以下文章來源于智源社區(qū)?，作者李夢佳

【專欄：前沿進(jìn)展】

? ? ? ? 機(jī)器翻譯是自然語言處理領(lǐng)域最活躍、最充滿希望的方向之一。機(jī)器翻譯也從SMT（統(tǒng)計機(jī)器翻譯）過渡到了NMT（神經(jīng)機(jī)器翻譯）的時代，深度學(xué)習(xí)的崛起也為主流范式注入了新希望。

? ? ? ??作為技術(shù)變革的親歷者，東北大學(xué)自然語言處理實(shí)驗(yàn)室肖桐老師在訪談中表示「經(jīng)歷了從 SMT（統(tǒng)計機(jī)器翻譯）到NMT的時代，我覺得很幸運(yùn)，見證了機(jī)器翻譯由發(fā)展到最終爆發(fā)的階段，人們對機(jī)器翻譯的關(guān)注度不斷上升，很讓人興奮?！?/p>

? ? ? ??經(jīng)歷了數(shù)年的增刪打磨，2021年10月，《機(jī)器翻譯：基礎(chǔ)與模型》最終出版，洋洋灑灑600余頁，90萬字，這當(dāng)中融匯了東北大學(xué)自然語言處理實(shí)驗(yàn)室和小牛翻譯團(tuán)隊在這個方向上40余年的科研成果，凝聚著一代一代機(jī)器翻譯學(xué)者的心血和思想。

? ? ? ??與此同時，新時代背景下，問題也應(yīng)運(yùn)而生。大模型如何應(yīng)用在機(jī)器翻譯？通用模型如何應(yīng)對細(xì)分領(lǐng)域的專用場景？另一方面，自媒體打出的「Facebook開源機(jī)器翻譯新模型，同傳人員或失業(yè)」等標(biāo)題也為公眾的認(rèn)知蒙上了一層迷霧。

? ? ? ??智源社區(qū)特此采訪了本書的作者之一，東北大學(xué)自然語言處理實(shí)驗(yàn)室肖桐老師，通過10個問題解讀了機(jī)器翻譯近來的研究前沿和應(yīng)用趨勢，回顧機(jī)器翻譯的前世今生。

? ? ? ??肖桐，博士，東北大學(xué)教授、博士生導(dǎo)師，東北大學(xué)計算機(jī)學(xué)院人工智能系系主任，東北大學(xué)自然語言處理實(shí)驗(yàn)室主任，小牛翻譯（NiuTrans）聯(lián)合創(chuàng)始人。于東北大學(xué)計算機(jī)專業(yè)獲得博士學(xué)位。2006-2009年赴日本富士施樂、微軟亞洲研究院訪問學(xué)習(xí)，并于2013-2014年赴英國劍橋大學(xué)開展博士后研究。主要研究領(lǐng)域包括自然語言處理、機(jī)器學(xué)習(xí)等。在國內(nèi)外相關(guān)領(lǐng)域高水平會議及期刊上發(fā)表學(xué)術(shù)論文70余篇。作為項目技術(shù)負(fù)責(zé)人，成功研發(fā)了NiuTrans、NiuTensor等開源系統(tǒng)，在WMT、CCMT/CWMT、NTCIR等國內(nèi)外測評中多次獲得冠軍。2014年獲得中國中文信息學(xué)會首屆優(yōu)秀博士論文提名獎，2016年獲得中國中文信息學(xué)會“錢偉長中文信息處理科學(xué)技術(shù)獎”一等獎。任ACL、EMNLP、TACL等國際著名會議及期刊的領(lǐng)域主席和常駐審稿人。
講者：肖桐
編輯：李夢佳

