討論人工智能能夠取代同傳翻譯嗎？

隨着全球化網絡時代的到來，語言障礙已經成爲二十一世紀社會發展的重要瓶頸，實現任意時間、任意地點、任意語言的無障礙自由溝通是人類追求的一個夢想。這僅是全球化背景下的一個小縮影。在社會快速發展的進程中，機器翻譯將扮演愈來愈重要的角色。

前陣子，一位同傳翻譯員聲討科大訊飛「AI同傳造假」，在網上引發了軒然大波。人工智能和同傳翻譯由此成爲你們熱議的話題。今天，咱們來談一談「人工智能翻譯是否真的能夠取代同傳翻譯員」?

同聲傳譯有多難? 

同聲傳譯最先出如今一戰後的巴黎和會上，英法兩國表明藉助同聲傳譯人員的幫助，完成了緊張的談判。

現在，該技術依然在國際會議上扮演着極其重要的角色。據統計，95%的國際會議都有專業同聲傳譯人員助力。

同傳翻譯員在臺上可以將同傳能力運用自如，須要平時大量的艱苦練習，即便是雙語運用自如的專業人員，在實戰以前，也要進行數年的鍛鍊。他們不只須要事先學習、熟悉會議資料，還須要隨機應變的能力。同聲傳譯的工做方式也比較特殊，由於壓力巨大，通常多人協同，在一場數小時的過程當中，每人輪流翻譯幾十分鐘。

相較之下，普通的口譯工做則要簡單很多。機器翻譯如能代替同聲傳譯無疑具備巨大的價值。

人工智能翻譯的水平如何?

那麼，人工智能同傳翻譯的能力究竟怎樣?會不會搶走同傳翻譯員的飯碗呢?

今年上半年的博鰲亞洲論壇上，首次出現了AI同傳。然而，現場配備的系統卻掉了鏈子，鬧出詞彙翻譯不許確、重複等低級錯誤。

客觀來說，人工智能或機器翻譯技術在天然語言處理上，的確有許多突破。這些突破給人但願，讓人暢想將來，可是，短時間內的價值，更多體如今輔助翻譯等領域。

固然，目前機器翻譯已經取得很是大的進步，在衣食住行等經常使用生活用語上的中英翻譯能夠達到大學六級的水平，可以幫助人們在一些場景處理語言交流的問題，但距離人工同傳以及高水平翻譯所講究的「信、達、雅」，還存在很大的差距。

目前的差距是由現有技術水平的限制決定的，機器翻譯，又稱爲自動翻譯，是利用計算機將一種語言轉換爲另外一種語言，機器翻譯技術的發展與計算機技術、信息論、語言學等學科的發展緊密相關。從早期的詞典匹配，到結合語言學專家梳理的知識規則，再到基於語料庫的統計學方法，隨着計算能力的提高和多語言信息的積累，機器翻譯技術開始在一些場景中提供便捷的翻譯服務。

新世紀以來，隨着互聯網的普及，互聯網公司紛紛成立機器翻譯研究組，研發了基於互聯網大數據的機器翻譯系統，從而使機器翻譯真正走向實用，市場上開始出現比較成熟的自動翻譯產品。近年來，隨着深度學習的進展，機器翻譯技術獲得了進一步的發展，促進了翻譯質量的提高，使得翻譯更加地道、流暢。

機器翻譯的難點在哪裏?

這裏，簡單介紹一下機器翻譯的難點。整個機器翻譯的過程，能夠分爲語音識別轉換、天然語言分析、譯文轉換和譯文生成等階段。在此，以比較典型的、基於規則的機器同傳翻譯爲例(參見下圖)，模塊包含了：語音識別(語音轉換爲文本)、天然語言處理(語法分析、語義分析)、譯文轉換、譯文生成和語音生成等模塊。其中的技術難點主要是：語音識別、天然語言處理和譯文轉換等步驟。

第一個技術難點是語音識別。近二十年來，語音識別技術取得了顯着進步，開始進入家電、汽車、醫療、家庭服務等各個領域。常見的應用系統有：

語音輸入系統，相對於鍵盤輸入方法，它更符合人的平常習慣，也更天然、更高效;

