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(jìn)程加速和數(shù)字化轉(zhuǎn)型深人使得不同語言和文化間的交流越來越頻繁，對高質(zhì)量機(jī)器翻譯技術(shù)的需求也愈發(fā)迫切（范夢栩、皮姆，2021）。機(jī)器翻譯是指用計算機(jī)程序?qū)⒃凑Z言轉(zhuǎn)換為目標(biāo)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(guān)系，生成符合目標(biāo)語言表達(dá)習(xí)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(shù)（generative artificial intelligence，GenAI）引發(fā)了機(jī)器翻譯領(lǐng)域的范式變革。

與傳統(tǒng)機(jī)器翻譯不同，GenAI翻譯模型通過在海量多語言語料上進(jìn)行自監(jiān)督學(xué)習(xí)（self-supervised learning），構(gòu)建了跨語言深層語義表示（abstract meaning representation），不僅能處理復(fù)雜上下文依賴和長距離語義關(guān)聯(lián)，還展現(xiàn)出前所未有的創(chuàng)造性和適應(yīng)性，從根本上拓展了機(jī)器翻譯的應(yīng)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(shù)據(jù)稀缺、專業(yè)領(lǐng)域翻譯的準(zhǔn)確性與術(shù)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(huán)境可持續(xù)性等多重因素交織，共同制約了GenAI翻譯技術(shù)的進(jìn)一步發(fā)展與應(yīng)用。本文旨在系統(tǒng)梳理機(jī)器翻譯技術(shù)的演進(jìn)過程，深入分析GenAI翻譯模型的工作原理，探討當(dāng)前技術(shù)局限及未來發(fā)展方向，以期為翻譯技術(shù)研究與應(yīng)用提供理論參考與實踐指導(dǎo)。

2.機(jī)器翻譯技術(shù)演進(jìn)

20世紀(jì)50年代，英國數(shù)學(xué)家圖靈（AlanTuring）提出“機(jī)器能否思考”這一哲學(xué)問題，激發(fā)了學(xué)界對計算機(jī)處理自然語言能力的探索。機(jī)器翻譯技術(shù)主要經(jīng)歷了四個階段的演進(jìn)，即基于語言學(xué)規(guī)則的形式化處理、基于統(tǒng)計概率的數(shù)據(jù)驅(qū)動、以深度學(xué)習(xí)為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)以及當(dāng)前GenAI大語言模型。這一演進(jìn)過程既反映了人工智能技術(shù)的迭代更新，也體現(xiàn)了人類對語言本質(zhì)理解的不斷深化。

2.1基于規(guī)則的機(jī)器翻譯

基于規(guī)則的機(jī)器翻譯（Rule-basedMachine Translation，RBMT）是機(jī)器翻譯發(fā)展的起點。RBMT以形式語言學(xué)和轉(zhuǎn)換生成語法為理論基礎(chǔ)，對源語言文本進(jìn)行分詞和詞性標(biāo)注，確定句法結(jié)構(gòu)，然后基于預(yù)設(shè)規(guī)則將源語言表示（source language representation）轉(zhuǎn)換為目標(biāo)語言表示（target language representation），最后生成符合目標(biāo)語言語法的譯文（Poibeau，2017）。

RBMT在處理結(jié)構(gòu)規(guī)范的文本（如技術(shù)文檔、法律條文）時表現(xiàn)出色。其突出優(yōu)勢在于翻譯過程的可控性和可預(yù)測性，能夠保證特定詞匯和結(jié)構(gòu)的一致處理，且無需大量訓(xùn)練數(shù)據(jù)，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(dá)和創(chuàng)造性用法，難以通過有限規(guī)則集完整覆蓋。規(guī)則數(shù)量的增長導(dǎo)致系統(tǒng)復(fù)雜度上升、規(guī)則間沖突加劇，人工編寫和維護(hù)規(guī)則的高昂成本和難度進(jìn)一步制約了RBMT 的發(fā)展。盡管如此，RBMT為計算語言學(xué)奠定了理論基礎(chǔ)，提供了形式化處理自然語言的方法論框架，對后續(xù)機(jī)器翻譯范式的發(fā)展產(chǎn)生了深遠(yuǎn)影響。

