從規則到生成：機器翻譯技術的演進，現狀及未來發展趨勢

Abstract： With the rapid development of artificial inteligence and deep learning technologies， machine translation is playing an increasingly important role in facilitating cross-language communication.This paper systematically reviews the four evolutionary stages of machine translation technology， from the early rule-based systems， the statistical methods based on large-scale data， and the neural machine translation based on deep learning，to the current generative artificial intelligence （GenAl） translation models. It also shows that，although GenAl translation models have made significant progress in translation quality and efficiency，they still face problems such as data scarcity，limited model generalization ability， incomplete evaluation mechanisms，and lack of interpretability and ethical cultural sensitivity. This paper suggests that the future development of machine translation technology focus on enhancing the generalization abilityand interpretability of models， developing more comprehensive evaluation tools， and ensuring the cultural adaptability and ethical compliance of translation systems-all in seek of greater potential of machine translation ina wider range of application scenarios.

Key words： translation technology； machine translation ； generative artificial inteligence （GenAl）

1.引言

全球化進程加速和數字化轉型深人使得不同語言和文化間的交流越來越頻繁，對高質量機器翻譯技術的需求也愈發迫切（范夢栩、皮姆，2021）。機器翻譯是指用計算機程序將源語言轉換為目標語言的過程，其核心在于通過算法精確捕捉語言間的語義映射關系，生成符合目標語言表達習慣的譯文（Kenny，2019）。近年來，以大語言模型（largelanguage models）為代表的生成式人工智能技術（generative artificial intelligence，GenAI）引發了機器翻譯領域的范式變革。

與傳統機器翻譯不同，GenAI翻譯模型通過在海量多語言語料上進行自監督學習（self-supervised learning），構建了跨語言深層語義表示（abstract meaning representation），不僅能處理復雜上下文依賴和長距離語義關聯，還展現出前所未有的創造性和適應性，從根本上拓展了機器翻譯的應用邊界（王華樹、張成智，2025;王少爽、駱瀟洋，2025）。然而，低資源語言（如小語種）的數據稀缺、專業領域翻譯的準確性與術語一致性、模型可解釋性與可控性、翻譯文化適切性與倫理等問題（王贊、張政，2024），與計算資源消耗及環境可持續性等多重因素交織，共同制約了GenAI翻譯技術的進一步發展與應用。本文旨在系統梳理機器翻譯技術的演進過程，深入分析GenAI翻譯模型的工作原理，探討當前技術局限及未來發展方向，以期為翻譯技術研究與應用提供理論參考與實踐指導。

2.機器翻譯技術演進

20世紀50年代，英國數學家圖靈（AlanTuring）提出“機器能否思考”這一哲學問題，激發了學界對計算機處理自然語言能力的探索。機器翻譯技術主要經歷了四個階段的演進，即基于語言學規則的形式化處理、基于統計概率的數據驅動、以深度學習為基礎的神經網絡以及當前GenAI大語言模型。這一演進過程既反映了人工智能技術的迭代更新，也體現了人類對語言本質理解的不斷深化。

2.1基于規則的機器翻譯

基于規則的機器翻譯（Rule-basedMachine Translation，RBMT）是機器翻譯發展的起點。RBMT以形式語言學和轉換生成語法為理論基礎，對源語言文本進行分詞和詞性標注，確定句法結構，然后基于預設規則將源語言表示（source language representation）轉換為目標語言表示（target language representation），最后生成符合目標語言語法的譯文（Poibeau，2017）。

RBMT在處理結構規范的文本（如技術文檔、法律條文）時表現出色。其突出優勢在于翻譯過程的可控性和可預測性，能夠保證特定詞匯和結構的一致處理，且無需大量訓練數據，使其成為低資源語言場景下的可行選擇。然而，自然語言中普通存在的例外情況、歧義表達和創造性用法，難以通過有限規則集完整覆蓋。規則數量的增長導致系統復雜度上升、規則間沖突加劇，人工編寫和維護規則的高昂成本和難度進一步制約了RBMT 的發展。盡管如此，RBMT為計算語言學奠定了理論基礎，提供了形式化處理自然語言的方法論框架，對后續機器翻譯范式的發展產生了深遠影響。

