科技猎“你打篮球像蔡徐坤”：微信翻译这个Bug是怎么回事？
为了微信的一个 bug，蔡徐坤的粉丝们差点跟腾讯势不两立。
上周末，一组微信“神翻译”的截图，在微博、知乎、豆瓣和虎扑等社交网络上传开。有人输入诸如 "you play basketball like caixukun" 等句子，用微信自带的翻译功能，得到的却是含义完全错误的译文：
其他遭殃被一起拿来调戏微信翻译的男星，还有吴亦凡、谢广坤等。
蔡徐坤是目前中国娱乐界流量第一的明星，其粉丝肯定不好惹。
微信团队目前已经部分下线了翻译功能。根据硅星人实测，类似"you are so" 的句式，以及涉及"caixukun"等词的语句，现在已经无法翻译到中文了。
与此同时，官方账号@腾讯微信团队也在微博上宣布，翻译功能目前正在紧急修复中。截至发稿，相关语句仍然无法被微信正常翻译。
注意，微信官方提供了一小段解释：
翻译引擎在翻译一些没有进行过训练的非正式英文词汇时出现误翻，导致部分语句翻译出现问题。
在"caixukun"后，又有网友发现了更多会触发 bug 的词。比如，微信翻译似乎在大学英文简称上表现比较差劲。输入"your school is WHU"，翻不出武汉大学，却给出了“你的学校很烂”的结果。
没过多久，学校的句式也翻不出来了。
硅星人认为，微信应该进一步、更加详细地告知我们：这个 bug 为什么会出现，由哪些因素所导致。
一方面，微信翻译背后的技术确实比较复杂。解释它，有助于用户去理解它的工作原理，明白这个翻译结果的背后，可能有着十分复杂的技术原因。
另一方面，你关掉了"you are so"句式，还会出现学校简称；关了学校简称，还会有更多会触发 bug 的词被发现。发现一次关一次？这样伤害的是正常使用翻译功能用户的体验，长此以往总不是办法。
遗憾的是，微信方面表示，以上面微博为准，不再更多置评（或许是因为不想继续惹恼蔡徐坤的粉丝吧。）同时，中文互联网上完全找不到针对此事靠谱的技术解答，即便在知乎上，相关主题下面也都是用户在分享自己发现的 bug 截图，没有人解释原因。
既然这样，不妨让硅星人来试试？
我们采访了多位机器学习专家，并在接下来的篇幅里 1）解释微信翻译用的到底是什么技术；2）再尝试回答"you play basketball like caixukun" 这句话，为什么在微信翻译里被翻错了。
微信翻译用的是什么技术？
硅星人经过多方面了解，确信微信英汉互译系统采用的是目前机器学习领域比较火的“神经机器翻译”(Neural Machine Translation, 简称 NMT) 技术，由微信 AI 团队自研。
从外行人的角度来看，NMT 在翻译一句话时，做了这些事情：
Step 1: 在一定程度上模仿人脑的思维方式，NMT 根据一个单词在整个句子（可以是长句）当中的语境，为这个单词建立一个神经网络的模型，形成一个语义表示。
比如单词是英语的 dog，可以理解为 NMT 在它的“大脑”里形成了一条狗的印象。
Step 2: 按照在句子甚至段落中的语境，将模型重新转化成另一种语言。
比如 dog 翻译成法语就是 “le chien”；但如果语境是“一条狗生下了小狗”，那么 dog 就会被翻译成阴性的"la chienne"。
（NMT 不是真的在大脑中形成狗的视觉印象，事实上整个过程跟图像完全没有任何关系。这个所谓的“印象”，通过一连串向量 (vector) 表示。狗的例子来自于 Microsoft Translator [1]）
NMT 的主要优势是对长句子（甚至段落）有着不俗的翻译能力，阅读起来上下文连贯程度接近人翻。问世之后，NMT 也逐渐被微软、Google、百度、腾讯等大公司的翻译产品所采用。
“机翻技术一直在不断迭代更新，以前基于规则，过去十年主要基于统计，现在我们开始用神经网络。神经机器翻译是目前机器翻译上比较火的一项技术。我们绝大多数的大语种翻译已经基于这个技术了，“在美国一家顶级科技公司的研究分支担任资深研究员的王夏*告诉硅星人。
”在机翻技术发展的每个阶段，科研人员都会遇到一些问题。NMT 也存在一些问题，比如整个过程的可解释性是非常低的，”他说。
硅星人翻译一下这句话的意思：在具体案例的层面上，一个 NMT 的系统为什么会把一句话 ABCDE 翻译成 abcde，研究者目前是很难将翻译过程解释清楚的。
这句话为什么被翻错了？
当 NMT 翻错了的时候，可能发生了哪些情况？
其实错没错、错误严重不严重，都是人来决定的。在机器眼里没有对错，选定的答案就是机器认为概率最高或最有可能的那个答案，因为一切都按照模型、算法运转着。
接受这一点，你才能理解这句话为什么翻错。
接下来进入正题
可能原因 1：训练集噪音
在接受硅星人采访的多位机器学习专家当中，大部分人都给这条原因投了票。
形象一点比喻，噪音 (noise) 就是训练翻译系统的数据集里出现的”不正确“的，“脏”的数据。
训练一个优秀的 NMT 系统，需要大量高质量的平行语料数据——”高质量“指的是准确的翻译，”平行语料“指的是一句英文一句中文的，”I love you = 我爱你“，等等。
这些数据要去哪里找？英汉辞典是一个来源。除此之外，最流行的做法是去互联网上抓取，从全网大量的数据里，抓取到所需要的高质量平行语料。
