0
| 本文作者： 三川 | 2017-09-08 05:22 |
鑒于數(shù)據(jù)、計算力、算法等諸多門檻，自神經機器翻譯（NMT）產品化以來，在很大程度上便是互聯(lián)網巨頭們的競技場。
如今，又一個新的挑戰(zhàn)者高調加入進來，直接把矛頭指向堪稱行業(yè)技術標桿的谷歌、微軟以及 Facebook。
上周，來自德國的 DeepL 翻譯上線，號稱實現(xiàn)了 NMT 技術的新突破，打造出了“世界上最精確、語言組織最自然的機器翻譯系統(tǒng)”；并宣布在自家組織的盲測中，打敗了谷歌翻譯以及微軟與 Facebook 的 NMT 系統(tǒng)，釁意十足。
目前，DeepL 翻譯已支持英德法西等 42 門歐洲語言，正在對漢、日、俄等語言進行訓練，并計劃在將來發(fā)布一款 API，讓開發(fā)者能夠將 DeepL 翻譯整合入其應用中。
首先要說，這家公司的來歷并不簡單。
公司的前身是運營已近十年的在線外語詞典 Linguee，DeepL 翻譯也完全由 Linguee 團隊打造。Linguee 在國內沒什么存在感，至于在海外……有谷歌翻譯專美于前，存在感也不是很高，但還是有一批認可它的用戶。
Linguee 的英漢、漢英詞典界面
不過，Linguee 的成敗現(xiàn)在已經不重要，畢竟都換馬甲了——Linguee 在今年正式更名 DeepL，以“Deep”提醒 VC 自己是一家正兒八經的深度學習公司。
真正重要的是 Linguee 的技術積累。Linguee 由前谷歌翻譯研究員 Gereon Frahling 在 2007 年離職開發(fā)，2009 年正式上線。就雷鋒網所知，Linguee 的核心優(yōu)勢是它的爬蟲和機器學習系統(tǒng)，前者抓取互聯(lián)網上的雙語對照翻譯，后者對這些翻譯的質量進行評估。兩者結合，使 Linguee 成為了當時“世界上首個翻譯搜索引擎”。十年積累，Linguee 無論在數(shù)據(jù)和對算法的研究上都不可小覷。
去年在倫敦 Noah 上演講的 Gereon Frahling
一年前，其研究團隊著手欲實現(xiàn)一個新目標：利用在機器翻譯領域的多年專業(yè)積累，打造一套業(yè)內最先進的 NMT 系統(tǒng)。這便是 8 月 29 日上線的 DeepL 翻譯。
既然底子厚實，我們來看看這些積累給 DeepL 帶來了哪些資源優(yōu)勢。
雷鋒網要提醒，以下信息均是 DeepL 一家之言，尚無第三方背書，大家需自行判斷其含金量。
數(shù)據(jù)
Linguee 的數(shù)據(jù)集有逾十億組對照翻譯語句，號稱是世界上最大的人工翻譯數(shù)據(jù)集。 Linguee 能隨時搜索近似翻譯結果。
計算力
DeepL 在冰島搭建了一臺超算，號稱在全球 HPC 中性能排名第 23 位，浮點運算能力達到 5.1 petaFLOPS。因而能實現(xiàn)令 DeepL 十分自豪的計算速度：每秒處理百萬量級的詞語翻譯。
算法
采用 CNN 而不是 NMT 產品通用的 RNN。DeepL 宣稱其技術積累使得它能夠克服 CNN 的主要短板，因而能實現(xiàn)比基于 RNN 的競品算法更精確、自然的翻譯結果。
DeepL 宣稱其翻譯系統(tǒng)的表現(xiàn)打敗了谷歌翻譯以及微軟、Facebook 的 NMT 系統(tǒng)， 是基于兩個指標：盲測反饋和 BLEU 分數(shù)。
盲測
DeepL 邀請了職業(yè)翻譯者，對 DeepL 翻譯、谷歌翻譯、微軟翻譯以及 Facebook 的 NMT 系統(tǒng)進行了盲測，要求測試者選出所認為的最好的翻譯結果。測試語言為三組，分別是英德、英法、英西互譯，樣本為 100 個句子。DeepL 并未公布每組參與測試的職業(yè)譯者數(shù)量。測試結果如下：
如圖所示，在每一門測試中，選擇 DeepL 的測試者都最多。 DeepL 在英譯德、英譯法、英譯西的優(yōu)勢尤其明顯。其官方統(tǒng)計是：選擇 DeepL 為最佳翻譯結果的次數(shù)，與選擇另外三家 NMT 服務的平均比例為 3：1 。
BLEU
BLEU 是業(yè)內評估機器翻譯質量最常用的打分算法，其得分被認為與人類的評判結果具有較大相關性。
DeepL 宣布，其英譯德、英譯法的 BLEU 得分超過了所有已發(fā)表的 NMT 研究，包括谷歌 Transformer。結果如下：
如圖，在英譯法項目上，DeepL 的 BLEU 分數(shù)超過次優(yōu)方案約 3.5%。
踏入江湖的第一日，DeepL 就自封“天下第一”。業(yè)內同行對此怎么看？
