谷歌开源能翻译101种语言的AI模型，只比Facebook多一种

大数据文摘出品

来源：VB

10月底，Facebook发布了一款可翻译100种语言的机器学习模型，微软发布了一款能翻译94种语言的模型，谷歌自然也不甘示弱。

继Facebook和微软后，谷歌开源了一种名为MT5的模型，称该模型在一系列英语自然语言处理任务上取得了最先进的效果。

MT5是谷歌的T5模型的多语言变体，已在包含101种语言的数据集中进行了预训练，就比Facebook多了一种。

Github地址：

https://github.com/google-research/multilingual-t5

MT5包含3亿到130亿个参数，可直接适用于多种语言环境

MT5包含3亿到130亿个参数，据悉，它能够学习100多种语言而不会受到干扰。

MT5是在MC4上训练的，MC4是C4的一个子集，MC4包含大约750GB的英文文本，这些文本来自Common Crawl存储库(Common Crawl 包含从互联网上抓取的数十亿个网页)。虽然C4数据集被明确地设计为只使用英语，但MC4覆盖了107种语言，包含10,000个或更多的网页。

不过，数据集仍存在一定的偏差，谷歌研究人员试图通过删除MC4文档中的重复行和过滤含有错误单词的页面来减轻MT5的偏差。他们还使用工具检测了每个页面的主要语言，并删除了可信度低于70%的页面。

谷歌表示，最大的MT5型号有130亿个参数，超过了2020年10月测试的所有基准。当然，基准是否充分反映了模型的真实表现，这是一个值得争论的话题。

一些研究表明，开放域问答模型（Open-Domain Question-Answering，理论上能够用新颖答案回答新颖问题的模型）通常只是根据数据集简单地记住在训练数据中找到的答案。但是谷歌的研究人员断言MT5是迈向功能强大的模型的一步，这些功能不需要具有挑战性的建模技术。

谷歌的研究人员在一篇描述MT5的论文中写道，“总的来说，我们的研究结果突出了模型能力在跨语言表征学习中的重要性，并表明，通过依赖于过滤、并行数据或中间任务，扩大简单的预训练配方是一个可行的替代方案。”“我们演示了T5配方直接适用于多语言设置，并在不同的基准测试集上实现了强大的性能。”

相比Facebook和微软，谷歌的MT5似乎略胜一筹

Facebook的新模型被称作M2M-100，Facebook宣称它是第一个多语言机器翻译模型，可以直接在100种语言中的任何一对之间来回翻译。Facebook AI构建了一个共计由100种语言的75亿个句子组成的庞大数据集。使用这个数据集，研究团队训练了一个拥有超过150亿个参数的通用翻译模型，据Facebook的一篇博客描述，该模型可以“获取相关语言的信息，并反映出更多样化的语言文本和语言形态”。

而微软推出的这款机器学习翻译模型叫做T-ULRv2，可以翻译94种语言。微软声称，T-ULRv2在XTREME(谷歌创建的一种自然语言处理基准测试)中获得了最好的搜索结果，并将使用它来改进Word中的语义搜索、Outlook和team中的回复建议等功能。

T-ULRv2在XTREME中处在榜首

T-ULRv2是微软研究院和图灵团队的联合研究出品的，包含5.5亿个参数，模型利用这些参数进行预测。微软研究人员在一个多语言数据语料库上训练了T-ULRv2，该数据语料库来自由94种语言组成的网页。在训练过程中，T-ULRv2通过预测不同语言句子中隐藏的单词来进行翻译，偶尔也会从英语和法语等成对翻译中获得上下文线索。

总之，从翻译的语言数量来说，谷歌的MT5似乎略胜一筹，但数量多并不意味着准确性高，就谷歌和Facebook的两款翻译模型来说，在某些低资源语种的翻译上仍有提升空间，比如沃洛夫语、马拉地语。此外，每款机器学习模型都会存在一定的偏差，正如艾伦AI研究所的科研人员所说，“现有的机器学习技术都没办法避免这一缺陷，人们急需更好的训练模式和模型建构”。