机器翻译（MT）是指使用软件自动将文本或语音从一种自然语言翻译成另一种自然语言。它是人工智能和自然语言处理领域最古老的目标之一，其历史与AI方法的整体演进紧密相关，从符号规则到统计学，再到神经网络。
早期历史
机器翻译研究始于1954年的乔治城-IBM实验，该实验演示了自动将一小部分俄语句子翻译成英语，并伴随乐观预测，认为全自动翻译只需数年即可实现。然而，进展远比预期缓慢；1966年美国ALPAC报告得出结论，机器翻译相对于人工翻译几乎没有实际进展，建议削减资金，这加剧了当时的AI寒冬。随后的几十年产生了基于规则的系统，这些系统手工编码语法和词汇规则，在资源充足的语言对中取得了可用但生硬的结果。
统计机器翻译
从1980年代末开始，并在1990年代和2000年代成熟，统计机器翻译用基于大型双语语料库训练的模型取代了手工编写的规则，直接从数据中学习翻译概率，而非依赖语言学理论。这种方法在跨语言对和数据集上更容易扩展，但通常产生语法上笨拙的输出，因为它逐片段建模翻译，而非作为连贯的句子。
神经机器翻译
2010年代中期向神经机器翻译的转变标志着质量的又一次重大飞跃。早期神经系统使用Seq2seq架构，即一个编码器循环神经网络或长短期记忆网络将源句子压缩为向量，解码器生成翻译，并通过添加注意力机制进行优化，使解码器在每一步能关注相关的源词，而非依赖单一固定摘要。谷歌在2016年将其生产翻译系统切换到神经架构，报告了显著的质量提升。2017年的Transformer架构进一步提高了质量和训练效率，并成为翻译系统的标准架构。
大语言模型时代
自2020年代初以来，通用型大语言模型（如GPT-4和Claude）越来越多地被用于翻译任务，在许多语言对上常常达到或超越专用翻译系统，尤其是对于需要上下文或习语判断而非字面翻译的文本。这种融合模糊了机器翻译作为独立产品类别与翻译作为通用模型中众多能力之一的界限，尽管专用系统在延迟、成本和对极低资源语言的支持方面仍具优势。
应用与局限
机器翻译已嵌入网页浏览器、消息应用、商业软件和国际通信工具中，并大幅降低了跨语言信息获取的成本。它仍难以处理缺乏大型训练语料库的低资源语言、习语和文化特定表达，以及长文档中的一致性，错误在法律、医疗或外交语境中可能带来实际后果，这是应用AI伦理中的一个持续关注点。