2.2統計機器翻譯

20世紀90年代，隨著信息論和統計學在自然語言處理中的應用，機器翻譯從規則驅動轉向數據統計驅動。統計機器翻譯（StatisticalMachineTranslation，SMT）摒棄了依賴專家編寫規則的方式，轉而通過分析大規模雙語平行語料庫，自動學習語言間的對應關系和翻譯模式。SMT的核心是將翻譯問題轉化為概率最大化問題，即針對給定源語言句子，尋找能夠最大化條件概率的目標語言句子。這一概率通過語言模型和翻譯模型的乘積計算得出，分別表示目標語言的流暢度和翻譯的忠實度。常見的SMT框架有基于短語的統計翻譯和基于句法的統計翻譯兩種類型。前者將句子分解為短語單元進行翻譯，后者利用句法結構指導翻譯過程，其本質都是通過語言模型和翻譯模型的聯合優化實現高質量翻譯（Kenny amp; Doherty，2014）。

與RBMT相比，SMT能自動從數據中學習翻譯規律，減少人工干預。而且，隨著訓練語料的擴充，系統能夠更好地處理語言多義性和不確定性，生產更自然流暢的譯文。不過，SMT高度依賴大規模高質量平行語料，對低資源語言支持有限。此外，SMT難以有效整合長距離依賴和全局語境信息，因此，在長句和篇章級翻譯中表現欠佳。SMT不僅推動了歐盟議會語料庫、聯合國文獻語料庫等大規模平行語料庫的建設，也為后續神經機器翻譯和GenAI的誕生奠定了數據基礎。短語統計機器翻譯（Phrase-basedSMT）、層次化統計機器翻譯（HierarchicalSMT）等技術還為后續大語言模型的發展提供了啟示。

2.3神經機器翻譯

21世紀初，隨著深度學習的突破性進展，神經機器翻譯（Neural Machine Translation，NMT）迅速崛起并取代SMT成為主流范式。NMT采用端到端的神經網絡模型直接學習源語言到目標語言的映射關系，無需繁瑣的特征工程和顯式語言規則定義。早期NMT模型主要基于編碼器-解碼器（encoder-decoder）架構，結合循環神經網絡（recurrentneuralnetwork）或長短期記憶網絡（long short-termmemory）實現序列到序列的學習。編碼器將源語言句子編碼為固定維度的向量表示，解碼器則基于該表示自回歸地生成目標語言序列。2017年谷歌提出的轉換器（transformer）架構徹底變革了NMT領域。轉換器架構摒棄了循環神經網絡結構，完全基于注意力機制（attentionmechanism）和前饋神經網絡（feedforward neural network）構建，通過并行計算極大提升了訓練效率。通過引人自注意力（self-attention）機制，使模型能夠捕捉序列中任意位置間的依賴關系，有效解決了長序列建模中的信息衰減問題，并進一步增強了模型表示能力，使其能從不同角度學習序列內部關系（Liu，2025）。

與前代技術相比，NMT在翻譯質量上實現了質的飛躍，不僅能捕捉更復雜的語法規則和語義關系，令長句翻譯質量得到顯著提升，而且可以適應不同語言對和文本類型，因此具備強大的遷移學習潛力。NMT的主要缺陷在于仍高度依賴大規模平行語料，對低資源語言支持有限。此外，NMT的“黑盒”特性使用戶和開發者無法追蹤翻譯轉換過程，導致翻譯過程難以解釋和控制。盡管如此，神經機器翻譯是翻譯技術發展的重要里程碑，不僅大幅提升了翻譯質量，還推動了深度學習在整個自然語言處理領域的廣泛應用，為后續語言模型的發展奠定了技術基礎。

