这课重点其实很简单：Machine Translation = 在“流畅”和“忠实”之间找最优译文。整节课只是从历史、语言差异、规则方法一路铺垫到统计机器翻译的核心公式。

Lecture 9 你只需要抓住 4 个重点

1. 翻译为什么难？

不是查字典这么简单。因为语言差异发生在多个层次：

词义层面： “bass” 可能是鱼，也可能是乐器；“brother” 翻成中文可能是“哥哥”或“弟弟”。

句法层面： 英语是 SVO：

日语更接近 SOV，逐词翻译会变成：

所以机器翻译的困难不是“找对应单词”，而是：

---

2. 翻译目标：Fluency + Faithfulness

这是全课最核心概念。

一个好翻译必须同时满足：

标准	含义	对应中文
Faithfulness	忠实原文意思	信
Fluency	目标语言自然通顺	达
Elegance	表达得体优雅	雅

课件用 “the Lord is my shepherd” 举例： “the Lord will look after me” 很流畅，但不够忠实； “the Lord is for me like somebody who looks after animals with cotton-like hair” 比较忠实，但不流畅。

所以翻译不是单目标，而是 trade-off：

其中：

符号	含义
	source sentence，源语言句子
	target translation，目标语言译文
	最优译文

---

3. 统计机器翻译的核心公式

课件把目标语言设为 English：

源语言/外语设为：

机器翻译要找：

意思是：

给定 foreign sentence ，找最可能的 English translation 。

用 Bayes theorem：

因为 固定，所以：

这是全课最重要公式。

其中：

是 language model，衡量译文是否流畅。

是 translation model，衡量译文是否忠实于原文。

所以：

---

4. Alignment 是统计翻译的核心隐藏变量

为了估计：

我们需要知道源语言词和目标语言词怎么对应。

这叫 word alignment。

例如法语：

英语：

可能有：

课件用 alignment matrix 表示这种对应关系。

重点是：alignment 可以是一对一、一对多、多对一，甚至有些词对应 NULL。

---

IBM Model 1 到底在干什么？

IBM Model 1 是最简单的统计机器翻译模型。它的想法是：

给定英文句子 ，生成外语句子 。

生成过程：

1. 生成 foreign sentence 的长度
2. 生成 alignment
3. 根据 alignment，从 English words 逐个生成 foreign words

也就是说：

它不是直接翻译，而是建模：

再把所有 alignment 加起来：

这和前面的 HMM / PCFG 思想完全一致：

模型	观测	隐变量	要做什么
HMM	words	POS tags	sum/max hidden states
PCFG	sentence	parse tree	sum/max parse trees
IBM Model 1	bilingual sentences	alignment	sum/max alignments

所以 Lecture 9 不是孤立的，它还是“latent variable model”这条主线。

---

IBM Model 1 的核心缺陷

Model 1 很重要，但非常粗糙。课件列了三个主要问题。

第一，它是 bag-of-words。它认为所有 alignment 位置一样可能，不管词离得多远。所以它不懂语序。

第二，它做 independent word translation。每个词怎么翻译只看词对，不看上下文。所以 bank 在 “money bank” 和 “river bank” 中可能混淆。

第三，它只能很好处理简单的 one-to-many，对真正的 many-to-many、idiom、phrase translation 很弱。

所以 IBM Model 1 的价值不是效果强，而是它建立了统计机器翻译的基本框架：

---

你复习时只背这张图

Machine Translation
│
├── 为什么难？
│   ├── 词义不同：bass, brother
│   ├── 语序不同：SVO vs SOV
│   └── 短语/文化/上下文不同
│
├── 评价目标
│   ├── Fluency: P(E)
│   └── Faithfulness: P(F|E)
│
├── 核心公式
│   └── E* = argmax_E P(F|E)P(E)
│
├── 隐变量
│   └── Alignment A
│
└── IBM Model 1
    ├── 给定 E 生成 F
    ├── 枚举/求和 alignments
    └── 缺陷：不懂语序、不懂上下文、不懂短语

最后一句话总结

Lecture 9 的重点不是 LLM，也不是 Rosetta Stone，而是这条主线：

机器翻译可以被形式化为：在所有候选译文中，选择既流畅 又忠实 的译文；alignment 是连接两种语言词语的隐藏结构，IBM Model 1 是最早把这个问题概率化的经典模型。