|
在今天，狂热追捧ChatGPT，仿佛已然作为了一种“政治正确”。
ChatGPT一出，学界、工业界无不惊为天人。一位科研公司的资深科研员就对AI科技评论说过：“ChatGPT出来，直接给咱们整不会了——生成做的比咱们好就不说了，NLP（自然语言处理）能力还比咱们强不少。”
微软注资百亿美元，谷歌则如临大敌，ChatGPT在科技圈里掀起的巨浪，仍是此刻进行时。
然则，ChatGPT并非“万能钥匙”——大模型在某些专业行业的准确度，仍然没法超越其他垂类制品。近期，腾讯AI Lab 就经过实验证明，在设备翻译行业，ChatGPT在某些状况下，能力弱于其他商场翻译制品。 
论文位置： https://arxiv.org/pdf/2301.08745v1.pdf
1ChatGPT是个好翻译吗？
腾讯AI Lab的调查文指出：
首要，在高资源环境——如欧洲语言上——ChatGPT的表现与商场翻译制品（如谷歌翻译、DeepL Translate）相比拥有竞争力，然则，在低资源环境——如古代语言——显著落后；
其次，在翻译的鲁棒性上，ChatGPT在生物医学摘要、或Reddit评论方面表现不如商场翻译制品，然则在白话方面亦许会是一个很好的翻译工具。
为了更好地理解ChatGPT的翻译能力，腾讯AI Lab从以下三个方面开展实验：
提示词（Prompt）翻译：ChatGPT是一个大型语言模型，在翻译时需有提示词（Prompt）做为引导才可引导系统进行翻译。因此，提示词的风格会影响翻译输出的质量。例如，在多语言设备翻译模型中，怎样将两种语言信息联系起来非常重要，这一般是经过附加语言标记来处理。
多语言翻译：ChatGPT是一个处理各样NLP任务并涵盖区别语言的单一模型，能够被视为一个统一的多语言设备翻译模型。因此呢，ChatGPT在资源差异（如高与低）和语系差异（如欧洲与亚洲）上的表现是该实验所探讨的重点之一。
翻译鲁棒性：ChatGPT是基于GPT-3研发的模型，GPT-3在涵盖各样行业的大规模数据集进行上训练，因此呢，在特定行业的表现，是这次科研者们的重点之一。
提示词翻译
为了设计触发ChatGPT设备翻译能力的提示词，腾讯AI Lab团队向ChatGPT提出以下prompt：
供给十个能够让你翻译的简明提示或模版
并得到图1中的结果： 
图1: ChatGPT举荐的10个可诱发其进行设备翻译的prompt
生成的提示语看起来很恰当，然则都有类似的格式，科研人员将它们总结成三个候选prompt（如图2），其中[SRC] 和 [TGT] 分别表率翻译的源语言和目的语言。另一，科研人员在Tp2中增多了一个额外命令，需求ChatGPT不要在翻译的句子上加双引号（在原始格式中经常出现）。尽管如此，ChatGPT依旧不稳定，如会将同一批次的多行句子翻译成单行。 
图2：候选翻译提示
科研人员将三种区别的候选prompt与Flores-101的测试集在汉译英任务中的表现进行比较，图3表示了ChatGPT和其他三个翻译软件的结果。虽然ChatGPT供给了相当好的翻译，但它仍然落后于基线最少5.0个BLEU点。关于三个候选prompt，Tp3在所有指标方面表现的最好，因此呢在这篇论文中，科研者默认运用Tp3。 
图3：在中译英翻译任务中ChatGPT运用区别提示语的翻译表现对比
多语言翻译
腾讯AI Lab选取了四种语言来评定ChatGPT在多语言翻译中的能力，包含德语（De）、英语（En）、罗马尼亚语（Ro）和中文（Zh），这些语言在科研和竞赛中都被广泛采用。前三种语言同来自拉丁语系，而后一种则来自中文语系。科研人员测试了任意两种语言间的翻译表现，共触及12次翻译。
资源差异
