可能原因 1：训练集噪音

在接受硅星人采访的多位机器学习专家当中，大部分人都给这条原因投了票。

形象一点比喻，噪音 (noise) 就是训练翻译系统的数据集里出现的”不正确“的，“脏”的数据。

训练一个优秀的NMT系统，需要大量高质量的平行语料数据——”高质量“指的是准确的翻译，”平行语料“指的是一句英文一句中文的，”I love you = 我爱你“，等等。

这些数据要去哪里找？英汉辞典是一个来源。除此之外，最流行的做法是去互联网上抓取，从全网大量的数据里，抓取到所需要的高质量平行语料。

"you play basketball like caixukun" 被翻译成了”你的篮球打得真好“，噪音是哪来的？硅星人发现有两种可能性：

比如，网上已经存在了大量”caixukun=好“的语料。这些语料在爬取中被微信翻译当成了平行语料并采用了。但是实际上，这属于”噪音“，因为在翻译的语境下建立不了相关性，没办法确保是准确的。微信AI 可能在以后加强类似领域的去噪音。

创办了一家机器学习公司的韩辰*指出：在训练中，微信翻译团队人员可能使用生成对抗攻击 (generative adversarial attack) 的方式，做了类似手动加入噪音，在训练过程中主动对类似的翻译结果进行纠错的操作，最终干扰了翻译结果——这是一种可能发生的情况，我们并不揣测动机。

用噪音干扰计算机视觉图像识别的示例：人类无法辨认的图片，被深度神经网络识别为不同的物体。示例与本文主题无关，仅作参考。

在有噪音等异常情况存在的前提下，系统仍然能够正常训练、工作，给出高质量翻译结果——这样的能力在计算机科学里叫做“鲁棒性”(robustness)。

王夏指出，鲁棒性是NMT以及今后的机器翻译技术都需要改进和注意的。

可能原因 2：集外词

一种可能出现的情况是，在微信翻译训练用的数据集中，压根就没有出现过"caixukun"这个词。

当NMT遇到集外词时，可能会进行拆解找到集内词。这个拆解的过程也是随机的，比方说它可能拆成了 caix ukun，得到的仍然是集外词。

集外词翻译不好是很正常。如果没见过，那就不会翻，出现偏差也是情理之中的。

可能原因 3：领域不匹配

”另一种可能出现的情况是领域不匹配 (domains do not match)，“王夏表示，并指出这并不一定是具体案例的情况。

在这个具体案例中，句子里出现了 basketball（篮球），而微信翻译的训练数据集可能没有篮球领域的，或者跟篮球有关的非常少。一个不匹配的领域，再加上句子里还有一个集外词，共同作用使得翻译结果很难正确。

这个解释行得通。比方说商贸往来是大部分微信用户使用翻译的原因，那么微信在训练NMT时可能用了贸易领域的数据集；篮球不是微信翻译用户的主要场景，那么在训练时也许就没有用篮球的数据集。

如果因为集外词和领域不匹配而出了错，你也不能怪它。没学过的东西，它又怎么可能会呢？

微信AI 的官方网站

可能原因 4：奇怪单词+无法引入常识

这个原因也是由NMT的工作原理导致的。

NMT对于长句子、段落，甚至一整篇文章的翻译效果很不错。这得益于它的机制，在翻译某个词时能够贴合上下文的语境。

但是在短句上，它就不一定灵了——特别是当这个句子完全不通顺的时候。

可能因为在"you play basketball like caixukun"这句话中，caixukun 是一个非常奇怪的单词。它既没有出现在任何一本英语辞典当中，看上去跟句子的上下文也没什么关系。

微信翻译的训练，可能发生在蔡徐坤成为 NBA 中国新春贺岁大使之前

人类在翻译的时候，能够参考已有的常识、知识，翻不出来也可以去查资料。NMT却做不到这一点，当它在工作的时候，它并不具备一个常识库可以去参考。

而且，这一点并不是微信做不好——现在去用同样的句子考考 Google Translate，得到的结果也不令人完全满意。

“这个（无法引入常识的）问题不仅体现在翻译任务上，还包括阅读理解、问答等任务。如何在这一点上做改进，是个很有趣的方向，大家也都还在探索，”王夏表示。

所以，微信做错了吗？