《星球Google》 獨步天下的谷歌算法(10)

    如果你所從事的是將全世界的信息組織起來的職業，那麼，在某個領域學到的東西總會在另一個領域里得到實際應用。如果說谷歌的統計機器翻譯專案得益於谷歌旗下其他部門的工作，那麼它也以各種方式回報了這些部門的恩惠。研發單一語言的統計技術模型轉過來為研發任一語言的發音監測軟體提供了便利（這個軟體的監測範圍包括了哪怕是新近出現的名人姓名的發音），它無需經過人工編輯之手，也無需借助詞典，只要給“算法”輸入足夠分量的公開發表的文章，就絕對可以讓它掌握正確的發音。能使它做到這一步的技術保障就是對出現頻率的統計分析。

    谷歌使用的搜索程序也得到了由研發團隊使用的計算部件的極大說明。由該領域的許多學術研究者使用的一套數據（由語言數據聯盟LinguisticDataConsortium提供）有52億個單詞。但谷歌可以處理大得多的集合，如僅僅從它所索引的網頁中抽取出來的單詞就達到了2×1012個。“我們沒有更好的算法，”谷歌的彼得•諾維奇說，“我們只是有更多的數據。”

    為了給單句找到最好的譯文，谷歌的算法搜索了上百萬可能的短語組合。硬盤不適合作為保留數據隨時備查的中介，只有隨機存取記憶體（RAM，randomaccessmemory）才最合適。隨機存取記憶體存量巨大是非常必要的——谷歌供人隨時查考的正是這巨大的存量。統計機器翻譯很適合於分佈在數千台機器中進行，而谷歌的數據中心（雖然最初是為了其他目的而建）的設備就能承受這種計算上的負荷。

    有了可以處理任何規模的計算問題的計算基础設施，谷歌的研究者便擁有了一個可以傲視群雄的巨大優勢。他們的程序運行之快，在2005年國家標準和技術研究所舉行的機器翻譯競賽中已經得到了體現；在2006年的競賽中，他們又佔據了領先地位。在參加阿－英翻譯的22個競賽者中，谷歌的整體成績排名第一；在參加漢－英翻譯的24個競賽者中，谷歌名列第二（被南加州大學著名的信息科學研究所險勝）。

    Systran的主席兼CEO季米特里斯•沙巴塔卡基斯（DimitrisSabatakakis）不能理解為何統計機器翻譯的結果總是超過他的規則基础技術。2005年競賽結束後，他替以規則為基础的方法作了些辯護，並建議沒有雇用以漢語為母語的人員的谷歌不要再玩弄類似花招。就Systran而言，“如果我們沒有中國人，我們的系統就可能出現嚴重的錯誤”。他不理解，如果沒有母語為漢語的人對譯文反复檢驗，谷歌為何能在2005年把Systran彻底打敗。但他沒有立即報名再次參加比賽：Systran從2006年的競賽中消失了。2007年沒有舉行比賽。所以尚不清楚Systran是否已經決定永遠不再與統計機器翻譯直接較量。

    谷歌沒有聲稱擁有最複雜的翻譯算法，但它的確擁有一些其他的機器翻譯團隊所不具備的東西：體量最大的訓練數據。2007年，負責機器翻譯研究的工程師弗朗茨•奧奇（FranzOch）說：“在自然程序領域有一種著名的說法，‘更多的數據就是更好的數據’。”為什麼谷歌一直使用那些從Web網頁中搜集的2×1012詞匯量的文本？原因就在於：寫作質量無從擔保，但絕對海量的額外數據對翻譯算法質量的改進卻是實實在在的。

    谷歌在機器翻譯方面的成就還不能被說成是獲得了足以養活自己的收益。谷歌在服務領域的拓展中所遇到的最複雜的問題就是，許多拓展專案對公司毫無貢獻，至少沒有直接貢獻。盡管如此，機器翻譯仍是一個恰當的專案。谷歌並沒有急於將它的機器翻譯能力投入商業性應用。它的機器翻譯團隊還只是谷歌實驗室的一部分，而且其主要精力都放在研究上。在實驗的基础上，團隊在2007年為使用谷歌搜索引擎的用戶提供了三種語言——阿拉伯語、漢語、俄語——的英語翻譯服務。

    隨著谷歌的翻譯工作不斷取得進展，它的翻譯結果也遠不止於經過了潤色和符合語言習慣。當《華爾街日報》的雙語（英語、阿拉伯語）記者薩馬德•阿里（SarmadAli）於2007年12月在試用谷歌、Systran和另外兩個競爭者的阿－英在線翻譯服務時，他為這幾家公司的翻譯結果中的語法錯誤和語義錯誤列了一張表，按照錯誤的程度排列順序，從“值得斟酌”到“荒唐可笑”都有。

本文摘自《我們的生活將怎樣被一家公司彻底改變》

---

　　 在《星球Google:我們的生活將怎樣被一家公司彻底改變》中，他將帶領讀者深入谷歌公司內部，讓人們對互聯網時代這家最重要、最富創新性、最有抱負的公司有一個透彻的了解。他將向人們解析公司近年來排山倒海式的大踏步前進背後所隐藏的發展戰略，向人們揭示公司特立獨行的事業規劃——成為全世界所有信息的不可或缺的看守者，成為我們查找任何信息時的一站式目的地。谷歌能成功嗎？一家掌握著如此之多的信息並因而對我們每個人了解得如此之多的公司究竟意味著什麼？