機器翻譯的發展歷程
這是聖經中創世紀第十一章的巴別塔橋段，左邊是英文原文、右邊是中文譯文。姑且不論人類語言眾多分歧的原因，語言隔閡是每個人都會遇到的困難，且語言學習是一段漫長且辛苦的過程。雖然有專業的譯者可以為我們翻譯文件，但在數位轉型的趨勢下，文件的數量勢必會越來越龐大，翻譯人才供不應求。除了翻譯人才短缺的問題，稀有語系的翻譯人才也難以培育，所以科學家們嘗試運用 AI 來解決問題，我們稱之為：機器翻譯（Machine Translation）。
機器翻譯的目的在於將一種自然語言翻譯為另一種自然語言（自然語言為人類隨自然演化而發展出的語言，不包含程式語言、世界語等人工語言），其優勢包含：翻譯快速、低成本。
機器翻譯的發展歷程大致可以理解為三個階段：
- 基於規則的機器翻譯（Rule-Based Machine Translation）：
傳統方法上，語言學家利用語言學知識訂定出大量的翻譯規則，成為機器翻譯的始祖。翻譯規則像是字典一般，運用了「如果⋯⋯，就⋯⋯」的判斷方法來翻譯。這個方法仰賴非常大量的規則（想像字典的厚度）來進行翻譯，即需要非常多專家來編寫這些規則。但字典再厚，也無法涵蓋所有狀況，因為文字之間有無限種組合方式，且翻譯成果也不通順。 - 統計機器翻譯（Statistical Machine Translation）：
統計機器翻譯採用了基於短語的機器翻譯（Phrase-Based Machine Translation），將要翻譯的句子切成數個短語，翻譯這些短語後，再重新組合成句子。這類型的機器翻譯利用了大量的平行語料（來源語言和目標語言之間的對照譯文，如上述聖經的中／英對照譯文）作為訓練資料，此時因網路蓬勃發展，網頁上大量的平行語料可供訓練（像是維基百科有多種語言可供選擇）。相較於基於規則的機器翻譯，統計機器翻譯的成果已經進步許多，也有許多科技公司投入機器翻譯的研究（如 IBM、Google 等）。雖然成果已經進步許多，但仍有許多錯誤，於是使用了基於統計及規則的混合式機器翻譯。 - 神經機器翻譯（Neural Machine Translation）：
到了近代，AI 的發展讓機器翻譯又大幅躍進。AI 運用類神經網路（Neural Networks）的技術，直接模擬譯者的思路，讓翻譯成果更為自然、通順。比起過往的作法，AI 能明白一段文本的意義，而不是用查表的方式進行翻譯。神經機器翻譯是目前普遍被使用的作法，目前相關的產品有 Google 翻譯及 Microsoft 線上翻譯。除了利用網路上的大量文本資料進行訓練以外，也可以客製化字彙表來增加翻譯的準確性（例如：專有名詞、人名、特定領域的術語等等）。
機器翻譯可以取代譯者嗎？
以現階段的技術而言，機器翻譯無法完全取代譯者的角色。翻譯理論中的「信、達、雅」原則，分別代表了譯文需要準確、通順、優美，要同時達到這三個指標並不容易。譯者會根據文本的類型選擇翻譯方式，例如：在古典文學的翻譯中，信、雅會是譯者優先考慮的指標；在翻譯商用文件時，譯者會優先考慮信、達。然而，現階段的機器翻譯面對文本，並不會根據文本類型作出調整。
儘管機器翻譯還沒辦法完全取代人工翻譯，機器翻譯的速度和成本優勢仍顯而易見。我們可以結合機器翻譯和人工編修，一方面提高機器翻譯的品質，也加快人工翻譯的速度，換言之以潤飾來取代翻譯工作。隨著自然語言處理（Natural Language Processing, NLP）技術蓬勃發展，機器翻譯的水準還在持續上升，我們將能更有效率的涉略各種不同語言的知識。
機器翻譯的效率之高，可以同步進行翻譯（同步口譯）。今年日本東京所舉辦的奧運吸引了大量外國遊客，在翻譯志工短缺的情況下，一般商家也能運用翻譯機來接待外國遊客。