2.2統(tǒng)計機(jī)器翻譯

20世紀(jì)90年代，隨著信息論和統(tǒng)計學(xué)在自然語言處理中的應(yīng)用，機(jī)器翻譯從規(guī)則驅(qū)動轉(zhuǎn)向數(shù)據(jù)統(tǒng)計驅(qū)動。統(tǒng)計機(jī)器翻譯（StatisticalMachineTranslation，SMT）摒棄了依賴專家編寫規(guī)則的方式，轉(zhuǎn)而通過分析大規(guī)模雙語平行語料庫，自動學(xué)習(xí)語言間的對應(yīng)關(guān)系和翻譯模式。SMT的核心是將翻譯問題轉(zhuǎn)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(biāo)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(biāo)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(tǒng)計翻譯和基于句法的統(tǒng)計翻譯兩種類型。前者將句子分解為短語單元進(jìn)行翻譯，后者利用句法結(jié)構(gòu)指導(dǎo)翻譯過程，其本質(zhì)都是通過語言模型和翻譯模型的聯(lián)合優(yōu)化實現(xiàn)高質(zhì)量翻譯（Kenny amp; Doherty，2014）。

與RBMT相比，SMT能自動從數(shù)據(jù)中學(xué)習(xí)翻譯規(guī)律，減少人工干預(yù)。而且，隨著訓(xùn)練語料的擴(kuò)充，系統(tǒng)能夠更好地處理語言多義性和不確定性，生產(chǎn)更自然流暢的譯文。不過，SMT高度依賴大規(guī)模高質(zhì)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(xiàn)欠佳。SMT不僅推動了歐盟議會語料庫、聯(lián)合國文獻(xiàn)語料庫等大規(guī)模平行語料庫的建設(shè)，也為后續(xù)神經(jīng)機(jī)器翻譯和GenAI的誕生奠定了數(shù)據(jù)基礎(chǔ)。短語統(tǒng)計機(jī)器翻譯（Phrase-basedSMT）、層次化統(tǒng)計機(jī)器翻譯（HierarchicalSMT）等技術(shù)還為后續(xù)大語言模型的發(fā)展提供了啟示。

2.3神經(jīng)機(jī)器翻譯

21世紀(jì)初，隨著深度學(xué)習(xí)的突破性進(jìn)展，神經(jīng)機(jī)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(jīng)網(wǎng)絡(luò)模型直接學(xué)習(xí)源語言到目標(biāo)語言的映射關(guān)系，無需繁瑣的特征工程和顯式語言規(guī)則定義。早期NMT模型主要基于編碼器-解碼器（encoder-decoder）架構(gòu)，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrentneuralnetwork）或長短期記憶網(wǎng)絡(luò)（long short-termmemory）實現(xiàn)序列到序列的學(xué)習(xí)。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(biāo)語言序列。2017年谷歌提出的轉(zhuǎn)換器（transformer）架構(gòu)徹底變革了NMT領(lǐng)域。轉(zhuǎn)換器架構(gòu)摒棄了循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，完全基于注意力機(jī)制（attentionmechanism）和前饋神經(jīng)網(wǎng)絡(luò)（feedforward neural network）構(gòu)建，通過并行計算極大提升了訓(xùn)練效率。通過引人自注意力（self-attention）機(jī)制，使模型能夠捕捉序列中任意位置間的依賴關(guān)系，有效解決了長序列建模中的信息衰減問題，并進(jìn)一步增強(qiáng)了模型表示能力，使其能從不同角度學(xué)習(xí)序列內(nèi)部關(guān)系（Liu，2025）。