2.4GenAI大語言模型翻譯

2020年以來，以大語言模型為代表的GenAI技術掀起了機器翻譯的新一輪革命。與專門針對翻譯任務設計的傳統NMT不同，GenAI翻譯呈現三個顯著特征：模型規模幾何級擴大、預訓練-微調（Pre-trainingamp;Fine-tuning）范式普及以及多任務學習能力提升（Siu，2024）。具體而言，GenAI翻譯模型通常基于大規模預訓練語言模型構建。這些模型首先在多語言語料上進行自監督學習，習得豐富的語言知識和跨語言表示，然后通過特定任務微調或提示工程（prompt engineering）實現高質量翻譯。代表性模型包括OpenAI的GPT系列、谷歌的Gemini以及Meta的 M2M-100 和NLLB-200等。

相比傳統NMT，GenAI翻譯在多個維度呈現質的飛躍。首先，參數和訓練語料規模的顯著擴大使模型能夠習得更豐富的語言知識和更復雜的語言轉換規律。其次，上下文理解能力的增強使翻譯不再局限于句子級別，而能夠處理篇章級語義關聯和論述結構，提供更連貫一致的譯文。最后，語境適應能力的提升使模型能夠根據不同場合調整翻譯風格，適應從正式文件到日常對話的多樣化場景需求（Tekwa，2023）。

GenAI翻譯的另一關鍵突破在于跨語種知識遷移能力。通過在多語言混合語料上預訓練，模型建立了通用語言表示空間，能夠實現高資源語言到低資源語言的知識遷移。例如，Meta的NLLB-200模型支持200種語言間的直接互譯，大幅擴展了機器翻譯的語言覆蓋范圍。同時，提示工程的興起為翻譯任務提供了新的控制范式，用戶可通過自然語言指令實現高度個性化的翻譯服務。

機器翻譯技術從規則到生成的演進過程反映了人工智能研究的整體轉變——從知識驅動到數據驅動，從顯式規則到隱式模式學習，從特定任務到通用智能，每一次技術范式轉換都帶來翻譯質量和適用范圍的顯著提升。GenAI翻譯不僅代表了當前技術前沿，也為未來翻譯技術發展指明了方向。

3.GenAI翻譯技術發展現狀

GenAI翻譯技術通過大規模模型訓練和多模態信息整合，正在重塑機器翻譯的能力邊界和應用場景。對當前GenAI翻譯模型類型、應用情況及其多模態與交互體驗的系統分析，有助于把握技術發展脈絡和未來趨勢。

3.1兩類模型

當前GenAI翻譯主要分為通用大語言模型和多語言專用翻譯模型兩大類。這兩類模型在設計理念、架構特點和應用場景上各具特色，共同推動著翻譯技術的創新發展。

通用大語言模型以OpenAi的GPT、Antropic 的Claude 和Meta 的LLaMA 等為代表，主要采用“預訓練-微調\"策略，先在海量文本上進行預訓練，學習通用語言能力，然后針對翻譯等特定任務進行微調。這種方法充分利用了未標注數據中蘊含的語言知識，同時通過微調實現任務優化。在翻譯任務中，這些模型展現出多方面優勢。

多語言能力是通用大語言模型的首要特色。先進模型能支持約100種語言的翻譯任務，包括許多低資源語言。根據OpenAI技術報告，GPT-4在國際機器翻譯評測中，英德、英法、英中等主流語言對翻譯性能與谷歌翻譯等專業翻譯系統相當，而在低資源語言翻譯中往往表現更佳。這種多語言能力源于模型在預訓練階段接觸的大量不同語言文本，使其能夠構建跨語言的語義表示空間。其次，通用大語言模型的上下文理解能力則使其能將翻譯置于更廣泛的語境中，考慮文檔級一致性和連貫性。相比上一階段的神經網絡系統僅能處理單句或有限段落，大語言模型可以理解和保持長文本的語義連貫性，有效解決代詞指代、術語一致性等跨句問題。例如，在翻譯學術論文時，GPT-4能夠保持全文術語統一，維持章節間的邏輯關聯，這在傳統神經網絡翻譯系統中難以實現。最后，通用大語言模型的指令遵循能力則使用戶可通過自然語言指令定制翻譯風格、專業度和目標受眾。例如，用戶可向系統提出“將文學作品翻譯成面向普通讀者的通俗語言”或“保持原文詩意和韻律進行翻譯”等復雜指令。這種靈活性使翻譯服務從標準化走向個性化，更好地滿足不同場景需求（葛頌、王寧，2024）。