語音控制系統，即用語音來控制設備的運行，相對於手動控制來講更加快捷、方便，能夠用在諸如工業控制、語音撥號系統、智能家電、聲控智能玩具等許多領域;

智能對話查詢系統，根據客戶的語音進行操做，爲用戶提供天然、友好的數據庫檢索服務，例如家庭服務、旅行社服務系統、訂票系統、銀行服務等。

能夠說，語音識別技術與其餘天然語言處理技術相結合，能夠構建出不少複雜的應用。

然而，語音識別的主要難點就是對天然語言的識別和理解。首先必須將連續的講話分解爲詞、音素等單位，其次要創建一個理解語義的規則。因爲語音信息量大，語音模式不只對不一樣的說話人不一樣，對不一樣場景的同一說話人也是有差別的。

例如，一我的在隨意說話和認真說話時的語音特徵是不一樣的。另外，說話者在講話時，不一樣的詞可能聽起來是類似的，這也是常見現象。單個字母或詞、字的語音特性，受上下文的影響，以至改變了重音、音調、音量和發音速度等。最後，環境噪聲和干擾對語音識別也有較大影響，導致識別率低。

第二個技術難點是語義解析，這是智能化的機器翻譯系統的核心部分。目前，機器翻譯系統可劃分爲基於規則和基於語料庫兩大類。前者以詞典和語言知識規則庫爲基礎;後者由通過劃分並具備標註的語料庫構成知識源，以統計學的算法爲主。

機譯系統是隨着語料庫語言學的興起而發展起來的。目前，世界上絕大多數機譯系統都採用以規則庫爲基礎的策略，通常分爲語法型、語義型、知識型和智能型。不一樣類型的機譯系統，由不一樣的成分構成。抽象地說，全部機譯系統的處理過程都包括如下步驟：對源語言的分析或理解，在語言的語法、語義和語用等平面進行轉換，按目標語言結構規則生成目標語言。

當前，Google 的在線翻譯已經爲人熟知，其第一代的技術即爲基於統計的機器翻譯方法，基本原理是經過收集大量的雙語網頁做爲語料庫，而後由計算機自動選取最爲常見的詞與詞的對應關係，最後給出翻譯結果。

不過，採用該技術目前仍沒法達到使人滿意的效果，常常鬧出各類翻譯笑話。由於，基於統計的方法，須要創建大規模的雙語語料庫，而翻譯模型、語言模型參數的準確性直接依賴於語料的規模及質量，翻譯質量直接取決於模型的質量和語料庫的覆蓋面。

除了上述傳統的方式，2013年以來，隨着深度學習的研究取得較大進展，基於人工神經網絡的機器翻譯逐漸興起。就當前而言，普遍應用於機器翻譯的是長短時記憶循環神經網絡。該模型擅長對天然語言建模，把任意長度的句子轉化爲特定維度的浮點數向量，同時「記住」句子中比較重要的單詞，讓「記憶」保存比較長的會話時間。該模型較好地解決了天然語言句子向量化的難題。

其技術核心是經過多層神經網絡，自動從語料庫中學習知識。一種語言的句子被向量化以後，在網絡中層層傳遞，通過多層複雜的傳導運算，生成譯文。這種翻譯方法最大的優點在於譯文流暢，更加符合語法規範。相比以前的翻譯技術，質量有較高的提高。

智能同傳翻譯離咱們還有多遠?

須要說明的是，不少人對機器翻譯有誤解，認爲機器翻譯誤差大。其實，機器翻譯運用語言學知識，自動識別語法，模擬語義理解，進行對應翻譯，因語法、語義、語用的複雜性，出現錯誤是不免的。就已有的成果來看，全場景通用的機器翻譯，其翻譯質量離終極目標仍相差甚遠。

隨着全球化網絡時代的到來，語言障礙已經成爲二十一世紀社會發展的重要瓶頸，實現任意時間、任意地點、任意語言的無障礙自由溝通是人類追求的一個夢想。這僅是全球化背景下的一個小縮影。在社會快速發展的進程中，機器翻譯將扮演愈來愈重要的角色。