與前代技術(shù)相比，NMT在翻譯質(zhì)量上實現(xiàn)了質(zhì)的飛躍，不僅能捕捉更復(fù)雜的語法規(guī)則和語義關(guān)系，令長句翻譯質(zhì)量得到顯著提升，而且可以適應(yīng)不同語言對和文本類型，因此具備強(qiáng)大的遷移學(xué)習(xí)潛力。NMT的主要缺陷在于仍高度依賴大規(guī)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(fā)者無法追蹤翻譯轉(zhuǎn)換過程，導(dǎo)致翻譯過程難以解釋和控制。盡管如此，神經(jīng)機(jī)器翻譯是翻譯技術(shù)發(fā)展的重要里程碑，不僅大幅提升了翻譯質(zhì)量，還推動了深度學(xué)習(xí)在整個自然語言處理領(lǐng)域的廣泛應(yīng)用，為后續(xù)語言模型的發(fā)展奠定了技術(shù)基礎(chǔ)。

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(shù)掀起了機(jī)器翻譯的新一輪革命。與專門針對翻譯任務(wù)設(shè)計的傳統(tǒng)NMT不同，GenAI翻譯呈現(xiàn)三個顯著特征：模型規(guī)模幾何級擴(kuò)大、預(yù)訓(xùn)練-微調(diào)（Pre-trainingamp;Fine-tuning）范式普及以及多任務(wù)學(xué)習(xí)能力提升（Siu，2024）。具體而言，GenAI翻譯模型通?；诖笠?guī)模預(yù)訓(xùn)練語言模型構(gòu)建。這些模型首先在多語言語料上進(jìn)行自監(jiān)督學(xué)習(xí)，習(xí)得豐富的語言知識和跨語言表示，然后通過特定任務(wù)微調(diào)或提示工程（prompt engineering）實現(xiàn)高質(zhì)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(tǒng)NMT，GenAI翻譯在多個維度呈現(xiàn)質(zhì)的飛躍。首先，參數(shù)和訓(xùn)練語料規(guī)模的顯著擴(kuò)大使模型能夠習(xí)得更豐富的語言知識和更復(fù)雜的語言轉(zhuǎn)換規(guī)律。其次，上下文理解能力的增強(qiáng)使翻譯不再局限于句子級別，而能夠處理篇章級語義關(guān)聯(lián)和論述結(jié)構(gòu)，提供更連貫一致的譯文。最后，語境適應(yīng)能力的提升使模型能夠根據(jù)不同場合調(diào)整翻譯風(fēng)格，適應(yīng)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(guān)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(yù)訓(xùn)練，模型建立了通用語言表示空間，能夠?qū)崿F(xiàn)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(kuò)展了機(jī)器翻譯的語言覆蓋范圍。同時，提示工程的興起為翻譯任務(wù)提供了新的控制范式，用戶可通過自然語言指令實現(xiàn)高度個性化的翻譯服務(wù)。

機(jī)器翻譯技術(shù)從規(guī)則到生成的演進(jìn)過程反映了人工智能研究的整體轉(zhuǎn)變——從知識驅(qū)動到數(shù)據(jù)驅(qū)動，從顯式規(guī)則到隱式模式學(xué)習(xí)，從特定任務(wù)到通用智能，每一次技術(shù)范式轉(zhuǎn)換都帶來翻譯質(zhì)量和適用范圍的顯著提升。GenAI翻譯不僅代表了當(dāng)前技術(shù)前沿，也為未來翻譯技術(shù)發(fā)展指明了方向。

3.GenAI翻譯技術(shù)發(fā)展現(xiàn)狀

GenAI翻譯技術(shù)通過大規(guī)模模型訓(xùn)練和多模態(tài)信息整合，正在重塑機(jī)器翻譯的能力邊界和應(yīng)用場景。對當(dāng)前GenAI翻譯模型類型、應(yīng)用情況及其多模態(tài)與交互體驗的系統(tǒng)分析，有助于把握技術(shù)發(fā)展脈絡(luò)和未來趨勢。

3.1兩類模型

當(dāng)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(shè)計理念、架構(gòu)特點和應(yīng)用場景上各具特色，共同推動著翻譯技術(shù)的創(chuàng)新發(fā)展。

