Google神经机器翻译系统

Google神经机器翻译系统（英语：Google Neural Machine Translation，简写：GNMT），是Google开发的神经机器翻译（NMT）系统，于2016年11月推出，它使用人工神經网络来提高Google翻译的流畅度和准确性。[1][2][3]Google神经机器翻译系统通过应用基于实例的（英语：Example-based machine translation）（EBMT）机器翻译方法来改进翻译质量，系统会从数百万个示例中学习。[2]翻译系统提出的系统学习架构首先通过Google翻译支持的一百多种语言进行了测试。[2]随着大型端到端（英语：End-to-end principle）框架的发展，系统会随着时间的推移学习，做出更好，更自然的翻译。[1]GNMT能够一次翻译整句句子，而不是逐字翻译。[2][4]

历史

谷歌大脑项目于2011年由Google研究员杰夫·迪恩，格雷戈·科拉多和斯坦福大学计算机科学教授吴恩达在Google X秘密实验室成立。[5][6][7]吴恩达的工作令Google和史丹佛大学获取了突破。[8]

2016年9月，Google研究团队宣布开发Google神经机器翻译系统，同年11月，Google翻译停止使用其自2007年10月以来一直使用的专有统计机器翻译（SMT）技术，开始使用神经机器翻译（NMT）。[1][9][10][11][12][13]

Google翻译的NMT系统使用了一种能够深度学习的大型人造神经网络。[1][2][3]GNMT使用通过使用数百万更广泛的来源来推断出最相关的翻译，提高翻译的质量。然后将结果重新排列并组成基于人类语言的语法翻译。GNMT提出的系统学习架构通过Google翻译支持的语言进行了测试。GNMT没有创建自己的普遍语言，而是针对许多语言之间发现的共同点，因此心理学家和语言学家比计算机科学家对此更感兴趣。[14]2016年，Google翻译的其中八种语言开始尝试使用此系统，包括英语，法语，德语，西班牙语，葡萄牙语，中文，日语，韩语和土耳其语。[15]2017年3月，增加了俄语、印地语和越南语。[16]同月，因谷歌翻译社群的帮助下，添加了对希伯来语和阿拉伯语的支持。[17]2017年4月底，增加了9种印度语言的支持，包括印度语，孟加拉语，马拉地语，古吉拉特语，旁遮普语，泰米尔语，泰卢固语，马拉雅拉姆语和康纳达语。[18]

零点（Zero-shot）翻译

GNMT系统改进了以前的Google翻译系统，GNMT系统可以处理“零点翻译”，即直接将一种语言翻译成另一种语言（例如中文到日文）。以前Google翻译会先将源语言（英语：Source language）翻译成英文，然后将英文翻译成目标语言（英语：target language），而不是直接从一种语言翻译成另一种语言。[4]

参考文献

  1. ^ 1.0 1.1 1.2 1.3 Barak Turovsky, Found in translation: More accurate, fluent sentences in Google Translate, Google Blog, 2016-11-15 [2017-01-11], （原始内容存档于2017-04-07） 
  2. ^ 2.0 2.1 2.2 2.3 2.4 Mike Schuster, Melvin Johnson, and Nikhil Thorat, Zero-Shot Translation with Google’s Multilingual Neural Machine Translation System, Google Research Blog, 2016-11-22 [2017-01-11], （原始内容存档于2017-07-10） 
  3. ^ 3.0 3.1 Gil Fewster, The mind-blowing AI announcement from Google that you probably missed, freeCodeCamp, 2017-01-05 [2017-01-11], （原始内容存档于2017-05-31） 
  4. ^ 4.0 4.1 Boitet, Christian; Blanchon, Hervé; Seligman, Mark; Bellynck, Valérie. MT on and for the Web (PDF). 2010 [2016-12-01]. （原始内容 (PDF)存档于2017-03-29）. 
  5. ^ Jeff Dean and Andrew Ng. Using large-scale brain simulations for machine learning and A.I.. 2012-06-26 [2015-01-26]. （原始内容存档于2015-02-06）. 
  6. ^ Google's Large Scale Deep Neural Networks Project. [2015-10-25]. （原始内容存档于2019-02-16）. 
  7. ^ Markoff, John. How Many Computers to Identify a Cat? 16,000. New York Times. 2012-06-25 [2014-02-11]. （原始内容存档于2017-05-09）. 
  8. ^ Robert D. Hof. A Chinese Internet Giant Starts to Dream: Baidu is a fixture of online life in China, but it wants to become a global power. Can one of the world’s leading artificial intelligence researchers help it challenge Silicon Valley’s biggest companies?. Technology Review. 2014-08-14 [2017-01-11]. （原始内容存档于2020-01-08）. 
  9. ^ Katyanna Quach, Google's neural network learns to translate languages it hasn't been trained on: First time machine translation has used true transfer learning, 2016-11-17 [2017-01-11], （原始内容存档于2017-05-06） 
  10. ^ Lewis-Kraus, Gideon. The Great A.I. Awakening. The New York Times. 2016-12-14 [2017-01-11]. （原始内容存档于2017-05-05）. 
  11. ^ Le, Quoc. A Neural Network for Machine Translation, at Production Scale. Google Research Blog. Google. 2016-09-27 [2016-12-01]. （原始内容存档于2017-05-11）. 
  12. ^ Google Switches to its Own Translation System （页面存档备份，存于互联网档案馆）, October 22, 2007
  13. ^ Barry Schwartz. Google Translate Drops SYSTRAN for Home-Brewed Translation. Search Engine Land. 2007-10-23 [2017-07-06]. （原始内容存档于2017-05-21）. 
  14. ^ Chris McDonald, Commenting on Gil Fewster's January 5th article in the Atlantic, 2017-01-07 [2017-01-11], （原始内容存档于2017-06-22） 
  15. ^ Turovsky, Barak. Found in translation: More accurate, fluent sentences in Google Translate. The Keyword Google Blog. Google. 2016-11-15 [2016-12-01]. （原始内容存档于2017-04-07）. 
  16. ^ Turovsky, Barak. Higher quality neural translations for a bunch more languages. Google. [2017-03-06]. （原始内容存档于2017-03-07）. 
  17. ^ Novet, Jordan. Google now provides AI-powered translations for Arabic and Hebrew. 2017-03-30 [2017-07-06]. （原始内容存档于2020-01-01）. 
  18. ^ Turovsky, Barak. Making the internet more inclusive in India. 2017-04-25 [2017-07-06]. （原始内容存档于2020-11-11）. 

外部链接