3月3日，微信强大的翻译引擎突然翻车，将网友们的各种奇葩英语翻译原汁原味的翻译了出来，丝毫没有违和感。
目前腾讯微信团队回应：“由于引擎在翻译英文时将一些没有经过训练的词汇进行误翻，导致翻译出现问题，已在紧急修复中。”
从图片中不难看出，翻译引擎的失误是将这些口语化的词汇进行翻译而造成的，而这些词汇则是翻译引擎自我学习的结果，其中相当一部分数据应该都是翻译引擎通过接口从网络上获取人们经常提到的高频词汇分析得出的。
趁着这个机会，我们不如就来深入了解一下这个突然“智障”的翻译引擎的人工智能学习过程。
在这里要指出的是，翻译引擎分为两种，一种是传统的统计机器翻译，另一种是更为准确的神经机器翻译。
首先，当我们要创造一个新事物的时候，需要给这个事物定下一条条或简单或复杂的规则，这样才能让这个事物有规律、有方向的发展起来。
比如英语的构成分为连个部分，单词和语法。如果我们想要用单词精准的表达出想要表达的意思，就要在有一定程度的词汇量以后用正确的语法来把单词进行排序，这样才能够正确的表达我们的意思。所以，如果希望人工智能来进行翻译的工作，就需要先教会给翻译引擎语法规则，然后让它根据语法规则来进行翻译。
但这件事情的难点出在：“如何教会人工智能正确的英语语法。“难道要我们像教人类一样言传身教吗？当然不是，人工智能的理解方式和人类是不一样的。而且除了固定的语法外，在使用英语的过程中还会碰到许多和常规语法有异的句子出现，在这种情况下如果死板的用常规语法进行翻译就会有词不达意的情况发生。
机器学习的首要条件之一是数据，我们需要提供足够多的数据来工人工智能进行分析，然后让它总结出一套逻辑供自己使用。而翻译引擎也是这样，我们首先要取得大量的文档数据提供给翻译引擎，然后再让它分析文档中的规则。
但是，因为神经机器翻译的复杂性而导致出现了一个困扰了工程师们很长时间的问题——要怎么样才能深入了解复杂而庞大的机器神经网络。
不管一个人工智能再怎么高级，在最基层的部分还是又无数的“0“和”1“构成的，在神经网络中做出进行可视化的视图是很困难的，这被成为神经机器翻译的”黑箱子“。这里我们只能通过几张简单的图片来模拟一下翻译引擎进行翻译的正确和错误的翻译过程（颜色越深代表相关性越强）。
像这样，如果能把翻译的过程进行可视化，就能给工程师们提供出对翻译引擎进行性能调优的有效数据，帮助他们理解人工智能的学习模式，从而提高翻译的精准度和效率。
最后，对于人工智能的存在您有什么看法？不妨留下评论进行探讨。