通用大語言模型以O(shè)penAi的GPT、Antropic 的Claude 和Meta 的LLaMA 等為代表，主要采用“預(yù)訓(xùn)練-微調(diào)\"策略，先在海量文本上進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)通用語言能力，然后針對翻譯等特定任務(wù)進(jìn)行微調(diào)。這種方法充分利用了未標(biāo)注數(shù)據(jù)中蘊含的語言知識，同時通過微調(diào)實現(xiàn)任務(wù)優(yōu)化。在翻譯任務(wù)中，這些模型展現(xiàn)出多方面優(yōu)勢。

多語言能力是通用大語言模型的首要特色。先進(jìn)模型能支持約100種語言的翻譯任務(wù)，包括許多低資源語言。根據(jù)OpenAI技術(shù)報告，GPT-4在國際機(jī)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(yè)翻譯系統(tǒng)相當(dāng)，而在低資源語言翻譯中往往表現(xiàn)更佳。這種多語言能力源于模型在預(yù)訓(xùn)練階段接觸的大量不同語言文本，使其能夠構(gòu)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(jīng)網(wǎng)絡(luò)系統(tǒng)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(shù)語一致性等跨句問題。例如，在翻譯學(xué)術(shù)論文時，GPT-4能夠保持全文術(shù)語統(tǒng)一，維持章節(jié)間的邏輯關(guān)聯(lián)，這在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)翻譯系統(tǒng)中難以實現(xiàn)。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(fēng)格、專業(yè)度和目標(biāo)受眾。例如，用戶可向系統(tǒng)提出“將文學(xué)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(jìn)行翻譯”等復(fù)雜指令。這種靈活性使翻譯服務(wù)從標(biāo)準(zhǔn)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(yīng)用中也面臨明顯挑戰(zhàn)。模型規(guī)模龐大，運行成本高昂，限制了其在資源受限環(huán)境中的應(yīng)用。作為通用模型，在專業(yè)領(lǐng)域翻譯中術(shù)語精確度和一致性不及針對特定領(lǐng)域訓(xùn)練的專用模型。創(chuàng)造性與準(zhǔn)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(shè)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(qiáng)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(jìn)一步擴(kuò)展到200種語言。這類模型的核心優(yōu)勢包括多語言間知識共享與遷移、計算效率優(yōu)化以及翻譯任務(wù)專注性。

多語言專用翻譯模型采用單一編碼器-解碼器架構(gòu)，通過參數(shù)共享策略實現(xiàn)知識在相似語言間的自然遷移。典型設(shè)計包括使用語言標(biāo)識符標(biāo)明源語言和目標(biāo)語言，以及采用共享多語言詞表捕捉詞匯間跨語言關(guān)系。這種設(shè)計不僅減少了處理每種語言對所需專用模型數(shù)量，還顯著提升了小語種翻譯質(zhì)量。在計算效率與資源優(yōu)化方面，專用多語言翻譯模型相較通用大模型具有明顯優(yōu)勢。NLLB-200模型在典型硬件上運行速度比同等質(zhì)量通用大語言模型快5到10倍，在移動設(shè)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(shè)備上，服務(wù)更多用戶群體。

專注翻譯任務(wù)的精準(zhǔn)性是多語言專用翻譯模型的另一顯著優(yōu)勢。由于這類模型專門針對翻譯任務(wù)優(yōu)化，在處理特定語言對和樣式時往往比通用模型更加精準(zhǔn)。特別是在專業(yè)領(lǐng)域翻譯中（如科技文檔、醫(yī)學(xué)資料翻譯等），專用模型能夠更好地保持術(shù)語一致性和領(lǐng)域特定表達(dá)，減少不必要的創(chuàng)造性變異。

