神经机器翻译：工作原理（2026）

“神经”这个词听起来像是生物课上用的词，而不是软件术语。 但在科技领域， 人工神经网络 是一个大致模仿大脑的系统：由多层相互连接的节点组成，这些节点像神经元发出信号一样相互传递信息。

那么这和翻译有什么关系呢？

多年来，像谷歌翻译这样的工具一直依赖于一种称为统计机器翻译（SMT）的较旧方法。 In 2016, Google switched to NMT, and in its own evaluations, the new system cut translation errors by 60% on average. （想知道它现在的准确度如何？） 这就是 谷歌翻译的可靠性究竟有多高。）

如果你在翻译网站，几乎肯定会遇到神经机器翻译（NMT）。 并非每个企业都能配备完整的翻译团队，而使用 NMT 作为第一步是进入新市场的最快途径。 了解技术的工作原理，可以更轻松地为您的网站选择合适的本地化工作流程。

在本指南中，我们将涵盖您需要了解的有关 NMT 的所有内容，包括为什么名为 Transformer 的 2017 架构将机器翻译变成企业可以可靠地构建的东西，为什么神经翻译仍然难以处理更复杂的语言，以及为什么多语言 SEO 是开始使用 AI 翻译的最明智的选择。

什么是神经机器翻译？

简而言之，神经机器翻译使用深度神经网络，通过学习庞大的双语数据集中的模式来翻译文本，而不是遵循人工编写的语法规则。 单词被转换成数字，模型计算出哪些数字对彼此最重要，然后生成目标语言的新句子。

那么，NMT是人工智能吗？ 是的。 这是自然语言处理与深度学习的交汇点，也是语音转文本和图像识别背后的核心技术。 但这并非真正意义上的“思考”。 这更像是模式预测：给定源句子及其目前为止生成的单词，根据它从中学习到的数百万个翻译句子对，目标语言中最有可能的下一个单词是什么？

这既可以解释神经机器翻译的优势，也可以解释其盲点。 它在流畅性方面非常出色，因为流畅性正是大规模模式匹配所产生的效果。 另一方面，它经常难以处理任何罕见的、模糊的或具有文化特殊性的情况，因为这些情况在训练数据中出现的频率较低。

我们是怎么走到这一步的？

机器翻译并非一直如此。 最早的系统是基于规则的：语言学家手工编写语法规则和双语词典，逐一解释例外情况。 这种方法很快就遇到了瓶颈，因为自然语言会不断打破自身的规则。

统计机器翻译用概率取代了这些规则。 给定数百万个匹配的句子对，语言 B 中的哪个短语与语言 A 中的哪个短语最常匹配？ 虽然有所改进，但它仍然是逐句拼接翻译，这就是为什么较早的机器翻译文本读起来常常像断断续续的片段。

神经机器翻译用一个端到端的网络取代了这两种方法。 它会读取整个句子并生成完整的翻译，学习词语之间的相互关系，而不是查找它们。 This is the system Google Translate has run on since 2016, so if you’ve used it in the last decade, you’ve used NMT.

流程：标记化、嵌入、参与、解码

NMT 的工作原理分为四个步骤。 让我们通过翻译一句西班牙语句子来了解它们：“黑猫坐在垫子上。”

分词： 该模型将句子拆分成它可以处理的部分：[The, black, cat, sat, on, the, mat]。 但这并不总是完整的单词。 较长或罕见的词语通常会被拆分成较小的子词块，这也是形态密集型语言最终准确性较低的原因之一。

嵌入： 每个词元都被转换成一个向量，一个数字列表，表示该词与模型学习到的所有其他词之间的关系。 例如，“cat”在几百个维度上可能会变成类似 [0.42, -1.08, 3.31, …] 的东西。 含义相近的词语最终会得到相似的向量，这就是模型“知道”猫和小猫之间的关系的方式。

注意： 该模型衡量每个词对其他词的影响程度。 首先，它在输入句子中执行此操作：“sat”需要知道“cat”（谁在坐着）和“mat”（被坐的东西），而不是“the”。 然后，在编写翻译的过程中，每个新的输出词都会回顾输入，以确定在那一刻哪些源词最重要。 这使得该模型能够处理不同语言之间的词序差异，而直接逐字交换词序会产生无意义的结果。

解码： 该模型一次生成一个词元，每个新词元都根据输入和它目前为止编写的所有内容进行翻译。 在此过程中，它将形容词放在名词之后（“黑猫”变成“gato negro”），并将一个英语单词变成两个西班牙语单词（“sat”变成“se sentó”），直到得到“El gato negro se sentó en la alfombra”。