然而，通用大語言模型在翻譯應用中也面臨明顯挑戰。模型規模龐大，運行成本高昂，限制了其在資源受限環境中的應用。作為通用模型，在專業領域翻譯中術語精確度和一致性不及針對特定領域訓練的專用模型。創造性與準確性平衡難以把握，模型傾向生成流暢自然但可能偏離原文的翻譯，在要求高精度的場景（如政治文本、法律文件翻譯）可能不夠理想（文旭、田亞靈，2024）。

多語言專用翻譯模型專門設計用于支持多種語言間直接翻譯，在將低資源語言（特別是邊緣小語種）翻譯成另外一種非強勢語言時，無需使用英語作為中介語言。例如，Meta的M2M-100模型支持100種語言間10，000個直接翻譯方向，而NLLB-200進一步擴展到200種語言。這類模型的核心優勢包括多語言間知識共享與遷移、計算效率優化以及翻譯任務專注性。

多語言專用翻譯模型采用單一編碼器-解碼器架構，通過參數共享策略實現知識在相似語言間的自然遷移。典型設計包括使用語言標識符標明源語言和目標語言，以及采用共享多語言詞表捕捉詞匯間跨語言關系。這種設計不僅減少了處理每種語言對所需專用模型數量，還顯著提升了小語種翻譯質量。在計算效率與資源優化方面，專用多語言翻譯模型相較通用大模型具有明顯優勢。NLLB-200模型在典型硬件上運行速度比同等質量通用大語言模型快5到10倍，在移動設備和邊緣計算場景下更具實用性。這種高效性使其能夠部署在更廣泛的設備上，服務更多用戶群體。

專注翻譯任務的精準性是多語言專用翻譯模型的另一顯著優勢。由于這類模型專門針對翻譯任務優化，在處理特定語言對和樣式時往往比通用模型更加精準。特別是在專業領域翻譯中（如科技文檔、醫學資料翻譯等），專用模型能夠更好地保持術語一致性和領域特定表達，減少不必要的創造性變異。

不過，專用多語言翻譯模型也存在泛化能力和領域適應性相對較弱的問題。在處理訓練數據分布外的特殊文本類型時，如文學作品、網絡俚語等，表現不如通用大模型靈活多變。此外，這類模型缺乏通用大語言模型的廣泛世界知識，在需要補充背景信息的翻譯場景中可能表現不佳（Tekwa，2023）。

3.2多模態與交互創新

多模態整合能力和交互體驗是GenAI翻譯在技術上的重要創新。

傳統機器翻譯系統主要處理純文本輸人，而GenAI翻譯模型能同時理解文本、圖像、音頻等多種信息類型，為更全面的語言理解提供可能。例如，通過整合計算機視覺輔助技術和自然語言處理技術，GenAI翻譯模型能夠理解圖像中的視覺信息并將其納入翻譯過程。谷歌的PaLM-E 和OpenAI的GPT-4V 能夠處理包含圖像和文本的混合輸入，實現對圖片中文字的直接翻譯，同時考慮圖像提供的信息。這種能力在翻譯帶有圖表、圖片說明的文檔時特別有價值，能夠確保文本信息與視覺信息的一致性。譬如，在旅游場景中，用戶可以拍攝街頭標識、菜單等圖片，模型能直接提供翻譯，同時考慮圖像中的非文本信息輔助理解。

跨模態翻譯拓展則突破了傳統語言間翻譯的邊界。GenAI翻譯不僅能實現文本間的轉換，還能實現語音到文本、文本到語音甚至語音到語音的直接翻譯。谷歌的USM和微軟的VALL-EX等模型展示了在保留說話者口音、情感和韻律特征的同時，實現跨語言語音合成的能力。這種技術使得實時會議口譯、多語言視頻配音等成為可能，大大拓展了翻譯技術的邊界。