不過，專用多語言翻譯模型也存在泛化能力和領(lǐng)域適應(yīng)性相對較弱的問題。在處理訓(xùn)練數(shù)據(jù)分布外的特殊文本類型時，如文學(xué)作品、網(wǎng)絡(luò)俚語等，表現(xiàn)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(bǔ)充背景信息的翻譯場景中可能表現(xiàn)不佳（Tekwa，2023）。

3.2多模態(tài)與交互創(chuàng)新

多模態(tài)整合能力和交互體驗是GenAI翻譯在技術(shù)上的重要創(chuàng)新。

傳統(tǒng)機(jī)器翻譯系統(tǒng)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(jī)視覺輔助技術(shù)和自然語言處理技術(shù)，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(xiàn)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(biāo)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(tài)翻譯拓展則突破了傳統(tǒng)語言間翻譯的邊界。GenAI翻譯不僅能實現(xiàn)文本間的轉(zhuǎn)換，還能實現(xiàn)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(xiàn)跨語言語音合成的能力。這種技術(shù)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(shù)的邊界。

實時交互翻譯改變了用戶與翻譯系統(tǒng)的互動方式。傳統(tǒng)機(jī)器翻譯通常僅提供單向、一次性的翻譯服務(wù)，而GenAI翻譯支持多輪交互，用戶可以通過對話形式逐步優(yōu)化翻譯結(jié)果。例如，用戶可以請求系統(tǒng)解釋特定翻譯選擇，向系統(tǒng)詢問替代表達(dá)，或指示系統(tǒng)調(diào)整翻譯風(fēng)格。

綜上所述，GenAI翻譯技術(shù)正以其強(qiáng)大的語言理解和生成能力，更廣泛的模態(tài)支持以及更自然的人機(jī)交互方式，大幅拓展機(jī)器翻譯的應(yīng)用場景，從專業(yè)工具逐漸發(fā)展為普惠技術(shù)，服務(wù)更廣泛的用戶群體和應(yīng)用場景。

4.GenAI翻譯技術(shù)面臨的問題與未來發(fā)展趨勢

GenAI翻譯技術(shù)的迅猛發(fā)展正在重塑跨語言交流的邊界，但這一技術(shù)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(biāo)準(zhǔn)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(xué)術(shù)界和產(chǎn)業(yè)界共同努力。在全球數(shù)字化進(jìn)程加速的背景下，探索GenAI翻譯技術(shù)的未來發(fā)展路徑，不僅關(guān)乎技術(shù)本身，更涉及數(shù)字公平、文化多樣性保護(hù)及人類語言遺產(chǎn)傳承等深遠(yuǎn)議題。

4.1數(shù)據(jù)稀缺

數(shù)據(jù)稀缺是制約GenAI翻譯技術(shù)發(fā)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(shù)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(yán)重的數(shù)據(jù)不足問題。例如，非洲班圖語系包含約500種語言，但大多數(shù)語言的數(shù)字化語料極為有限，更不用說高質(zhì)量平行語料庫。這種數(shù)據(jù)不平衡直接影響了翻譯系統(tǒng)的公平性和可及性，意味著技術(shù)紅利主要惠及已經(jīng)處于信息優(yōu)勢地位的語言社區(qū)，而邊緣語言社區(qū)則面臨數(shù)字鴻溝擴(kuò)大的風(fēng)險。

