最近科技圈里火了一個詞叫“人機耦合”，主要原因當然是因為此前科大訊飛人工同傳“假扮”AI同傳，而科大訊飛將這種人工寫出譯文、機器發(fā)音的方式稱為人機耦合，而用戶們則用這個詞表示對科大訊飛的調(diào)侃。
這也再度加大了AI同傳在機器翻譯領域中的關注度相，除了大眾印象中的造假，對于行業(yè)內(nèi)來說，AI同傳任務處理上實時性、專業(yè)度的要求都極高，容錯率也相對更低，在機器翻譯領域算是一個難度很大的任務，甚至有人稱之為機器翻譯的“圣杯”。解決好AI同傳問題，也就標志著這家企業(yè)在機器翻譯技術已經(jīng)達到一定高度，解決其他問也也不在話下。
是圣杯，自然少不了挑戰(zhàn)者。除了孜孜不倦的獨角獸，微軟、百度、谷歌等海內(nèi)外的AI大廠也都在不斷攻克這項難題。但今天我們想來談談的是，AI同傳真正的“人機耦合”到底應該是什么樣？
是什么為AI同傳送上圣杯
AI同傳之所以難度能夠達到“圣杯級別”，還是來自于語言本身的復雜程度和不同語言之間的巨大差異。
給前者舉個例子，對于機器翻譯，尤其是語音轉碼文字的部分來說一個很大的難點就是同音不同字，有其有的詞同音不同字并且意義差距很大。比如南方or男方。
后者則主要體現(xiàn)在語序的差異上，中文上說“她送給我的花很美”，英文上卻說“The flowers she gave me are beautiful”， 在不聽完整個句子之前，是很難給出準確翻譯結果的，因為在在中文中作為主語我“花”出現(xiàn)在“她送給我”這一定語之后，可英文中主語“The flowers”卻出現(xiàn)在句子的開頭。
所以目前大多數(shù)AI同傳，要么是等待一個完整的句子說完后，再進行翻譯，要么是根據(jù)當前識別結果進行翻譯，然后隨著識別字數(shù)的增加，不斷修正結果。
不管哪種方式，基本上都帶有一個句子的延遲時間。尤其是遇到同音不同字的問題時，很多同傳系統(tǒng)只要認定了第一次識別的語音，很難再根據(jù)語境調(diào)整語音和文字之間對照。這就有可能導致整個句子在翻譯時出現(xiàn)嚴重的誤差。
可我們應用同傳，不就是為了和整場對話同步獲得信息嗎？想象一下，在重要商務場合中你和合作伙伴談笑風生，然而合作伙伴說“前門樓子”AI同傳卻告訴你“胯骨軸子”……
總之由于應用場景相對苛刻，AI同傳的技術遲遲都沒能達到應用條件。
萬能的人類老師，是如何做同聲傳譯的？
那么人類又是如何解決這些問題的呢？
首先，人類譯員在進行同傳翻譯時往往會先做大量的準備工作，了解應用領域的專業(yè)術語，本質上是對自己的詞匯庫進行一個“收斂”，又對該專業(yè)領域的用詞進行學，減少同音近義、一詞多義時發(fā)生翻譯錯誤的可能。
建立在準備的基礎上，譯員在進行翻譯時會有一定的預測性，例如“The flowers she gave me are beautiful”這句話的翻譯中，看到“The flowers”這個單詞，譯員就可以結合上下文和語境去判斷花一定是別人贈送來的，所以可以同步翻譯出“她送給我的花”。這樣一來就可以趕在句子說完前就進行翻譯，盡可能的保證即時性。
可即便如此，人工同聲傳譯也并不是完美的。由于信息量巨大，譯員只能在保證速度的前提下犧牲一部分質量。據(jù)了解，同傳譯員的譯出率僅有60－70％左右，即講話人講了100個句子，僅有60－70個句子的信息被完整傳遞給聽眾。同時由于需要高度精神集中，譯員往往需要每15－20分鐘就需要換班休息。
