神经机器翻译
基于神经网络的机器翻译方法，利用深度学习端到端地将源语言文本翻译为目标语言，是当前主流的机器翻译技术范式
核心事实
时间轴 (近 90 天)
NMT的输出本质上是统计推断的结果，而非对语义的确定性理解。
在低频语言对、专业术语、文化特定表达和需要严格法律措辞的文本上，NMT的错误率会显著上升。
注意力机制最初在2014年前后被引入神经机器翻译领域，用于解决长序列中信息丢失的问题。
设备端离线翻译模型通常基于轻量化的神经机器翻译架构（如量化后的 Transformer 变体），体积压缩至数十到数百 MB，可在 CPU 或本地 NPU 上实时推理
2014年神经网络架构的引入实现了端到端的翻译模型训练,Bahdanau等人提出了基于注意力机制的序列到序列模型,开启了神经机器翻译(NMT)时代
神经机器翻译中存在MAP解码悖论：概率最高的序列并不等同于翻译质量最优的序列，甚至可能出现空序列或过短序列的退化现象
全部知识事实 (10)
机器翻译经历了从基于规则、到统计机器翻译（SMT）、再到神经机器翻译（NMT）、再到基于大语言模型翻译的四次范式跃迁
75%已验证BPE最初是一种数据压缩算法，2016年被引入NLP领域用于神经机器翻译的子词分割
65%待验证Google Cloud Translation API是谷歌基于神经机器翻译（NMT）技术构建的云端翻译服务，支持100余种语言
90%待验证AI翻译技术文档的质量已经达到完全可以顺畅阅读的水平，极大降低了非英语开发者的学习门槛
60%待验证在低频语言对、专业术语、文化特定表达和需要严格法律措辞的文本上，NMT的错误率会显著上升。
50%待验证NMT的输出本质上是统计推断的结果，而非对语义的确定性理解。
50%待验证注意力机制最初在2014年前后被引入神经机器翻译领域，用于解决长序列中信息丢失的问题。
50%待验证设备端离线翻译模型通常基于轻量化的神经机器翻译架构（如量化后的 Transformer 变体），体积压缩至数十到数百 MB，可在 CPU 或本地 NPU 上实时推理
50%待验证2014年神经网络架构的引入实现了端到端的翻译模型训练,Bahdanau等人提出了基于注意力机制的序列到序列模型,开启了神经机器翻译(NMT)时代
50%待验证神经机器翻译中存在MAP解码悖论：概率最高的序列并不等同于翻译质量最优的序列，甚至可能出现空序列或过短序列的退化现象
50%