中国外语

机器翻译研究综述①

第17卷 第6期 （总第98期）

2020年11月
高璐璐 东北大学
赵 雯 暨南大学

摘 要：机器翻译历经几十年的发展变化，从“机械大脑”到基于规则的机器翻译、基
于实例的机器翻译、基于统计的机器翻译和基于深度学习的神经网络机器翻
译，在技术上不断推陈出新，算法上不断优化升级。机器翻译在不同的发展阶
段呈现出不同的特点，厘清机器翻译系统各阶段的技术内涵与特征、发展状
况、优势及局限，反思机器翻译发展面临的机遇与挑战，在机器翻译系统快速
发展的现阶段显得尤为必要。
主题词：机器翻译；技术；挑战

中图分类号：H059 文献标识码：A 文章编号：1672-9382(2020)06-0097-07

DOI:10.13564/j.cnki.issn.1672-9382.2020.06.015

机器翻译作为计算机技术应用历史最悠 出版的《通讯的数学原理》一书中，将思想
久的领域之一，由于涉及多类学科研究，从诞 的交流看作“编码—解码”过程。We a v e r在
生之日起就得到了语言学家、哲学家、心理学 1949年首次提出了使用计算机进行翻译的思
家、科学家、工程师等不同领域学者的关注 想，提出了避免出现“字对字”翻译的四条具
（Cheragui，2012）。在70年的发展历程里， 体原则：语境对词汇意义的影响、语言的逻辑
机器翻译经历了从兴起到高峰，从低迷到打开 性与推理性、翻译过程与解码过程以及语言的
新的研究思路，印证了其较强的行业应用及学 普遍性特点。（同上）在Weaver的启示下，机
术研究价值。 器翻译研究得以兴起并快速发展。麻省理工学
院的博士后研究学者，以色列著名哲学家、语

1 机器翻译发展历史 言学家和数学家Bar-Hillel于1952年组织召开了
第一次机器翻译大会，之后美国的乔治敦大学、
机器翻译的雏形在计算机技术真正诞生前 华盛顿大学、国际商业机器学习（IBM）也积极
就已存在。在20世纪30年代，“机械大脑” 展开有关机器翻译的研究。英国剑桥大学、苏联
通过物理的方式寻找到源语词汇与目标语中该 列宁格勒大学以及法国、日本、中国等国家也
词汇的意义。苏联Smirnov-Trokanskij教授设 相继投入到机器翻译的研究中。
计的“辅助翻译工作场”通过利用类似的机械 早期机器翻译研究得以快速发展一是
化物理原理，首先在词汇层面完成意义翻译， 由于研究领域的新颖与跨学科性，二是出于
作者简介：高璐
然后由人工进行校对并组织成句篇。二战后计 不同国家对机器翻译研究的实际需求。美国
算机的发明使得最初的机械方法得以进一步改 与苏联在经济上的竞争、欧盟成员国之间的 璐，东北大学外国
进。伦敦大学研究人员Andrew Booth通过设 有效合作、日本与中国对发达国家的技术学 语学院副教授，研
计、增加搜索算法，使得之前的机械方法更有 习，都极大地推动了这一时期机器翻译研究 究 方 向 ： 翻 译 、
效率。机器翻译研究真正开始于19世纪40年代 的蓬勃发展。 科技哲学、认知
末，始于自然语言处理之父Warren Weaver。 哲学，E-m a i l:
（Poibeau，2017） 1.2  机器翻译发展停滞期（1960—1967） mercury7989@163.
1950年到1960年期间的机器翻译研究主 com。赵雯，暨南
1.1  机器翻译的产生与初步发展（1949— 要针对理论语言学中的句法分析，建立起了多 大学外国语学院教
1960） 种基于句法分析的机器翻译模型。机器翻译的 授，研究方向：应
Warren Weaver将翻译过程看成一种“解 快速发展带动了美国、苏联、欧洲和中国的相 用语言学、科技哲
码”过程。1949年Weaver与Shannon在合作 关研究，中国科学院在这一时期成立了机器翻 学、认知哲学。