Q1：機(jī)器翻譯發(fā)展很長時間了，這種關(guān)注度提升背后的原因？

? ? ? ? 我認(rèn)為，在近幾十年內(nèi)機(jī)器翻譯應(yīng)該是一個很受關(guān)注方向，它是自然語言處理包括整個人工智能領(lǐng)域中最重要最有挑戰(zhàn)的一個任務(wù)，甚至有把它比喻成人工智能實(shí)現(xiàn)的終極目標(biāo)之一，就是人工智能實(shí)現(xiàn)像圖靈測試一樣，機(jī)器翻譯是其中一個終極目標(biāo)。
? ? ? ??近幾年，隨著報道和交流逐漸增多，人們對機(jī)器翻譯的關(guān)注度也在提升。這歸結(jié)于機(jī)器翻譯的產(chǎn)業(yè)應(yīng)用效果明顯或者說技術(shù)落地變得更好了。換句話說，10年前的機(jī)器翻譯雖然有技術(shù)有方法有論文，但是不好用。
? ? ? ??但從整體技術(shù)范式的變遷來看，我覺得機(jī)器翻譯發(fā)展到現(xiàn)在，以深度學(xué)習(xí)或神經(jīng)機(jī)器翻譯為主的這種范式，主要是技術(shù)量變到質(zhì)變的過程。比如早期的機(jī)器翻譯，包括早期基于規(guī)則、基于實(shí)例、基于統(tǒng)計的模型，這些方法不能說不好，因?yàn)樵谀莻€時代下的方法、算力和數(shù)據(jù)規(guī)模，只能做到那個程度，超越當(dāng)時生產(chǎn)力的水平強(qiáng)行實(shí)現(xiàn)技術(shù)跨越式發(fā)展，我覺得是不可能的。就像當(dāng)年蒸汽機(jī)發(fā)明之后，才會有電，才會有現(xiàn)在信息化的手段，不可能跨越蒸汽機(jī)，沒有電直接搞信息化。
? ? ? ??所以，我覺得這是一個量變到質(zhì)變的過程。機(jī)器翻譯當(dāng)前的水平正是幾十年的積累沉淀而成，包括數(shù)據(jù)和算法的積累。
? ? ? ??另外，從偏工程的角度看，機(jī)器翻譯的快速發(fā)展這也要得益于數(shù)據(jù)規(guī)模和數(shù)據(jù)質(zhì)量的增加。
? ? ? ??以我自身的經(jīng)歷為例，我以前做系統(tǒng)開發(fā)比賽時，漢英雙語句對有幾十萬、幾百萬的量級就已經(jīng)很多了。當(dāng)時拿幾百萬的數(shù)據(jù)去參加NIST機(jī)器翻譯測評（https://www.nist.gov/itl/iad/mig/open-machine-translation-evaluation），就覺得是天文數(shù)字。
? ? ? ??再看現(xiàn)在，學(xué)術(shù)界的比賽中都是千萬句對起步，谷歌、百度這種產(chǎn)業(yè)巨頭有幾十億甚至上百億句對，小牛翻譯也使用了幾億句對，數(shù)據(jù)帶來的翻譯質(zhì)量的提升，是無法忽略的。技術(shù)上有再多的提升，沒有數(shù)據(jù)都沒法支撐。
? ? ? ??總體而言，機(jī)器翻譯從大的層面來講有三個趨勢：
? ? ? ??第一，需求的提升；

