機器翻譯如何變得有道德

翻譯行業(yè)應該如何加入到目前關于技術使用中倫理問題的討論中？

除了需要關注機器學習APP產(chǎn)生的碳足跡外，似乎沒有必要將人工智能的可解釋性作為主要企業(yè)社會責任轉變議程的一部分。這些年來，翻譯實踐本身在AI應用前就存在的倫理問題，基本都得到了解決。是的，我們鼓勵生產(chǎn)“有道德意識的機器”，就像我們支持商業(yè)中的道德行動者一樣。但是，是否有必要引入具體的最佳實踐來規(guī)范這一承諾呢？

在著手氣候變化問題時，很明顯，基于語言任務的機器學習特別耗能。目前對此問題的評論相當廣泛，最近，由于高能源成本，用于從數(shù)據(jù)生成文本的Transformer模型已經(jīng)停用。建立這類模型的另一個后果是會限制關于大規(guī)模語言數(shù)據(jù)APP的有效研究，這種模型，由于能源成本太大，只有一些大型科技公司有實力使用。這往往排除了急需但資金不足的學術研究。

然而，與此同時，旨在減少“學習”時間的項目不斷出臺，這也減少了運行這些大型語言模型的成本。在翻譯領域，小型數(shù)據(jù)集的出現(xiàn)也會影響能源消耗嗎？

計算機行業(yè)現(xiàn)在已經(jīng)意識到使用GPU/TPU的碳成本。然而，對我們來說，更長期的問題是，如果我們在未來幾十年里再增加50至500對語言，那么我們該如何應對全球快速增長的機器使用所帶來的全球成本。或者開始使用不利于環(huán)境保護的“大量多語言”數(shù)十億字的數(shù)據(jù)集來驅動的一次性翻譯工作！

正如Systran的Jean Senellart在最近的一次TAUS網(wǎng)絡研討會上所說的那樣，訓練一個NMT模型相當于燒毀一棵大樹。我們應該利用這項技術實現(xiàn)更多的定性（而非定量）突破，共同合作、共享模型，而不是反復地運行重復的流程和配對，以在BLEU分數(shù)上取得微不足道的進步。我們還應該鼓勵低碳供應商系統(tǒng)地選擇與環(huán)保技術供應商合作，并在必要時測量和提高內部對碳計數(shù)的認識。

由技術驅動的偏見甚至是翻譯中的“虛假”經(jīng)歷所引發(fā)道德問題的擔憂，人們的反應可能會更加尖銳。人工智能驅動的翻譯實踐本身不可能導致“社會”偏見或故意造假，只會導致輸出準確或不準確。因此，任何偏見都將從原文中轉移——只有使用翻譯才能使其真值“假”或“真”?！罢麄€行業(yè)的組織都是為了防止客戶向送信人開槍，然而，他們同意處理的信息是有偏見的！”

也就是說，服務供應商仍可能對用于構建自動翻譯解決方案的數(shù)據(jù)集中的潛在偏見表示擔憂。對此的回應可能是：譯后編輯的作用就是為了消除呆板的機器產(chǎn)生的不必要的“偏見”。當然，有趣的是，我們能否教會這項技術能夠自動地將潛在偏見（在“社會”意義上）與行業(yè)誤譯意義上的語義錯誤分辨開來?；蛘吒⒚畹氖?，準確無誤地翻譯某件事是否會在不知不覺中讓人對某個特定的母語使用者產(chǎn)生偏見？展望未來，在某些情況下，對翻譯準確性的追求可能需要社會包容性，以應對新語言用戶群體的新規(guī)范。

類似地，如上所述，自動生成的源文本（例如通過GPT-2解決方案的原文本）未經(jīng)檢查就進入翻譯流程是否存在風險，從而增加了內置偏差的可能性？在回答這些問題之前，我們需要對細節(jié)有更清晰的技術把握，以及更好的高風險案例。

最后，對于翻譯供應商來說，可能有人認為優(yōu)先采用開源技術解決方案是一種道德實踐。這將意味著更傾向于支持操作系統(tǒng)的技術供應商的服務，以確保技術選擇不局限于少數(shù)大公司的產(chǎn)品，并支持進一步的研究和創(chuàng)新。而且，正如Jean Senellart所建議的，這可能會鼓勵整個行業(yè)市場的數(shù)據(jù)和模型的貨幣化。

在該行業(yè)與客戶和最終用戶的對話中，可能會提出其他非技術道德問題。由于在針對某個國家或地區(qū)的內容包中沒有包含給定的語言，例如，未能將重要的醫(yī)療或法律信息的本地語言版本包括在訂單中，此時，供應商應該告知客戶服務中可能存在的反包容或非同理心的行為，這個做法是相當可取的。

最終，這類行動可能演變成一個更廣泛的“倫理與教育”議程，供應商借此努力確保以翻譯為重點的人工智能解決方案能夠系統(tǒng)地適應得不到充分服務的人群。但是，這也意味著該行業(yè)會向未知領域邁出積極的一步。

顯然，所有這些議題都需要更豐富、更深入、更有見地的辯論。告訴我們你的想法！

責任編輯：ct