面對數(shù)據(jù)稀缺，當(dāng)前主流解決方案是參考現(xiàn)有高資源語言翻譯模型生成“偽平行語料”，用合成數(shù)據(jù)擴(kuò)充訓(xùn)練數(shù)據(jù)規(guī)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(xùn)練中荷互譯模型。更復(fù)雜的數(shù)據(jù)增強(qiáng)技術(shù)包括噪聲添加、句法替換和風(fēng)格轉(zhuǎn)換等，這些方法能夠增加訓(xùn)練數(shù)據(jù)的多樣性，提高模型的魯棒性（Robustness），即機(jī)器翻譯的穩(wěn)定性和可靠性。譬如，Meta開發(fā)的“無語言留下\"（no language leftbehind，即NLLB）框架通過多語言聯(lián)合訓(xùn)練和共享參數(shù)設(shè)計，實現(xiàn)了從高資源語言到低資源語言的知識遷移。通過應(yīng)用共享編碼空間和跨語言標(biāo)記嵌人，NLLB-200模型僅使用少量目標(biāo)語言數(shù)據(jù)，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(shù)據(jù)稀缺問題應(yīng)聚焦更高效的數(shù)據(jù)利用方法，如利用零樣本（zero-shot）和少樣本（few-shot）學(xué)習(xí)對預(yù)訓(xùn)練大語言模型未見過的語言現(xiàn)象進(jìn)行識別和歸類，進(jìn)而從有限樣本中習(xí)得更多語言規(guī)律。同時，建立更加公平、開放的全球語言資源共享機(jī)制，保障語言多樣性和技術(shù)包容性，是實現(xiàn)翻譯技術(shù)普惠的制度保障。

4.2泛化能力有限

數(shù)據(jù)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(shù)據(jù)或新的任務(wù)場景時，能夠準(zhǔn)確且穩(wěn)定完成任務(wù)的能力。泛化能力強(qiáng)意味著模型能夠?qū)?shù)據(jù)訓(xùn)練的成果有效地應(yīng)用到廣泛的場景。目前，由于在資源匱乏的語言或?qū)I(yè)領(lǐng)域缺乏訓(xùn)練數(shù)據(jù)，GenAI翻譯模型難以學(xué)習(xí)到全面的語言模式和語義信息，進(jìn)而在面對多樣化的語言輸入時表現(xiàn)不佳。例如，在醫(yī)療、法律等領(lǐng)域，雙語語料的匱乏使模型無法充分學(xué)習(xí)專業(yè)術(shù)語和特定表達(dá)，在翻譯過程中出現(xiàn)術(shù)語不準(zhǔn)確、語義不連貫等問題。這種因數(shù)據(jù)稀缺導(dǎo)致的泛化能力不足，限制了模型在不同語言和專業(yè)領(lǐng)域中的應(yīng)用效果。

針對泛化能力不足，當(dāng)前主流解決方案包括多領(lǐng)域適應(yīng)（multi-domainadaptation）技術(shù)和持續(xù)學(xué)習(xí)（continual learning）框架。多領(lǐng)域適應(yīng)技術(shù)通過在特定領(lǐng)域數(shù)據(jù)上進(jìn)行微調(diào)，使通用模型適應(yīng)特定場景需求（Liuetal.，2024），例如可以通過在醫(yī)學(xué)文獻(xiàn)平行語料上進(jìn)行額外訓(xùn)練，顯著提升醫(yī)學(xué)術(shù)語翻譯準(zhǔn)確性。持續(xù)學(xué)習(xí)則允許模型在初始訓(xùn)練后，不斷整合新知識。通過特定數(shù)據(jù)比例的精細(xì)控制和正則化（regularization）技術(shù)，使模型能夠在保持通用翻譯能力的同時，逐步提升特定領(lǐng)域的翻譯質(zhì)量（Brunoetal.，2025）。

從長遠(yuǎn)來看，提升模型泛化能力需要突破當(dāng)前的翻譯模型設(shè)計。例如，認(rèn)知啟發(fā)的語言模型（cognitively-inspired language models）試圖模擬人類語言習(xí)得和跨語言遷移的認(rèn)知過程，獲得更具一般性的語言理解能力。神經(jīng)符號系統(tǒng)（neuro-symbolic systems）則嘗試將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力與符號邏輯的精確推理相結(jié)合，平衡靈活性與規(guī)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(zhì)量評估機(jī)制滯后