實時交互翻譯改變了用戶與翻譯系統的互動方式。傳統機器翻譯通常僅提供單向、一次性的翻譯服務，而GenAI翻譯支持多輪交互，用戶可以通過對話形式逐步優化翻譯結果。例如，用戶可以請求系統解釋特定翻譯選擇，向系統詢問替代表達，或指示系統調整翻譯風格。

綜上所述，GenAI翻譯技術正以其強大的語言理解和生成能力，更廣泛的模態支持以及更自然的人機交互方式，大幅拓展機器翻譯的應用場景，從專業工具逐漸發展為普惠技術，服務更廣泛的用戶群體和應用場景。

4.GenAI翻譯技術面臨的問題與未來發展趨勢

GenAI翻譯技術的迅猛發展正在重塑跨語言交流的邊界，但這一技術并非盡善盡美。從資源分配的不均衡到跨文化理解的困境，從評估標準的滯后到模型決策的不透明性，再到倫理困境的日益凸顯，這些問題的解決需要學術界和產業界共同努力。在全球數字化進程加速的背景下，探索GenAI翻譯技術的未來發展路徑，不僅關乎技術本身，更涉及數字公平、文化多樣性保護及人類語言遺產傳承等深遠議題。

4.1數據稀缺

數據稀缺是制約GenAI翻譯技術發展的首要因素，特別是對于全球約7，000種語言中的絕大多數低資源語言。盡管英語、漢語、法語等主要語言擁有海量雙語語料，但全球95% 以上的語言都面臨嚴重的數據不足問題。例如，非洲班圖語系包含約500種語言，但大多數語言的數字化語料極為有限，更不用說高質量平行語料庫。這種數據不平衡直接影響了翻譯系統的公平性和可及性，意味著技術紅利主要惠及已經處于信息優勢地位的語言社區，而邊緣語言社區則面臨數字鴻溝擴大的風險。

面對數據稀缺，當前主流解決方案是參考現有高資源語言翻譯模型生成“偽平行語料”，用合成數據擴充訓練數據規模，其中運用最廣泛的是反向翻譯法（back-translation）。反向翻譯即利用單語語料來生成偽雙語語料，譬如，面對中荷雙語語料稀缺，GenAI翻譯模型可以先將荷語單語語料翻譯成漢語，生成偽雙語平行語料，再用于訓練中荷互譯模型。更復雜的數據增強技術包括噪聲添加、句法替換和風格轉換等，這些方法能夠增加訓練數據的多樣性，提高模型的魯棒性（Robustness），即機器翻譯的穩定性和可靠性。譬如，Meta開發的“無語言留下\"（no language leftbehind，即NLLB）框架通過多語言聯合訓練和共享參數設計，實現了從高資源語言到低資源語言的知識遷移。通過應用共享編碼空間和跨語言標記嵌人，NLLB-200模型僅使用少量目標語言數據，就能為200種語言提供翻譯支持，覆蓋全球約50億人口的母語需求（Samuelamp;Ali，2024）。

未來解決數據稀缺問題應聚焦更高效的數據利用方法，如利用零樣本（zero-shot）和少樣本（few-shot）學習對預訓練大語言模型未見過的語言現象進行識別和歸類，進而從有限樣本中習得更多語言規律。同時，建立更加公平、開放的全球語言資源共享機制，保障語言多樣性和技術包容性，是實現翻譯技術普惠的制度保障。

4.2泛化能力有限

數據稀缺不僅限制了GenAI翻譯模型在特定語言對上的性能提升，還顯著影響了模型的泛化能力（generalization ability），即模型在面對未見過的數據或新的任務場景時，能夠準確且穩定完成任務的能力。泛化能力強意味著模型能夠將數據訓練的成果有效地應用到廣泛的場景。目前，由于在資源匱乏的語言或專業領域缺乏訓練數據，GenAI翻譯模型難以學習到全面的語言模式和語義信息，進而在面對多樣化的語言輸入時表現不佳。例如，在醫療、法律等領域，雙語語料的匱乏使模型無法充分學習專業術語和特定表達，在翻譯過程中出現術語不準確、語義不連貫等問題。這種因數據稀缺導致的泛化能力不足，限制了模型在不同語言和專業領域中的應用效果。

