陳樺 編譯整理

量子位 報道 | 公眾號 QbitAI

翻譯一直是Facebook人工智慧研究中最重要的應用之一。畢竟，Facebook的總目標是「讓世界更開放、更互聯」。對於這種目標的實現，多種多樣的語言是一個明顯的障礙。為了跨越這一障礙，Facebook本周公布了一種創新的機器學習翻譯方法，據稱速度比競爭對手快9倍。

目前，這項工作仍停留在研究階段，Facebook公開了論文，並在GitHub上開源了相關代碼。

但該技術尚未被集成至Facebook的產品，Facebook人工智慧實驗室的研究人員Michael Auli和David Grangier等人在接受科技媒體TheVerge採訪時表示，未來Facebook將會把這項技術應用於產品。目前，Facebook已經使用人工智慧去自動翻譯用戶的狀態更新。不過，新技術從實驗室階段走到實際應用總是需要花一定時間。

「我們正在與產品團隊溝通，希望將這項成果用於Facebook的環境。」Grangier表示，「對語言來說，從研究數據轉移至真實環境將帶來不同。研究數據用的是新聞風格的語言，而Facebook上的會話則更口語化。」Facebook此前表示，該公司正在建設俚語辭彙表，讓這樣的翻譯更簡單。

這一項目的研究人員們在Facebook官方博客發表的文章稱，通常情況下，人工智慧翻譯依靠遞歸神經網路，即RNN，而這種新技術利用了卷積神經網路，即CNN。

RNN以線性方式分析數據，對於一個句子將從左至右進行閱讀，並逐個單詞地翻譯。與此不同，CNN同時關注數據的不同方面，這樣的計算方式更適合GPU硬體，而GPU是用於訓練當代神經網路的主要工具。

因此，使用CNN模型進行翻譯意味著更多地從整體著眼，可以分析更高層次的句子結構。Auli表示：「在文字的基礎上，CNN建立起了邏輯結構，有些類似於語言學分析。」

Facebook的CNN機器翻譯包括兩個步驟：系統讀取一個法語短語（編碼器），然後輸出一個英語翻譯（解碼器）。也就是說，首先，編碼器用CNN同時為每個法語詞創建一個向量，然後，解碼器逐個生成英語詞。每一步，網路的注意力(attention)都會關注整個法語短語，來決定在生成下一個英語詞的過程中，哪些法語詞是最相關的。

博客文章中用一張動圖簡單展示了這個系統的工作原理：

解碼器有兩層，上圖展示了注意力在其上如何運行。綠色線條的深度表示每個詞的相關程度。

關於這項技術為何沒有被更廣泛地應用，Grangier指出，人工智慧研究者已經在RNN翻譯模型方面投入了大量精力，因此更喜歡在此基礎上進行改進。他表示：「簡單來說，這是因為人們沒有在這項技術中投入太多時間。我們取得了一些新進展，讓這項技術變得更好。」

相關資源

FB官方博客介紹：https://code.facebook.com/posts/1978007565818999/a-novel-approach-to-neural-machine-translation/

論文：https://fb.me/convolutional-s2s.pdf

代碼：facebookresearch/fairseq

(完)

==========

One More Thing…

今天AI界還有哪些事值得關注？在量子位（QbitAI）公眾號對話界面回復「今天」，看我們全網搜羅的AI行業和研究動態。筆芯~