印象。以前大家宁愿自己辛苦一点查字典，现在挺多同学都养成了先丢进机翻看看大概意思再细读的习惯，这个习惯多半就是从2016年开始的，功臣就是神经网络模型。
03
神经网络中的机器翻译
机器翻译和神经网络有着千丝万缕的关系。神经网络是一种方法，而机器翻译是其中最大的目标应用场景之一，很多神经网络技术的发展，最早就是从做机器翻译任务开始的。
机器翻译任务从机器学习的角度看，是一种生成任务，因为它要输出的结果不是类别编号，而是一串字符序列。在神经网络和深度学习中，做机器翻译任务的模型，也称为Seq2Seq(sequence to sequence）模型。
Seq2Seq模型是一种经典的深度学习模型，通常采用Encoder-Decoder框架。这个框架最早出自2014年的一篇论文《Learning Phrase Representations using RNN Encoder-Decoder forStatistical Machine Translation》，没错，这又是一篇研究机器翻译的经典论文。在这篇论文的基础上，谷歌最终于2016年推出了基于神经网络的机器翻译并大获成功，而这篇论文所提出来的Encoder-Decoder框架，甚至超越了机器翻译领域。
做NLP的同学应该都很熟悉Encoder-Decoder框架，现在做CV的同学也开始在熟悉这个框架。最近深度学习领域有一条重磅消息，在NLP领域称霸多年的Transformer模型，现在正在CV领域大杀特杀。NLP和CV一直是机器学习最热门的两个研究领域，不过长期以来一直有点生殖隔离的意思，现在让Transformer一拳打穿了次元壁，所以好几位大牛都在预测机器学习的大一统模型也许正在呼之欲出。
不过，Transformer最早是用来做什么的？没错，还是做机器翻译。2017年5月，知名的深度学习研究团队FAIR搞出了个新模型，没给起名字，总之是用CNN+Attention来做机器翻译。论文一出，圈内哗然，毕竟在大家的认知中，CNN模型一向是用来处理图像，也就是做CV的，做文本做机器翻译这块，当时主要还是用RNN及其派生的LSTM等模型。RNN有个很大的缺点，就是没法并行训练，非常耗时所以用起来很鸡肋，现在FAIR用并行性好得多的CNN搞出了新模型，一下有种众望所归的感觉。结果另一家知名的研究团队Google Brain不干了，直接走力大飞砖的路线出了一篇爆款论文，叫《AttentionIs All You Need》，相信大家都有所耳闻。Google Brain没有明说，不过我总觉得这个霸气侧漏的标题显然多少有点暗指FAIR画蛇添足的意思：机器翻译还要什么CNN？直接Attention就完事了。在这篇论文里诞生了一款模型，现在我们都耳熟能详了，这就是Transformer。
04
图书推荐
可以这么说，这几年机器翻译是神经网络与深度学习方法发展重要的推动力量，也是主要的应用领域。现在介绍深度学习的书本不少，不过对机器翻译的介绍要么没有，要么只是顺带一提，专门从机器翻译的角度介绍神经网络和深度学习的书真的不太多。如果大家想了解这部分内容，我推荐读一读《神经机器翻译》。这本书当然不是吐槽机器翻译如何发神经，而是NLP大牛菲利普·科恩的一本新书，中文版由国内NLP权威宗成庆老师领衔翻译，可谓是梦幻联动了。机器翻译需要考虑哪些细节问题，神经网络和深度学习又作了哪些努力，这本书都做了相当全面的介绍。
关于作者：
莫凡 ，网名木羊同学。娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习”，个人知乎号“木羊”。
RECOMMEND
推荐阅读
01
神经机器翻译
作者：[德]菲利普·科恩（Philipp Koehn）
译者：张家俊 赵阳 宗成庆
NLP大牛菲利普·科恩机器翻译权威之作
中科院自动化所宗成庆老师领衔翻译，多位重量级专家倾情推荐
推荐阅读
深度学习正在彻底改变当今机器翻译系统的构建方式。本书从历史、语言和应用背景等方面介绍了机器翻译和评价所面临的挑战，讲述了自然语言应用中常用的深度学习核心方法。此外，本书还包含使用Python撰写的代码示例，为读者理解和实现自己的机器翻译系统提供了一个实践蓝本。本书内容广泛，涵盖了机器学习技巧、处理各种形式的数据所涉及的问题、模型增强，以及分析和可视化面临的挑战和方法等内容。
扫码关注【华章计算机】视频号
每天来听华章哥讲书
书讯 | 5月书讯（上）| 元宇宙、因果推断、薛定谔方程...你关注的都在这
收藏 | 盘点知识图谱在 5 大智能领域的应用
上新 | Learning Go：你的第一本Go语言学习指南
干货 |诞生50年的C语言为何稳如泰山？
资讯 | 2013年图灵奖得主 Leslie Lamport 专访：程序员需要更多的数学知识
赠书 |【第106期】10本硬核技术书，带你读懂物联网，玩转元宇宙
点击阅读全文购买
2548
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
