Google 翻译以统计机器翻译上线

背景

在 2006 年之前，Google 并没有自己研发翻译引擎。从 2001 年起，它借助外部提供的商业机器翻译系统，提供八种语言与英语之间的互译^[1]。这套方案覆盖的语言数量有限，技术也依赖外部供应商。

发布

2006 年 4 月 28 日，Google 公布了它的统计机器翻译（statistical machine translation）方法^[1]。维基百科把 Google 翻译作为统计机器翻译服务上线的时间也记为这一天^[2]。语言并不是一次全部到位：2006 年初，Google 先推出中文，随后是阿拉伯语^[1]。

方法是怎么工作的

统计机器翻译与更早的规则式系统思路不同。规则系统靠人编写语法规则和词典，把语言学知识直接写进程序；统计方法不写规则，而是给系统大量已经存在的双语文本，让它从统计规律中估计哪些词和短语倾向于互相对应。维基百科记载，这项服务最初使用联合国和欧洲议会的文件与记录来收集语言数据^[2]。这类材料正好合用：它们由专业译者译成多种语言并成对发布，同样的内容在不同语言里都有对应版本，适合用作训练的对照文本。

维基百科还记录了一个结构上的选择：这套服务通常并不做语言之间的直接翻译，而是先经过英语，再译成目标语言^[2]。也就是说，从一个非英语语言到另一个非英语语言的请求，会被拆成先译成英语、再由英语译出两步。中转能大幅减少需要构建和维护的系统数量，代价是多了一道环节，意思可能在中间发生偏移。

让它快到能上线

真正的难题是速度。Franz Och 写道，早期这种数据驱动的系统慢到无法做成实用服务：翻译 1000 个句子，要在 1000 台机器上跑 40 个小时^[1]。一年之后，系统翻译一句话不到一秒，而且质量更好^[1]。从每句话都要耗费大量算力，到一秒之内给出结果，正是这个变化让一种研究方法变成了可以开放给公众使用的服务。

使用规模

到 2012 年，Google 表示 Google 翻译的月活跃用户超过 2 亿，可互译的语言达到 64 种，超过 92% 的流量来自美国以外^[1]。这个分布和总量同样重要：使用并不集中在少数西方市场。

后来的转向：神经机器翻译

2016 年 11 月，Google 宣布改用 Google 神经机器翻译（Google Neural Machine Translation，GNMT）^[2]。2006 年那一代统计系统是从较小的片段拼出译文，而神经机器翻译一次处理整句^[2]。这次更换替换掉了服务上线时所依赖的方法，但服务承担的角色没有变：用户用一种语言输入或粘贴文字，读到另一种语言的版本。

为什么值得记住

Google 翻译是一个适合回看的案例，因为它的历史留在产品本身里。它起步于一种统计方法在小规模语言上的应用，靠工程手段解决速度问题才变得可用，靠共用英语作为中转语言扩大语言覆盖，后来又在神经网络上重建。每一步解决的都是具体的现实约束，而不是某一次孤立的突破；普通用户看到的只是最终结果——网页上一个免费的翻译框。