向人類偷師，哪些機器翻譯技術正在人機耦合？
而這些人類在工作時體現(xiàn)的智慧和優(yōu)勢，往往會被人工智能學習和利用。我們可以發(fā)現(xiàn)，很多機器翻譯技術已經(jīng)開始學會利用“背景知識”和“預測”這兩個關鍵邏輯了。
從背景知識的層面來講，人類之所以能夠分辨同音近音字，是因為對于語境和背景知識有著充足的了解，把不符合當前詞匯庫的同音詞“剔除”了。
所以現(xiàn)在有一些機器翻譯技術開始應用上了這樣的解決方案：提升容錯率，忽略語音－文字轉碼階段的錯誤，進而去提升文字翻譯階段的正確率。
例如百度同傳的“語音容錯”的對抗訓練翻譯模型，重點就在于有意在訓練數(shù)據(jù)集中加入針對性的噪聲數(shù)據(jù)，這樣即使模型接受到錯誤的語音識別結果時，也能給出正確的譯文。什么叫“針對性”的噪聲數(shù)據(jù)呢？就是把成對、成組出現(xiàn)的噪聲詞一起收錄，比如前文提到的南方和男方，再將源語言句子進行替換，把“南方天氣很潮濕”替換為“男方天氣很潮濕”，而兩個句子的結果都設定為“The weather is very humid in the south”，一起用作訓練從而提升模型的容錯能力。
而清華大學也曾經(jīng)發(fā)布過一篇論文，推出了一種應用于語音識別的快速容錯算法，則是通過前序對話劃定詞典范圍提前剪枝，限制了算法的搜索空間。例如雙方的對話提到“電話號碼”，那么接下來語音對話中的“yī èr sān sì”就會更傾向于轉碼成“一二三四”，而不會在“醫(yī)衣依……”等等詞典中進行匹配搜索。
至于預測性，在機器翻譯領域中應用的也不少。在NLP領域中應用頗多的文本生成技術，已經(jīng)可以做到補完缺詞句子的工作。
像Facebook推出的無監(jiān)督機器翻譯，就是對語言模型進行局部編輯，圈定一個可嵌入的單詞范圍，再為不同的單詞排序打分，流暢的句子得分要高于語法錯誤和不通順的句子。如果應用在AI同傳中，也可以在演講者的句子完成前以更快的速度進行翻譯。
百度也推出了一種名為“wait－k words”的技術，即等待講話時后的第k個詞開始翻譯，通過對講話者的語言風格數(shù)據(jù)進行訓練，實現(xiàn)預測能力。同時還可以根據(jù)不同語種之間的差異性和不同場景的需求程度來調(diào)整K值，比如西班牙語和葡萄牙語在語法上非常接近，K值就可以被調(diào)整為1或者2，極大的提高及時性。或者當使用者位于非常嚴肅的政治會議場合，K值就可以被調(diào)整為5或者更高，因此來保證嚴謹性。
去年谷歌推出的Transformer則是一個基于自注意力機制的全新神經(jīng)網(wǎng)絡架構，也是忽略單詞在句子中的先后位置，而句子中所有單詞之間的關系直接進行建模。所以一個單詞先出現(xiàn)還是后出現(xiàn)，對于自然語言處理來說影響開始沒那么大了。
總之，這些模仿人類處理問題方式的技術突破才是真的“人機耦合”。
想捧起圣杯，AI同傳應該避免獨行
當然，即便如此，AI同傳還是面臨著很多問題。
尤其是人在口語表述時往往會帶有一些習慣性的語氣詞，AI如果通通記錄下來，會嚴重影響信息接收的效率。就像曾經(jīng)有人嘗試過在法庭使用AI速記，結果發(fā)現(xiàn)AI記下了通篇的“嗯、呃、那個”等等口語中的常用詞，尤其是當出庭人情緒稍有些激動時，AI速記完美的記錄下一串語無倫次時的混亂信息。信息量倒是加大了，可信息價值卻很低。
