AI 3.0（畅销书《复杂》作者、复杂系统前沿科学家梅拉妮·米歇尔，历经10年思考，厘清人工智能与人类智能的全新力作，全景式地展现了人工智能的...

◎谷歌翻译提供的法语版本，以及再由人工将其翻译为英语的版本：

法语版本：

Un homme est entré dans un restaurant et a commandé un hamburger, cuit rare. Quand il est arrivé, il a été brûlé à un croustillant. La serveuse s' arrêta devant la table de l' homme. “Estce que le hamburger va bien?” Demanda-telle.“Oh, c' est génial,”dit l' homme en repoussant sa chaise et en sortant du restaurant sans payer. La serveuse a crié après lui,“Hé, et le projet de loi?”Elle haussa les épaules, marmonnant dans son souffle,“Pourquoi est-il si déformé?”

英语版本：

A man entered a restaurant and ordered a hamburger, cooked infrequent. When he arrived, he got burned at a crunchy. The waitress stopped walking in front of the man's table. “Is the hamburger doing well?” She asked. “Oh, it's terrific,”said the man while putting his chair back and while going out of the restaurant without paying. The waitress shouted after him,“Say, what about the proposed legislation?”She shrugged her shoulders, mumbling in her breath,“Why is he so distorted?”（一位男士走进一家餐厅并点了一个 汉堡包，少见做法。当他到达的时候，他被烧焦了， 并发出嘎吱嘎吱的响声。女服务生在这个人的桌子前 停下来。“汉堡包做得好吗？”她问。“哦，它太棒 了！”那人一边把椅子放回去，一边不付钱就走出餐 厅。女服务生在他后面喊道：“喂，提议的法规怎么 样了？”她耸耸肩，喃喃自语道：“他为什么这么扭 曲？”）

◎谷歌翻译提供的意大利语版本，以及再由人工将其翻译为英语的版本：

意大利语版本：

Un uomo andò in un ristorante e ordinò un hamburger, cucinato raro. Quando èarrivato, èstato bruciato per un croccante. La cameriera si fermò accanto al tavolo dell' uomo.“L hamburger va bene?” Chiese lei.“Oh, èsemplicemente fantastico,”disse l' uomo, spingendo indietro la sedia e uscendo dal ristorante senza pagare. La cameriera gli urlò dietro,“Ehi, e il conto?”Lei scrollò le spalle, mormorando sottovoce,“Perchéècosì piegato?”

英语版本：

A man went to a restaurant and ordered a burger, cooked sparse. When it arrived, it was burnt for an almond brittle. The waitress stopped near the man's table.“Ist he burger okay?” she asked. “Oh, it's simply fantastic,”said the man, pushing back his chair and leaving the restaurant without paying. The waitress shouted after him,“Hey, what about the bill?”She shrugged her shoulders, muttering in a low voice,“Why is he so bent?”（一位男士向一家餐厅走去，并点了一个 汉堡包，做得很稀疏。当它到达时，它被烧成了杏仁 碎。女服务生在这个人的桌子旁停了下来。“汉堡可 以吗？”她问。“哦，它太神奇了！”那人说着，把 椅子推回去不付钱就离开了餐厅。女服务生在他后面 喊道：“嘿，账单怎么办？”她耸耸肩，低声咕哝 道：“他为什么这么驼背？”）

◎谷歌翻译提供的中文版本，以及再由人工将其翻译为英语的版本：

中文版本：

一个男人走进一家餐厅，点了一个罕见的汉堡包。当它到达时，它被烤得脆脆。女服务生停在男人的桌子旁边。“汉堡好吗？”她问。“哦，这太好了，”那男人说，推开椅子，没有付钱就冲出餐厅。女服务生大声喊道：“嘿，账单呢？”她耸了耸肩，低声嘀咕道：“他为什么这么弯腰？”