? ? ? ??第二，技術(shù)從量變到質(zhì)變的過程；

? ? ? ??第三，數(shù)據(jù)規(guī)模和質(zhì)量的提升。

Q2：如今機(jī)器翻譯論文很多，未來的發(fā)展趨勢和潛力的發(fā)展方向有哪些？

? ? ? ??放到5~10年前，誰也不敢說，機(jī)器翻譯可以引領(lǐng)人工智能。但現(xiàn)在機(jī)器翻譯可以說是走在整個人工智能發(fā)展的最前沿，幾乎沒人質(zhì)疑這件事。
? ? ? ??比如說，早期的機(jī)器翻譯模型大多來自于語音識別、圖像處理甚至一些機(jī)器學(xué)習(xí)的常規(guī)范式。比如判別式模型、生成模型等都是來源于其他任務(wù)，并不是機(jī)器翻譯研究的原創(chuàng)。
? ? ? ??但是，反觀近幾年機(jī)器翻譯的發(fā)展，比如近期大火的Transformer，最開始的模型應(yīng)用就是在機(jī)器翻譯，Transformer本身處理的就是這種雙語或單語的對應(yīng)關(guān)系的任務(wù)。這樣來看，包括機(jī)器翻譯在內(nèi)的整個NLP技術(shù)已經(jīng)在引領(lǐng)人工智能的發(fā)展了。當(dāng)然它也面臨很多的挑戰(zhàn)，包括以下幾個方面：
? ? ? ??第一，低資源的機(jī)器翻譯。在機(jī)器學(xué)習(xí)里面叫小樣本學(xué)習(xí)，但在機(jī)器翻譯里叫低資源。
為什么強(qiáng)調(diào)低資源？據(jù)記載世界上現(xiàn)存將近7000種語言，但大部分語言都不屬于富資源語言，它們屬于低資源語言，比如烏爾都語（阿富汗），這類（低資源語言的）問題是非常有潛力的。
? ? ? ??第二，基于上下文或者環(huán)境融合的翻譯。環(huán)境和上下文是一個廣義的上下文，我舉個例子，比如我在翻譯的時候，不僅僅考慮單一的句子，而要考慮篇章的信息，就是一種上下文關(guān)系。比如，我在翻譯的時候，要結(jié)合圖像的信息，多模態(tài)信息也屬于上下文。甚至語音翻譯的時候，音頻信號也可以看成一種上下文或環(huán)境的信息。換句話說，不再單單去翻譯某個句子，而是考慮更充分的環(huán)境，這是非常有價值的一個問題。這種觀點(diǎn)和人的語言能力形成也是有聯(lián)系的，因?yàn)槿嗽谛纬烧Z言能力的過程中，不是單純基于文本，而是在一個復(fù)雜環(huán)境中，經(jīng)過多方面刺激最后獲得了這種能力。
? ? ? ??第三，整個模型結(jié)構(gòu)的充分利用和有效設(shè)計。第一層，機(jī)器學(xué)習(xí)或統(tǒng)計學(xué)習(xí)中如何去設(shè)計常用的統(tǒng)計模型。第二層，我們是否能夠使用語言學(xué)中的一些先驗(yàn)的結(jié)構(gòu)知識去指導(dǎo)機(jī)器翻譯，這也是非常值得去探索的，我本人博士論文也是做的這個方向。
? ? ? ??第四，工業(yè)落地應(yīng)用問題。現(xiàn)在機(jī)器翻譯都使用GPU，系統(tǒng)跑起來比較慢，對硬件的要求比較高。如何讓模型或者機(jī)器翻譯系統(tǒng)變得更小更快，甚至可以在手機(jī)這樣的離線設(shè)備上使用，是非?，F(xiàn)實(shí)的問題。
以上四個方向比較有潛力。

Q3：機(jī)器翻譯這么多語種是否需要語言學(xué)知識來支撐，是否語言學(xué)對機(jī)器翻譯或語言的結(jié)構(gòu)會有幫助？

? ? ? ??很多專門做職業(yè)翻譯或者語言學(xué)的人經(jīng)常會問，你們做的翻譯有沒有參考一些教科書上語言學(xué)的語法知識。實(shí)話實(shí)說，現(xiàn)在工業(yè)級的系統(tǒng)中直接使用語言學(xué)結(jié)構(gòu)的東西并不多，但語言學(xué)的結(jié)構(gòu)一定會有用。
? ? ? ??現(xiàn)在最大的挑戰(zhàn)在于神經(jīng)機(jī)器翻譯范式，是一種連續(xù)空間表示模型，它把一個事物映射成一個低維稠密的實(shí)數(shù)空間上的一個向量或者說實(shí)數(shù)向量，但語言學(xué)的外部結(jié)構(gòu)是離散的樹狀結(jié)構(gòu)，如何將這種結(jié)構(gòu)映射成低維稠密的實(shí)數(shù)向量，而且可以很好地讓既有模型能夠使用這種外部信息，本身是一個科學(xué)問題。
? ? ? ??這樣的科學(xué)問題如果能夠被解決的話，一定會發(fā)揮作用，但目前還沒有達(dá)到那樣的階段?，F(xiàn)在大家看到預(yù)訓(xùn)練模型、機(jī)器翻譯模型當(dāng)中已經(jīng)在使用一些結(jié)構(gòu)（也許不是語言學(xué)的結(jié)構(gòu)）去指導(dǎo)，這是非常有價值的。

Q4：不同的語種，意大利語、法語等大語種，烏爾都語等小語種，語法結(jié)構(gòu)從語言學(xué)角度是不一樣的，用到翻譯系統(tǒng)當(dāng)中如何優(yōu)化？

