受人类方法启发尽管学术界和行业研究人员多年来一直致力于翻译工作，但他们最近通过使用一种称为深度神经网络的AI系统训练方法取得了重大突破。这使得他们能够创造更流利，自然的声音翻译，考虑到比以前的方法更广泛的背景，即统计机器翻译。

为了达到这个数据集的人类奇偶校验里程碑，微软北京和华盛顿州雷德蒙德的三个研究小组共同合作，增加了许多其他培训方法，使系统更加流畅和准确。

    微软亚洲研究院首席研究经理Tie-Yan Liu表示：“我们的大部分研究都受到人们如何做事的启发，他领导了一个负责该项目的机器学习团队。

研究人员还开发了两种新技术来提高翻译的准确性 - 联合培训和协议正规化。周说，他预计这些方法和技术对于改进其他语言和情况下的机器翻译也很有用。他表示，他们也可以用来在翻译之外制作其他的AI突破。

    “这是机器翻译研究可以应用于整个AI研究领域的领域，”他说。没有“正确”的答案团队用来达到人类奇偶校验里程碑的测试集包括来自专业翻译的在线报纸样本中的约2000个句子。

微软对测试集进行了多轮评估，每次随机挑选数百个翻译进行评估。为了验证微软的机器翻译与人的翻译一样好，该公司超出了测试集的规格，并聘请了一群外部双语语言顾问，将微软的结果与人工生成的人工翻译进行比较。

验证结果的方法突出了教学系统准确翻译的复杂性。通过语音识别等其他任务，可以很直观地判断一个系统的表现是否与一个人一样好，因为理想的结果对于一个人和一台机器来说完全相同。研究人员称这是一种模式识别任务。

    “机器翻译比纯粹的模式识别任务复杂得多，”Zhou说。 “人们可以用不同的词语来表达完全相同的东西，但是你不一定说哪一个更好。”研究人员表示，复杂性是机器翻译如此具有挑战性的问题，也是如此一个有益的问题。

刘说，没有人知道机器翻译系统是否能够很好地翻译任何语言对中的任何文本，以及翻译人员的准确性和抒情性。但是，他说，这些最近的突破允许团队继续迈向实现这一目标的下一个重大步骤，以及AI等其他重大成就，比如在言语 - 语音翻译方面达到人类平等。

    “我们可以预测的是，我们肯定会做得更好，”刘说。