"you play basketball like caixukun" 被翻译成了”你的篮球打得真好“，噪音是哪来的？硅星人发现有两种可能性：
比如，网上已经存在了大量”caixukun=好“的语料。这些语料在爬取中被微信翻译当成了平行语料并采用了。但是实际上，这属于”噪音“，因为在翻译的语境下建立不了相关性，没办法确保是准确的。微信 AI 可能在以后加强类似领域的去噪音。
创办了一家机器学习公司的韩辰*指出：在训练中，微信翻译团队人员可能使用生成对抗攻击 (generative adversarial attack) 的方式，做了类似手动加入噪音，在训练过程中主动对类似的翻译结果进行纠错的操作，最终干扰了翻译结果——这是一种可能发生的情况，我们并不揣测动机。
用噪音干扰计算机视觉图像识别的示例：人类无法辨认的图片，被深度神经网络识别为不同的物体。示例与本文主题无关，仅作参考。
在有噪音等异常情况存在的前提下，系统仍然能够正常训练、工作，给出高质量翻译结果——这样的能力在计算机科学里叫做“鲁棒性”(robustness)。
王夏指出，鲁棒性是 NMT 以及今后的机器翻译技术都需要改进和注意的。
可能原因 2：集外词
一种可能出现的情况是，在微信翻译训练用的数据集中，压根就没有出现过"caixukun"这个词。
当 NMT 遇到集外词时，可能会进行拆解找到集内词。这个拆解的过程也是随机的，比方说它可能拆成了 caix ukun，得到的仍然是集外词。
集外词翻译不好是很正常。如果没见过，那就不会翻，出现偏差也是情理之中的。
可能原因 3：领域不匹配
”另一种可能出现的情况是领域不匹配 (domains do not match)，“王夏表示，并指出这并不一定是具体案例的情况。
在这个具体案例中，句子里出现了 basketball（篮球），而微信翻译的训练数据集可能没有篮球领域的，或者跟篮球有关的非常少。一个不匹配的领域，再加上句子里还有一个集外词，共同作用使得翻译结果很难正确。
这个解释行得通。比方说商贸往来是大部分微信用户使用翻译的原因，那么微信在训练 NMT 时可能用了贸易领域的数据集；篮球不是微信翻译用户的主要场景，那么在训练时也许就没有用篮球的数据集。
如果因为集外词和领域不匹配而出了错，你也不能怪它。没学过的东西，它又怎么可能会呢？
微信 AI 的官方网站
可能原因 4：奇怪单词+无法引入常识
这个原因也是由 NMT 的工作原理导致的。
NMT 对于长句子、段落，甚至一整篇文章的翻译效果很不错。这得益于它的机制，在翻译某个词时能够贴合上下文的语境。
但是在短句上，它就不一定灵了——特别是当这个句子完全不通顺的时候。
可能因为在"you play basketball like caixukun"这句话中，caixukun 是一个非常奇怪的单词。它既没有出现在任何一本英语辞典当中，看上去跟句子的上下文也没什么关系。
微信翻译的训练，可能发生在蔡徐坤成为 NBA 中国新春贺岁大使之前
人类在翻译的时候，能够参考已有的常识、知识，翻不出来也可以去查资料。NMT 却做不到这一点，当它在工作的时候，它并不具备一个常识库可以去参考。
而且，这一点并不是微信做不好——现在去用同样的句子考考 Google Translate，得到的结果也不令人完全满意。
“这个（无法引入常识的）问题不仅体现在翻译任务上，还包括阅读理解、问答等任务。如何在这一点上做改进，是个很有趣的方向，大家也都还在探索，”王夏表示。
所以，微信做错了吗？
上述情况如若出现，必然会导致翻译错误，因为 NMT 就是这样工作的。就算不发生在微信上，也会发生在 Google Translate，或者任何其他一个基于 NMT 的翻译产品上。这样来看，微信产品本身没有任何过错。
但微信团队并非完全无辜的。因为除了技术上，bug 出现也有可能是流程管控上出了问题。
在一个9亿用户量级的全民级 app 里，开发任何功能都应该经过仔细的论证，上线前也应该有严格的测试，尽量确保万无一失。然而，微信的前工程师曾透露，至少在微信翻译上线时候并非如此。
当时，工程师在知乎上是这样回答的：
请输入图说
说来腾讯/微信也不是第一次出这种问题了。
去年腾讯 AI 负责博鳌亚洲论坛的同声传译，直接把一个基于 seq2seq 的机翻系统带过去了，先是把“一带一路”翻译成了“一条公路和一条腰带”和“道路和传送带”，接着又干脆抽风罢工。
“数据量大，活糙敢干。”
这是韩辰对这次微信翻译 bug 的评价。
接受硅星人采访时，一位不愿意透露姓名的蔡徐坤粉丝说，不希望看到有个别人通过技术的手段，去纵容针对艺人的网络暴力。
“艺人是无辜的，这样的翻译本身会给艺人带来负面影响。而网友的群嘲，可能对艺人带来心理上的二次伤害，“她表示，”这次微信官方的反应比较快，很赞。我希望微信是没有恶意的，也希望所有全民级 app 和社交媒体都有基本的道德底线。“
那么，
*王夏、韩辰为化名。
[1] 什么是神经机器翻译？ https://translator.microsoft.com/zh/help/articles/neural/
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