? ? ? ??首先，同一語系，比如意大利語和西班牙語，德語和英語（詞表有很多重疊），這時語言之間的遷移，不同語言之間關(guān)系的借鑒和共享是非常容易的。
? ? ? ??但當(dāng)兩個語言之間的差異性非常大時，比如小語種翻譯，就會導(dǎo)致性能的急劇下降。這就是為什么現(xiàn)在低資源翻譯非常具有挑戰(zhàn)的原因。
? ? ? ??當(dāng)然也有一些方法可以得到一些相對較好的初步結(jié)果，比如機(jī)器翻譯有一個研究方向叫做無指導(dǎo)的詞典歸納，即完全沒有任何平行數(shù)據(jù)，把兩個語言之間的詞典歸納提取出來。完全利用語言現(xiàn)象的規(guī)律，我舉個例子，中文里面我們交流的時候，用「他/她」這種代詞比較多，但在英語里面I和you比較多，它們之間天然會存在聯(lián)系。比如能給一些初始的種子，100個對應(yīng)的詞，用它來做錨點(diǎn)，來通過機(jī)器學(xué)習(xí)的方法把這種詞典歸納出來，也能做得很好。
但提到語言學(xué)結(jié)構(gòu)，在現(xiàn)在的機(jī)器翻譯主流范式當(dāng)中語言學(xué)結(jié)構(gòu)應(yīng)用的還不是特別多?；谠~串這類的非語言學(xué)結(jié)構(gòu)的模型多一些，更多是看語言表象中統(tǒng)計的信息。我非常贊成您剛才提到的觀點(diǎn)，語言學(xué)的結(jié)構(gòu)必然會有用，但是目前還沒有到達(dá)那個階段。

Q5：大模型爆火，比如現(xiàn)在的GPT3、智源自己的悟道大模型，有關(guān)大模型在機(jī)器翻譯中的應(yīng)用，您有什么想分享的？

? ? ? ??從現(xiàn)實(shí)情況來看，大模型在機(jī)器翻譯中的應(yīng)用還沒有特別成熟的成果。原因有以下幾點(diǎn)：
? ? ? ??第一，機(jī)器翻譯的模型本身已經(jīng)不小，它本身就是一個很大的模型，雖然比不上BERT和GPT-3，但是這個模型的容量已經(jīng)不小，足夠較好地對句子進(jìn)行表示，雙語的對應(yīng)等已經(jīng)能學(xué)成八九成。這時，大模型對機(jī)器翻譯的補(bǔ)充能有多少，或者說大模型能解決現(xiàn)有機(jī)器翻譯的哪些具體問題，還需要認(rèn)證和研究。
? ? ? ??第二，大模型應(yīng)用在機(jī)器翻譯，挑戰(zhàn)主要還是在于算力不足。機(jī)器翻譯已經(jīng)步入產(chǎn)業(yè)化的階段，大家不再單純?nèi)プ鰧?shí)驗(yàn)性的研究，去部署一套系統(tǒng)要考慮投入產(chǎn)出比，如果模型太重，部署一套機(jī)器翻譯服務(wù)需要許多GPU，成本過高，大家就不用了。
? ? ? ??第三，最大的問題在于大模型強(qiáng)調(diào)的是通用的統(tǒng)一的語言的表示，而機(jī)器翻譯已經(jīng)步入到針對細(xì)分場景具體問題進(jìn)行研究。當(dāng)然從認(rèn)知的角度來說，大模型能夠提供一些世界知識、通用知識是無可厚非的，大模型可以提供一些基礎(chǔ)，但最終一步一定是由機(jī)器翻譯模型來完成的，不應(yīng)該是大模型去解決。
? ? ? ??關(guān)于未來，我認(rèn)為，大模型是跳出了傳統(tǒng)NLP針對具體任務(wù)設(shè)計模型的思維限制，但是反過來說，現(xiàn)在大模型也要跳出通用模型的限制，回歸到具體任務(wù)當(dāng)中，這是問題的兩面性。

Q6：目前機(jī)器翻譯哪些場景和領(lǐng)域比較有潛力？

? ? ? ??第一，需要海量的多語言文本處理，比如每年的專利檢索，再包括互聯(lián)網(wǎng)信息的收集，相關(guān)情報部門，商業(yè)信息部門等。這些必然需要機(jī)器翻譯或輔助檢索的方式。
? ? ? ??第二，需要低成本實(shí)時多語言交互的時候，比如出國旅游購物，需要迅速知道化妝品的成分，和售貨員的這種溝通。
? ? ? ??再一個就是細(xì)分領(lǐng)域的專用翻譯，比如一些比較窄的場景，如藥品的說明書等，內(nèi)容非常集中規(guī)范，機(jī)器翻譯可以做到高精準(zhǔn)。
? ? ? ??再有，軟硬結(jié)合的機(jī)器翻譯，機(jī)器翻譯不能脫離硬件去談，未來它的載體是什么？雖然有人說是噱頭、炒作，但智能翻譯硬件，也是一種未來的趨勢。