这就是如今神经机器翻译（NMT）的运作方式。 But it doesn’t explain why translation quality jumped so sharply in the late 2010s. 为此，你需要一个关于关注的故事。

注意力为何改变了一切

最初，人们在 2014 和 2015 年的研究中开始关注循环神经网络 (RNN)，而循环神经网络当时是语言任务的标准架构。 循环神经网络按顺序逐字处理句子，并不断推进句子摘要。 这有点像读一本书，一个字一个字地读，还要努力记住整个情节。 这种方法存在两个问题。 首先，它的速度很慢，因为你必须先处理完第五个单词才能处理第六个单词。 它还倾向于在长句结尾处“忘记”句子开头部分的信息。

注意力机制被专门引入循环神经网络（RNN）以解决遗忘问题。 它允许模型回溯查看源句子中的任何单词，而不是仅仅依赖于压缩摘要。

更大的变化发生在 2017 版本中，当时谷歌研究人员发表了《注意力是你所需要的一切》，引入了 Transformer 架构。 它的核心见解是，你根本不需要 RNN 的逐字处理。 如果注意力能够告诉你哪些词对哪些其他词重要，你就可以并行处理整个句子，让注意力直接处理这些关系。 这种机制，即自注意力机制，现在几乎是所有主流翻译和语言模型的基础，包括当今人工智能翻译工具背后的大型语言模型。

结果，两件事发生了改变。 由于 Transformer 可以并行处理文本，因此在相同的硬件上训练速度要快得多，这使得训练更多的数据成为可能。 而且，自注意力机制处理长程依赖关系（例如，一个代词指代十个词之前的名词）比 RNN 好得多。 这正是翻译质量在 2017级之后持续提升的重要原因之一。 不仅仅是更新的型号和更多的数据。

NMT的局限性

神经机器翻译对数据需求量很大，而这种需求在世界各种语言中的分布并不均匀。 训练一个强大的模型需要大量的对齐双语文本，正如 Meta 的“不让任何语言掉队”团队在 《自然》杂志上所说，这种数据在不同语言中“并不同样可用”。 对于许多语言对来说，大规模应用根本不存在。

多少才算足够？ 没有标准答案。 早期研究 有研究表明，神经机器翻译需要大量的并行文本才能超越旧式的统计系统，但是后续工作 结果表明，经过良好调校的模型可以使用更少的资源。 这实际上取决于语言对、模型以及配置的精细程度。

形态复杂的语言会使这个问题更加严重。 芬兰语、土耳其语和阿拉伯语通过前缀、后缀和内部变化将意义融入词形结构中，可以将一个词根变成几十种有效形式。 主要基于英语数据训练的分词器可能会以不符合任何真实语言单位的方式分割这些单词。 这也是为什么这些语言的 NMT 输出不如广泛使用、形态更简单的语言那样一致的原因之一。

该领域主要通过以下三种方式应对数据匮乏：

• 迁移学习： 先在高资源语言对上训练模型，然后在相关的低资源语言对上进行微调，这样就不用从头开始。
• 回译： 取目标语言的真实文本，将其机器翻译成源语言，并将两者配对以创建额外的（合成的）训练数据。
• 多语言模型： 同时训练一个模型，支持数十种或数百种语言，这样资源较少的语言就能从其他地方学习到的模式中受益。 例如，Meta 的 NLLB-200 模型在 200 种语言中，与之前最先进的系统相比，翻译质量平均提高了 44%。

对于任何面向客户的内容，这些都不能取代母语人士的审校。 机器翻译可以快速生成流畅的初稿，但只有经过合格审校人员的审校，才能确保译文对于以该语言为母语的人来说读起来自然流畅，尤其是在模型学习量较少的语言中。

从原始输出到已发布、可索引的网站

通过 API 进行原始机器翻译成本很低。 Google Cloud 的翻译 API是生产环境中应用最广泛的 NMT 引擎之一，每百万个字符收费 20 美元，每月前 500,000 个字符免费。 一篇典型的 1000 字营销页面大约有 6,000 个字符，因此翻译成一种语言的成本大约为 12 美分。 价格经常变动，所以在制定预算之前最好先查看一下当前价格。

