想到翻譯，多數人會直接聯想到這是Google的拿手絕活。不過，擁有19億全球用戶的Facebook，也希望發展翻譯技術打破社群媒體間的語言隔閡。而今日，Facebook利用和傳統翻譯技術不同的機器學習技術，推出號稱比Google翻譯準確性更高、速度快9倍的翻譯技術。

採和Google不同的機器學習技術，同時具備翻譯速度和品質

過去Facebook已經在網站上用到許多翻譯技術，例如將用戶貼文自動翻譯成其他語言。

特別的是，Facebook這次在翻譯模型採用的是機器學習中的卷積神經網絡（CNN）技術，而非現在較主流、同時也是Google使用的機器學習翻譯技術——遞迴神經網絡（RNN）。

比較兩者，差異在於RNN處理資料時會按照順序，一次只能處理一個單字、從左至右或右至左逐字翻譯，由於較符合文字的排列邏輯、準確度高，為當今主流的機器學習翻譯技術。不過，這樣的處理模式有一個缺點，即是無法利用GPU可水平多工作業的高效能加快翻譯速度。

在模型中加入「多重跳躍」和「守門」機制，翻譯模式更像人類

相較下，過去主要用於視覺辨識的CNN，則是可以同時處理一整句文字，更能利用GPU的多工處理模式，提升翻譯效率。同時，為了讓翻譯結果更準確，Facebook在模型中多加了「多重跳躍注意力（multi-hop attention）」和「守門（gating）」機制。

不像過去為按照順序翻譯單字，「多重跳躍注意力」讓電腦在翻譯過程中會不斷確認單詞間的關係，找出最相關的單詞作為下一個要翻譯的單詞。例如，若第一個翻譯的單詞為動詞，那第二個單詞可能會是相關的助動詞。而選出下一個翻譯單詞後，「守門」機制則會審核目前翻譯出的整段句子，確認語句是否正確，藉此產出更好的翻譯結果。

翻譯結果優於Google

雖然這並非首次在翻譯模型使用CNN，但過去的CNN翻譯模型表現都遠不如RNN。而Facebook發表的全新CNN翻譯模型，不論準確度和速度都優於過去的翻譯模型。

根據Facebook發表的論文，從衡量翻譯結果的指標BLEU（bilingual evaluation understudy）可得知，以英文翻法文來看，新模型較過去最佳成果高了1.5BLEU，英文翻德文提高了0.5BLEU，英文翻俄羅斯語則提高了1.8BLEU。

Facebook已將該機器學習翻譯的訓練模型開源到GitHub。儘管目前該技術仍未實際用於Facebook服務中，但預期這套機器學習系統除了可用於翻譯，也能用於分辨對話不同主題、摘要文章，甚至能將對話中的不同概念聯想在一起，處理更復雜的問題。

2017年5月11日（農曆四月十六）星期四