Facebook新AI模型可以直接对译100种语言

机器翻译器正成为现代人生活中必不可少的工具。

不管你在世界的哪个地方，美国、巴西、法国或者亚洲的婆罗洲岛，借助机器翻译，谷歌和Facebook这类软件都可以把平台上的几乎任何文本内容都翻译成当地语言。

不过你可能不知道的是，多数翻译系统都是将英语作为中介语言来进行的翻译工作。也就是说，在把中文翻译成法语时其实是中文先翻成英语再由英文翻成法语。

这么做的原因是因为英语翻译的数据集（包括译入和译出）非常多而且容易获得。但是用英语作为中介语整体上降低了翻译的准确性，同时让整个流程更加复杂臃肿。

例如在Facebook上，单是News Feed这一项服务，Facebook就需要每天进行大约200亿次翻译。

针对这些问题，最近，Facebook开发了新的机器翻译模型，可以不借助英语直接做到两种语言的双向互译，而且新模型在BLEU评估算法下的得分比传统的借助英语的模型还高了10分。

We’re introducing M2M-100, the first multilingual machine translation model that translates between any pair of 100 languages without relying on English data. We’ve open sourced the model, training, & evaluation set up . Learn morehttps://t.co/9nszUF5nTj#t9n#machinetranslationpic.twitter.com/57kqbParp1

Facebook的新模型被称作M2M-100，Facebook宣称它是第一个多语言机器翻译模型，可以直接在100种语言中的任何一对之间来回翻译。Facebook AI构建了一个共计由100种语言的75亿个句子组成的庞大数据集。使用这个数据集，研究团队训练了一个拥有超过150亿个参数的通用翻译模型，据Facebook的一篇博客描述，该模型可以“获取相关语言的信息，并反映出更多样化的语言文本和语言形态”。

“主要的挑战在于，我们如何利用我们的翻译系统，确实地去满足全世界各地人们的需求，”Facebook AI的助理研究员Angela Fan在采访中表示。“你得翻译所有的语言，涉及人们会遇到的各种需求。比如说，世界上有很多地方，当地人会使用多种语言，而英语不在其中，但现有的翻译系统却严重依赖英语。”她还指出，在Facebook平台上每天以160种语言发布的数十亿条发文中，有三分之二是英语以外的语言。

为了做到这一点，Facebook需要使用各种新技术从世界各地收集大量公开数据。“这里面很多工作其实创建在我们在Facebook多年研究的基础之上，就像不同的乐高积木，我们有点像是把积木拼在一起来构建今天的系统，”Fan解释道。

该团队首先采用CommonCrawl来从网络上收集文本范例，这是一个开放的网络抓取数据库。然后他们着手用FastText来识别文本所属的语言，后者是Facebook几年前开发并开源的文本分类系统。“这个系统基本上是看一些测试然后尝试判定文本是用什么语言写的，”Fan说，“这样我们就把一堆网络文本按照不同的语言分开了，接下来我们的目标是识别对应的句子。”

“传统上，人们使用人类译员来创建翻译数据，”她继续说道，“这很难大规模来做，比如，你很难找到同时讲英语和泰米尔语的人，同时讲法语和泰米尔语的就更难了，非英语翻译仍旧是一个有待加强的领域。”

为了大规模挖掘必需数据，Fan的团队重度依赖LASER系统。“它读取句子，抓取文本并构建文本的数学表示，具有相同意思的句子将被映射到同一个涵义里，”她解释道，“如果我有一句中文和一句法文，说的是同一件事，它们就会像文氏图（Venn diagram）一样有所交叠——交叠区域我们就认为是一组对应的句子。”

当然，不是所有语言都有大量的文本内容在网上。

遇到这些情况，Fan的团队使用单语言数据来改进。以中文译法文为例，Fan解释道：“如果我的目标是翻译中文为法文，但是因为某些原因，达不到足够好的翻译品质，那么我可以试着用法文的单语言数据来做改进。我要做的是训练一个反过来的系统：从法文到中文。比如我从维基百科上取得所有的法文，然后把它翻译到中文。”

这样一来就有了大量的机器翻译生成的“人工合成”语料。Fan说，“有了这些从法文反向译过来的“人工合成”的中文之后，我可以把这些数据加在我的前向模型里。也就是我用原来的中文数据加上这个补充出来的“合成”数据，然后再把它们都译成法文。由于新加了很多例句——在输入和输出两端都有——模型会更加强大。”

这个项目是否会产生一条“数字巴别鱼”，能在全球6200多种口语之间进行无损翻译，还有待观察。Fan指出，这个项目的最终成功取决于AI能够利用的资源量。对于法语、汉语、德语、西班牙语和印地语等主要语言，资源是巨量的。“人们用这些语言在网络上写了大量的文本，”她说，“他们能贡献大量数据，我们的模型可以利用这些数据变得更好。”

“对于资源非常少的语言，我个人确定了很多我们可能需要改进的语言类别，”Fan继续说道。“对于非洲语言，我们在史瓦希利语和南非荷兰语方面相当不错，我们可以在像祖鲁语这样的语言上进行很多改进，在这些语言上我们需要面对额外的研究挑战。”