97
 译研究小组，主要进行中文和俄语的机器翻译 70年代中期，Vauquois将之前应用的翻译系统
研究（Hutchins, 2010）。机器翻译在20世纪 进行了一定程度的改造，来完成更多类型的俄
50年代的蓬勃发展使人们得以有更多机会审视 法文本互译。欧盟由于成员国众多，语言不统
机器翻译技术。20世纪50年代末60年代初， 一，因而也有发展机器翻译的实际需求。欧盟
研究者们发现机器翻译产出的译文质量良莠不 与诞生于美国的第一个商业机器翻译系统开发
齐，难以达到预期要求，因而对机器翻译发展 商Systran合作，进行欧盟成员国语言间的机器
的可行性提出了质疑。1958年，Bar-Hillel列出 自动翻译。
了机器翻译在翻译过程中难以解决的几类语言
基本问题，指出机器翻译系统面临着难以逾越 1.4  机器翻译发展新浪潮（1990至今）
的语义屏障。Bar-Hillel认为，机器翻译最大的 从1990年开始，大量的双语、多语语料
屏障就是语义歧义问题。语言中语义的多样性 应运而生。20世纪80年代末90年代初，IBM研
要求机器翻译必须拥有一套能够充分对语言结 究人员先后对机器翻译的新动态发表论文，详
构与语义问题进行分析的语法、句法系统。而 细论述了传统的基于词典和转换规则的机器翻
当时应用的转换法则与句法分析模型显然不能 译方法和基于平行语料库的实例机器翻译方法
解决各种复杂的语言问题。因此，他建议将自 （同上）。这些研究论文为机器翻译理论的夯
动机器翻译修改为机器辅助翻译，在译前和译 实与拓展、新方法和规则的实践与形成起到了
后阶段为译者提供必要的辅助。（Bar-Hillel， 重要的启示与推动作用。
1958；1959） 芬兰在1990年召开了国际计算语言学大
对机器翻译的质疑直接催生了语言自动 会。辛顿评价为，这次会议开启了基于大规模
处理咨询委员会（The Automatic Language 平行语料库的统计机器翻译时代（H i n t o n e t
Processing Advisory Committee, ALPAC）的 al., 2012）。基于语料库的统计机器翻译通过
建立。ALPAC成立的主要目的就是对机器翻译 在平行文本中词对齐、短语对齐、句子对齐的
发展及资助情况作出评估。1966年，A L PA C 方式自动构造机器翻译模型。近些年，基于
发表的报告指出，机器翻译由于需要建立规则 “深度学习”的神经机器翻译系统产生并快速
算法及模型设置，译文质量的不尽如人意与可 发展。深度学习（deep learning）由Hinton等
观的经济投入显示出产出与投入的明显失衡。 人在2006年提出，现已成为机器学习领域发
A L PA C报告的发表使得机器翻译的主要资助 展最快的主流技术之一。由于深度学习是机器
基本停止，许多机器翻译研究相继停止。辛顿 进行的一种多层次非线性处理，与传统的浅层
认为， ALPAC报告具有一定的片面性与偏见 次线性处理相比，在处理模型分析和分类问题
性。首先，ALPAC由机器翻译研究的资助人召 上更准确，性能更高（H u t c h i n s，2010）。
集，势必更加关注机器翻译的经济效益，而较 模拟神经网络的深度学习技术能够使机器拥
少考虑其学术价值与研究发展的潜力。其次， 有自动学习抽象特征表达的能力，并且能够
A L PA C报告只是集中于研究英俄双语互译， 将学习结果灵活地应用到其他任务中，因而
得出的有关译文质量的结论并不全面。再次， 基于深度学习的机器翻译可以尽可能省去人
ALPAC报告没有更加全面、深入地研究与评估 工调配，而实现由机器自动推断最佳翻译结果
机器翻译背后复杂的哲学、语言学以及计算机 （Poibeau，2017）。
科学问题，因而结论的信用力与有效度有一定
不足。（Hinton et al., 2012）
2 机器翻译类型分析
1.3  机器翻译缓慢发展期（1967 — 1990） 机器翻译得以在二战后兴起、发展，主要
A L PA C报告的发表直接导致了机器翻译 得益于第一批计算机的发明与应用。同时，二
Vol.17 No.6 (General Serial No.98)

的应用投资及技术研究的大范围停滞。与此形 战中密码学的发展及人们对语言研究的关注使
成强烈反差的是，在加拿大、法国、欧盟等国 人们认识到，机器翻译可以被看作一种语言的
家和地区进行的机器翻译研究在具体应用领域 编码用另外一种语言进行解码的过程。Nagata
却表现突出。加拿大于1965年在蒙特利尔成立 等认为，任何翻译所面对的语言问题都可以归
Nov. 2020