翻譯質(zhì)量評估機(jī)制的滯后也已成為制約GenAI翻譯技術(shù)發(fā)展的關(guān)鍵因素。傳統(tǒng)評估指標(biāo)，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(jī)器翻譯生成譯文與參考譯文之間的重疊程度，難以準(zhǔn)確捕捉語義等價性和創(chuàng)造性表達(dá)，導(dǎo)致高質(zhì)量但表達(dá)靈活的譯文可能獲得較低分?jǐn)?shù)，而質(zhì)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(chuàng)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(fā)了更全面、精確的評估機(jī)制。例如，多維度評估框架（multidimensionalqualitymetrics，MQM）將翻譯質(zhì)量分解為準(zhǔn)確性、流暢性、風(fēng)格、本地化程度等多個維度，允許更細(xì)粒度的質(zhì)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(jìn)方向，已被谷歌、微軟等整合到其內(nèi)部評估流程中。任務(wù)導(dǎo)向評估（task-based evaluation）則更加關(guān)注翻譯能否支持下游任務(wù)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(jù)翻譯后的說明書正確組裝產(chǎn)品，或能否根據(jù)翻譯后的醫(yī)療建議做出正確決策（Moorkensetal.，2018）。

未來翻譯質(zhì)量評估將朝著更加多元、綜合的方向發(fā)展。理想的評估機(jī)制應(yīng)同時考慮翻譯的語言質(zhì)量、功能等效性、文化適應(yīng)性和用戶體驗，并能適應(yīng)不同應(yīng)用場景的需求。這種全面的評估體系不僅能更準(zhǔn)確地衡量當(dāng)前技術(shù)水平，也能為未來的技術(shù)發(fā)展提供更有針對性的指導(dǎo)。

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(jié)果的整個過程都能為人類所理解和解釋。隨著GenAI模型規(guī)模和復(fù)雜度的不斷增加，其決策過程越來越呈現(xiàn)“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(guān)鍵應(yīng)用領(lǐng)域（如醫(yī)療、法律、國際關(guān)系）尤其成為問題。另外，當(dāng)GenAI翻譯出現(xiàn)錯誤時，很難判斷這是來自訓(xùn)練數(shù)據(jù)的偏見、模型結(jié)構(gòu)的局限還是推理過程的隨機(jī)性。GenAI模型的這種“黑盒”特性不僅影響了用戶對系統(tǒng)的信任度，也不利于開發(fā)者對翻譯錯誤的診斷和修正。隨著歐盟《通用數(shù)據(jù)保護(hù)條例》（GeneralData Protection Regulation）和《人工智能法案》（Artificial Intelligence Act）等法規(guī)的實施，在特定高風(fēng)險應(yīng)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(tǒng)不僅需要提供高質(zhì)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(guān)注的源文本片段，允許用戶查看翻譯系統(tǒng)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(fù)雜結(jié)構(gòu)的翻譯過程（Yanget al.，2024）。從長遠(yuǎn)來看，真正解決可解釋性問題需要從模型設(shè)計階段就納入可解釋性考量。目前主流的先優(yōu)化性能、后添加解釋的范式存在根本性缺陷。內(nèi)在可解釋模型架構(gòu)（intrinsically interpretable model architectures）是未來研究的重要方向，如神經(jīng)符號系統(tǒng)和可解釋注意力（interpretable attention）機(jī)制等將翻譯過程分解為明確的語言轉(zhuǎn)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(zhì)量的同時提升系統(tǒng)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(shù)走向成熟必須直面的挑戰(zhàn)。隨著GenAI翻譯系統(tǒng)在全球范圍內(nèi)廣泛應(yīng)用，其社會倫理影響已超越純技術(shù)層面，涉及文化平等、多樣性保護(hù)等深層次議題。數(shù)據(jù)偏見導(dǎo)致模型在性別、職業(yè)等表述上呈現(xiàn)刻板印象，如將中性職業(yè)名稱默認(rèn)翻譯為特定性別。文化霸權(quán)則表現(xiàn)為主流語言文化在翻譯系統(tǒng)中的優(yōu)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(zhàn)，學(xué)術(shù)界和產(chǎn)業(yè)界正在探索多種解決方案。文化適應(yīng)性翻譯（culturallyadaptive translation）是當(dāng)前新興研究方向，旨在使翻譯系統(tǒng)能夠識別和適應(yīng)不同文化背景，包括開發(fā)文化知識庫，改進(jìn)文化特定表達(dá)的表示方法，以及設(shè)計能考慮目標(biāo)受眾文化背景的翻譯策略。數(shù)據(jù)偏見緩解技術(shù)也是一個重要研究方向，旨在通過數(shù)據(jù)平衡、對抗訓(xùn)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(tuán)隊開發(fā)的“性別意識翻譯”（gender-aware translation）系統(tǒng)能夠在處理性別中性語言時提供多個翻譯選項，避免強(qiáng)制性別假設(shè)。微軟的“公平注意力”（fairatention）機(jī)制則通過特殊設(shè)計的正則化項，降低模型對性別、種族等敏感屬性的不當(dāng)關(guān)注。通過提供多種翻譯選項和明確的風(fēng)格控制參數(shù)，用戶可以根據(jù)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(yīng)度和目標(biāo)受眾類型，系統(tǒng)據(jù)此生成相應(yīng)風(fēng)格的翻譯結(jié)果，

