神经网络机器翻译（Neural Machine Translation, NMT），就是通过使用计算机神经网络技术，利用人工智能模仿大脑神经元进行语言翻译。

NMT依赖于基于短语的统计机器翻译（phrase-based statistical machine translation，PbSMT）系统。

虽然NMT这个概念被炒的沸沸扬扬，但如何客观认识这些新技术？

这里给大家提供几个角度以供参考：

特点1.

NMT“学习”语言的方法和人类并不一样。NMT依赖于统计关联性（即PbSMT）。NMT出众的点也是在于其对于语句中关联性的处理，从而根据context来判断如何给出更为具体的翻译。

特点2.

看待翻译内容的角度不同。早期MT系统关注名词、词段。但这种方法在处理“long-distance dependency”的语言时就会出现问题。而NMT系统查看的是句子的整体，甚至整个段落或文章。这让NMT能对于上下文更加敏感。

特点3.

NMT采用基于词组（phase-based）的方法，因此更有利于翻译“形态丰富的语言”（morphologically rich languages），比如德语或匈牙利语。并且能够通过词语单词构成来预测词性。

特点4.

NMT可以跨多种语言进行外推，填补训练数据的空白（zero-shot translation）。比如在MT训练中已有英语<>德语和英语<>中文的语言对，但是没有德语<>中文的语言对，那么，在没有事先训练的情况下，NMT能自动完成新语言对翻译。虽然结果可能不如训练后的成绩，但至少可以完成从不能翻译到可以翻译的进步。

神经网络是机器翻译的未来

神经机器翻译代表了与使用统计机器翻译的旧系统截然不同的方法。神经网络使用NMT系统来训练并优化翻译服务。

这些系统使用深度学习来分析大量的人工翻译。通过分析这个庞大的数据集，它可以解释整个句子，理解上下文和不同的变化，并利用语言的精妙之处。最终使得机器翻译系统更流畅自然。

• 神经网络如何工作？

提供这种学习能力的机器的关键在于神经网络。这是一种计算技术，它被设计成模仿人脑的运作方式。在大脑中，神经通路是在我们学习的过程中形成的。如果这个途径有用且有益，它就会变得更强。如果它不能提供正确的结果，它就会变弱。

神经网络的思想是模拟大脑中神经通路的相互关联性。通过这种设计，计算机可以学习、识别模式并做出类似于人脑的决策。

人工神经网络模拟这种结构，有几十到几百万个人工神经元，称为单元。这些单位是层层排列的。一方面，您输入的单元是为了接收信息而设计的。在相反的方面，您有输出单元，表示对所学信息的响应。

在输入单元和输出单元之间，有隐藏单元。这些层构成了大多数神经网络，它们也用于形成大多数连接。

给定的一个神经网络，神经网络中每个连接的权重表明连接的两个单位之间的强度。一个正的的权重可以连接excites其他单位或连接suppresses负权重行动的其他单位。权重越大，在一个单元中有过其他连接的影响越大。

神经网络通过比较产生的输出和期望输出来学习。信息被输入到系统的输入端。然后触发隐藏单元中的连接。这将导致与输出端的连接。然后将网络实际产生的输出与期望的输出进行比较。然后根据产生的输出和期望输出之间的差异修改权重。

相比基于规则和统计系统，机器翻译中神经网络的结构使系统更自适应，能处理更多更复杂的模型。它也可以根据经验自我学习。如果它提供了不正确的输出，它能从错误中吸取教训，并作出调整，以便下次更有效地执行任务。

机器翻译在越来越多地帮助和影响我们的生活，其实机器翻译想做的事情，就是想让人们在任何时间、任何地点，用任何语言可以进行自由的沟通。