经过实验发掘，在同语系中区别语言亦存在资源差异。在设备翻译中，德英互译一般被认为是一个高资源任务，有超过1000万条语料。而罗马尼亚语与英语间互译语料要少得多。
如图4所示，ChatGPT在德译英和英译德上，与谷歌翻译和DeepL能够分庭抗礼；而在罗马尼亚语译英，和英译罗马尼亚语方面，则要显著落后。详细来讲，ChatGPT在英译罗马尼亚语上得到的BLEU分数比谷歌翻译低了46.4%。 
图4：ChatGPT在多语言翻译中的表现
科研者认为，英语和罗马尼亚语之间的单一语言数据的巨大资源差异，限制了罗马尼亚语的语言建模能力，这部分解释了将英语翻译成罗马尼亚语表现差的原由。
相反，罗马尼亚语译成英语能够受益于强大的英语建模能力，使平行数据的资源缺口能够得到必定程度的赔偿。
语系
同期，科研人员亦思虑了语系的影响。
一般认为，针对设备翻译，区别语系之间的翻译一般比同一语系间翻译更难。科研人员发掘，德英互译、汉英互译，或德汉互译在文化和书写方式上存在差异。
另一能够发掘，在这几种翻译中，ChatGPT和几款商场翻译软件间差距很强，科研者认为，这是由于在同一语系中知识转移比在区别语系间要好，针对既是低资源又来自区别语系的语言来讲（如罗马尼亚语和汉语的互译），这种差距会进一步扩大。
因为ChatGPT在一个模型中处理区别的任务，低资源的翻译任务不仅与高资源的翻译任务竞争，而且还与其他NLP任务竞争模型容量，这说明其性能表现欠佳。
翻译鲁棒性
腾讯AI Lab进一步评定了ChatGPT在WMT19 Bio和WMT20Rob2和Rob3测试集上的翻译鲁棒性，这些测试集引入了行业偏见和潜在的噪声数据。
例如WMT19 Bio测试集是由于Medline摘要构成的，这需要特定行业的知识处理，WMT20Rob2是来自Reddit的评论，可能包括各样错误，如拼写错误、单词遗漏、插进重复、语法错误、破坏性语言，和网络俚语等。图5列出了BLEU分数，显然ChatGPT在WMT19 Bio和WMT20Rob2测试集上的表现不如谷歌翻译和DeepL Translate。 
图5：ChatGPT在翻译鲁棒性方面的表现
原由可能在于，像谷歌翻译这般的商场翻译制品常常需要持续加强其翻译特定行业（如生物医学）或噪音句子的能力，由于它们是现实世界的应用，需要对分布之外的数据有更好地概括性，ChatGPT不太能够完成这一点。
不外，一个有趣的发掘是，ChatGPT在包括众包语音识别语料的WMT20Rob3测试集上大大超过了谷歌翻译和DeepL Translate。这显示，ChatGPT本质上是一个人工智能对话工具，能够比商场翻译软件生成更自然的白话（见图6）。 
图6：来自WMT20鲁棒集set3的例子
2ChatGPT应怎样扬长避短？
从该科研可知，高举高打的ChatGPT每训练一次就耗费海量算力资源，但亦不可在全行业尽善尽美。因此，有些人起始思考，是不是应该“摒弃”大模型思路，转而去做“精耕细作”的小模型。
腾讯AI Lab在Chat GPT“测评”中说到，罗马尼亚语与英语互译，相较德英互译存在很强差距，原由在于：巨大资源差异，限制了罗马尼亚语的语言建模能力，亦恰恰证明，AI学习能力常常受到低资源的掣肘。
但亦有资深学者认为，尽管现时ChatGPT仍存在不少不足之处，但仍然对科研者和创业者有着不少启示。以ChatGPT为表率的AI 3.0走的是跟过去 AI 浪潮不同样的路，即更落地、更接近真实世界，在工业应用上，更直接，更落地，从学术科研到工业落地的路径亦变得更短、更快。
将来，“helpful, truthful, harmless”的 AI 系统会作为现实。
雷峰网雷峰网
| 
发表于 2024-8-22 08:31:39