机器翻译（MT）是指使用软件将文本或语音从一种自然语言转换为另一种自然语言。其历史跨越七十余年，从基于字典的简单词汇替换，发展到由人工智能和深度学习驱动的复杂系统。该领域经历了由计算能力、语言学理论和数字文本可用性变化所引发的乐观与失望的周期性循环。
最早的实用机器翻译方案提出于20世纪40年代，与电子计算机的发展同步。1947年，洛克菲勒基金会数学家沃伦·韦弗撰写了一份备忘录，提出翻译可以被视为密码学或统计推断问题。这一想法为1954年机器翻译的首次公开演示奠定了基础，当时乔治城大学与IBM合作推出的系统利用固定词典和语法规则，将少量俄语句子翻译成英语。尽管功能有限，该演示引发了广泛热情，并为美国带来了联邦资助。
早期基于规则的系统
在20世纪50年代和60年代，大多数机器翻译研究采用基于规则的方法。这些系统依赖手工编写的词典和语法规则，对源文本进行解析，将词汇和结构映射到目标语言，并生成输出。著名例子包括20世纪60年代末开发的Systran系统，该系统后来被美国空军和欧盟委员会使用。然而，自然语言的复杂性，包括歧义、习语和不规则语法，远超早期研究者的预期。1966年，由美国政府委托的自动语言处理咨询委员会（ALPAC）报告得出结论，机器翻译比人工翻译更慢、更不准确且更昂贵，导致资金大幅削减，并进入一段常被称为机器翻译“AI寒冬”的时期。
尽管受挫，研究仍以多种形式继续。20世纪70年代和80年代，基于迁移和基于中间语言的系统得到了发展，这些系统试图用中间语言表示意义。这些方法需要大量语言学知识，且难以扩展。日本开发的富士通和NEC等商业系统相继问世，但其质量仍局限于狭窄领域。
统计和语料库方法
20世纪80年代末至90年代，统计机器翻译（SMT）的兴起带来了重大范式转变。SMT不依赖显式规则，而是利用大量平行文本（双语语料库）来学习翻译概率。IBM模型由卡内基梅隆大学和IBM研究机构在20世纪90年代初开发，将翻译形式化为在给定源句的情况下寻找最可能目标句的问题。后来，21世纪初引入的基于短语的SMT通过翻译连续词序列而非单个词，提高了质量。谷歌翻译等系统于2006年推出，最初采用SMT，利用大规模网络语料库。
SMT代表了重大进步，但仍面临词序、长距离依赖和生僻词等问题。麻省理工学院计算机科学与人工智能实验室等机构的研究者探索了融入语言结构的基于句法的模型，但这些模型复杂，且往往未能超越更简单的基于短语的系统。
神经机器翻译
2014年，神经机器翻译（NMT）的引入带来了第二次重大突破。NMT使用神经网络架构，特别是具有编码器-解码器结构的序列到序列模型，一次性翻译整个句子。最初的NMT模型由多伦多大学和谷歌的研究者开发，使用带长短期记忆（LSTM）单元的循环神经网络（RNN）。2015年，谷歌团队（包括雅各布·乌兹科赖特和卢卡斯·凯泽）在Transformer架构中引入的多头注意力机制彻底取代了循环结构，实现了并行处理并更好地应对长距离依赖。Transformer成为现代机器翻译的基础。
NMT系统，如谷歌2016年推出的神经机器翻译（GNMT），在流畅度和准确性上取得了显著提升，对于常见语言对往往接近人类水平。这些系统使用机器学习技术在海量数据集上训练，通过深度学习模型直接学习从源文本到目标文本的映射。大语言模型的发展，如OpenAI的GPT系列和Anthropic的Claude，进一步推动了机器翻译，这些模型可以将翻译作为众多任务之一，利用其广泛的语言理解能力。
现代时代与大型语言模型
自2010年代末以来，机器翻译已与生成式人工智能深度融合。大型语言模型在海量多语言语料库上训练，通常在没有显式平行数据的情况下，通过少样本或零样本学习即可实现高质量翻译。OpenAI、Anthropic和谷歌DeepMind等公司已部署可处理数十种语言和方言的模型。这些系统通过亚马逊云服务、微软Azure和谷歌云等云平台提供，使机器翻译成为网络浏览器、移动设备和企业软件中的普遍工具。
尽管取得这些进展，挑战依然存在。低资源语言、领域特定术语和文化细微差异仍构成困难。研究者继续探索数据增强、课程学习和基于AI反馈的强化学习等技术，以提高鲁棒性。因此，机器翻译的历史是一个持续创新的故事，从基于规则的先驱到当前的神经和生成模型时代，每一代都建立在先前经验的基础上。
关键里程碑与机构
多个机构发挥了关键作用。施乐帕洛阿尔托研究中心为早期自然语言处理研究做出了贡献。诺基亚贝尔实验室和日本电气活跃于商业机器翻译领域。斯坦福人工智能实验室、伯克利人工智能研究和牛津大学等学术中心产出了有影响力的研究。该领域还受益于个体研究者的工作，包括早期神经网络领域的伯纳德·威德罗和机器学习领域的迈克尔·乔丹。机器翻译的持续演进与硬件进步密切相关，英伟达（虽不在提供列表中，注意：未链接）和超威等公司为训练大型模型提供了计算能力。
未来方向
机器翻译的未来可能涉及与语音识别和合成的更紧密集成、实时翻译以及对多模态内容的改进处理。随着人工智能的持续发展，机器翻译可能变得更加无缝，但意义、语境和文化适应等根本性挑战仍将是该领域的核心。