新神经机器翻译方法MetaNMT一经提出，就凭借其在低资源神经机器翻译上的优越性能表现而备受学界褒奖。MetaNMT的优异表现还要归功于MAML——与模型无关的元学习，使得MetaNMT与传统的NLP不同，能够更加高效地完成任务。
过去十年，随着Attention模型、LSTM、记忆Memory等等方法的出现，尤其是在神经网络的加持下，机器翻译的水平取得了长足的进步。
在英法、中英这样的大语种（Rich Language）翻译任务上，机器的表现几乎可以媲美人类的水平。甚至已经开始登堂入室，承接了不少国际大会的翻译业务，让人类翻译感受到了深深的失业焦虑。
然而，神经机器翻译（NMT）的成功，往往依赖于以大量高质量的双语语料作为训练数据。如果是蒙古语、印度语这些小语种，无法提供足够多的双语数据，更极端的现实情况是，有些语言几乎没有任何双语预料，这种情况下NMT就无能为力了。
标注数据资源的贫乏问题，一直没有什么好的解决办法。
因此，来自香港大学、纽约大学的研究人员Jiatao Gu、Yong Wang等人，提出了新神经机器翻译方法——MetaNMT。
论文一经发表，就凭借在低资源神经机器翻译（NMT）上的优异性能表现惊艳了学界，成为2018年最具影响力的NLP创新之一。论文不仅被NLP领域领先的会议EMNLP收录，还拿下了Facebook的低资源神经机器翻译奖。
今天，我们就来看看MetaNMT方法究竟有何过人之处？
什么是MetaNMT算法？
简单来说：MetaNMT算法就是将元学习算法（MAML），用于低资源神经机器翻译（NMT）中。将翻译问题建构为元学习问题，从而解决低资源语言语料匮乏的难题。
研究人员先使用许多高资源语言（比如英语和法语），训练出了一个表现极佳的初始参数，然后使构建一个所有语言的词汇表。再以初始参数/模型为基础，训练低资源语言的翻译（比如英语VS希伯来语，法语VS希伯来语）。
在此基础上，进行进一步优化初始模型，最终得到的模型就可以很好地提升小语种翻译模型的性能。
具体到实验中，研究人员使用十八种欧洲语言所训练的元学习策略，被应用在以五种小语种语言（Ro，Lv，Fi，Tr和Ko）为目标的任务中。
结果证明：通过16000个翻译单词（约600个并行句子），罗马尼亚语-英语WMT’16上实现高达22.04 BLEU。
数据显示：MetaNMT训练出的系统，表现要明显优于基于多语言迁移学习。
这意味着：只需要一小部分的训练样例，我们就能训练出效果更好的NMT系统。很多语料库非常小的语言，机器翻译时也不会再一筹莫展或者胡言乱语了。
NLP的神助攻：元学习强在何处？
MetaNMT之所以取得如此良好的效果，核心就在于引入的MAML（Model Agnostic Meta Learning）——即与模型无关的元学习方法。
简单来说，元学习就是要让智能体利用以往的知识经验“学会如何学习”（Learning to learn），然后更高效地完成新任务。
传统NLP任务中常用的迁移学习（transfer leaning）或多任务学习（Multi-Task Learning），输入端训练得到的编码器（Encoder），会直接转化为对应的向量表示序列，直指目标任务。
而MetaNMT，则是通过高资源语言系统的训练，得到一个独立于原任务的通用策略方法，再让极低资源的语言系统根据这种学习方法，并反复地模拟训练。
过去，元学习一直被用来进行小样本学习、通用机器人等训练中。MetaNMT的提出，也是MAML第一次在NLP领域成功应用。
那么，未来随着元学习的加入，NLP领域会产生哪些可能的变化呢？
首先，降低NLP任务的研究门槛。
深度增强学习需要的训练数据量规模越来越大，游戏等动态任务环境所涉及的奖励机制也日趋复杂。
在StyleGAN、BERT等“巨无霸”模型的争夺下，GPU/TPU计算时长变得极其昂贵，NLP俨然快要成为土豪大公司才有资格玩的游戏了。
与之相比，通过少量样本资源就能学会新概念的元学习方法，可以只使用少量的梯度迭代步来解决新的学习任务，就显得平易近人很多。
其次，提升NLP任务的学习效率。
传统的数据集更新周期长，往往需要根据新任务进行改造和再编辑。
而元学习就改变了这一现状，先让系统接触大量的任务进行训练，再从中学会完成新任务的方法，可以快速（只需少量步骤）高效（只使用几个例子）地应用于广泛的NLP任务中。
尤其是在特定领域对话系统、客服系统、多轮问答系统等任务中，在用户的使用过程中就可以收集丰富的信息，让系统在动态学习中构建越来越强大的性能。
除此之外，元学习还能帮助NLP实现个性化、智能化进阶。
特定用户可以根据已有的知识经验和认知结构，与元学习系统之间建立联系。通过不同个体的动态交互与信息反馈等，元学习系统可以不断丰富，和修正自身的知识网络和输出效果，最终使得构建个性化产品变得更加方便快捷，高智能交互也因此成为可能。
总而言之，Few-Shot（低资源）、Fast Adaptation（高适应性）、Reusability（重用性）等特点，使得元学习的价值前所未有地清晰起来，某种程度上也代表了NLP接下来的研究方向。
道阻且长：NLP的进化之路
既然元学习之于NLP领域意义重大，为什么直到现在才出现了一个成功案例呢？
这恐怕还要从低资源型语言的研究现状说起。
前面提到：验证元学习系统性能最好的方式，就是将其放到低资源任务中，看看是否和大规模任务一样出色。
但这么做有个前提，就是：能够建立起对应的数据集。
然而，这对稀缺资源的小语种来说，也不是件容易的事。
以MetaNMT为例：就为各个语言建立了词汇表。
其中的低资源型目标任务——土耳其语、拉脱维亚语、罗马尼亚语、芬兰语等等，就是通过16000个翻译单词（约600个并行句子）完成的，这已经是目前神经机器翻译的极限了。
然而，全世界6000多种语言中，80%人口讲的都是主要的83种语言，剩下的有30%都处在语料资源极度匮乏的状态，而且绝大多数没有任何文字记载，有的甚至使用者不足十人。
缺乏相关的数据集，往往只有少量文本可供使用，成为阻碍小语种机器翻译最大的拦路虎。即使有元学习这样的神兵利器，也没有用武之地。而近年来，情况正在发生一些积极的变化。
一方面越来越多的人开始重视濒危语言保护问题，出现了公益化的语料收集项目和相关数据库，大大降低了小语种的研究难度。
比如：南非数字语言资源中心（SADiLaR），已经能够提供许多南非的语言资源。
另外，NLP研究的发展，也激发了更多的人创建，并开放出极低资源语料数据集，为跨语言模型开发、低资源语言训练等提供了可能性。
比如：FAIR 和纽约大学的研究者合作开发的一个自然语言推断语料库 XNLI，将MultiNLI 的测试集和开发集扩展到 15 种语言，里面就包含了斯瓦西里语和乌尔都语等低资源语言。
目前看来，MetaNMT之所以备受褒奖，并不是因为它一出手就取得了什么炸裂至极的效果。
它的价值，更多的是作为一种灵感和理念，去传达技术的本质，引领更具价值的理想化的创造。
NLP的进步，不应来自于堆砌资源和规模，不应只停留在本就饱和的领域，而是构建出真正无障碍的语言系统。让说着匮乏型语言的人们，也能够阅读非母语的新闻，或者在遇到问题时求助于可靠的专家系统。
如果技术不去往那些真正的荒芜之地，又有什么意义？