了机器翻译研究中心，建立了TAUM机器翻译 结为词汇层面的词义问题与语法层面的结构问
系统，主要从事英法双语的机器翻译研究与实 题（Nagata et al., 2006）。词义问题主要包
践（Poibeau，2017）。法国的机器翻译研究 括一词多义、同形异义、词义模糊、词义歧义
F L C

集中在俄法技术类文本的互译，之后在20世纪 等，结构问题主要包括词形结构、句法结构、

98

篇章结构等。此外，语言外问题（语言的情
感、语气、背景知识等）也是影响翻译质量的
重要因素。翻译对于人类而言已然是综合、复
杂又颇具难度的任务，机器翻译从最初基于规
则的翻译方法发展到现今模拟人脑的神经翻译
方法，虽然在表现上仍然有较大提升空间，
但却不能忽视其较高的发展潜能与广阔的应用
空间。
2.1  基于规则的机器翻译
基于规则的机器翻译方法指依靠构成的机
器翻译词典和分析转换规则来进行的机器的自
动翻译。机器依据解码的源语意义与目标语的
语言特质与语法规则进行语言编码，并合成目
标语言（Poibeau，2017）。
基于规则的机器翻译词典需要包含源语言
的词语形态结构知识、语法句法功能知识及语
义知识等。此外，词典还需具备对目标语进行
合成的能力，包括确定翻译中的对等问题和依
据目标语的语法规则及词语搭配规则等自动进
行语言重组（Nagata et al.，2006）。分析转
换规则指对源语的语法、句法、篇章等进行文
本分析，确定源语言和目标语言的句子结构，
以便合成符合目标语言逻辑语法的文本。基于
规则的机器翻译方法主要包括三大方面：对源
语言进行处理，即语言的解码；源语言到目标
语言的翻译，即语言转换；目标语言生成，即
语言编码。
2.2 基于实例的机器翻译
基于实例的机器翻译由日本学者Nagao于
20世纪80年代提出。随着平行语料库的逐渐扩
大和机器计算能力的逐步升级，平行语料库中
越来越多的信息可以直接被用作机器自动翻译
的实例，从而取代基于词典和转换规则的机器
翻译方法。
概括来说，基于实例的机器翻译通过以下
三步完成自动翻译过程：首先，系统在源语语
料库中搜寻需要翻译的源语字段，并将搜寻到
的相关字段全部存储起来；其次，系统在平行
文本中搜寻与源语字段对等的目标语翻译；最
后，将搜寻到的目标语字段重新组织成目标语
语篇（Poibeau，2017）。系统在第一阶段的
实例搜寻阶段面临的主要问题为源语实例不充
分问题；在第二阶段面临的问题主要包括平行
文本的匹配度不够、准确率不高，以及如何筛
选最佳翻译；在第三阶段，系统的主要挑战为
如何将筛选出来的对等目标语字段组合成语法
正确、逻辑结构合理的目标语语句。为了解决
中国外语
这些挑战，基于实例的机器翻译通过字符串对
比、词汇对比、语言标志物对比及句法结构对
比提高翻译的准确率（同上）。字符串对比是
第17卷 第6期 （总第98期）
2020年11月
将源语句子的字符数与目标语句子的字符数做
对比，实现双语的自动对齐。自动对齐不仅要
求句子一级的自动对齐，而且要求词汇、短语
一级的自动对齐。自动对齐可以大大提高实例
选择的准确度。词汇对比在隶属于同一语系的
两种语言中运用效果更好，通过对比词汇的相
似度，机器可以更好地排除误差较大的翻译实
例。语言标志物对比主要通过较粗浅的句法和
语义分析筛选目标语的对等语义、词语搭配和
句法结构。句法结构对比主要利用“语法树”
