口红猪小白，一只学习发音的猪 阅读原文 我是人事部的二级笔译。完成了两本技术书籍的翻译。但现在早就不做了。对考虑入行的人，我的建议是：翻译行业的特点决定它容易被替代。同时，真的不要低估技术进步的速度。 机翻了一下问题原文，看不出明显的毛病。 “这就好比一个长期练武的人遇到了热兵器，武功再强照样被一枪撂倒，那种无助和绝望是不难理解的。学习一门外语需要大量的时间和精力，很多人都付不起这个成本，所以人工智能翻译的市场是非常巨大的。至于翻译效果不能跟人相比，我觉得这只是技术问题，迟早会被解决掉的。” “This is like a person who has been practicing martial arts for a long time when he encounters a hot weapon. No matter how strong his martial arts is, he is still thrown down by a single shot. The kind of helplessness and despair is not difficult to understand. Learning a foreign language requires a lot of time and energy, and many people cannot afford this cost, so the market for artificial intelligence translation is very huge. As for the translation effect cannot be compared with human beings, I think this is just a technical problem, which will be solved sooner or later.” 准备过 CATTI 的都知道，中译英比英翻中难，普通翻译也就是这个水平。机器需要多少时间呢？两秒钟。需要多少钱？免费。 一个行业要想不被人工智能替代，需要两个特点： 必须要可解释性，比如医学和法律。比方看看病人体征，直接给药方，这倒是 end-to-end 了；操作起来，你真的不做诊断试试？ 多模态的输入输出。好多人以为，人工智能替换人力，是从低薪任务开始的。其实未必。例如 Amazon 每年举办机器手捡东西比赛，任务就是在一箱子杂乱的物体里挑出制定的物体。机器距离人的能力差得还远。像换个水管之类的这种东西，看似简单，其实涉及大量不同模态（主要是视觉和触觉）的数据采集、分析和规划，反而不那么容易在近期被替换。 翻译行业在这两个方面则完全处于劣势。第一，文本自身就包含了“意思”，多数情况下，用户不需要解释。用户在乎的是输出的文本是否与原文符合，是否通顺。用户真的不在乎翻译是否理解了内容本身。做过口译的人知道，很多时候，译员会在前一天晚上临时抱佛脚，看看背景知识，其实也谈不上理解。 第二，翻译的输入没有多模态融合的问题，只有文本（如自动驾驶）；输出的也是文本，没有跟环境的冲突或者安全隐患（如协作机器人）。语言是字符的组合，有一定的复杂度，但是可以用高维空间的向量表述（参考word2vec）。换句话说，机器处理起来非常方便。没有什么数据采集或者法律伦理方面的瓶颈。中英文对照的现有语料，已经非常丰富，足够模型训练使用。 结果就是，2010 年前大量采用 rule-based 或者 phrase-based 方案，效果差强人意。但是 2013 年这篇综述出现的时候，基于统计的方法已经取得明显进步，但是普遍认为仍然有大量问题。这时候 RNN 开始展露锋芒。发展到 2017 年，清华大学出这篇综述的时候，形势已经非常乐观和明显了——LSTM 捕捉长距离依赖，“理解”了上下文。之后 Transformer 大行其道，同时捕捉位置和语义信息，解决了 RNN 训练速度慢的问题，效果远超 LSTM。 时至今日，人类翻译的空间还有多少呢？就是下图中迅速缩小的黄色部分了。 这样下去，就会像《纽约时报》上的文章《天价执照泡沫破灭之后：一名纽约出租车司机的死亡》。付出多年的努力，结果得到一枚没有价值的勋章（出租车专营权）—— “当执照勋章的价格超过 100 万美元时，两兄弟的妻子哀求他们把勋章卖了。 “我不害怕，”理查德回忆肯尼当时说。“你怕吗？” “不，”理查德说。“我信任这座城市。” “不久，执照勋章泡沫破裂了。” 你可以说，行行出状元。“没有不行的行业，只有不行的人。”但是，这跟火坑专业的内卷有什么区别？一个健康的行业，应当保证中等水平的人衣食无忧。如果未来，行业的中位数收入，都无法保证基本的体面，拿几个优秀事迹来鼓励新人，又有什么意义？ 别忘了，作为人类，你要达到那根黄线，也需要大量学习。我自己付出了多少时间？十年。机器学习呢？复杂点的模型，训练几天也够了，更不用说还有大行其道的 pre-trained 的模型。无需训练，拿来就可以用。 我是否后悔付出的十年？没有。我的职业在别的方向。英语对我来说，一直是个趁手的工具，也是我的主要工作语言。我仍然欣赏文字之美，仍然记得第一次能读懂英文报纸的兴奋。 但另一方面，我不会把翻译能力作为自己的一枚勋章。人唯一的选择就是接受变化，并拥抱变化。随着翻译费用的降低，之前因为沟通费用高而无法实现的一些机会，现在成了新的可能。未来有更多有意义的事情值得去做，我对此充满期待。 阅读原文