針對泛化能力不足，當前主流解決方案包括多領域適應（multi-domainadaptation）技術和持續學習（continual learning）框架。多領域適應技術通過在特定領域數據上進行微調，使通用模型適應特定場景需求（Liuetal.，2024），例如可以通過在醫學文獻平行語料上進行額外訓練，顯著提升醫學術語翻譯準確性。持續學習則允許模型在初始訓練后，不斷整合新知識。通過特定數據比例的精細控制和正則化（regularization）技術，使模型能夠在保持通用翻譯能力的同時，逐步提升特定領域的翻譯質量（Brunoetal.，2025）。

從長遠來看，提升模型泛化能力需要突破當前的翻譯模型設計。例如，認知啟發的語言模型（cognitively-inspired language models）試圖模擬人類語言習得和跨語言遷移的認知過程，獲得更具一般性的語言理解能力。神經符號系統（neuro-symbolic systems）則嘗試將神經網絡的學習能力與符號邏輯的精確推理相結合，平衡靈活性與規則性（SchulzeBuschoffetal.，2025）。這些新范式有望在未來推動GenAI翻譯模型泛化能力的突破性提升。

4.3翻譯質量評估機制滯后

翻譯質量評估機制的滯后也已成為制約GenAI翻譯技術發展的關鍵因素。傳統評估指標，如雙語替換評估（bilingual evaluation understudy，BLEU）和顯式排序評估（metric forevaluation of translation with explicit ordering，METEOR）等，主要計算機器翻譯生成譯文與參考譯文之間的重疊程度，難以準確捕捉語義等價性和創造性表達，導致高質量但表達靈活的譯文可能獲得較低分數，而質量平庸但詞匯匹配度高的譯文反而得分較高。而且，單一參考譯文難以公正評估創造性翻譯，句子級評估也難以反映篇章連貫性。

面對這些問題，研究者們開發了更全面、精確的評估機制。例如，多維度評估框架（multidimensionalqualitymetrics，MQM）將翻譯質量分解為準確性、流暢性、風格、本地化程度等多個維度，允許更細粒度的質量分析。這種方法能夠更好地反映不同場景中的翻譯需求，提供更有針對性的改進方向，已被谷歌、微軟等整合到其內部評估流程中。任務導向評估（task-based evaluation）則更加關注翻譯能否支持下游任務的完成，為評估提供了實用主義視角。例如，評估用戶能否根據翻譯后的說明書正確組裝產品，或能否根據翻譯后的醫療建議做出正確決策（Moorkensetal.，2018）。

未來翻譯質量評估將朝著更加多元、綜合的方向發展。理想的評估機制應同時考慮翻譯的語言質量、功能等效性、文化適應性和用戶體驗，并能適應不同應用場景的需求。這種全面的評估體系不僅能更準確地衡量當前技術水平，也能為未來的技術發展提供更有針對性的指導。

4.4可解釋性不足

一個翻譯模型具備可解釋性，是指從用戶輸入源語文本到模型輸出翻譯結果的整個過程都能為人類所理解和解釋。隨著GenAI模型規模和復雜度的不斷增加，其決策過程越來越呈現“黑盒”特性。人類無法直接理解為什么模型會選擇特定的翻譯策略或做出特定的用詞選擇，這種不透明性在關鍵應用領域（如醫療、法律、國際關系）尤其成為問題。另外，當GenAI翻譯出現錯誤時，很難判斷這是來自訓練數據的偏見、模型結構的局限還是推理過程的隨機性。GenAI模型的這種“黑盒”特性不僅影響了用戶對系統的信任度，也不利于開發者對翻譯錯誤的診斷和修正。隨著歐盟《通用數據保護條例》（GeneralData Protection Regulation）和《人工智能法案》（Artificial Intelligence Act）等法規的實施，在特定高風險應用場景中，人工智能的可解釋性正成為法律要求。這意味著未來翻譯系統不僅需要提供高質量翻譯，還需要能夠解釋其決策過程。

