为了微信的一个 bug，蔡徐坤的粉丝们差点跟腾讯势不两立

为什么微信把英文「你打篮球像蔡徐坤」翻译成「你的篮球打得真好」？

图片：《我才不会被女孩子欺负呢》

为什么微信把英文「你打篮球像蔡徐坤」翻译当作「你的篮球打得真好」？

PingWest品玩，有品好玩的科技，一切与你有关。微信公家号：PingWest品玩

为了微信的这一个 bug，蔡徐坤的粉丝们差点跟腾讯势不两立。今天，品玩君来科普一下神经机械翻译。

工作的颠末：

上周末，一组微信“神翻译”的截图，在微博、知乎、豆瓣和虎扑等社交收集上传开。有人输入诸如 "you play basketball like caixukun" 等句子，用微信自带的翻译功能，获得的倒是寄义完全错误的译文：

其他遭殃被一路拿来调戏微信翻译的男星，还有吴亦凡、谢广坤等。

蔡徐坤是今朝中国娱乐界流量第一的明星，粉丝必定欠好惹。

微信团队今朝已经部门下线了翻译功能。按照硅星人实测，近似"you are so" 的句式，以及涉及"caixukun"等词的语句，此刻已经无法翻译到中文了。

与此同时，官方账号@腾讯微信团队也在微博上颁布发表，翻译功能今朝正在告急修复中。截至发稿，相关语句仍然无法被微信正常翻译。

注重，微信官方供给了一小段诠释：

翻译引擎在翻译一些没有进行过练习的非正式英文词汇时呈现误翻，导致部门语句翻译呈现问题。

在"caixukun"后，又有网友发现了更多会触发 bug 的词。好比，微信翻译似乎在大学英文简称上表示比力差劲。输入"your school is WHU"，翻不出武汉大学，却给出了“你的黉舍很烂”的成果。

没过多久，涉及大学英文简称的字句也翻译不出来了。

硅星人认为，微信应该进一步、加倍具体地奉告我们：这个 bug 为什么会呈现，由哪些身分所导致。

一方面，微信翻译背后的手艺确实比力复杂。诠释它，有助于用户去理解它的工作道理，大白这个翻译成果的背后，可能有着十分复杂的手艺原因。

另一方面，你关失落了"you are so"句式，还会呈现黉舍简称；关了黉舍简称，还会有更多会触发 bug 的词被发现。发现一次关一次？这样危险的是正常利用翻译功能用户的体验，长此以往总不是法子。

遗憾的是，微信方面暗示，以上面微博为准，不再更多置评（或许是因为不想继续惹末路蔡徐坤的粉丝吧。）同时，中文互联网上完全找不到针对此事靠谱的手艺解答，即便在知乎上，相关本家儿题下面也都是用户在分享本身发现的 bug 截图，没有人诠释原因。

既然这样，不妨让硅星人来尝尝？

我们采访了多位机械进修专家，并在接下来的篇幅里 1）诠释微信翻译用的到底是什么手艺；2）再测验考试回覆"you play basketball like caixukun" 这句话，为什么在微信翻译里被翻错了。

微信翻译用的是什么手艺？

硅星人颠末多方面领会，确信微信英汉互译系统采用的是今朝机械进修范畴比力火的“神经机械翻译”(Neural Machine Translation, 简称 NMT) 手艺，由微信 AI 团队自研。

从门外汉的角度来看，NMT 在翻译一句话时，做了这些工作：

好比单词是英语的 dog，可以理解为 NMT 在它的“大脑”里形当作了一条狗的印象。

好比 dog 翻译当作法语就是 “le chien”；但若是语境是“一条狗生下了小狗”，那么 dog 就会被翻译当作阴性的"la chienne"。

（NMT 不是真的在大脑中形当作狗的视觉印象，事实上整个过程跟图像完全没有任何干系。这个所谓的“印象”，经由过程连续串标的目的量 (vector) 暗示。狗的例子来自于）

NMT 的本家儿要优势是对长句子（甚至段落）有着不俗的翻译能力，阅读起来上下文连贯水平接近人翻。问宿世之后，NMT 也逐渐被微软、Google、百度、腾讯等大公司的翻译产物所采用。

“机翻手艺一向在不竭迭代更新，以前基于法则，曩昔十年本家儿要基于统计，此刻我们起头用神经收集。神经机械翻译是今朝机械翻译上比力火的一项手艺。我们绝大大都的大语种翻译已经基于这个手艺了，“在美国一家顶级科技公司的研究分支担任资深研究员的王夏 * 告诉硅星人。

“在机翻手艺成长的每个阶段，科研人员城市碰到一些问题。NMT 也存在一些问题，好比整个过程的可诠释性长短常低的，”他说。

硅星人翻译一下这句话的意思：在具体案例的层面上，一个 NMT 的系统为什么会把一句话 ABCDE 翻译当作 abcde，研究者今朝是很难将翻译过程诠释清晰的。

这句话为什么被翻错了？

当 NMT 翻错了的时辰，可能发生了哪些环境？

其实错没错、错误严重不严重，都是人来决议的。在机械眼里没有对错，选心猿意马的谜底就是机械认为概率最高或最有可能的那个谜底，因为一切都按照模子、算法运转着。

接管这一点，你才能理解这句话为什么翻错。

接下来进入正题

可能原因 1：练习集噪音

在接管硅星人采访的多位机械进修专家傍边，大部门人都给这条原因投了票。

形象一点比方，噪音 (noise) 就是练习翻译系统的数据集里呈现的”不准确“的，“脏”的数据。

练习一个优异的 NMT 系统，需要大量高质量的平行语料数据——”高质量“指的是精确的翻译，”平行语料“指的是一句英文一句中文的，”I love you = 我爱你“，等等。

这些数据要去哪里找？英汉辞典是一个来历。除此之外，最风行的做法是去互联网上抓取，从全网大量的数据里，抓取到所需要的高质量平行语料。

"you play basketball like caixukun" 被翻译当作了”你的篮球打得真好“，噪音是哪来的？硅星人发现有两种可能性：

好比，网上已经存在了大量”caixukun=好“的语料。这些语料在爬取中被微信翻译当当作了平行语料并采用了。可是现实上，这属于”噪音“，因为在翻译的语境下成立不了相关性，没法子确保是精确的。微信 AI 可能在今后增强近似范畴的去噪音。
开办了一家机械进修公司的韩辰 * 指出：在练习中，微信翻译团队人员可能利用生当作匹敌进犯 (generative adversarial attack) 的体例，做了近似手动插手噪音，在练习过程中本家儿动对近似的翻译成果进行纠错的操作，最终干扰了翻译成果——这是一种可能发生的环境，我们并不测度念头。