自1954年开始，机器翻译一直是人类想要攻坚的领域。无奈在过去的几十年中，由于技术方法，计算力和训练数据等原因，研究人员一直未能找到有效的突破口。直到进入21世纪，研究人员引入深度学习的神经网络，构建了神经机器翻译（Neural Machine Translation）才有了突破。

神经机器翻译，简要的说，就是对源语言的句子进行编码，即转化为计算机可以“理解”的形式，编码的结果会形成很多隐含变量，每个隐含变量代表从句首到当前词汇为止的语义信息。然后通过一个解码的过程，一个词、一个词输出译文。

这一次微软的突破可谓是既站在了巨人的肩膀上，又用到了自己的创新：微软的机器翻译系统不仅用了最新的神经网络技术，还用了微软自己研发的一些独到的技术，做到了集大成者。

在微软这次的创新中，微软的研究团队借鉴了人类在翻译时的一些思维方式。第一个是对偶学习（Dual Learning）。这有点像人类在学习英语时，当把中文翻译成英文后，通常还需要检查，即将英文再翻译回中文，看是否正确，做到翻译的一致性。这样做的目的是能在中翻英、英翻中的过程中做到联合优化。微软就将这一方法“教”给了机器。

第二个是推敲网络（Deliberation Networks）。在中文诗词里“僧敲月下门”中的“敲”就是一个作者在写诗时反复推敲，将语言表达到极致的结果。在微软的机器翻译系统中，就借鉴了这样的方式。机器翻译完成翻译后，为了让其做的更好，研究人员使用推敲网络让机器不断推敲，不断修改，把翻译完的结果再输入，再全盘考虑，做到不断优化。

第三个是一致性规范（Agreement Regularization）。一致性规范让翻译可以从左到右进行，也可以从右到左进行，最终让两个过程生成一致的翻译结果。

黄学东解释说，这一点就像人类在翻译的过程中，我们通常会左看右看，两边都看顺眼了，才觉得放心。

除此之外，此次机器翻译系统还使用了联合训练（Joint Training），这个方法可以认为是从源语言到目标语言翻译（Source to Target）的学习与从目标语言到源语言翻译（Target to Source）的学习的结合。中英翻译和英中翻译都使用初始并行数据来训练，在每次训练的迭代过程中，中英翻译系统将中文句子翻译成英文句子，从而获得新的句对，而该句对又可以反过来补充到英中翻译系统的数据集中。同理，这个过程也可以反向进行。这样双向融合不仅使得两个系统的训练数据集大大增加，而且准确率也大幅提高。

值得一提的还有，微软研究团队这次还为整个翻译研究找了双语的语言顾问，对机器翻译的结果进行评测。就人们像学习英语时，通常需要有专业的老师对我们的学习成果进行评测一样，对于机器翻译而言，专业老师给出的结果也非常重要。“机器翻译其实相当于一题有多个答案，答案好坏跟老师的水准有关系，所以用机器自动评分很难评判，我们现在用专业的人员来评，就是要把好质量关。”黄学东说。

相关报道: