我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
機器翻譯 (Machine Translation) 是指通過機器轉換和輸出來再現人工翻譯的過程，機器翻譯流程如下圖所示：
圖片出自書籍：Transformers for Natural Language Processing and Computer Vision, 2024
各個方框的依序說明如下：
- 選擇一個句子來翻譯
- 學習單詞之間如何通過數億個參數相互關聯
- 學習單詞之間相互查閱的多種方式
- 使用 Machine Transduction 將學到的參數應用到新序列中
- 選擇一個單詞或序列的候選翻譯
該過程總是從需要翻譯的源語言 A 的句子開始，過程的最後是輸出包含目標語言 B 的翻譯句子，中間的計算涉及轉換過程。
例如，歐洲議會的一名口譯員不會逐字逐句地翻譯一句話，逐字翻譯通常沒有意義，因為它們缺乏正確的語法結構，無法產生正確的翻譯，因為忽略了每個單詞的上下文。Human Transduction 將語言 A 中的一個句子建構成句子意義的認知表徵。歐洲議會的口譯員（口頭翻譯）或翻譯員（書面翻譯）只會將該轉換轉化為語言 B 中該句子的解釋。我們將口譯員或翻譯員在語言 B 中完成的翻譯稱為參考句子 (Reference Sentence)。
在現實生活中，人類翻譯員不會將句子 A 多次翻譯成句子 B，而僅會翻譯一次，然而，在現實生活中可能會有多位翻譯員將句子 A 翻譯成句子 B，例如，你可以找到多個翻譯員將蒙田的《隨筆》的法文版本翻譯成英文，如果從原始的法文版本中選取一個句子 A，你會發現多個句子 B 的版本，分別標註為參考 1 到 n。
如果有一天你去歐洲議會，你可能會注意到口譯員只會進行有限時間翻譯，例如兩個小時，然後，另一個口譯員接替繼續，沒有兩個口譯員有相同的風格，就像作家有不同的風格一樣，例如，源語言中的句子 A 可能會由同一人在一天內多次重複，但被翻譯成多個參考句子 B 的版本，機器必須找到一種與人類翻譯員思考相同的方式。