不过，网站翻译的真正成本并不在于 API 调用。 它涵盖了所有相关方面：开发时间（用于将内容路由到引擎）、审核工作流程（以便在内容公开发布之前进行检查）、内容更改时的持续维护，以及技术 SEO 工作（例如 hreflang 标签 ，以便搜索引擎分别索引每种语言版本）。 如果您正在比较各种方案， 那么每字翻译成本 对您的预算影响远比机器翻译的原始费用要大得多。

在企业目前尝试使用人工智能翻译的各种方式中，多语言SEO是回报最明显的一种。 您的网站的多语言版本经过正确索引后，就能在您发布的每种语言版本中持续获得自然搜索流量。

这意味着机器翻译的原始输出必须能够被搜索引擎抓取、索引和排名，并且必须进行良好的本地化，以便访客一旦到达就会停留。 这需要一个包含编辑、审阅、hreflang、本地化链接等工具的工作流程。 Bablic 将这些工具整合到一个平台上：

• 已做好搜索引擎优化 (SEO) 部署准备。 当您部署到子文件夹或子域时， Bablic 会处理 hreflang 标签和翻译后的元数据，因此每个语言版本都可以单独建立索引。
• 发布前请审核。 所有译文在正式发布前都会先以草稿的形式呈现，所以不会未经审核就发布。
• 上下文编辑。 审校人员可以直接在渲染后的页面上进行编辑，因此团队中的任何人，无论是否是翻译人员，都可以进行抽查并修改翻译，而无需从头开始。
• 可重复使用的更正。 固定片段会被存储并在整个网站中重复使用。 Bablic的上下文翻译层还可以在上下文需要时应用同一源短语的页面特定版本，因此重用不会损失细微差别。
• 词汇表控制。 锁定品牌名称、产品术语和特定措辞，使引擎永远不会触及它不应该触及的内容。
• 本地化链接。 翻译页面上的链接可以指向正确的本地页面或网站，这样访客在点击浏览时就能保持在自己的语言环境中，而不会返回到英文页面。
• 本地化资产。 为每种语言替换不同的图像或 PDF 文件， Bablic 会标记任何比原始文件大得多或文件类型不同的文件。
• 快速安装。 安装只需一行 JavaScript 代码，缓存刷新后，修改通常会在大约十分钟内显示在您的网站上。

这一切都不会改变神经机器翻译的基本准确性。 它的作用是让您翻译后的网站易于被发现、保持一致性，并随时准备迎接真正的客户。 了解 Bablic 运作方式 ，了解更多信息。

常问问题

什么是神经机器翻译？

神经机器翻译（NMT）使用深度神经网络来翻译文本。 它不是遵循手工编写的语法规则，也不是逐个拼接短语，而是从大型双语数据集中学习模式，并生成每个句子的完整翻译。

神经机器翻译是人工智能吗？

是的。 NMT 是自然语言处理与深度学习的结合体。 它并不会像人那样“思考”或推理意义。 它根据源句子和从数百万个翻译句子对中学习到的模式，预测目标语言中最有可能的下一个词。

谷歌翻译是否使用神经机器翻译？

是的。 Google switched Google Translate from statistical, phrase-based translation to its neural system, GNMT, in 2016. 根据谷歌自己的评估，这一改变使翻译错误减少了约 60%。

为什么机器翻译中 Transformer 模型取代了 RNN 模型？

RNN 一次处理一个单词，速度很慢，而且在长句中容易丢失前面的信息。 Transformer 是 2017 中引入的，它利用自我注意力一次性处理整个句子。 这使得它们训练速度更快，并且更擅长处理远距离词语之间的关系，因此它们成为了翻译和语言模型的标准。

为什么神经机器翻译在处理某些语言时会遇到困难？

神经机器翻译依赖于大量的双语训练数据，而许多语言对并没有这样的数据。 芬兰语、土耳其语和阿拉伯语等形态复杂的语言带来了另一个挑战，因为分词器可能会以与真实语言单位不符的方式分割它们的单词。 迁移学习、回译和多语言模型等技术缩小了差距，但并未消除差距。

机器翻译的费用是多少？

通过 API 进行原始机器翻译成本很低。 像 Google Cloud 的翻译 API 这样的引擎按字符收费，因此翻译一个普通页面的成本非常低。 真正的成本在于相关的工作流程：开发时间、人工审核、持续维护以及将翻译后的页面索引所需的 SEO 设置。

如果我使用机器翻译，还需要人工审核吗？

对于任何面向客户的工作，是的。 NMT 可以快速生成流畅的初稿，但对于训练数据较少的语言来说，由一位会说目标语言的审校人员进行审校仍然是发现错误并确保输出自然流畅的最佳方法。