方法确认目标 语的语法表达与逻辑 结 构 的 准
确性。
基于实例的机器翻译系统主要有：（1）日
本京都大学的MBT1和MBT2系统；（2）日本
口语翻译通信研究实验室的ETOC和EBMT系
统；（3）我国清华大学与哈尔滨工业大学联
合开发的“达雅”系统（Popovie， 2015）。
基于实例的机器翻译还可以较好地应用在某些
特定领域的翻译，如术语的翻译、较规则的句
式翻译，或者重复率较高的特定表达的翻译等
（Poibeau，2017）。
2.3 基于统计的机器翻译
基于统计的机器翻译将翻译看作一种可计
算的模型参数，自20世纪90年代兴起至今，用
统计学方法建立机器自动翻译系统已发展成为
机器翻译的主流类型，并一直是实践应用和学
术研究领域的热点之一。基于统计的机器翻译
和基于实例的机器翻译都需要规模宏大的语料
库。从语言学角度出发，基于统计的机器翻译
可以分为基于词对齐、基于短语对齐和基于句
法统计三类。
2.3.1 基于词对齐的机器翻译
众所周知，一个给定的源语句子可以翻译
成多个目标语句子。如何让机器在多种可能下
确定最佳目标语翻译，IBM借助了贝叶斯定理
（Bayes theorem）来推算翻译概率，该推算
公式也称为统计机器翻译的基本方程式：
P(T/S)=P(T)*P(S/T)/ P(S)
其中，P（T/S）表示源语语言翻译为目标
语语言的概率，P（T）表示目标语语言模型，
P（S/T）表示给定目标语语言情况下源语语言
的翻译模型，P（S）表示源语语言模型。该
公式解释为，求得目标语T需要设计快速高效
99
 的搜索算法，使得目标语语言模型概率P（T）
*翻译概率P（S/T）的值最大。基于此公式，
I B M在20世纪80年代后期开始，先后建立了5
个翻译模型（IBM Models 1-5），对机器翻
译在词汇对齐层面进行算法开发。总体来说，
IBM通过三个步骤来实现词汇对齐：（1）根据
源语语言句子长度确定目标语语言句子长度；
（2）在源语语言句子层面与目标语语言句子
层面实现最佳句子对齐；（3）在词汇层面为
每个源语语言词汇找到唯一一个目标语语言词
汇进行对应。
在I B M模型基础上，其他研究者也对词
汇对齐的统计机器翻译做出了相应的改进。
Vogel等人基于IBM Model-2提出了对角线制导
对齐模型和基于隐马尔可夫模型的对齐模型，
对角线制导对齐模型可以较好地解决小规模语
料库对翻译结果的影响，基于隐马尔可夫模型
的对齐模型可以让对齐在总体上更为平滑 （杨
南，2014）。Toutanova等人对基于隐马尔可
夫模型的对齐模型也作出了改进，使得对齐准
确率又有更高的提升 （袁小于，2011）。
2.3.2 基于短语对齐的机器翻译
基于短语对齐的机器翻译兴起于20世纪90
年代，这一方法的出现主要是为了突破基于词
对齐的机器翻译模型的局限。基于词对齐的翻
译模型将语言以概率化的计算形式呈现，没有
考虑语境、语义及句法对翻译的影响。1990
年以来，机器翻译模型的发展试图融入语言知
识，应运而生了基于短语（词语序列）和基于
句法的机器翻译模型。在基于短语对齐的机器
翻译模型中，“短语”的概念与语言学中的概
念不同，机器翻译模型中的“短语”指的是
“词序列”（s e g m e n t），一组词序列可以
是语义完整的短语，也可以不是语义完整的
一组序列词。基于短语对齐的翻译模型研究
主要是关于短语（词序列）的抽取和打分，
