機械翻訳（MT）とは、ソフトウェアを用いて、ある自然言語から別の自然言語へのテキストまたは音声を自動的に翻訳することである。これは人工知能と自然言語処理における最も古い目標の一つであり、その歴史は、記号的な規則から統計、ニューラルネットワークへと至るAI手法のより広範な進化と密接に連動している。
初期の歴史
機械翻訳の研究は、1954年のジョージタウン-IBM実験によって本格的に始まった。この実験では、ロシア語の文の小規模な集合を英語に自動翻訳するデモが行われ、完全自動翻訳が実現するのは数年先だという楽観的な予測が伴っていた。しかし、進歩は予想よりもはるかに遅く、1966年の米国におけるALPAC報告書は、機械翻訳が人間による翻訳と比較して実質的な進歩をほとんど遂げていないと結論付け、資金削減を勧告し、その時期のより広範なAIの冬に寄与した。その後の数十年間では、文法規則と語彙規則を手作業でコード化した規則ベースのシステムが生み出され、資源が豊富な言語ペアに対しては使用可能であるがぎこちない結果を達成した。
統計的機械翻訳
1980年代後半から始まり、1990年代から2000年代にかけて成熟した統計的機械翻訳は、手書きの規則を大規模なバイリンガルコーパスで訓練されたモデルに置き換え、言語理論ではなくデータから直接翻訳確率を学習した。このアプローチは、言語ペアやデータセットをまたいでより容易に拡張できたが、翻訳を一貫した文としてではなく断片的にモデル化したため、文法的に不自然な出力を生み出すことが多かった。
ニューラル機械翻訳
2010年代半ばのニューラル機械翻訳への移行は、品質におけるもう一つの大きな飛躍を示した。初期のニューラルシステムはシーケンス・ツー・シーケンスアーキテクチャを使用し、エンコーダーであるリカレントニューラルネットワークまたはLSTMがソース文をベクトルに圧縮し、デコーダーが翻訳を生成した。さらに、アテンションメカニズムの追加により洗練され、デコーダーが単一の固定された要約に依存するのではなく、各ステップで関連するソース語に焦点を当てられるようになった。Googleは2016年に本番の翻訳システムをニューラルアーキテクチャに切り替え、大幅な品質向上を報告した。2017年のトランスフォーマーアーキテクチャは、品質と訓練効率の両方をさらに改善し、翻訳システムの標準アーキテクチャとなった。
大規模言語モデルの時代
2020年代初頭以降、GPT-4やClaudeなどの汎用大規模言語モデルが翻訳タスクにますます使用されるようになり、多くの言語ペア、特に文字通りの翻訳ではなく文脈的または慣用的な判断を必要とするテキストにおいて、専用の翻訳システムに匹敵するか、それを上回ることが多い。この収束により、機械翻訳を独立した製品カテゴリとして捉えることと、翻訳を汎用モデル内の多くの能力の一つとして捉えることの境界線が曖昧になったが、専用システムは、遅延、コスト、および非常に低リソース言語のサポートにおいて依然として利点を保持している。
応用と限界
機械翻訳は、ウェブブラウザ、メッセージングアプリ、ビジネスソフトウェア、および国際コミュニケーションツールに組み込まれており、言語を越えた情報へのアクセスコストを大幅に引き下げている。しかし、大規模な訓練コーパスを欠く低リソース言語、慣用的および文化的に特有の表現、長い文書にわたる一貫性には依然として苦労しており、誤りは法律、医療、または外交の文脈において現実的な結果をもたらす可能性があり、これは応用AI倫理における継続的な懸念事項である。