對此，雷鋒網咨詢了搜狗語音交互中心總監(jiān)陳偉、商鵲網 CEO 鄒劍宇，以及 Facebook 機器學習工程師王楊。需要說明的是，三位老師均表示：由于缺乏關于 DeepL 算法、數(shù)據(jù)庫的第一手資料，也沒有來自第三方的信息，無法對其翻譯水平做出客觀判斷。商鵲網的 CEO 鄒劍宇評論道：“從相關報道中，對算法的描述并不詳細，沒有論文披露細節(jié)，所以并不好理解?！?/p>
因此，以下僅為這四位看到 DeepL 宣傳信息后的一些個人看法。
在 Facebook從事應用機器學習的工程師王楊，聽到這件事的第一反應是懷疑——單是同時勝過谷歌翻譯和Facebook NMT這一點，不拿出有足夠說服力的證據(jù)就難以取信于人。谷歌的NMT 積累深厚，F(xiàn)acebook的NMT也在快速發(fā)展。一個新的產品想要如其所宣傳的那樣實現(xiàn)大幅超越，很難。
若 DeepL 確實在技術上實現(xiàn)了突破，那么不排除他們有全新的多語種（multilingual）模型。
至于 DeepL 的算法模型基于 CNN 而不是 RNN，王楊表示“這從側面支持了 Facebook 的研究”。FAIR（Facebook AI Research）一直認為 CNN 在機器翻譯上的潛力遠遠大過 RNN，尤其是計算速度，這也是 Facebook 在 NMT 領域的主要研究方向之一。
搜狗語音交互中心總監(jiān)陳偉，他們機器翻譯團隊剛剛在 WMT 2017評測中獲得中英、英中兩個翻譯方向的第一名，他認為數(shù)據(jù)對 DeepL 的貢獻可能遠大過其它因素。而 Linguee 的數(shù)據(jù)爬取和積累，是一項不小的優(yōu)勢。
陳偉評論道：
“從 BLEU 對比看，提升的比較明顯，感覺他們十億量級的高質量數(shù)據(jù)對效果幫助比較大。實測大家都覺得好，這至少說明它數(shù)據(jù)的全面性還是夠的?！?/p>
據(jù)一位德語專業(yè)的譯員說，DeepL 德英互譯的體驗確實不錯，這絲毫不意外——作為一家德國公司，順理成章的，DeepL 重點關注的是德英、法英這些語種的翻譯。這為 DeepL 在這幾門語種的數(shù)據(jù)積累也提供了一定的聚焦和便利。
DeepL 公布的盲測、BLEU 評分，衡量的均是德、法、西這三門歐洲語言與英語之間的互譯。
在算法方面，陳偉向雷鋒網表示：
“沒看到他們技術的詳細介紹，只了解到使用了 CNN 而沒有使用 RNN，但是我感覺架構變動不會太大，應該類似于 Facebook 的 convs2s。
他并不認可“CNN 是神經機器翻譯未來”的說法：
在搜狗的實驗對比中，“RNN-NMT、CNN-NMT 和谷歌的 Transformer 框架。三個技術我們都認真研究和優(yōu)化過，目前 Transformer 框架已經在搜狗翻譯系統(tǒng)上線，從機器評分和人工評測來看，都領先主要競品，較RNN-NMT、CNN-NMT提升也比較明顯。
業(yè)內也沒有一致觀點認為 CNN 是 NMT 的未來。我覺得技術方案無論是 CNN、RNN、Transformer 都沒做到極致，目前主流技術框架到底是什么沒有定論，算法細節(jié)的打磨和多種技術的融合會是未來發(fā)展趨勢，另外數(shù)據(jù)量會是各家公司的技術壁壘?！?/p>
最后，陳偉總結，根據(jù) DeepL 公布的報告，目前的評測存在三個地方導致難以評估其技術：
人工評測的測試數(shù)據(jù)量僅有 100 句，而一般人工評測或者 BLEU 評測會采用幾千句的數(shù)量。
DeepL對比其他家并沒有使用相同的訓練數(shù)據(jù)集，因此性能無法很好評估。
更多的技術細節(jié)沒有公布，很難把握具體的情況。
商鵲網 CEO 鄒劍宇十分認同數(shù)據(jù)和計算資源對 NMT 產品的重要性：
“報道說其訓練引擎是基于一臺冰島超級計算機，可以說深度學習真的很需要計算力。Linguee 本身是一個不錯的語料庫公司，數(shù)據(jù)積累有自己的特點，這應該是其引擎優(yōu)秀表現(xiàn)的一個基礎。
對于引擎的評測，Linguee引擎的盲測很好，BLEU 值超過其他引擎最優(yōu)質 3 個百分點（行業(yè)通識是，2 個 BLEU 值的提高就可以稱作‘顯著’）?！?/p>
對于 BLEU 值究竟能在多大程度上客觀反映翻譯質量，鄒劍宇強調，需要合理看待其參考價值，不可把它等同于普通人面對翻譯結果的直觀體驗：
“翻譯評測有三類對象：科研人員，譯員和普通閱讀用戶，三者評測的目標和方法不一致。BLEU 是一個科研環(huán)境的評測參數(shù)，和人的閱讀體驗感受有很大的不同，不可以同類而論?！?/p>
他最后忍不住拿自家產品做對比，表示商鵲網的新引擎甚至達到了比谷歌翻譯高出 6 個百分點的 BLEU 值。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
