机器翻译是什么？让计算机把一种语言自动翻成另一种

机器翻译（Machine Translation，MT）是利用计算机程序，把一种自然语言的文字或语音自动地翻译成另一种自然语言的技术。它是自然语言处理中历史最悠久、也最具挑战性的任务之一。

发展历程

早期的探索：机器翻译的设想几乎与计算机同时诞生。1949 年，美国科学家沃伦·韦弗发表了一份关于用计算机进行翻译的备忘录。1954 年，美国乔治城大学和 IBM 公司合作进行了一次公开的演示，用计算机把六十多个俄语句子翻译成了英语，引起了广泛的关注，人们一度乐观地认为几年之内就能解决机器翻译的问题。但在 1966 年，美国的一份评估报告认为机器翻译的进展远低于预期，导致相关的研究经费大幅削减，机器翻译进入了低潮。

基于规则的机器翻译：从 20 世纪 50 年代到 80 年代，机器翻译主要依靠语言学家编写的大量词典和语法规则：分析源语言句子的语法结构，再按照规则转换成目标语言的结构，最后生成译文。这种方法需要大量的人工，难以覆盖语言中千变万化的表达，译文生硬。

统计机器翻译：20 世纪 90 年代初，IBM 的研究者提出了基于统计的方法：不再依赖人工编写的规则，而是从大量的双语对照文本中，自动地统计出词语和短语之间的翻译对应关系，以及它们出现的概率。后来发展出的基于短语的统计机器翻译成为主流，谷歌翻译最初也采用了这种方法。它比基于规则的方法好了很多，但译文仍然常常不够通顺。

神经机器翻译：2014 年前后，研究者开始用深度神经网络进行翻译：用一个网络读入整个源语言句子，再用另一个网络生成译文，并引入了注意力机制，让模型在生成每个词时能够关注源句子中相关的部分。神经机器翻译的译文流畅程度大幅提升，2016 年谷歌宣布其翻译服务转向神经机器翻译。2017 年，专门为机器翻译设计的 Transformer 架构问世，进一步提升了翻译的质量和速度，并成为后来大语言模型的基础。

大语言模型时代：如今，大语言模型展现出了很强的翻译能力，能够结合更长的上下文理解原文，处理口语、俚语和文化背景，还能按照要求调整译文的风格，比如更正式或更口语化。

怎么评价翻译的质量

最可靠的方法是请懂双语的人来评价，但成本很高。常用的自动评价指标是 BLEU，由 IBM 的研究者在 2002 年提出，它通过比较机器译文与人工参考译文中重合的词语和短语的比例来打分。BLEU 计算快速，便于比较不同的系统，但它只看表面的词语重合，可能给意思正确但用词不同的译文打低分。后来出现了 COMET 等基于神经网络的评价指标，与人工评价的一致性更高。

仍然存在的挑战

尽管机器翻译已经取得了巨大的进步，但仍有一些难点：一词多义和需要上下文才能理解的表达；成语、俗语、双关语和具有文化特色的表达；专业领域的术语；资源较少的语言，缺乏大量的双语训练数据，翻译质量明显较低；以及有时会出现漏译、错译，甚至凭空添加原文中没有的内容。在法律合同、医疗文书、出版等对准确性要求很高的场合，机器翻译通常只能作为辅助，仍然需要专业译者进行审校。