前阵子，一位同传翻译员声讨科大讯飞“AI同传造假”，在网上引起了轩然大波。人工智能和同传翻译由此成为大家热议的话题。今天，我们来谈一谈“人工智能翻译是否真的可以取代同传翻译员”？
同声传译有多难？
同声传译最早出现在一战后的巴黎和会上，英法两国代表借助同声传译人员的帮助，完成了紧张的谈判。
如今，该技术依然在国际会议上扮演着极其重要的角色。据统计，95％的国际会议都有专业同声传译人员助力。
同传翻译员在台上能够将同传能力运用自如，需要平时大量的艰苦练习，即使是双语运用自如的专业人员，在实战之前，也要进行数年的锻炼。他们不仅需要事先学习、熟悉会议资料，还需要随机应变的能力。同声传译的工作方式也比较特殊，因为压力巨大，一般多人协同，在一场数小时的过程中，每人轮流翻译几十分钟。
相较之下，普通的口译工作则要简单不少。机器翻译如能代替同声传译无疑具有巨大的价值。
人工智能翻译的水平如何？
那么，人工智能同传翻译的能力究竟怎样？会不会抢走同传翻译员的饭碗呢？
今年上半年的博鳌亚洲论坛上，首次出现了AI同传。然而，现场配备的系统却掉了链子，闹出词汇翻译不准确、重复等低级错误。
客观来讲，人工智能或机器翻译技术在自然语言处理上，的确有许多突破。这些突破给人希望，让人畅想未来，但是，短期内的价值，更多体现在辅助翻译等领域。
当然，目前机器翻译已经取得非常大的进步，在衣食住行等常用生活用语上的中英翻译可以达到大学六级的水平，能够帮助人们在一些场景处理语言交流的问题，但距离人工同传以及高水平翻译所讲究的“信、达、雅”，还存在很大的差距。
目前的差距是由现有技术水平的限制决定的，机器翻译，又称为自动翻译，是利用计算机将一种语言转换为另一种语言，机器翻译技术的发展与计算机技术、信息论、语言学等学科的发展紧密相关。从早期的词典匹配，到结合语言学专家梳理的知识规则，再到基于语料库的统计学方法，随着计算能力的提升和多语言信息的积累，机器翻译技术开始在一些场景中提供便捷的翻译服务。
新世纪以来，随着互联网的普及，互联网公司纷纷成立机器翻译研究组，研发了基于互联网大数据的机器翻译系统，从而使机器翻译真正走向实用，市场上开始出现比较成熟的自动翻译产品。近年来，随着 学习的进展，机器翻译技术得到了进一步的发展，促进了翻译质量的提升，使得翻译更加地道、流畅。
机器翻译的难点在哪里？
这里，简单介绍一下机器翻译的难点。整个机器翻译的过程，可以分为语音识别转换、自然语言分析、译文转换和译文生成等阶段。在此，以比较典型的、基于规则的机器同传翻译为例（参见下图），模块包含了：语音识别（语音转换为文本）、自然语言处理（语法分析、语义分析）、译文转换、译文生成和语音生成等模块。其中的技术难点主要是：语音识别、自然语言处理和译文转换等步骤。
第一个技术难点是语音识别。近二十年来，语音识别技术取得了显著进步，开始进入家电、汽车、医疗、家庭服务等各个领域。常见的应用系统有：
语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；
语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；
智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、旅行社服务系统、订票系统、银行服务等。
可以说，语音识别技术与其他自然语言处理技术相结合，可以构建出很多复杂的应用。
然而，语音识别的主要难点就是对自然语言的识别和理解。首先必须将连续的讲话分解为词、音素等单位，其次要建立一个理解语义的规则。由于语音信息量大，语音模式不仅对不同的说话人不同，对不同场景的同一说话人也是有差异的。
例如，一个人在随意说话和认真说话时的语音特征是不同的。另外，说话者在讲话时，不同的词可能听起来是相似的，这也是常见现象。单个字母或词、字的语音特性，受上下文的影响，以致改变了重音、音调、音量和发音速度等。最后，环境噪声和干扰对语音识别也有较大影响，致使识别率低。
第二个技术难点是语义解析，这是智能化的机器翻译系统的核心部分。目前，机器翻译系统可划分为基于规则和基于语料库两大类。前者以词典和语言知识规则库为基础；后者由经过划分并具有标注的语料库构成知识源，以统计学的算法为主。
机译系统是随着语料库语言学的兴起而发展起来的。目前，世界上绝大多数机译系统都采用以规则库为基础的策略，一般分为语法型、语义型、知识型和智能型。不同类型的机译系统，由不同的成分构成。抽象地说，所有机译系统的处理过程都包括以下步骤：对源语言的分析或理解，在语言的语法、语义和语用等平面进行转换，按目标语言结构规则生成目标语言。
当前，Google 的在线翻译已经为人熟知，其第一代的技术即为基于统计的机器翻译方法，基本原理是通过收集大量的双语网页作为语料库，然后由计算机自动选取最为常见的词与词的对应关系，最后给出翻译结果。
不过，采用该技术目前仍无法达到令人满意的效果，经常闹出各种翻译笑话。因为，基于统计的方法，需要建立大规模的双语语料库，而翻译模型、语言模型参数的准确性直接依赖于语料的规模及质量，翻译质量直接取决于模型的质量和语料库的覆盖面。
除了上述传统的方式，2013年以来，随着 学习的研究取得较大进展，基于人工神经网络的机器翻译逐渐兴起。就当前而言，广泛应用于机器翻译的是长短时记忆循环神经网络。该模型擅长对自然语言建模，把任意长度的句子转化为特定维度的浮点数向量，同时“记住”句子中比较重要的单词，让“记忆”保存比较长的会话时间。该模型较好地解决了自然语言句子向量化的难题。
其技术核心是通过多层神经网络，自动从语料库中学习知识。一种语言的句子被向量化之后，在网络中层层传递，经过多层复杂的传导运算，生成译文。这种翻译方法最大的优势在于译文流畅，更加符合语法规范。相比之前的翻译技术，质量有较高的提升。
智能同传翻译离我们还有多远？
需要说明的是，很多人对机器翻译有误解，认为机器翻译偏差大。其实，机器翻译运用语言学知识，自动识别语法，模拟语义理解，进行对应翻译，因语法、语义、语用的复杂性，出现错误是难免的。就已有的成果来看，全场景通用的机器翻译，其翻译质量离终极目标仍相差甚远。
随着全球化网络时代的到来，语言障碍已经成为二十一世纪社会发展的重要瓶颈，实现任意时间、任意地点、任意语言的无障碍自由沟通是人类追求的一个梦想。这仅是全球化背景下的一个小缩影。在社会快速发展的进程中，机器翻译将扮演越来越重要的角色。
来源：苏宁财富资讯；作者：苏宁金融研究院金融科技研究中心副主任 沈春泽
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
