专访 | 网易有道 CEO 周枫：需求为先的 AI 技术赋能

正文

请到「今天看啥」查看全文

周枫先后于清华大学和加州大学伯克利分校取得计算机本科、硕士和博士学位。2005 年，还在博士就读阶段的周枫就负责了网易有道搜索的基础架构搭建。毕业正式加入网易后，周枫先后负责了账号保护器「将军令」、有道词典、有道购物助手（现惠惠购物助手）的开发。其中有道词典利用独创的「网络释义」功能，通过对互联网信息的深度挖掘对单词给出具有时效性的参考释义，获得了广泛好评，现用户量已超过 6 亿。本次活动结束后，机器之心和周枫聊了聊有道神经机器翻译的开发历程，以及深度学习为业界带来了哪些变化。

图：周枫在「网易有道开放日」现场

成立专门团队提前布局

从谷歌发布相关论文、切换系统开始，神经机器翻译「大火」还不到一年，而有道在神经机器翻译领域的部署远早于此。

「2014 年，NMT 达到和 SMT 同样水准，我们开始关注它。2015 年，学术界发表了超过 SMT 的 NMT 系统，我们就成立了专门的团队做这件事。当时并不知道能否做得出来，因为即使做出来效果很好，性能达不到标准也没法上线。但是我们都认同，虽然做这件事有风险，不做风险更大。」周枫说，「我们比较庆幸开始得非常早，因为深度学习尽管从模型角度做了很多简化，但在工程上还是有非常多『坑』需要逐一踩的。神经机器翻译系统我们做了整整两年，处理的数据数量在一亿句以上。而在性能方面，直到今年春节，还有很多问题没有解决，当时翻译一句话还要一秒钟。从原型到上线，我们的模型在速度上优化了 100 倍。」

在部署方面，团队做了很多尝试。最典型的例子是在推理部分（inference）的硬件选择上。「我们分别尝试了 CPU、GPU 与 FPGA，最后选择了 GPU。」周枫介绍道，「GPU 的特点是并发度高，CPU 的特点是单线程能力强。GPU 的优点在于能够同时翻译很多句子，但是用于翻译的推理障碍还是很多。尽管在单位计算量非常小的时候 GPU 有非常明显的优势，但是翻译一个句子计算量很大，会出现数据吞吐量（throughput）很大但是延迟很长的问题。我们的工程师对此做了非常多的优化。我们也研究了 FPGA，判断是 FPGA 低功耗和定制的特点让它更适合无人机等移动场景，在服务器环境下优势不明显且变成较为困难。」

词典与翻译的长期积累和大用户基数也为团队提供了极大的便利。「在训练数据中，来自互联网的爬虫数据占比最多，然而我们通过其他途径采集的针对性数据在作用上可能更为重要。从词典开始的网络释义工作帮了我们很多。我们通过比较深度的挖掘获取了非常多优质的短语语料，这些语料用于翻译系统，对翻译质量的提升有非常大的贡献。同时大量的用户给我们带来了很多及时的反馈，技术团队能够保持一个月更新一个版本的频率来发现问题、解决问题。」

基于用户需求，实现场景优化、新技术引入与新平台开放

请到「今天看啥」查看全文