每當我解僱一個語言學家，語音識別的性能就會上升 | 科技袁人_風聞

導讀

　　2010年之前，華人出現在AI頂級會議優秀論文中的還寥寥可數。近年來，華人開始在AI國際機構擔任要職，優秀論文也開始湧現。例如在過去三年的ACL會議中，華人科學家拿到了兩年的最佳論文。

　　視頻鏈接：

　　西瓜視頻：

　　https://www.ixigua.com/7006207373845103111

　　本視頻發佈於2021年9月10****日，觀看量已達6萬

　　精彩再現：

　　我經常閲讀各個領域的外文信息，所以經常用到機器翻譯。可以説就在這幾年之內，我親眼目睹了機器翻譯的飛速進步，從一塌糊塗到像模像樣，現在已經相當不錯了。當然還是不時地有錯誤，但準確率之高、進步之快是更令人矚目的。

　　最近剛好有一個消息，字節跳動的人工智能實驗室在計算語言學會議（ACL） 2021上獲得了最佳論文獎。ACL是國際頂級的學術會議，而且最佳論文只有一篇，不是並列的，所以這個獎的分量是相當可觀的。這是一篇什麼樣的工作呢？借這個機會，我們就來講一下機器翻譯的原理。

　　其實我對人工智能是外行，但我的朋友、風雲學會會員陳經就是搞人工智能研發的。他講了很多深入的原理和有趣的故事。

　　“每當我解僱一個語言學家，語音識別的性能就會上升。”這句名言出自捷克和美國人工智能專家弗雷德裏克·傑利內克（Frederick Jelinek），是他在1988年説的。這其實反映了一場自動翻譯的革命。

　　弗雷德裏克·傑利內克

　　早期開發自動翻譯程序，非常依賴語言學家。就像最初開發圍棋程序的人，都是有一定水平的業餘棋手，例如我的前輩同行、理論與計算化學專業的陳志行（1931 - 2008）教授，他是電腦圍棋世界冠軍“手談”的作者。

　　陳志行

　　中國圍棋隊總教練俞斌九段説過，圍棋算法想要突破，一定需要棋力與算法水平都很高的團隊。現在大家知道，這種觀點是錯的。AlphaGo的團隊中並沒有圍棋高手，他們只請了一位樊麾二段來溝通圍棋知識。AlphaGo的成功來自算法的進步，機器翻譯也走過了類似的歷程。

　　俞斌

　　早期的自動翻譯程序，是把單詞與語法問題都用規則來概括，寫程序來實現。這是個自然的想法，因為我們學外語也要學單詞表和語法，也需要老師教。這些單詞表和規則，程序員搞不清楚，就需要語言學家來總結。

　　例如中文的“看”翻譯成英文，是look？還是watch？還是see？還是read？這需要看上下文。例如“看”後面跟的是“書”或者“文章”，就要用read。這類規律需要語言學家來歸納成有限的、可操作的規則，和程序員商量怎麼寫成計算機代碼。

　　還有更復雜的語序問題。中文和英文都是“主謂賓”結構，日語卻是“主賓謂”結構，動詞放在最後。電影中的日本鬼子經常説“什麼的幹活”、“花姑娘大大地有”，其實就是這麼來的！

　　由於人類語言太靈活，這種基於人工規則的翻譯經常得到可笑的結果。這到底是誰的鍋呢？語言學家説怪程序員沒有好好實現自己總結的語法規則，程序員卻説怪語言學家的規則體系自相矛盾，充滿例外，到處要打補丁。

　　到八十年代，搞算法的人想出了新辦法，於是他們終於可以愉快地“解僱語言學家”了。這個辦法就是統計學。更具體地説，是貝葉斯統計（Bayesian statistics）。不久前我剛好介紹過這個主題（貝葉斯統計：概率思維的魔法 | 袁嵐峯）。基本思想就是：不要規則了！換成統計概率！

