〇 分享简介 〇

机器翻译是典型的AIGC任务，虽然在1949年就正式提出，但直到2017年以Transformer架构为代表的神经机器翻译技术被提出，机器翻译的性能才逐渐被大众所接受。近几年工业界机器翻译的广泛应用，使得机器翻译的需求从单一语言翻译转向多语言翻译、从单领域翻译转向多领域翻译、从单模态翻译转向多模态翻译。尤其是ChatGPT等大语言模型的出现，给机器翻译的技术与应用也带来了新的机遇与挑战。

本次分享将回顾机器翻译的发展历史和当前行业现状。同时，结合当前产业界对机器翻译的需求，探讨了机器翻译从少量语种的实验性验证到多语言通用模型的发展，从单一正规文本到多场景复杂环境下的翻译应用，以及从无限计算资源假设到实际大规模部署等应用场景的变化。此外，结合实际应用场景，探索大型语言模型对机器翻译行业的启示。

〇 分享收益 〇

目标：

1、当前机器翻译的行业发展现状分析。

2、多语言、多领域、多模态和大规模部署场景下的机器翻译技术。

3、大模型给机器翻译行业带来的机遇与挑战。

成功要点：

1、多语言机器翻译对稀缺资源的语种有明显性能提升效果，对富资源语种需要设计独特的结构来防止小语种对其进行干扰。

2、大模型带来性能提升的同时也给机器翻译这类计算密集型任务带来了很大的部署压力，垂直行业、中小型高效模型能够更好的应对海量并发的场景。

启示：

无论是多语言、多领域、多模态机器翻译技术，还是基于大模型的机器翻译技术，总结起来在工业界应用时都需要降本增效，不仅需要提升复杂场景下的翻译品质，同时也有降低训练和部署成本的需求，模型并不是越大、越复杂才是最好，在特定的场景选择够用的模型才是性价比更高的技术路线。

〇 分享亮点 〇

1、机器翻译的历史与发展现状，以及新时代对机器翻译的应用需求。

2、机器翻译发展的三个特点：

（1）从少量语种的实验性验证到多语言通用模型；

（2）从单一正规文本到多场景复杂环境下的翻译；

（3）从无限计算资源假设到实际大规模部署。

3、ChatGPT等大语言模型的机器翻译能力。

4、大模型给机器翻译的启示和方法探索。

5、小牛翻译的机器翻译实践。

6    QA