第67章 你们能比我更懂机器翻译（5k） (第1/2页)
“教授，你不是做语言翻译的，语言是规则的游戏，概率这太不靠谱了。”保罗·加尔文还想再挣扎一下。
当然他确实也不信翻译和统计学能扯上什么关系。
词语之间一一对应。
英文单词和俄语单词一一对应，直接直译，扩充语料库。
在当时的思维里，这才是正道。
也就是所谓穷举法。
把所有的词语做好一一对应之后，自动翻译也就实现了。
统计学，概率游戏，不谈如果林燃是对的，他们的无能会暴露无遗，光是林燃提到的改进原理从直觉上来说就是错误的。
简单来说，反直觉。
就像在GPT大模型出来之前，大家都觉得算法最重要。
GPT出来之后，大家开始都一窝蜂力大飞砖。
等到deepseek的时候，好像算法有点用。
哪怕是顶级的研究人员，也会有盲从的问题，会有迷茫、找不到方向、走不出来的情况。
在这个计算机的混沌年代，会这样再正常不过了。
“精确？精确意味着出错，现在的计算机远远达不到精确这一点。
你们难道不清楚，你们在54年之所以演示出了良好的效果，是因为那些俄语句子是你们精挑细选出来的。
实际自然语言的复杂性要远超你们预期。
你们只做了语料库的扩展，规则覆盖都没有做，上下文依赖处理也没有。
你们能比我更懂机器翻译？”
林燃怒吼道：“你们做了九年都没有进展，现在立刻马上按照我说的去做！”
林燃的地位、实力和权力摆在这，他们根本没有拒绝的选择。
沃森会信林燃就不说了，毕竟深蓝项目才结束，国防部的麦克纳马拉那更是林燃说什么就是什么。
你们这帮搞计算机的能比数学大师更懂计算机？
林燃在博弈论和统计学上展现出来的风采，麦克纳马拉还没忘呢。
IBM的CEO支持林燃，国防部部长支持林燃，乔治敦大学的研究团队只能被按在地上摩擦。
“我们要做的一共五点，优化算法和规则设计，扩充语料和词汇，改进数据处理的效率，引入统计方法和硬件最大化利用。
其中改进数据处理效率和硬件最大化利用由IBM方面负责。
另外三点则由乔治敦大学的成员们负责。
我们先来谈优化算法和规则设计。
你们一直的问题在于，你们对于规则集的扩张没有引入更加细化的句法规则。
因为存储有限，你们觉得扩充对照词汇库就够了。
实际上句法规则显得更加重要。
你们需要做到，引进常见的高频句型。
对上下文进行依赖处理。使词汇翻译考虑前后词，通过有限的上下文窗口来减少歧义。
比如свет同时有光和世界的意思。
这个完全可以根据前词判断是光还是世界。”
沃森弱弱提醒道：“教授，你还会俄语啊？”
林燃一副理所当然的样子：“当然，我都和科罗廖夫见了两面，我不会俄语怎么和他交流的？
我同时会俄语、德语、英语和汉语。”
多语言大师的身份，给林燃的理论增添了几分可信度。
在这个时代，科学家们会几门语言并不奇怪。
当然一些敏感部门会提高对你的怀疑。
以前面提到的约翰·麦卡锡为例，他就精通俄语，从小接受俄语教育长大，尽管他出生在阿美莉卡。
“另外翻译过程，应该是模块化设计，而不是简单的映射关系。
它应该分成预处理、翻译、后处理三部分。
预处理包括了分词和词形还原，翻译才是词典的映射，后处理是对语序进行调整。
这样来降低单次计算的复杂度，提高规则的复用率！”
林燃的话给了在座研究团队的成员们非常多的灵感。
就好像之前一直陷在百越的丛林里找不到出路，而现在天上出现一道光指引他们怎么样才能走出丛林迷宫。
大家都有点迫不及待去尝试了。
所有研究人员都疯狂在笔记本上记录下林燃所说的。
虽然不确定教授的方法是否管用，但有路总比之前没有好。
再者，如果你不好好记下来，到时候被开除只是教授一句话的事。
“好了刚才我们讲了一些简单的内容，现在才是最难的。
因为IBM的机器不是那么强大，我们只能引入一些比较简单的统计学方法来提高我们翻译的准确度。
我把它叫做基于频率的词对齐。
这也是我们引入统计模型的核。
我们先要手动分析平行句子，标注俄语词或短语与英语翻译的对应关系。
俄语句子Мыговоримомире
英语翻译：“Wespeakaboutpeace
对齐结果：“мы”对应“we”
“говорим”对应“speak”
“о”对应“about”
“мире”对应“peace”
然后我们需要对这种对齐的频率进行统计。
统计每个俄语词或短语在英语中的对应翻译出现的频率。
例如，在语料中，“говорим”在80%的句子中翻译为“speak”，20%翻译为“talk”。
这样对于我们就可以构建概率表了。
将这些概率整理成表格，供机器进行查询。由于内存空间有限，我们暂时只存储高频词对，像出现次数前1000的词对，忽略低频情况。
当翻译某个词的时候出现多个选择，就参考概率表选择最可能的翻译。
另外就是统计相邻词的共现频率。мы经常与говорим一起出现，对应Wespeak，机器在翻译的时候则优先选择这个组合。
通过规则优先处理和统计方法处理模糊情况的方式，来弥补规则的不足！”
林燃从统计学的角度给他们好好上了一课。
不过这只是一个开始。
在座的研究团队们知道了林燃优化策略的轮廓，具体实践过程中还有大量的细节要进行调整、尝试和优化。
不过光是现在所说的引进概率，这一点，在座乔治敦翻译机器的资深研究员们都有种恍然大悟的感觉。
前面讲的优化算法和规则设计什么的，他们感觉有道理，但判断不了具体实践是不是真的管用。
但这统计学方法的引入，光靠想象就知道，能够显著提升乔治敦翻译机器的效果。
当天的工作结束后，红石基地周边的小餐馆里，加尔文和多斯特尔特坐在角落，面前是两杯当地特色的啤酒。
加尔文放下笔记本，叹了口气说：“利昂，我们真的是蠢货吗？”
今天听完之后，加尔文都要怀疑人生了。
林燃提出了一整套的解决方案，这套解决方案里完整也就算了，其中很多点他们都想到过，但想不到要如何实现，另外就是一些他们连想都没有想到的点。
一整个团队差不多快十年的研发思路，不如林燃一下午的干货多。
加尔文已经怀疑人生了。
“教授的想法不是超前，而是太实际了。
你会感觉天马行空，但实际上结合在一起想想，又会觉得无比的实际。
哪怕现在还没开始，光是从教授提出的框架，我都能想到，采用这套完整方案对乔治敦翻译机器升级后，它的效果会有多好。”加尔文接着感慨道。
现在他终于知道为什么NASA的研究人员和工程师能容忍林燃的毒舌了，差距太大，心服口服。
尤其统计相邻词汇共现频率，这并不难想到，但他们就是想不到。
而用统计方法处理歧义场景，增加统计学算法，这个就他们连想都想不到。
（本章未完，请点击下一页继续阅读）