目前，自注意力可視化（self-attentionvisualization）是較為成熟的提高模型可解釋性的方法。通過圖形化展示模型在翻譯過程中關注的源文本片段，允許用戶查看翻譯系統如何將注意力分配到源句的不同片段，特別有助于理解長句和復雜結構的翻譯過程（Yanget al.，2024）。從長遠來看，真正解決可解釋性問題需要從模型設計階段就納入可解釋性考量。目前主流的先優化性能、后添加解釋的范式存在根本性缺陷。內在可解釋模型架構（intrinsically interpretable model architectures）是未來研究的重要方向，如神經符號系統和可解釋注意力（interpretable attention）機制等將翻譯過程分解為明確的語言轉換步驟，并讓每一步都具有可解釋的中間表示，以便在保持翻譯質量的同時提升系統透明度。

4.5倫理和文化敏感度欠缺

翻譯倫理與文化敏感性是GenAI翻譯技術走向成熟必須直面的挑戰。隨著GenAI翻譯系統在全球范圍內廣泛應用，其社會倫理影響已超越純技術層面，涉及文化平等、多樣性保護等深層次議題。數據偏見導致模型在性別、職業等表述上呈現刻板印象，如將中性職業名稱默認翻譯為特定性別。文化霸權則表現為主流語言文化在翻譯系統中的優勢地位，而邊緣文化概念則常被誤解或扁平化（Liuet al．，2023;Piazzollaetal．，2024）。

面對這些倫理挑戰，學術界和產業界正在探索多種解決方案。文化適應性翻譯（culturallyadaptive translation）是當前新興研究方向，旨在使翻譯系統能夠識別和適應不同文化背景，包括開發文化知識庫，改進文化特定表達的表示方法，以及設計能考慮目標受眾文化背景的翻譯策略。數據偏見緩解技術也是一個重要研究方向，旨在通過數據平衡、對抗訓練和公平性約束等方法減少模型中的有害偏見。谷歌翻譯團隊開發的“性別意識翻譯”（gender-aware translation）系統能夠在處理性別中性語言時提供多個翻譯選項，避免強制性別假設。微軟的“公平注意力”（fairatention）機制則通過特殊設計的正則化項，降低模型對性別、種族等敏感屬性的不當關注。通過提供多種翻譯選項和明確的風格控制參數，用戶可以根據自己的需求選擇合適的翻譯方案。如指定翻譯的正式程度、文化適應度和目標受眾類型，系統據此生成相應風格的翻譯結果，

5.結論

隨著全球化的不斷深人和數字化進程的加速，跨語言交流的需求日益增長，機器翻譯技術也因此迎來了前所未有的發展機遇和廣闊應用前景。本文系統回顧了機器翻譯技術的演進過程，從早期基于規則的翻譯，到統計機器翻譯，再到神經機器翻譯和最新的GenAI翻譯模型，展現了這一領域的技術變革。

機器翻譯技術的發展軌跡清晰反映了人工智能領域的整體進步。早期基于規則的翻譯系統雖然在特定領域和結構化文本翻譯上有其優勢，但難以應對語言的復雜性和多樣性。統計機器翻譯將翻譯問題轉化為概率計算，通過從大量平行語料中學習轉換規律，顯著提升了翻譯質量，但在處理長距離依賴和語義連貫性方面仍有不足。神經機器翻譯的出現，特別是注意力機制和轉換器架構的引入，帶來了翻譯質量的革命性提升，使機器翻譯在多個語言對上接近人類水平。近年來，以GPT等為代表的GenAI翻譯模型，通過超大規模預訓練，獲得更強大的上下文理解能力和多模態信息整合能力，構建了更具魯棒性和創造性的翻譯系統，進一步拓展了機器翻譯的應用邊界。然而，這一技術仍面臨數據稀缺、模型泛化能力有限、評估機制滯后、可解釋性不足、倫理及文化敏感度欠缺等多方面問題。未來機器翻譯發展需聚焦提升模型泛化能力和可解釋性，完善評估機制，確保文化適應性和倫理合規性，從而使技術得以在更多元的應用場景中充分發揮潛能。

參考文獻

[1]Bruno，P.et al. Continual learning in medicine：A systematic literature review[J]. Neural Processng Letters，2025，57（2）：1-21.

