神经机器翻译

神经机器翻译是当前最先进的翻译技术。它用深度学习模拟人脑，让机器自己学会「理解」语言。

核心架构：编码器-解码器

想象翻译的过程：你读到一句英文，先在脑子里「理解」它的意思，然后用中文「表达」出来。神经翻译模仿这个过程：

1. 编码器（Encoder）：读入源语言，把它编码成一个数学向量。这个向量包含了整句话的意思
2. 解码器（Decoder）：从向量出发，逐词生成目标语言

注意力机制（Attention）：

早期的神经翻译有个问题：编码器把整句话压缩成一个固定长度的向量，长句子装不下。2015 年，注意力机制解决了这个问题。

注意力机制让解码器在翻译每个词时，「回看」源句的不同部分。翻译「The cat sat on the mat」中的「猫」时，注意力集中在「cat」上；翻译「坐」时，集中在「sat」上。就像人翻译时会回头看原文。

Transformer（2017）：

Google 在 2017 年发表了 Transformer 架构，彻底改变了机器翻译。Transformer 不用循环神经网络（RNN），而是完全用注意力机制。

• 训练更快（可以并行处理）
• 能处理更长的句子
• 翻译质量大幅提升

Transformer 后来成了所有大语言模型（GPT、BERT、GLM）的基础架构。

神经翻译的优势：

• 译文更流畅自然
• 能考虑长距离上下文
• 不需要太多特征工程
• 可以做零样本翻译

仍有挑战：

• 需要大量计算资源（GPU）
• 训练数据仍然依赖平行文本
• 文化相关的翻译仍然困难
• 「幻觉」：偶尔生成原文没有的内容

练习：用 Google 翻译或 DeepL 翻译一段中文到英文，再翻译回来，看看意思偏了多少。这就是「回译」测试。