Мужчина пошел в ресторан и заказал бургер, прожаренный редко. Когда его принесли, он был сожжен для миндального грильяжа. Официантка остановилась рядом со столиком мужчины. “Вам нравится бургер?” – спросила она. “О, он просто невероятен”, – ответил мужчина, отодвинул стул и покинул ресторан, не заплатив. Официантка крикнула ему вслед: “Эй, а платить кто будет?” Она пожала плечами и тихим голосом пробормотала: “Почему он такой изогнутый?”[270]
Мужчина вошел в ресторан и заказал редкий гамбургер. Когда он добрался до места назначения, он был прожарен слишком сильно. Официантка остановилась возле столика мужчины. “Хороший гамбургер?” – спросила она. “О, он великолепен”, – ответил мужчина, отодвинул стул в сторону и поспешил к выходу из ресторана, не заплатив. Официантка крикнула: “Эй, а платить кто будет?” Она пожала плечами и прошептала: “Почему он был такой сутулый?”[271]
Читать эти переводы – все равно что слушать знакомое музыкальное произведение в исполнении талантливого, но склонного к ошибкам пианиста. В целом, история узнаваема, но досадным образом исковеркана: короткие отрезки мелодии звучат прекрасно, но их постоянно прерывают режущие слух фальшивые ноты.
Можно видеть, что “Google Переводчик” порой выбирает неверное значение при переводе многозначных слов, таких как rare (“с кровью”, редкий и др.) и bill (счет, акт, билль и др.) – в переводе на французский они превратились в “нечасто” и “законопроект”. Это происходит, потому что программа не обращает внимания на контекст, формируемый предыдущими словами и предложениями. Такие идиомы, как burned to a crisp (пережарен до хруста) и bent out of shape (раскипятился, вышел из себя), переводятся странным образом: похоже, программа не умеет находить соответствующие идиомы в языке перевода или понимать их истинное значение. В то время как основной костяк истории сохраняется, во всех переводах оказываются утраченными некоторые важные тонкости, включая гнев мужчины, выраженный фразой storming out of the restaurant (гневно зашагал прочь из ресторана), и неудовольствие официантки, показанное выражением muttering under her breath (буркнула себе под нос). Не говоря уж о том, что верная грамматика порой пропадает без следа.
Я не придираюсь конкретно к “Google Переводчику” – я попробовала несколько других сервисов онлайн-перевода и получила схожие результаты. Это неудивительно, поскольку все подобные системы используют практически идентичную архитектуру кодер-декодер. Также важно отметить, что полученные переводы относятся к конкретному моменту развития переводческих систем, которые постоянно совершенствуются, в связи с чем некоторые переводческие ошибки из моих примеров могут оказаться исправленными к тому времени, когда вы прочтете эти строки. Однако я полагаю, что машинный перевод еще долго не достигнет уровня человеческого – а если и достигнет, то лишь в частных случаях.
Основное препятствие в том, что системы машинного перевода, как и системы распознавания речи, выполняют свою задачу, не понимая обрабатываемый текст[272]. В сфере перевода, как и в сфере распознавания речи, остается вопрос: какая степень понимания необходима машинам, чтобы они смогли добиться человеческих результатов? Дуглас Хофштадтер утверждает: “Перевод – это гораздо более сложная задача, чем поиск соответствий в словаре и перестановка слов… Перевод предполагает наличие ментальной модели мира, о котором идет речь”[273]. Например, человеческий перевод истории о ресторане предполагает наличие ментальной модели, в рамках которой в ситуации, когда человек выбегает из ресторана, не заплатив, официантка с большей вероятностью кричит ему вслед об оплате счета, чем о “законопроекте”. Словам Хофштадтера вторит недавняя статья исследователей ИИ Эрнеста Дэвиса и Гэри Маркуса: “Машинный перевод… часто сталкивается с проблемами неоднозначности, разрешить которые невозможно, не добившись истинного понимания текста – и не пустив в ход знания о реальном мире”[274].