Q7：如今，機(jī)器翻譯早已進(jìn)入了大規(guī)模應(yīng)用落地的階段，有關(guān)機(jī)器翻譯應(yīng)用落地的趨勢您有什么心得體會？

? ? ? ??整個科技行業(yè)確實(shí)容易出現(xiàn)這種過冷過熱的問題，機(jī)器翻譯也是這樣，早期的機(jī)器翻譯大家也是抱有很強(qiáng)的熱情。
? ? ? ??比如谷歌上線機(jī)器翻譯能力的時候，大家覺得機(jī)器翻譯時代已經(jīng)到了，后來發(fā)現(xiàn)還是有差距。從機(jī)器翻譯應(yīng)用的角度還有很多問題亟待解決。
? ? ? ??第一，我們現(xiàn)在大多數(shù)研究的是通用機(jī)器翻譯系統(tǒng)，但這種通用的系統(tǒng)并不能很好地應(yīng)對專用的領(lǐng)域，即細(xì)分場景。比如說現(xiàn)在流行的直播，里面有大量口語化用詞、停頓，包括一些方言中的平翹舌等等，這些與通用新聞翻譯場景的差別非常大。因此如何針對場景設(shè)計翻譯系統(tǒng)，是非常有價值的。
? ? ? ??第二，從應(yīng)用方式上來講，由于互聯(lián)網(wǎng)公司給大家建立了一些標(biāo)準(zhǔn)化的模式，比如線上API的調(diào)用、線上文本框的翻譯，但是現(xiàn)在真正需要機(jī)器翻譯的形態(tài)不只是API調(diào)用和文本框翻譯，需要更多形態(tài)，比如，與CAT結(jié)合的翻譯軟件等。
因此，擴(kuò)展應(yīng)用的形態(tài)，也很重要。
? ? ? ??第三，早期的機(jī)器翻譯，都是以英文這種大語種為核心，未來會出現(xiàn)包括小語種的翻譯，以及中文地位上升后以中文為核心的翻譯。因此，從少量語種翻譯到支持全球更多語言的翻譯，這也是應(yīng)用落地非常重要的一點(diǎn)。
? ? ? ??第四，傳統(tǒng)機(jī)器翻譯更多關(guān)注的是文本的簡單輸出，即輸出譯文給用戶，但未來需要更多交互的呈現(xiàn)方式。
? ? ? ??現(xiàn)在翻譯圈里討論比較熱的問題是機(jī)器翻譯+譯后編輯（MT+PE），機(jī)器翻譯的結(jié)果來做人工的修改，來達(dá)到交付的程度，PE不是簡單的修改譯文，需要大量的人的交互，而且不能每次都修改同樣的錯誤，這種交互式翻譯，增量式訓(xùn)練，是值得關(guān)注的。
? ? ? ??現(xiàn)在，多模態(tài)翻譯的研究已成為熱門研究話題，這種語音、圖像的翻譯，也都要考慮非單一文本的東西，比如車載系統(tǒng)中的翻譯，實(shí)時朗讀出來。
? ? ? ??這是幾大應(yīng)用方面的趨勢。