短语的抽取可以在词对齐的基础上进行，也
可以根据其他信息抽取词序列对，不需要词
的对齐。
基于短语对齐的机器翻译模型在最初只
分为两个层次：粗对齐模型和细对齐模型。粗
Vol.17 No.6 (General Serial No.98)
对齐指源语和目标语首先在句子层面进行短
语对齐，然后在短语内的词汇层面进行细对
齐。由于短语对齐需要更多的数据及模型训
练，且计算时间更长，所以之后的研究主要集
Nov. 2020
中在数据库建设、模型训练、提高计算效率
和翻译质量等方面，陆续在模板整体框架的
泛化、模板局部与整体调序、联合概率的计
F L C
算及双语语块概念等方面进行了改进与研究
100
（杨南，2014）。其中，Nagata等（Nagata
et al., 2006）提出了全局短语调序模型概念，
将短语的序列关系分为四类：单调邻接关系
（Monotone Adjacent, MA）、单调间隔关
系（Monotone Gap, MG）、反向邻接关系
（Reverse Adjacent, RA）、和反向间隔关系
（Reverse Gap, RG）。此模型运用全局短语
调序模型与n-best短语对齐来避免数据稀疏问
题，提高了译文的质量。
2.3.3 基于句法统计的机器翻译
基于词对齐和短语对齐的机器翻译虽然得
到了长足发展，但是由于翻译模型的建立并没
有过多考虑到语言本身的语法、句法及其他的
复杂的语言综合知识，虽然有较大规模的数据
库做支撑，在处理语篇整体信息层面仍然存在
先天的缺陷。基于句法统计的机器翻译尝试通
过加入句法分析系统，可以越过相邻的语言单
位去匹配更远位置的词或短语，通过利用转换
法则和“语法树”原理，尝试从句法结构上进
行对等翻译，从整体层面考虑词或短语的逻辑
依存关系。
基于句法统计的机器翻译主要有基于形
式化语法的翻译模型和基于语言学语法的翻译
模型。基于形式化语法的翻译模型在处理语言
结构问题上更有优势，包括对较复杂的语法结
构的分析和对远距离词或短语重新排序的处理
等。基于形式化语法的翻译模型不考虑语言学
知识，也不受语言学知识的限制，由于利用了
形式化语法的特征，使得翻译过程更为层次
化、结构化。基于语言学语法的翻译模型兼顾
了形式化语法与语言学知识。语言学知识在机
器翻译中以语言本身的结构和知识为体现，具
体包括使用“依存树”形式和“短语结构树”
形式对源语语言结构和目标语语言结构进行描
述。“依存树”更侧重对句子内部词与词之间
关系的描述，更体现了对语义结构的关照；
“短语树”更侧重对句子各部分及整体结构的
描述，更多体现了对句法结构的关照 （赵红
梅、刘群，2010；冯志伟，2015）。
2.4  基于深度学习的神经机器翻译
近几年，随着统计机器翻译的发展，一
种新的机器学习方式应运而生，由于这种新
的机器学习方式模拟人脑“多层（分层）学
习”，以类似人脑神经对复杂信息进行“深层
处理”，因而在处理多层复杂信息方面更具优
势。基于词、短语、句法的统计机器翻译主要
采用线性模型n-gram进行建模，对语料库中的
线性不可分问题应对不佳。此外，传统的基于
 中国外语
统计的机器翻译在缺乏足够语料库的语言类型 的技术特点及优缺点明显。基于规则的机器翻
的翻译上和对复杂的语言现象及翻译规则的特 译实现了翻译的机器化，提出了机器翻译最基
例设定上都难有进展，加之较严重的数据稀疏 本的工作原理及运行模式，但由于词典及转换