英语版本：

A man walked into a restaurant and ordered a rarely seen hamburger. When it reached its destination, it was roasted very crispy. The waitress stopped next to the man's table.“Is the hamburger good?” she asked.“Oh, it's great,”the man said, pushing aside his chair and rushing out of the restaurant without paying. The waitress shouted“Hey, what about the bill?”She shrugged her shoulders and whispered,“Why was he so stooped over？”

阅读这些翻译，就像听一个才华横溢但又频频出错的钢琴家演奏一段我们熟悉的旋律，这段旋律总体来说是可辨认的，但又是支离破碎的，令人不舒服，这首曲子在短时爆发时表现得很优美，但却总被刺耳的错误音符打断。

谷歌翻译有时还会在一些多义词上选择错误的意思，例如将“rare”（半熟的）和“bill”（账单）翻译成了“不常见”和“提议的法规”，这种情况之所以会发生，主要是因为程序忽略了这些词语所处的上下文。“烤煳了”（burned to acrisp）和“愤怒”（bent out of shape）等习语的翻译方式都很奇怪，该程序似乎无法在目标语言中找到对应的习语，或弄清楚该习语的实际含义。虽然以上这些译文都把故事的梗概表达出来了，但一些细微且重要的部分在所有的翻译版本中都有丢失，包括把男士的愤怒表达为“冲出餐厅”，以及把女服务生的不满表达为“小声嘟囔着”，更不用说正确的语法偶尔也会在翻译过程中丢失。

我并不是有意要专挑谷歌翻译的毛病，我也尝试了许多其他的在线翻译服务，得到了类似的结果。这并不奇怪，因为这些系统都使用几乎同样的编码器—解码器架构。另外，我要强调一点：我获得的这些翻译结果，代表的是这些翻译系统在某一时间的阶段性水平，它们的翻译能力一直在不断提升，上述这些翻译错误说不定在你阅读本文时已经被修复了。然而，我仍然认为机器翻译想要真正达到人类翻译员的水平，还有很长的路要走，除了在一些特定的细分领域中。

对于机器翻译来说，主要的障碍在于：与语音识别系统的问题一样，机器翻译系统在执行任务时并没有真正“理解”它们正在处理的文本。 ¹⁸ 在翻译以及语音识别中，一直存在这样的问题：为达到人类的水平，机器需要在多大程度上具备这种理解能力？侯世达认为：“翻译远比查字典和重新排列单词要复杂得多……要想做好翻译，机器需要对其所讨论的世界有一个心理模型。” ¹⁹ 例如，翻译《餐厅际遇》这个故事需要具有这样一个心理模型：当一个人不付钱就气冲冲地离开餐厅时，服务生更有可能对着他大吼要他支付账单，而不是说些提议法规的事。侯世达的这一观点在人工智能研究人员欧内斯特·戴维斯（Ernest Davis）和马库斯2015年的一篇文章中得到了回应：“机器翻译通常会涉及一些歧义问题，只有达到对文本的真正理解并运用现实世界的知识才能完成这项任务。” ²⁰

一个编码器-解码器网络能够简单地通过接触更大的训练集以及构建更多的网络层，来获得必要的心理模型和对现实世界的认识吗？还是说需要通过一些完全不同的方法？这仍然是一个悬而未决的问题，也是在人工智能研究群体中引发了激烈辩论的主题。现在，我只想说，虽然神经机器翻译在许多应用领域中非常有效且实用，但是如果没有知识渊博的人类进行后期编辑，它们从根本上来说仍然是不可靠的。所以，我们在使用机器翻译时或多或少都会对其结果有所怀疑。比如，当我用谷歌翻译来把“take it with a grain of salt”（对结果有所怀疑）这个短语从英文翻译成中文，然后再翻译回英文时，它变成了“bring a salt bar”（带一个盐条），真是有意思(36)

把图像翻译成句子

有一个疯狂的想法：除了在语言之间进行翻译之外，我们能否训练一个类似于编码器-解码器架构的神经网络，使其学会把图像翻译成语言？其思想是：先使用一个网络对图像进行编码，再使用另一个网络来把它“翻译”成描述该图像内容的句子。毕竟，为一个图像创建标题不就是一种翻译方式吗？只不过这种情况下的源语言与目标语言分别是一幅画和一个标题。

