机器翻译简史

让机器翻译人类语言，是计算机科学最古老的梦想之一。70 年来，机器翻译经历了三个时代。

第一个时代：规则翻译（1950s-1980s）

思路：给机器一本词典加一套语法规则，让它逐词翻译再调整语序。

1954 年，乔治城大学做了第一次机器翻译实验：把俄语翻译成英语。6 条规则、250 个词，翻译了 49 个句子。结果令人兴奋，很多人以为再过 5 年机器翻译就完美了。

但现实很残酷：

• 语言的规则太多了，例外比规则还多
• 一个词有多个意思，机器不知道选哪个。「bank」是银行还是河岸？要看上下文
• 不同语言语序差异大，逐词翻译行不通

到 1966 年，一份报告（ALPAC 报告）断言机器翻译短期内不可能成功，资金枯竭，进入寒冬。

第二个时代：统计翻译（1990s-2010s）

思路：不教机器规则，给它大量双语对照文本，让它自己学统计规律。

IBM 在 1993 年提出了统计机器翻译的数学模型。不再需要人工写规则，只要有足够的双语数据。Google 翻译在 2006 年用这种方法实现了大跨越，支持几十种语言。

统计翻译的核心：找最可能的翻译。P(翻译|原文) = 最大化。用大量平行文本计算这个概率。

优点：不需要语言学知识，效果随数据增加而提升。
缺点：需要大量双语数据，小语种做不到；逐句翻译不考虑全文语境；译文不够流畅。

第三个时代：神经翻译（2014-至今）

思路：用神经网络（深度学习）模拟人脑，让机器自己学会「理解」语言再翻译。

2014 年，Google 和蒙特利尔大学几乎同时发表了神经机器翻译的论文。2016 年 Google 翻译切换到神经网络系统，质量飞跃，被《纽约时报》称为「AI 的重大突破」。

神经翻译的特点：译文更流畅，能考虑更长距离的上下文，甚至能做零样本翻译（没见过 A-B 平行文本，但见过 A-C 和 C-B，就能翻译 A-B）。

练习：用翻译软件翻译同一段话，对比三年前和现在的结果，感受进步有多大。