第17卷 第6期 （总第98期）

2020年11月
等问题，传统的基于统计的机器翻译逐渐被深 法则无法更好地应对深层次复杂信息而逐渐退
度学习神经机器翻译取代。 出历史舞台。基于实例的机器翻译技术的诞生
深度学习技术最初被成功应用在图像识 及应用取决于互联网的发展，大量免费的平行
别领域。深度学习技术可以直接从大规模数据 文本、多语料文本为机器翻译提供了可靠的翻
库中自动提取出最相关的数据特征，省去了人 译实例，但由于数据及低资源语种实例的稀
工预先设定环节。深度学习以梯形递进式结构 缺，最终被基于统计的机器翻译取代。基于统
进行数据统计、解析，从最基本的数据分析开 计的机器翻译首次用算法来表示人类大脑的认
始，到复杂结构的信息处理，最后得出总体信 知过程，在词汇、句法、语义、篇章层面力图
息结构（Poibeau，2017）。这一点与人脑神 应用数学知识逐个得出能被机器处理的运算公
经网络尤为相似。众所周知，语言与语言之间 式，可以说是人类在计算机、因特网、认知科
的意义转换在很多时候并不完全在词汇层面进 学、数学、计算语言学、语料库翻译学等各类
行对等，源语言中的某个特定词汇在目标语中 领域齐头并进发展后的一种必然。但传统的基
极可能没有对等词汇，需要使用短语或是句子 于统计的机器翻译无法有效突破其在建模上的
来进行意义对等。人们在面对复杂的语言意义 局限，因而在应对复杂语言问题时显得力不从
时，大脑会自动判断出语言所使用的语境、是 心。深度学习技术很好地弥补了传统的基于统
否具有隐含意义、讲话人的语气等语言外信息 计的机器翻译在算法及建模上的不足，不仅可
对语言意义本身的影响，而深度学习技术由于 以更好地处理深层次语言信息，更能够实现自
使用的层级递进类似于人脑的神经网络，因而 动的数据存储及技术升级。但由于对神经机器
在处理语言的复杂现象时比传统的统计机器翻 翻译进行数据训练的难度较大，且无法完全依
译表现更佳。深度学习技术更有优势的一点在 靠机器的自我学习，深度学习技术支持下的神
于机器可以根据之前的数据输入与分析结果进 经机器翻译同样面临着诸多挑战。
行数据的自动升级与优化，使得其计算能力与 无论是传统的基于统计的机器翻译还是
表现不断加强。 目前主流的基于神经网络模型的深度学习机器
汪云、周大军认为，深度学习神经机器翻 翻译，其技术之本都是统计的、形式的、计算
译的主要问题集中在长句子的处理上（汪云、 的。机器翻译技术以数学的、统计的方式找寻
周大军，2017）。一是神经机器翻译在调序上 翻译的规律，将语言、意义看作可以用形式化
更加复杂耗时，因而对其进行数据训练的难度 计算进行统计的数据。将大脑的逻辑分析以形
更大；二是由于编码器在处理长句子时依然会 式化的符号计算表现出来始于“图灵测试”。
按照固定纬度的向量编码，因而会出现误翻或 “图灵测试”提出，如果人脑在短时间内处理
漏翻的情况。为解决神经机器翻译在长句子处 信息的方式类似于一种计算，那么这种内在的
理上的困境，“注意力”机制作为一种可行的 逻辑计算过程则可以用数字计算机模拟。之后
解决方案被引入（Poibeau，2017）。“注意 的邱奇-图灵论题进一步提出，一切可以用算
力”机制通过同时应用正向神经循环和逆向神 法形式进行的计算都可以用“通用图灵机”完
经循环，将两个循环的端到端“编码—解码” 成 （Tu r i n g，2004）。机器翻译以计算的方
过程链接起来进行向量表示。这一链接可以使 式模拟人脑在翻译过程中体现出的认知计算特
解码器在目标语言端有效捕捉相关的源语言上 征，在取得重要突破的同时，也提出了有关人
下文，使得信息传递的方式得到有效改善，通 脑运作的黑箱问题。众所周知，人类大脑的细
过提高机器对主要信息与次要信息的分析与区 胞是信息的载体，大脑细胞可以在短时间内大
别，达到更加关注重要信息传达的准确度与流畅 量、密集地发送信息，如果细胞处理信息的过
性。目前，基于深度学习的神经机器翻译技术在 程可以用形式化计算完成，那么技术除了需要
训练算法、先验约束、模型架构、受限词汇量及 解决计算的形式，还需要厘清大脑神经细胞计
低资源语种翻译等方面都有长足的进展。 算的强度与细胞神经联结、运作的方法。目
前，后两点对于机器翻译技术来说仍然是未能

3 机器翻译技术评析 完全破解的难题。以目前主流的机器翻译技术
神经网络模型为例，由于技术尚未能揭开人脑
纵观机器翻译发展历史，是各发展阶段 的奥秘，即使深度学习模型可以用来处理翻译

