實測：ChatGPT的翻譯能力怎么樣？

在今天，狂熱追捧ChatGPT，仿佛已經成為了一種“政治正確”。

ChatGPT一出，學界、工業界無不驚為天人。一位研究機構的資深研究員就對AI科技評論說過：“ChatGPT出來，直接給我們整不會了——生成做的比我們好就不說了，NLP（自然語言處理）能力還比我們強不少。”

微軟注資百億美元，谷歌則如臨大敵，ChatGPT在科技圈里掀起的巨浪，仍是現在進行時。

但是，ChatGPT并非“萬能鑰匙”——大模型在某些專業領域的準確度，仍然無法超越其他垂類產品。近日，騰訊AI Lab 就通過實驗證明，在機器翻譯領域，ChatGPT在某些情況下，能力弱于其他商業翻譯產品。

論文地址：https://arxiv.org/pdf/2301.08745v1.pdf

1
ChatGPT是個好翻譯嗎？

騰訊AI Lab的調查文指出：

首先，在高資源環境——如歐洲語言上——ChatGPT的表現與商業翻譯產品（如谷歌翻譯、DeepL Translate）相比具有競爭力，但是，在低資源環境——如古代語言——明顯落后；

其次，在翻譯的魯棒性上，ChatGPT在生物醫學摘要、或Reddit評論方面表現不如商業翻譯產品，但是在口語方面也許會是一個很好的翻譯工具。

為了更好地理解ChatGPT的翻譯能力，騰訊AI Lab從以下三個方面開展實驗：

提示詞（Prompt）翻譯：ChatGPT是一個大型語言模型，在翻譯時需有提示詞（Prompt）作為引導才能引導系統進行翻譯。所以，提示詞的風格會影響翻譯輸出的質量。例如，在多語言機器翻譯模型中，如何將兩種語言信息聯系起來非常重要，這通常是通過附加語言標記來解決。

多語言翻譯：ChatGPT是一個處理各種NLP任務并涵蓋不同語言的單一模型，可以被視為一個統一的多語言機器翻譯模型。因此，ChatGPT在資源差異（如高與低）和語系差異（如歐洲與亞洲）上的表現是該實驗所探討的重點之一。

翻譯魯棒性：ChatGPT是基于GPT-3開發的模型，GPT-3在涵蓋各種領域的大規模數據集進行上訓練，因此，在特定領域的表現，是這次研究者們的重點之一。

提示詞翻譯

為了設計觸發ChatGPT機器翻譯能力的提示詞，騰訊AI Lab團隊向ChatGPT提出以下prompt：

提供十個可以讓你翻譯的簡明提示或模版

并獲得圖1中的結果：

圖1: ChatGPT推薦的10個可引發其進行機器翻譯的prompt

生成的提示語看起來很合理，但是都有相似的格式，研究人員將它們總結成三個候選prompt（如圖2），其中[SRC] 和 [TGT] 分別代表翻譯的源語言和目標語言。另外，研究人員在Tp2中增加了一個額外命令，要求ChatGPT不要在翻譯的句子上加雙引號（在原始格式中經常發生）。盡管如此，ChatGPT依舊不穩定，如會將同一批次的多行句子翻譯成單行。

圖2：候選翻譯提示

研究人員將三種不同的候選prompt與Flores-101的測試集在漢譯英任務中的表現進行比較，圖3顯示了ChatGPT和其他三個翻譯軟件的結果。雖然ChatGPT提供了相當好的翻譯，但它仍然落后于基線至少5.0個BLEU點。關于三個候選prompt，Tp3在所有指標方面表現的最好，因此在這篇論文中，研究者默認使用Tp3。

圖3：在中譯英翻譯任務中ChatGPT使用不同提示語的翻譯表現對比

多語言翻譯

騰訊AI Lab選擇了四種語言來評估ChatGPT在多語言翻譯中的能力，包括德語（De）、英語（En）、羅馬尼亞語（Ro）和中文（Zh），這些語言在研究和競賽中都被普遍采用。前三種語言同來自拉丁語系，而后一種則來自中文語系。研究人員測試了任意兩種語言間的翻譯表現，共涉及12次翻譯。