Q8：有關(guān)機(jī)器翻譯系統(tǒng)的開源，做開源系統(tǒng)的初衷是什么？

? ? ? ??第一，我在做的開源工作，包括小牛翻譯開源系統(tǒng)NiuTrans，我個人覺得這幾年國內(nèi)的開源環(huán)境比之前幾年要好很多。我當(dāng)年做開源的時候，完全是憑著一腔熱血去做，這個東西很難被認(rèn)可，這項工作并不被看做是學(xué)生畢業(yè)和教師考核的參考因素，成果也寫不到紙上。
近幾年情況發(fā)生了顯著的變化，隨著大家整體認(rèn)識的提高，整體的開源環(huán)境變好了。有人說，開源的生態(tài)，包括上下游完整產(chǎn)業(yè)鏈的構(gòu)建。比較幸運(yùn)的是，我的博士導(dǎo)師朱靖波教授非常支持開源，也正是由于這種信任和堅持，我們一起開展了十多年的開源系統(tǒng)的開發(fā)。包括，我在英國劍橋做博后時的導(dǎo)師Bill Byrne教授，他們當(dāng)時也在做開源系統(tǒng)，單純覺得這件事值得投入，覺得有價值就去做。我想許多開源愛好者也像我一樣，是由最初的愛好，到后來有一些支持的“朋友”，于是就做了開源，初心就很簡單。
? ? ? ??開源的精神就是一種分享，本身最初的價值是無私的，國際上成功的開源案例，比如Apache、Linux最終有其商業(yè)價值，但最初純粹就是去做分享。當(dāng)然開源也面臨很多挑戰(zhàn)，比如長時間穩(wěn)定的投入，可能需要3、5年甚至10年。
? ? ? ??回顧我們的NiuTrans開源項目，參與畢業(yè)生已經(jīng)超過10屆了?；剡^頭來，我覺得人工智能的很多進(jìn)展也是得益于開源，我舉個例子，機(jī)器翻譯用SMT的年代，包括Moses（摩西）、NiuTrans就給很多人提供了基線系統(tǒng)，做研究的時候，不需要重新再做極限，自己拿人家開源的去改就可以了。包括如今的TensorFlow、PyTorch、PaddlePaddle，這些都使得人工智能的發(fā)展變得更容易復(fù)現(xiàn)、周期更短了。
? ? ? ??當(dāng)然未來，高質(zhì)量的開源工作需要匯聚力量，完善開源項目的管理運(yùn)行機(jī)制，樹立正確的開源工作評價體系。這方面需要進(jìn)一步突破。

Q9：像WMT這種翻譯測評，測評的標(biāo)準(zhǔn)要如何衡量？是人為的來打分嗎？

? ? ? ??早期的機(jī)器翻譯比賽任務(wù)更多還是自動評價方法為主，主要是考慮成本，組織者找人去評需要花錢?，F(xiàn)在大多已經(jīng)回歸到人工和自動方法相結(jié)合，有一些評測任務(wù)的官方報告當(dāng)中也會以人工評價結(jié)果為主，所以還是相對客觀真實(shí)。
? ? ? ??這種比賽更像是在一個規(guī)定動作下的完成度，使得我們在機(jī)器翻譯研究時，可以在一個標(biāo)準(zhǔn)的框架下來完成機(jī)器翻譯的研發(fā)，來去快速驗(yàn)證你的方法的有效性。
? ? ? ??當(dāng)然，不同數(shù)據(jù)使用情況效果也不同，比如IWSLT口語翻譯，數(shù)量比較小，在這個數(shù)據(jù)上的一些方法證明是好用的，但換到其他的數(shù)據(jù)上比如WMT可能就會有不一樣的結(jié)論。

Q10：有關(guān)機(jī)器翻譯替代自由譯者，作為機(jī)器翻譯技術(shù)人員怎么看？

? ? ? ??有那么一段時間，機(jī)器翻譯和人工翻譯的人還有一點(diǎn)點(diǎn)“對立”，實(shí)際上有些“幼稚”。
? ? ? ??第一點(diǎn)，我覺得機(jī)器翻譯的目標(biāo)不是完全替代人，我不相信我有生之年能看到機(jī)器翻譯完全替代人，雖然我的夢想是做一個最好的機(jī)器翻譯技術(shù)。機(jī)器翻譯的目的是代替低質(zhì)量的翻譯，代替人做價值不大的翻譯，比如說，代替價值較低的低端翻譯，但是高端翻譯需要現(xiàn)場的反應(yīng)或者知識儲備，機(jī)器翻譯不能完全勝任。
? ? ? ??第二個機(jī)器翻譯既然定位是輔助人，過程中也需要人的反饋，需要人的操作，比如口譯中最難的同傳，兩三個人去配合，那么機(jī)器翻譯最終的形態(tài)，可能會和人形成一種互助交互的方式。
? ? ? ??換句話說，機(jī)器翻譯促使譯員高端化，它代替低價值的工作，增加了人的勞動價值。想要代替口譯同傳這種高端的工種，是完全不可能的。

本文來源于微信公眾號“翻譯技術(shù)教育與研究”、微信公眾號“語言服務(wù)行業(yè)”，致力于語言服務(wù)行業(yè)資訊、洞察、洞見~ 關(guān)注我們，了解更多精彩內(nèi)容~