101
 问题，仍然无人确切知晓这种模型究竟怎样模
拟了人脑的运作过程。
人类的智能是什么，具有怎样独特的特
点，在各个领域中，对此的研究与探讨经久不
衰。从哲学上来说，人类智能指人类具有的认
知能力，即人类的思考与推理能力。从心理
学上来看，莱斯勒认为，人类智能指人类展
现出的若干种智慧与技能，包括逻辑分析判
断、记忆、推理、具有及能够合理表达情感等
（Lexcellent，2019）。美国心理学家加德纳
将人类智能描述为，在一定社会及文化环境中
具有的主动且有效解决问题、合理作出判断及
决策的能力 （Gardner，1993）。加德纳列出
了人类智能的8种主要形式：语言能力、听觉判
断能力、逻辑数理能力、时空判断能力、动觉
能力、人际交互能力、自我认知能力和认知自
然的能力。此外，人类的分析能力、创造能力、
情感能力等，也被认为是重要的人类智能。
以亚里士多德为代表的哲学观点对于人类
智能中最重要的一项能力的认定即人类形成概
念、对世界进行概念化的能力。从亚里士多德
开始到20世纪上半叶，对于人类的这种“概念
化”能力，普遍的哲学观点是，认知概念的形
成需要一定的必要及充分的条件。这种哲学观
点下的认知具有一定意义上的整体性：人类的
思想并非无中生有，而是基于一定的发生条件
的。对此，维特根斯坦认为，常识性概念的形
成需要基于一定的条件，因为其主要描画了一
种“类别”或是“典型特征”。在很多哲学家
看来，人类认知的“概念化”能力是人类智能
的核心。近年来，神经科学家玛格兰姆提出了
“蓝脑计划”（Blue Brain Project），试图以
建立超级数据库和更复杂、全面的机械模型来
模拟人脑 （Markram，2006）。而“蓝脑计
划”的质疑者们则认为，该计划中最重要的数
据与模型并不足以概括、模拟、再现人脑的运
作与认知。与人类智能的发生相比，目前的计
算能力与方法还无法制造出一个通用型的超级
数据库与机械模型来解决所有的机器理解问题
（Datteri，2019）。
关于机器翻译发展需要思考的问题可以归
Vol.17 No.6 (General Serial No.98)
结为两大类：经验主义层面问题与认识论层面
问题。首先，从经验主义层面上看，机器对于
环境与外在信息的识别与纳入是依据规则得出
的统计结果，这种计算方式能否体现出人类认
Nov. 2020
知的主动性、目的性和整体连贯性的特点？换
言之，机器翻译技术如何解决算法与计算力不
足的问题？其次，以完全基于统计和形式的
F L C
计算完成翻译过程，能否导致翻译这类体现
102
人类最高级别认知与智能的行为失去其本质
特征？从认知论层面上看，人类智能的本质
是什么？心灵哲学认为，意向性是人类心智
最本质的特征，也是人工智能迄今无法逾越的
语义屏障。目前的机器翻译技术仍然停留在句
法阶段，未能实现技术的完全语义化。换言
之，人工智能目前仍然无法具有真正的语义
性。信息论及数字通信之父香农认为，用于图
形识别、语言翻译、问题解决等领域的机器，
一定是不同于数字计算的机器，这些机器必须
要学会这些特定领域内的图形识别方法、概
念问题、模糊信息辨认以及差异辨析等，这
样的机器不会是基于序列运算的数字计算机
（Shannon，1956）。
4 结论
机器翻译历经多个发展时期，从最初的
“机械大脑”到现今被称为技术黑盒子的深度
学习神经网络机器翻译模型，见证了人类探索
求知的不懈努力，印证了人类不断突破自我的
非凡潜力。我们同时也应该看到，作为一门跨
学科研究，机器翻译虽然在解读人脑、认知、
语言等方面不断探索与尝试，但由于其涉猎了
人类智能最高级、最深层次的核心问题，势必
面临一系列的难题与挑战。德雷福斯认为，对
于人工智能的研究与应用，我们迫切需要一个
界限 （Dreyfus，1994）。目前，机器翻译在
模型研究与开发、译前源语处理、译后编辑等
方面都在进行积极的探索，并积累了有益的经
验。对机器翻译的哲学反思也正逐渐进入到研
究者们的视野。由于机器翻译技术的核心是基
于统计的，因此建立庞大的数据库对于机器翻
译来说至关重要。对于缺少足够语料的文本类
型，如文学类文本、哲学类文本、低资源语种
文本，机器翻译可以与人工翻译协同合作，在
提高翻译效率的同时保证译文质量。对于意向
性内容较为明显的艺术类文本，和无法进行译
前编辑及译后处理的口译类翻译任务，机器翻
译应该先行研究，再行谨慎应用。
虽然机器翻译研究在很多方面仍然处于起
步阶段，但从最初的诞生到现今进行的广泛应
用及跨学科研究表明，作为新兴产业，机器翻
译无论在应用还是在科研领域都享有蓬勃、广
阔的发展前景。
注释
① 本文系国家社科基金项目“同声传译共时信
息处理能力研究”（编号：17BYY067）的