　　比如説，我們要把“看”翻譯成英文，look / watch / see / read，語法規則會很繁瑣，要分析很多上下文，用規則“逼”出一個正確的答案。但現在，我們讓計算機把多種選擇都嘗試一下。比如I read a book / I watch a book / I watch a movie / I read a movie，這些都是候選的翻譯。然後根據句子在真實世界出現的概率，給這些翻譯打分，就會發現read book和watch movie分數很高，而read movie和watch book分數很低。不需要人為地加上read與book、watch與movie的關聯規則，都在統計裏了。

　　其實我們學母語就是這麼學的，並不是學規則，而是覺得大概率應該這麼説，不這麼説就怪了。我們學外語時經常説要培養“語感”，也是這個意思。

　　貝葉斯統計的核心，是計算條件概率，所以概率會隨着上下文條件發生變化。如果沒有任何信息，只有一個字“看”，翻譯成look的正確機會比read高。但是如果加上條件，“看這本書”，翻譯成read的正確概率就高了。

　　這套思想的精華，就是把規則變成概率。為了計算概率，需要海量的真實世界文本，數量越多，概率越準確。語言學家只需要貢獻翻譯樣本就行了，不需要折騰模糊的規則。

　　其實有大量“開源”的平行文本，如各國政府的條文多語言版本以及各種譯著與原文。羅塞塔石碑就是一個著名的平行文本，托馬斯·楊（Thomas Young，1773 - 1829）和商博良（Jean-François Champollion，1790 - 1832）根據希臘文與古埃及文字的對應破譯了古埃及文字。

　　羅塞塔石碑

　　（http://www.mingriqingbao.com/web/detail/forword/P/37382）

　　機器翻譯從基於專家規則的小眾系統，到能夠開放地放到網上公開測試使用，關鍵就是這個統計思想。在二十一世紀初，谷歌翻譯就有了基本的形式，讓人們知道了有“機翻”這回事。

　　然而，早期的機器翻譯還是毛病百出，像段譽的六脈神劍一樣時靈時不靈。這是為什麼呢？因為計算代碼是程序員人工寫的，經常碰到各種問題需要修改，改來改去顧此失彼。在這樣的框架下，無論代碼怎麼改進，樣本怎麼堆積，總是沒有本質性進步。

　　段譽的六脈神劍（動圖）

　　對技術感興趣的人知道，這一輪人工智能爆發的核心技術是“深度學習”（deep learning），它是從2013年開始獲得業界普遍承認的。深度學習的三位創始人傑弗裏·辛頓（Geoffrey Hinton）、楊立昆（Yann Le Cun）和約書亞·本吉奧（Yoshua Bengio），獲得了2018年的圖靈獎。

　　AlphaGo短短兩三年就遠遠超越了人類棋手，這就是深度學習的威力。同樣的，機器翻譯也發生了深度學習的革命，進入了新的境界。

　　巨大的突破來自對問題的重新定義，我們現在將翻譯問題抽象理解成一個序列到序列（sequence to sequence）的轉換問題。對一個序列，可以進行編碼（encode）。在通信傳輸、圖像壓縮等領域，編碼是很常見的思想。

　　你也許會問，文字已經用字母或者漢字這些符號來編碼了，還要怎麼編碼？這就是革命性的思想：人就別管了，管也管不好，這事交給神經網絡來幹！

　　就當有個黑盒子叫做“編碼器”，輸入是一串串的字符，輸出是一堆數字的編碼。然後再把那一堆數字編碼，輸入另一個叫“解碼器”的黑盒子，解碼器輸出的是有意義的文字序列。這頭編碼器把中文“編碼”成一堆數字，那頭解碼器把這堆數字“解碼”成有意義的英文，一次翻譯就完成了。

　　編碼器和解碼器

　　這個結構的好處在於，兩個黑盒子裏面具體怎麼編碼、解碼不用管，給足樣本，讓機器自己去深度學習。裏面乾的其實還是概率統計、減少誤差這些事，但邏輯不是程序員寫出來的，而是通過數據訓練出來的，它們是神經網絡的上千萬個係數。從語言學家定規則到深度學習自我訓練，基本的脈絡是逐漸排除人為影響，這就是電腦圍棋和機器翻譯飛躍進步的根本原因。