事实证明，这个想法也没有那么疯狂。2015年，两个分别来自谷歌和斯坦福大学的团队，在同一个计算机视觉会议上围绕这个主题彼此独立地发表了非常类似的论文 ²¹ 。在这里，我将描述由谷歌团队研发的叫作“Show and Tell”（展示和说明）的系统，因为它在概念上更简单一些。

图12-2给出了这个系统的工作原理框架图 ²² 。它类似于图12-1中的编码器-解码器系统，只不过这里的输入是一幅图像而不是一个句子。图像被输入到一个卷积神经网络（ConvNet）而非编码器网络中。这里的ConvNets与我在第04章中描述的那个类似，只是这个ConvNets并不输出对于图像的分类，而是将其最后一层的激活值作为输入提供给解码器网络，随后，解码器网络解码这些激活值来输出一个句子。为了编码图像，研发团队使用了一个经ImageNet（我在第05章中描述过的一个大型图像数据集）图像分类任务训练过的ConvNets，其任务是训练解码器网络为输入图像生成一段合适的字幕。

图12-2 谷歌的自动图像字幕系统工作原理框架图

这个系统如何学习为图像生成合适的字幕呢？回想一下不同语言之间互译的原理：训练数据由成对的句子组成，句子对中的第一个句子用的是源语言，第二个句子是人类翻译员使用目标语言对源语言进行翻译的结果。同样的道理，在为图像生成字幕的情形中，每个训练样本由一张图像和与它匹配的一段字幕组成。这些图片是从Flickr等公共图像存储库中下载的，其字幕是由谷歌为此项研究雇用的亚马逊土耳其机器人生成的。由于字幕可以非常多变，每张图像都由5个不同的人分别给出一段字幕。因此，每张图像在训练集中会出现5次，每次都与不同的字幕配对。图12-3展示了一个训练图像样本，以及由亚马逊土耳其机器人提供的字幕。

这个“Show and Tell”解码器网络在大概8万对“图像-字幕”样本上进行了训练。图12-4给出了其在测试图像上生成的一些字幕样本，这些测试图像不在系统的训练集中。

一台机器能够对由像素组成的图像生成如此准确的字幕，这样的表现太亮眼了，让人震惊，这就是我在《纽约时报》上第一次看到这些结果时的感觉。那篇文章的作者是记者约翰·马尔科夫（John Markoff） ⁽³⁷⁾ ，他撰写了一篇言辞谨慎的评述文章，其中有一句话是这样写的：“两组科研团队分别独立工作，发明了一款能够识别和描述照片与视频中的内容的人工智能软件，其准确度比以往任何时候都要高，有时甚至可以媲美人类的理解能力。” 23

然而，有些媒体就没有那么严谨了。一家新闻网站宣称：“谷歌的人工智能现在给图像添加字幕的能力几乎和人类一样好。” ²⁴ 其他公司也很快采用了类似的自动给图像添加字幕的技术，并发布了声明。

微软宣称，“微软的研究人员处在对以下技术研发的前沿领域：自动识别图像中的物体、解释图像的情境，并为之写出一个准确的说明等” ²⁵ 。微软甚至为他们的系统创建了一个线上的原型系统，叫作“CaptionBot”，CaptionBot的网站宣称：“我可以理解任何照片的内容，我将争取做得跟人类一样好。” ²⁶

谷歌、微软和Facebook等公司开始讨论，这种技术在多大程度上可以被应用于为视力障碍人群提供自动图像标识服务。

自动图像字幕生成存在着和机器翻译一样的性能表现两极分化的问题。当它表现得很好时，它看起来几近神奇，如图12-4所示，但其犯起错来却也可以从轻微偏离主题到完全的胡说八道，图12-5展示了一些示例。这些错误的字幕可能会让你发笑，但对于一个无法看到这些照片的盲人，就无法判断这些字幕是好是坏了。