阶段性成果。
参考文献
[1] Bar-Hillel, Y. Some linguistic obstacles to
machine translation[A]. Proceedings of the Second
Inernational Congress on Cybernetics[C]. Namur,
1958:197-207.
[2] Bar-Hillel, Y. Report on the state of machine
translation in the United States and Great
Britain[A].Jerusalem: Hebrew University, 1959.
[3] Cheragui, M. Theoretical overview of machine
translation[A]. Proceedings ICWIT [C]. 2012:
160-169.
[4] Datteri, E. Large-scale simulations of the brain: Is
there a “right” level of detail? [A]. In Berkich, D.
& D’Alfonso, M.(eds.). On the Cognitive, Ethical,
and Scientific Dimensions of Artificial Intelligence
[C]. Cham: Springer, 2019: 205-220.
[5] Dreyfus, H. What Computers Still Can’t Do[M].
Cambridge, Massachusetts: The MIT Press,
1994.
[6] Gardner, H. Frames of Mind: The Theory of
Multiple Intelligences(2nd ed.) [M]. London:
Fontana, 1993.
[7] Hinton, G. Deng, L. Yu, D. et al. Deep neural
networks for acoustic modeling in speech
recognition: The shared views of four research
groups[J]. IEEE Signal Processing Magazine,
2012(6): 82-97.
[8] Hutchins, J. Machine translation: A concise
history[J]. Journal of Translation Studies,
2010(13): 29-70.
[9] Lexcellent, C. Artificial Intelligence Versus
Human Intelligence, Are Humans Going to Be
Hacked? [M]. Cham: Springer, 2019.
[10] Markram, H. The blue brain project[J]. Neuroscience,
2006, 7 (2): 153-160.
[11] Nagata, M. et al. A clustered global phrase
reordering model for statistical machine translation
[A]. Proceedings of the 21st International
Conference on Computational Linguistics and
44th Annual Meeting of the Association for
Computational Linguistics. Sydney, Australia,
2006(7): 713-720.
[12] Poibeau, T. Machine Translation[M]. Boston:
The MIT Press, 2017.
中国外语
[13] Popovie, M. ChrF: Character N-gram F-score
for automatic MT evaluation[A]. Proceedings
of the 10th Workshop on Statistical Machine
第17卷 第6期 （总第98期）
2020年11月
Translation(WMT-15)[C]. Lisbon, Portugal, 2015:
392-395.
[14] Shannon, C. E. A universal turing machine with
two internal states[A]. In Shannon, C. E. &
McCarthy, J.(eds). Automata Studies[C]. New
Jersey: Princeton University Press, 1956: 157-
165.
[15] Turing, A. Computing machinery and intelligence
[A]. In Copeland B. J.(ed). The Essential
Turing: Seminal Writings in Computing, Logic,
Philosophy, Artificial Intelligence, and Artificial
Life, Plus the Secrets of Enigma[C]. Oxford:
Oxford University Press, 2004: 441-464.
[16] 冯志伟. 基于短语和句法的统计机器翻译[J].
燕山大学学报, 2015(11): 546-554.
[17] 汪云, 周大军. 基于语料库的机器翻译的现
状与展望[J]. 大学英语教学与研究, 2017(5):
45-50.
[18] 杨南. 基于神经网络学习的统计机器翻译研
究[D]. 中国科学技术大学, 2014.
[19] 袁小于. 基于规则的机器翻译技术综述[J].
重庆文理学院学报(自然科学版), 2011(6):
56-59.
[20] 赵红梅, 刘群. 机器翻译及其评测技术简介[J].
术语标准化与信息技术, 2010(1): 36-45.
An Overview Study on Machine Translation
Abstract: Over decades of evolution, machine
translation(MT) has experienced developments from
“mechanical brains” to rule-based MT, example-based
MT, statistical MT, and deep learning neural MT. Each
new development witnessed innovation in technology,
as well as optimization and upgrading in metrics and
algorithms. Machine translation has presented different
characteristics at different stages of development. It is of
great necessity to clarify the technical connotation and
characteristics, history of development, advantages and
limitations of each MT system, to discuss pressing
issues regarding MT technologies, and to reflect on
the opportunities and challenges faced by MT under
current situation.
Keywords: machine translation; technology; challenge
103