　　現在，我們終於可以來解釋字節跳動獲得最佳論文獎的工作了。它研究的是這樣一個問題：如何把句子劃分成一個個單元？也就是説，如何選擇最好的“詞表”（vocabulary）？

　　舉個例子，一個句子是：The most eager is Oregon which is enlisting 5000 drivers in the country（最積極的是俄勒岡，它在國內招募5000名司機）。我們需要首先把這句話劃分成若干個單元，每個單元對應一個編碼，然後把這串編碼輸入神經網絡。

　　詞級別、字符級別、子詞級別的句子拆分

　　最容易想到的劃分，就是一個單詞一個單元，或者一個字母一個單元。但英文中一個詞往往是由若干個詞根組合成的，例如enlist = en + list。我們背單詞的時候不是死記硬背，而是通過這些詞根去理解。例如一看到enlist就能猜出它是“使列入名單”，所以是“招募”；一看到enlighten就能猜出它是“使發光”，所以是“啓發”。

　　因此真正高效的劃分方法，是用詞根來劃分，這些詞根的集合就是“詞表”。就像在生物學裏為了理解蛋白質結構，我們用氨基酸而不是原子作為基本單元。

　　用氨基酸作為蛋白質結構的基本單元

　　這就帶來一個科學問題：詞表該取多大好呢？

　　很容易產生的想法，是詞表越大越好。但其實並不是這樣，因為每一種語言中常用的單詞都只佔少數。換句話説，每一種語言的單詞使用頻率都是長尾分佈。

　　長尾分佈

　　如果我們引入大量的低頻詞彙，收益就會越來越小，成本卻會越來越高，最終得不償失。因此，我們可以定義一個最優的詞表規模，即邊際收益剛好等於邊際成本時的詞表規模，這時總的收益是最大的。

　　這樣，字節跳動團隊把詞表問題轉化成了一個優化問題，然後用“最優運輸”（optimal transport）的思想提出了一種解決方案，用深度學習實現了這種方案。

　　最優運輸問題

　　這些方法的細節，大家可以去看他們的論文《神經機器翻譯中通過最優運輸的詞表學習》（Vocabulary Learning via Optimal Transport for Neural Machine Translation）（https://arxiv.org/abs/2012.15671）。下面我們來講三個宏觀的要點。

　　《神經機器翻譯中通過最優運輸的詞表學習》

　　第一個要點是，這種方法大大縮小了詞表，同時翻譯效果也不錯。

　　來看下面這個圖。字節跳動的軟件叫做VOLT，跟它對比的BPE-30K是目前業界最常用的設置，這個圖就是VOLT和BPE-30K對於英語和其他若干種語言互相翻譯的對比，黑體是表示哪一方勝出。最上面兩行是英語到其他語言的翻譯，中間兩行是其他語言到英語的翻譯，可以看到大部分是VOLT表現更佳，不過相差不大。最下面兩行是詞表的大小，這個差別就大了。例如對於英德翻譯，BPE-30K的詞表有33.6 K，而VOLT的詞表是11.6 K，只有前者的1/3。

　　VOLT與BPE-30K的比較

　　詞表的節約，帶來能量的節約。同樣的搜索和評估工作，BPE需要運行384小時的GPU，而VOLT只需要半個小時的CPU加30小時的GPU，相當於少砍很多樹。在這個意義上，這是一個綠色環保的成果。

　　VOLT：綠色環保的詞表學習方案

　　第二個要點是，這是一個基礎原理層面的進步，而不是技術應用層面的進步。後者大家已經習以為常了。許多人甚至有這樣的印象：中國人只擅長改進技術，做不了基礎原理。我們可以明確地説，這種印象是錯的！

　　第三個要點是，人工智能發展的七十年，也是中國人工智能研究從空白走向繁榮的七十年。

　　2010年之前，華人出現在AI頂級會議優秀論文中的還寥寥可數。近年來，華人開始在AI國際機構擔任要職，優秀論文也開始湧現。例如在過去三年的ACL會議中，華人科學家拿到了兩年的最佳論文。

　　機器翻譯以及整個人工智能已經創造了很多奇蹟，但還有很長的路要走。我們相信，未來中國會做出更多基礎性、革命性的貢獻。