[2]Kenny，D. Machine translation[A]. In M. Baker amp; G. Saldanha（eds.）. Routledge Encyclopedia of Translation Studies （Thrid Edtion）[C]. London： Routledge，2019. 305-309.

[3]Kenny，D.amp; S. Doherty.Statistical machine translation in the translation curriculum：Overcoming obstacles and empowering translators[J]. The Interpreter and Translator Trainer，2O14， 8（2）： 276-294.

[4]Liu，L. et al.Active dynamic weighting for multi-domain adaptation[J]. Neural Networks，2024，（177） （C）：106398. https：//doi.org/10.1016/j. neunet.2024. 106398.[2025-04-30]

[5]Liu，X.QDLTrans：Enhancing English neural machine translation with quantized attention block and tunable dual learning[J]. IEEE Access，2025，13：30088-30100.

[6]Liu，Z. et al.Alleviating exposure bias for neural machine translation via contextual augmentation and self distillation[J]. IEEE/ACM Transactions on Audio， Speech，and Language Processing，2023，31： 2079-2089.

[7]Moorkens，J. et al. Translation Quality Asessment： From Principles to Practice[M]. London： Springer，2018.

[8]Piazzolla，S.A.etal.Good，but not always fair：An evaluation of gender bias for three commercial machine translation systems[J]. Herm： Journal of Language and Communication in Businesss，2024， （63）：209-225.

[9]Poibeau，T. Machine Translation[M].Cambridge：The MITPress，2017.

[10]Samuel，C.amp; I. T.Ali. Batak Toba language-Indonesian machine translation with transfer learning using no language left behind[J]. International Journal of Advances in Applied Sciences，2024，13（4）： 830-839.

[11]Siu，S. C. Revolutionising translation with AI： Unraveling neural machine translation and generative pretrained large language models[A]. In Y. H. Peng et al.（eds.）. New Advances in Translation Technology： Applications and Pedagogy[C]. Singapore：Springer， 2024. 29-54.

[12]Schulze Buschoff，L.M.et al.Visualcognition in multimodal large language models[J].Nature Machine Intelligence，2025，7（1） ： 96-106.

[13]Tekwa，K. Machine Translation and Foreign Language Learning[M]. Singapore： Springer，2023.

[14]Yang，R. et al.MixSA： Training-free reference-based sketch extraction via mixture-of-self-atention[J]. IEEE Transactions on Visualization and Computer Graphics，2024， 66（1） ： 1-16.

[15]范夢，皮姆．機器翻譯面面觀——皮姆教授訪談錄［J]．山東外語教學，2021，（3）：3-12.

[16]葛頌，王寧．人工智能時代的文學翻譯：挑戰與機遇［J]．外語與外語教學，2024，（1）：94-101+ 149-150.

[17]王華樹，張成智．GenAI時代的翻譯實踐模式：技術迭代、業態變革與趨勢展望[J]．外語教學， 2025，（1） ：53-58.

[18]王少爽，駱瀟洋．GenAI時代的智能翻譯素養：現實基礎、學術理據與概念框架［J]．外語教學， 2025，（1） ：59-65.

[19]王贊，張政．ChatGPT人工智能翻譯的隱憂與紓解[J]．中國翻譯，2024，（2）：95-102.

[20]文旭，田亞靈．ChatGPT應用于中國特色話語翻譯的有效性研究[J]．上海翻譯，2024，（2）：27- 34+94-95 ：

（責任編輯：楊彬）