5.結(jié)論

隨著全球化的不斷深人和數(shù)字化進(jìn)程的加速，跨語言交流的需求日益增長，機(jī)器翻譯技術(shù)也因此迎來了前所未有的發(fā)展機(jī)遇和廣闊應(yīng)用前景。本文系統(tǒng)回顧了機(jī)器翻譯技術(shù)的演進(jìn)過程，從早期基于規(guī)則的翻譯，到統(tǒng)計機(jī)器翻譯，再到神經(jīng)機(jī)器翻譯和最新的GenAI翻譯模型，展現(xiàn)了這一領(lǐng)域的技術(shù)變革。

機(jī)器翻譯技術(shù)的發(fā)展軌跡清晰反映了人工智能領(lǐng)域的整體進(jìn)步。早期基于規(guī)則的翻譯系統(tǒng)雖然在特定領(lǐng)域和結(jié)構(gòu)化文本翻譯上有其優(yōu)勢，但難以應(yīng)對語言的復(fù)雜性和多樣性。統(tǒng)計機(jī)器翻譯將翻譯問題轉(zhuǎn)化為概率計算，通過從大量平行語料中學(xué)習(xí)轉(zhuǎn)換規(guī)律，顯著提升了翻譯質(zhì)量，但在處理長距離依賴和語義連貫性方面仍有不足。神經(jīng)機(jī)器翻譯的出現(xiàn)，特別是注意力機(jī)制和轉(zhuǎn)換器架構(gòu)的引入，帶來了翻譯質(zhì)量的革命性提升，使機(jī)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(guī)模預(yù)訓(xùn)練，獲得更強(qiáng)大的上下文理解能力和多模態(tài)信息整合能力，構(gòu)建了更具魯棒性和創(chuàng)造性的翻譯系統(tǒng)，進(jìn)一步拓展了機(jī)器翻譯的應(yīng)用邊界。然而，這一技術(shù)仍面臨數(shù)據(jù)稀缺、模型泛化能力有限、評估機(jī)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(jī)器翻譯發(fā)展需聚焦提升模型泛化能力和可解釋性，完善評估機(jī)制，確保文化適應(yīng)性和倫理合規(guī)性，從而使技術(shù)得以在更多元的應(yīng)用場景中充分發(fā)揮潛能。

參考文獻(xiàn)

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

[16]葛頌，王寧．人工智能時代的文學(xué)翻譯：挑戰(zhàn)與機(jī)遇［J]．外語與外語教學(xué)，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(shù)迭代、業(yè)態(tài)變革與趨勢展望[J]．外語教學(xué)， 2025，（1） ：53-58.

[18]王少爽，駱瀟洋．GenAI時代的智能翻譯素養(yǎng)：現(xiàn)實基礎(chǔ)、學(xué)術(shù)理據(jù)與概念框架［J]．外語教學(xué)， 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(yīng)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(zé)任編輯：楊彬）