神经网络：推动机器翻译新前沿
文章由Rachel Wheeler撰写提交。
机器翻译理念可追溯数十年。最初仅是基于规则机器翻译系统。1980年代，研究人员开发统计机器翻译。21世纪，机器翻译技术巨大飞跃将来自机器学习和神经网络技术。
过去几年，我们见证使用这些AI技术提供更好机器翻译翻译公司显著发展。最令人印象深刻例子来自Google神经机器翻译（GNMT）和Microsoft神经翻译器等系统。
什么是神经机器翻译？
机器翻译已广泛可用，多年如此。您可在许多流行应用找到机器翻译系统，在线服务提供机器翻译服务。但现有服务与开发使用神经网络系统有显著差异。
目前大多数系统是统计机器翻译。使用算法和统计模型最佳猜测短语恰当翻译。对短语效果好，但被要求翻译较长样本（如电子教科书elearning翻译）达极限。结果可能从相当准确解释到完全胡言乱语。
神经机器翻译代表与使用统计机器翻译旧系统截然不同方法。用NMT系统，神经网络被训练优化执行翻译服务。
这些系统用深度学习分析人类翻译员已执行大量翻译。分析此大数据集，可解释整句、理解上下文和不同变体，处理统计模型无法编程语言学细微差别。最终结果是更流畅自然机器翻译系统。
神经网络如何工作？
赋予机器这种学习能力关键是神经网络。这是设计模仿人脑运作计算技术类型。大脑中，随学习形成神经通路。若通路有用有益，变强。若不提供正确结果，变弱。
神经网络理念模拟大脑神经通路互联本质。此设计使计算机能类似人脑方式学习、识别模式和决策。
人工神经网络通过拥有数十到数百万人工神经元（称单元）模拟此结构。这些单元排列成层。一侧有输入单元设计接收信息。对侧有输出单元信号响应学习信息。
输入输出单元层间有隐藏单元。这些层构成神经网络大部分，也形成大部分连接。
神经网络每个连接赋予权重指示两单元间连接强度。权重可正（激励另一单元连接）或负（抑制另一单元动作连接）。权重越高，一单元在连接中对另一单元影响越大。
神经网络通过比较产生输出与期望输出学习。信息在输入端馈送系统。触发隐藏单元连接。导致与输出端连接。网络实际产生输出与期望输出比较。权重基于产生输出与期望输出差异修改。
对机器翻译，神经网络结构使系统更适应性强、能处理比基于规则统计系统更复杂模型。也能从经验学习。若不提供正确输出，从错误学习调整下次更高效执行。
对机器翻译意味什么？
神经机器翻译仍是新技术。虽早期阶段，已提供优于最佳统计机器翻译系统结果。但距神经机器翻译能与熟练人类翻译竞争仍有长路。
神经机器翻译进步不会来自单一公司。将是不同组织全球研究人员若干进步结果。随技术发展，NMT将成人类翻译员重要工具。随复杂翻译需求增长，专业人士将用这些系统更少时间提供准确翻译，帮助满足增长需求。
工业技术