資源差異

通過實驗發現，在同語系中不同語言也存在資源差異。在機器翻譯中，德英互譯通常被認為是一個高資源任務，有超過1000萬條語料。而羅馬尼亞語與英語間互譯語料要少得多。

如圖4所示，ChatGPT在德譯英和英譯德上，與谷歌翻譯和DeepL可以分庭抗禮；而在羅馬尼亞語譯英，和英譯羅馬尼亞語方面，則要明顯落后。具體來說，ChatGPT在英譯羅馬尼亞語上獲得的BLEU分數比谷歌翻譯低了46.4%。

圖4：ChatGPT在多語言翻譯中的表現

研究者認為，英語和羅馬尼亞語之間的單一語言數據的巨大資源差異，限制了羅馬尼亞語的語言建模能力，這部分解釋了將英語翻譯成羅馬尼亞語表現差的原因。

相反，羅馬尼亞語譯成英語可以受益于強大的英語建模能力，使平行數據的資源缺口可以得到一定程度的補償。

語系

同時，研究人員也考慮了語系的影響。

通常認為，對于機器翻譯，不同語系之間的翻譯通常比同一語系間翻譯更難。研究人員發現，德英互譯、漢英互譯，或者德漢互譯在文化和書寫方式上存在差異。

另外可以發現，在這幾種翻譯中，ChatGPT和幾款商業翻譯軟件間差距較大，研究者認為，這是因為在同一語系中知識轉移比在不同語系間要好，對于既是低資源又來自不同語系的語言來說（如羅馬尼亞語和漢語的互譯），這種差距會進一步擴大。

由于ChatGPT在一個模型中處理不同的任務，低資源的翻譯任務不僅與高資源的翻譯任務競爭，而且還與其他NLP任務競爭模型容量，這說明其性能表現欠佳。

翻譯魯棒性

騰訊AI Lab進一步評估了ChatGPT在WMT19 Bio和WMT20Rob2和Rob3測試集上的翻譯魯棒性，這些測試集引入了領域偏見和潛在的噪聲數據。

例如WMT19 Bio測試集是由Medline摘要組成的，這需要特定領域的知識處理，WMT20Rob2是來自Reddit的評論，可能包含各種錯誤，如拼寫錯誤、單詞遺漏、插入重復、語法錯誤、破壞性語言，和網絡俚語等。圖5列出了BLEU分數，顯然ChatGPT在WMT19 Bio和WMT20Rob2測試集上的表現不如谷歌翻譯和DeepL Translate。

圖5：ChatGPT在翻譯魯棒性方面的表現

原因可能在于，像谷歌翻譯這樣的商業翻譯產品往往需要不斷提高其翻譯特定領域（如生物醫學）或噪音句子的能力，因為它們是現實世界的應用，需要對分布之外的數據有更好地概括性，ChatGPT不太能夠完成這一點。

不過，一個有趣的發現是，ChatGPT在包含眾包語音識別語料的WMT20Rob3測試集上大大超過了谷歌翻譯和DeepL Translate。這表明，ChatGPT本質上是一個人工智能對話工具，能夠比商業翻譯軟件生成更自然的口語（見圖6）。

圖6：來自WMT20魯棒集set3的例子

2
ChatGPT應如何揚長避短？

從該研究可知，高舉高打的ChatGPT每訓練一次就耗費大量算力資源，但也不能在全領域盡善盡美。所以，一些人開始思考，是否應該“摒棄”大模型思路，轉而去做“精耕細作”的小模型。

騰訊AI Lab在Chat GPT“測評”中提到，羅馬尼亞語與英語互譯，相較德英互譯存在較大差距，原因在于：巨大資源差異，限制了羅馬尼亞語的語言建模能力，也恰恰證明，AI學習能力常常受到低資源的掣肘。

但也有資深學者認為，盡管現時ChatGPT仍存在不少不足之處，但仍然對研究者和創業者有著不少啟示。以ChatGPT為代表的AI 3.0走的是跟過去 AI 浪潮不一樣的路，即更落地、更接近真實世界，在工業應用上，更直接，更落地，從學術研究到工業落地的路徑也變得更短、更快。

未來，“helpful, truthful, harmless”的 AI 系統會成為現實。

雷峰網雷峰網(公眾號：雷峰網)

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。