Google 翻譯宣布中翻英系統 AI 大升級，正確性更接近人類翻譯|數位時代 BusinessNext

Google 翻譯宣布中翻英系統 AI 大升級，正確性更接近人類翻譯

Google翻譯28日宣布了一個大升級，翻譯結果將減少 55% 到 85% 的錯誤率。

「 Google 翻譯」作為一個堪用的免費機器翻譯服務，相信在很多人的生活與工作中提供了不少幫助，例如旅行時可以用「拍照翻譯」即時翻出真實世界紙本、招牌的內容，要跟陌生外國人對話時試試看「對話同步口譯」，甚至你還能活用它聰明的圖像與文字辨識技術，來滿足 OCR 需求：「大絕招！用 Google 翻譯 App 複製書籍講義紙上文字」。

不過 Google 翻譯有時候也是網路笑話的來源之一，因為機器翻譯總容易翻出一些奇怪的句子，這也導致我們在工作上如果要使用 Google 翻譯，例如「寫英文信」、「寫英文報告」時，通常會更謹慎，並且會使用其他工具來輔助，例如：「翻譯軟體外 9 款職場英文工具」。

但是今天（28日） Google 翻譯宣布了一個大升級，或許可以稍稍改變上述的情況， Google 公告其翻譯系統將正式啟用全新的「Google Neural Machine Translation system (GNMT),（ Google 神經機器翻譯系統）」，取代之前的「Phrase-Based Machine Translation」系統，而這將為 Google 翻譯結果減少 55% 到 85% 的錯誤率。

並且更重要的消息是， Google 宣稱現在開始，這個全新的機器學習翻譯系統，將全面啟用在「中文翻英文」需求上，無論手機翻譯 App 或網頁翻譯都立即升級。

從下面這張來自 Google 部落格的圖表，可以看到從舊有的 PBMT 翻譯系統，升級到新的以機器學習為核心的 GNMT 翻譯系統後，在翻譯品質上將更接近人類翻譯的結果。

像是中文翻英文這樣本身語言邏輯就很不相同的翻譯，難度本就很高， Google 也承認現在機器翻譯依然難以達到人類翻譯的水準，還是會有一些明顯錯誤，不過已經「愈來愈趨近人類翻譯水準」。

下圖就是我剛剛測試的，把上面這段中文，用 Google 翻譯翻成英文的結果。

Google 說全新的「Google Neural Machine Translation system (GNMT),（ Google 神經機器翻譯系統）」，最大的不同就是不會斷章取義，不再是堆砌短詞翻譯，而是會考量整個句子的語境與通順度，翻出更流暢的文意。

而這背後的技術，當然就是從今年初開始就不斷被提及的 Google 機器學習技術，透過深度的學習，以及對於人類神經思考的模擬，於是有了 Google 圍棋程式打敗韓國職業棋手的大事件。

事實上，這樣的機器學習技術離我們並不遠，許多「現在生活與工作立即有用的功能」，以及內建在各個 Google 服務中：「Google 機器學習的智慧生活真應用，這些現在就能用」。

所以類似的技術應用到 Google 翻譯的改進，也是理所當然。

目前 Google 翻譯全新的「Google Neural Machine Translation system (GNMT),（ Google 神經機器翻譯系統）」升級，暫時只適用在「中文翻譯成英文」這個單向的需求中，但 Google 也說明未來會盡快開始所有翻譯語言的升級。

當 Google 中翻英的結果更正確、更接近人類翻譯後，是不是這樣的翻譯更能應用在我們平常工作寫英文信、寫英文報告的輔助上呢？大家可以立刻打開你的 Google 翻譯一起試試看。

延伸閱讀相關文章：

本文授權轉載自：電腦玩物

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。