提到機器翻譯時，很多心中都會感到疑惑，早在十幾年前，我們把一句英文放到金山詞霸里，就能被翻譯成中文。如今加入了深度學習技術的機器翻譯，又能有什么不同呢?

區別當然有很多，最典型的就是機器翻譯能夠翻譯出整篇文章，可普通的翻譯技術遇到長一點句子就不行了。原因就是機器翻譯并非簡單的將一個個單詞翻譯成另一種語言，而是可以像人一樣，不斷向前回顧以理解結構復雜的句子，并且結合上下文，理解每一個It/He/She具體指代誰。

[[202381]]

實現這種功能，分別依賴于兩種神經網絡架構，一個是RNN——循環神經網絡，另一個則是CNN——卷積神經網絡。最近關于RNN和CNN哪個更適用于機器翻譯的爭論也很多，今天就來看看這兩種神經網絡都是如何加持機器翻譯，拯救外語渣的。

RNN：機器翻譯中的Old School

首先我們要明白，對于機器來說，翻譯就是一個解碼后再編碼的過程。如果要把英語翻譯成中文，就要先把英語原文解碼成“神經代碼”，再編碼生成中文。

而循環神經網絡的關鍵，就在于循環二字上。系統會“記住”上一次輸出的內容，以此來決定下一次輸出。有了上一次和下一次的概念，神經網絡就不會把輸入和輸出的信息看做獨立的，而是相互關聯的時間序列。這樣就可以通過以往的序列關聯猜測到下一個序列會出現的詞，

用最通俗的話講，我們聽多了郭德綱的相聲，就知道“于謙的父親”這一元素，后面接的一定是“王老爺子”。

在翻譯時，RNN把源語言當做輸入序列，把翻譯語言當做輸出序列，由于每一次輸出都會參考上一次輸出的結果，所以機器翻譯更具整體性，而不是簡單的翻譯單詞。

目前對RNN應用的最為爐火純青的應該就是谷歌翻譯了 ，去年谷歌提出了用神經網絡系統進行機器翻譯，據稱漢譯英的錯誤率***下降85%，在當時還小小的引起了一番轟動。

如果說傳統神經網絡在翻譯時，永遠是用一片空白的大腦面對每一個句子，那么RNN在翻譯時則擁有持久的思想，而谷歌翻譯所應用的LSTM更加強了這一點。LSTM是RNN的一類變種，被譯為長短期記憶網絡，是一種時間遞歸神經網絡。RNN的缺陷在于，“于謙的父親-王老爺子”這種間隔很短的序列預測以前很容易，但要預測“今天出門晚了，所以上班[]”這類句子，需要聯系到間隔較遠的上下文，這時RNN可能就表現的沒那么優秀了。

而LSTM，就可以學習和理解這種長期依賴關系。LSTM通過一系列計算將句子中的各個元素的特征構建成非線性的組合，同時還設立了“遺忘機制”，將權重較低的元素遺忘掉。這就意味著LSTM可以“更新”記憶，讓長期依賴因素不斷的存在于距離較近的神經元中。

CNN：GPU的寵兒

就在RNN機器翻譯還在不斷更新時，又有人提出了將CNN——卷積神經網絡應用于機器翻譯之上。

從上文我們可以得出結論，RNN(LSTM)機器翻譯按照序列進行工作，也就是和人一樣，按照順序一個個的進行翻譯。但要記住的一點是，目前比較主流的GPU***的有點是可以進行并行計算。這樣一來RNN就沒法***化利用GPU的計算能力。

而CNN則可以同時處理多個語言片段，并且具有信息分層處理能力。將文本序列化、單詞向量化，經過分層處理后再輸出結果。在分層過程中，還會不斷回顧源文本來確定下一個輸出序列。

提出這種技術的是Facebook和最近的機器翻譯新秀DeepL。在上半年時，Facebook宣布推出了基于CNN開發的語言翻譯模型，據說比基于RNN開發的語言翻譯模型速度快9倍，而且準確率更高。在測試上，Facebook翻譯系統在英語-德語、英語-法語的測試上都比RNN更接近人工翻譯。

而來自德國的DeepL更是在冰島放了臺世界排名23名的超級計算機，每秒能執行5.1peta浮點運算，只為了訓練他們的神經網絡。

從他們自己展示的數據看來，DeepL的成績已經遠超Facebook、微軟甚至谷歌。

不過不管是CNN還是RNN都不是機器翻譯的終點，比如谷歌近期提到的不基于RNN的注意力機制，以及多層神經網絡、深度神經網絡等等，都是解決機器翻譯的方法。在速度、計算資源消耗、情感理解等等多種維度上都有不同的表現。

如果從最終的實用性來說，神經網絡模型能影響到的僅僅只是一部分。更多的是語料庫的大小、繁重的語料標注工作等等，同時這也注定了蒙古語、藏語這種語料較少語言仍然無法受益于機器翻譯。

目前的機器翻譯，基本還停留在輔助人工翻譯的階段。不論是DeepL的超級計算機，還是谷歌的拋開神經網絡，都可以理解成在技術上的一種“炫技”。比使用哪種神經網絡更重要的，還是應該讓機器翻譯更多的進入我們的生活。