专访

上述回答中已经提到一些简单的方法。其实这些简单的方法，在实际应用中往往是比较有效的。比如特定的命名实体翻译是否正确，这一点很容易检查，并且能接收到很好的效果。对于之前提到的相对比较复杂的方案，比如基于深度学习的方案，它可以整体上评估翻译质量，但是由于深度学习的可解释性现在是一个比较大的问题（也就是说我们可以知道这个句子大概翻的不太好，但具体哪儿不好或者为什么不好，目前还没能进行特别有效的说明），所以这个方案还在研究当中，那么什么时候能够具体投入使用呢？我们也拭目以待。

关于APE自动修正服务，它其实也是在训练一个翻译系统，只不过它的翻译的输入是一个机器翻译系统的翻译结果，输出是一个更新或者修正过后的翻译结果。原则上来说完成这样一个自动修正的系统也需要大量的知识和数据，也就是说我们需要从数据中学习如何进行改正。而学习的效果也受到数据的规模等方面的限制。目前可以看到APE有一定的效果，但是能否真正能达到实用的需求目前也处于在探索当中，这里主要原因还是在于数据中包含的知识是否足够的问题。

对于进一步提高机器反应的质量，我认为有三个角度。上面的回答也有涉及，第一是增大数据资源，第二是要针对性地开发特定领域的翻译知识，第三就是从技术上做一些提升以综合各种不同的知识。比如说一本专业词典能否对翻译有很大帮助？这在人工翻译过程中，答案是很显然的。但是对机器来说，还存在一些技术上进行提升的空间，这个问题在机器翻译当中也得到了广泛的关注。

对于未来机器翻译评估的发展，原则上来说，如同刚才提到过的：评估和翻译是并行的两个能力。一方面翻译能力在增长，另一方面评估的能力也应该在增长。所以我认为随着神经机器翻译不断发展，不只是翻译质量提高，我们的评估能力也会相应提高。翻译和评估两者之间应该是有更好的补充或者辅助的关系。但这一点在目前还存在不足，我们希望这两个共同提高的系统能够有各自不同的关注方向，从而二者能够更好的互补，而现在看来，他们同质性相对高了一些。

其实这个问题我认为从机器翻译产生开始就已经存在了。从机器翻译加入到翻译生产行业以来，译者朋友们的工作方式就在不断的发生变化。我觉得大的趋势是大量重复的、简单的工作将慢慢被机器所掌握。机器代替人来做这些重复劳动，而译者就需要去解决更难的、更有挑战性的、更复杂的或者更容易混淆的问题。这样的趋势对译者本身的素质水平有了更高的要求，当然我想同时也给了译者朋友们更广阔的提升空间。

访谈人介绍：

黄书剑，博士，南京大学计算机科学与技术系副教授，博士生导师。毕业于南京大学，获得工学学士和博士学位。现任中文信息学会青年工作委员会执委，中文信息学会机器翻译专委会副主任，中国计算机学会中文信息技术专委会委员，主要研究方向包括自然语言处理、机器翻译、计算机辅助翻译、知识发掘等。发表论文三十余篇，其中包括ACL，EMNLP，AAAI，IJCAI等顶级国际会议。曾担任ACL，AAAI，IJCAI，EMNLP，NAACL等会议的PC或审稿人，担任CCMT2019程序委员会主席，NLPCC2016、CCL2018机器翻译领域主席，CWMT2017、CWMT2018评测委员会主席等。

往期精彩回顾

专访 | 崔启亮：机器翻译对语言服务企业有多大作用？

专访 | 赵杰：神经机器翻译 VS 神化机器翻译？

专访 | 李俊：生命科学也需要机器翻译吗？

机器翻译的梦想与现实

2021年语言服务行业回顾与展望

Memsource发布2022年机器翻译产业报告

福布斯：2022年人工智能领域发展七大趋势

2021年人工智能十大技术趋势发布

元宇宙加速数字语言服务时代到来

元宇宙行业研究：底层技术载体将支撑元宇宙发展

教育元宇宙的教学场域架构与关键技术

技术与工具 | 国内外常见CAT工具一览

……

更多精彩内容请关注公众号“翻译技术教育与研究”返回搜狐，查看更多