如何評價(jià)Google神經(jīng)機器翻譯（GNMT）系統？

翻譯有純人工翻譯，還有借助電腦的機器輔助翻譯（CAT，computer assisted/aided translation），還有傳統的機器翻譯（MT，machine translation）。
傳統的機器翻譯據說(shuō)源于上世紀五六十年代的美國，為了破解蘇聯(lián)的大量俄語(yǔ)文件而研制。它的原理是詞匯間的一一對應，可以想見(jiàn)，產(chǎn)出的譯文肯定是不通的，或許只能大體看出原文在探討的主題。這樣的翻譯模式或者思路，在翻譯天氣預報這種語(yǔ)匯固定的文本上有一定用處。據說(shuō)加拿大魁北克地區曾用這種方式播報雙語(yǔ)天氣預報。
機器輔助翻譯是指利用Trados或者wordfast這種工具，它的核心原理在于translation memory，即翻譯記憶語(yǔ)料庫。軟件工具把之前翻譯過(guò)的或者集中導入的雙語(yǔ)語(yǔ)料儲存起來(lái)，遇到相似程度高的原文時(shí)，自動(dòng)調出之前的譯文，譯者在其基礎上修改，完成最終的譯文。其翻譯單位為句子。
以上介紹的基于語(yǔ)匯一一對應的機器翻譯和基于翻譯記憶數據庫的CAT，其實(shí)代表了實(shí)現人工智能的兩個(gè)思路。我自己只是搞翻譯的，對于人工智能不太懂，但機器/電腦翻譯屬于人工智能的范疇。人工智能的關(guān)鍵在于教會(huì )機器你想讓它認知的東西，對于如何教，有兩個(gè)思路。
舉一個(gè)我在TED演講中聽(tīng)過(guò)的一個(gè)例子。
演講者從事的是圖像識別軟件的開(kāi)發(fā)。一開(kāi)始采取的套路是通過(guò)描述畫(huà)面來(lái)教會(huì )機器識別事物。比如給“貓”設置“圓臉、尖耳朵、長(cháng)尾巴”等參數，但是效果很差，機器識別了站立著(zhù)的貓，就識別不了坐著(zhù)的貓。
后來(lái)研發(fā)者換了一個(gè)思路，模擬人類(lèi)孩童是如何認識貓的——見(jiàn)的多了，就知道這樣的是貓了（孩子并不會(huì )去分析原來(lái)圓臉、尖耳朵、長(cháng)尾巴的才是貓）。于是將大量貓咪的圖片存入機器，并告訴它這是“貓”，后來(lái)機器遇到類(lèi)似的圖片，就能識別出是貓。已有數據庫越大，機器識別得就越準確。
個(gè)人認為質(zhì)量較高的機器/電腦翻譯的實(shí)現，也要采取這后一種思路，即基于大量雙語(yǔ)語(yǔ)料的記憶和學(xué)習——讓機器記住什么樣的話(huà)是什么意思，而不是將語(yǔ)句分解為單個(gè)詞匯再去找它們在另一個(gè)語(yǔ)言中的對應。
根源還是語(yǔ)言的復雜性，無(wú)論是哪兩種語(yǔ)言之間，都不像二進(jìn)制和十進(jìn)制之間那樣可以實(shí)現一一對應，所以第一種思路的發(fā)展前途已經(jīng)很局限。而第二個(gè)思路或許就是以后的方向，互聯(lián)網(wǎng)實(shí)現的大量語(yǔ)料共享也為它的發(fā)展提供了可能。
------------------------------------
關(guān)于如何看待機器/線(xiàn)上翻譯的進(jìn)步：

雖然我自己是個(gè)翻譯匠，而且厭惡把線(xiàn)上翻譯隨便改改交差的譯員，但是對機器/電腦/線(xiàn)上翻譯本身心存親切——它畢竟不是人，不要笑話(huà)它。
它對于譯者也有用處，對于某些語(yǔ)匯（不是整句整段），它給的譯文由于基于大量現有語(yǔ)料，往往確實(shí)是業(yè)內人士用的比較多的說(shuō)法。
所以大家不要看到機器翻譯產(chǎn)生可笑譯文就拿來(lái)調侃，該被調侃的是那些敢用這些譯文的人。

而且，沒(méi)有必要恐慌自己會(huì )被取代（前提是你的水平遠高于機器）；機器差的還比較遠——如果你知道語(yǔ)言可以美到、精到、妙到什么程度，如果你明白很多時(shí)候它就是人的靈光一現的、獨一無(wú)二的、偶然的產(chǎn)物，就不會(huì )懷疑這一點(diǎn)。