Facebook今天宣布，他们已经完成了向神经机器翻译技术的迁移。

换句话说，Facebook目前开始使用卷积神经网络（CNN）和递归神经网络（RNN）去自动翻译Facebook平台上的内容。

Facebook使用Caffe2深度学习框架来部署他们的神经机器翻译，同时还把他们为这个项目开发的LSTM等RNN模块作为Caffe2的组件开源出来。

量子位立即去测试了一下，效果……还算能看懂：

谷歌、微软和Facebook开发神经机器翻译技术已有一段时间，这些公司同时也在抛弃老式基于短语的统计机器翻译技术。

相对基于短语的方法，基于神经网络的方法更有前景，而最重要的是这种方法能带来更准确的结果。

当然，“准确”只是相对的，神经网络仍需努力，比如说这段反驳“Facebook AI失控事件”文字：

传统机器翻译的原理很简单。利用关键短语，基于短语的系统可以翻译整个句子，随后通过概率方法来输出最终翻译结果。

与此不同，j2直播，神经网络模型进行了层次更高的抽象化处理，将句子表达变成了多维向量表示的一部分。这意味着，系统尝试根据“上下文”，而不仅仅是短语来翻译。

这样的机制并不完美，研究者仍在探索，如何处理长期依赖关系（即在长文本中确保理解能力和准确性）。不过，这种方法仍然很有前景，并且已经带来了不错的结果。

2016年9月，谷歌宣布了向神经机器翻译发展的第一步。两个月后，微软也宣布了类似的消息。

ACL昨天评出的最佳论文奖之中，也有一项颁给了一篇神经机器翻译论文：OpenNMT。

Facebook在这方面的工作已持续了约1年，而目前正在启动技术的全面部署。

Facebook人工智能研究部门（FAIR）今年5月发表了自主研究结果，并在GitHub上开源了相关的CNN模型。

Facebook语言技术团队工程经理Necip Fazil Ayan表示：“我们的问题与大多数标准场合不同，这主要是由于我们在Facebook上看到的语言类型。我们看到了许多非正式用语和俚语缩写。语言的风格差异很大。”

利用新的神经机器翻译技术，Facebook的翻译质量提升了10%。

关于Facebook将CNN用于机器翻译的详情，见该公司博客文章：

https://code.facebook.com/posts/289921871474277/transitioning-entirely-to-neural-machine-translation/

关于Caffe2的RNN模块：

https://caffe2.ai/blog/2017/08/03/caffe2-adds-RNN-support.html

关于Facebook的CNN机器翻译，详情见

论文：https://fb.me/convolutional-s2s.pdf

代码：https://github.com/facebookresearch/fairseq