40 应用场景 | 数字巴别塔：机器翻译

X学习打卡

Google的基于统计的机器翻译方法能这么牛，主要是靠着奥科博士的工作。 他向大家证明了，机器翻译这样的智能问题从根本上讲都是数学问题。 奥科被Google高薪挖到后， 他并没有时间改进方案，评测的时候Google的结果遥遥领先，也就是说google的方案和奥科在南加州大学和亚琛工学院的写的系统差不多。 但是Google有10000倍的数据，当数据量成千上万倍的增加以后，机器学习的效果就会有两边倒质变。 数据真的是21世纪的矿。

請問老師：我在翻譯日文時候，會使用Google 作翻中翻英 甚至翻英再翻中的操作來確認語意。依我對本章理解，現在日譯中，是經過日》英〉中；但為何我手動操作同樣步驟，出來結果基本上中譯文都不一致呢？

极客时间 21天打卡行动 38/21 <<人工智能基础课40>>数字巴别塔：机器翻译 回答老师问题: 在另一个角度上，机器翻译的进展对语言本身的发展也存在着反作用。语言并不是自然出现的，而是人类社会的产物，其发展也势必会受到人类文化的影响。那么人工智能的发展到底会对人类自身产生何种反作用呢？ 1,依赖,人使用了工具后,会特别依赖工具; 2,失去自身的进化能力 今日所学: 1,1949 年，洛克菲勒基金会的科学家沃伦·韦弗提出了利用计算机实现不同语言的自动翻译的想法，并且得到了学术界和产业界的广泛支持; 2,语言作为信息的载体，其本质可以被视为一套编码与解码系统，只不过这套系统的作用对象是客观世界与人类社会。 3,将字 / 词看成构成语言的基本元素的话，每一种语言就都可以解构为所有字 / 词组成的集合。 4,而引入中介语言可以把所有语言的编码统一成为用于机器翻译的中间层，进而实现翻译。 5,基于深度学习和海量数据的统计机器翻译已是业界主流; 6,机器翻译的实现理念从句法结构与语序特点的规则化解构转换为对大量平行语料的统计分析构建模型，曙光才出现在地平线上。 7,一个神经网络以任何语言作为输入并转换成任何输出语言，而不需要任意输入 - 输出语言之间的两两配对; 8,零知识翻译的实现要归功于神经网络的迁移学习特性; 9,语言和文字本身就可以视为对客观世界进行编码的系统; 重点: 1,早期的机器翻译采用的是逐字对应的方法； 2,语言学的进展使机器翻译转而依赖句法规则； 3,谷歌将神经网络引入机器翻译之中，利用大量数据提升翻译精确性； 4,神经网络可以通过迁移学习“桥接”不同的语言，实现零知识翻译。

老师您好，我现在面临一个工作量巨大的复杂度：讲ibm规则引擎 ilog jrules的规则语言jrl转译成规则引擎drools的drl。我是个编译原理小白，但在我看来，这类规则语言（属不属于dsl？）的语法复杂度和高级编程语言的语法复杂度不是一个量级的。 我有接近8000个规则文件，因此想通过懒一点的方法走捷径。所以有如下几个问题想请教一下老师：1. 转译工作是否可行？2.如果可行，在开源的antlr做语法解析能否完成这项工作？3.如果antlr不行，是否存在其它好用的工具（贵的买不起）。 谢谢老师。

国内基本没算法，都是国外大厂标杆

我是觉得在一部分区域会替代一部分过去的职业。不同地区不同阶层的人的生活差距会被拉大。教育方式如果不适应这种新的时代的技术发展的学习，更多普通人会难以立足。 对大众公开的机器翻译(Google翻译)现在还难以达到翻译一本书的水平。不知道是不是有些更高级的功能对我们普通人未开放。简单的词句翻译可以依靠与现实场景结合更好的人工智能应用来解决了。