人類譯員在進行翻譯時會進行書面語和口語之間的轉換，AI能否做到這種信息的匯總和提煉？
同時口語中常常遇到的口音、結巴、地方俚語、表述水平不同等等個性化的問題，人類譯員通?？梢院芎玫慕鉀Q，最終呈現(xiàn)出適用于所有人閱讀的內(nèi)容。就拿俚語來講，這種極具本土文化特征的內(nèi)容，有時會在兩個語種中呈現(xiàn)出完全不同的形態(tài)。就像“掌上明珠”和“Apple of the eye”，從字面直譯上很難找到關聯(lián)，可意義上卻相互對應。
AI模型能否高效的解決一切問題，不只適用于某一標準或某一種文化下的內(nèi)容？
最重要的，大部分像“wait－k words”這樣的預測模型都要提前進行大量的數(shù)據(jù)訓練。不光應用成本高，對于很多缺乏豐富數(shù)據(jù)的小眾語種來說，還是幫不上什么忙。
不過相比人類在同聲傳譯整個學習和翻譯過程中耗費的巨大精力，AI同傳更高效的學習能力和永不疲倦的特點仍然是巨大的優(yōu)勢。所以在未來的一段時間內(nèi)，AI同傳應該依靠自身優(yōu)勢來承擔人類譯員助手的職責，與人類一同捧起圣杯。這才是理想狀態(tài)下的人機耦合。
機器思維與人類思維的打通：AI應用的黃金大門
其實我們能夠發(fā)現(xiàn)，現(xiàn)在機器同傳解決方案的發(fā)展方向，體現(xiàn)出了一種AI技術應用的有趣邏輯，即把機器思維和人類思維一起融入技術應用。
像在提升語音容錯率上，就是一種典型的機器思維。如果把解決問題分兩步，第一步是語音－文字，第二步是文字－翻譯。數(shù)學老師一定會告訴你“一步錯、步步錯”，可在機器思維中卻能實現(xiàn)“一步錯、結果對”，即使語音識別中錯了，機器翻譯的結果仍然是正確的。
而在預測方面，就是典型的人類思維了，結合對于事物的整體理解甚至整個世界觀，對于缺失的信息進行預測——用我們?nèi)祟惖脑捳f，就是“直覺”。而當機器也逐漸找到利用直覺的方式，它們所能解決的問題才更邁上了一個臺階。有了預測能力，才能在不同語序的語種中自我生成正確的句子。畢竟我們所處的世界不是棋盤也不是電子游戲，缺乏明確的規(guī)則，更多時候我們是在信息和規(guī)則雙雙不透明的前提下去解決問題。
其實在今天的AI應用上，最重要的就是人與AI的協(xié)作性，不僅僅是日常應用方面的協(xié)作，更多的是研發(fā)思維上的協(xié)作。有時能理解機器思維的差異性，才能真正找到適合機器的問題解決方案，而讓機器能夠學會人類思維，才能讓機器解決問題的方式更加配適現(xiàn)實世界。
就像自動駕駛的安全問題一樣，有時在交通標識上貼一張小小的貼紙，就能徹底擾亂機器的視覺系統(tǒng)。所以對于自動駕駛來說，更高效和安全的方法并不是像人類一樣“看到”交通標識，而是在高精地圖上提前標注好交通標識的位置。對人類與機器的感知方式進行互通和融合，幫助我們打開了很多AI產(chǎn)業(yè)應用的黃金大門。
有趣的是，這兩種思維之間的差異和融合，其實和語言之間的翻譯還有點接近。語法有再多差異，彼此理解了，總能一起解決問題。人機耦合，指的絕不僅僅是人類與AI有著多么明確的分工，AI生產(chǎn)、人類包裝這種行為在幾十年前就已經(jīng)出現(xiàn)并且沿用至今了，絕不是什么值得宣揚的事。兩種思維的交互，才能稱之為真正的“耦合”。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
