机器翻译达到目前的水平，经过了几十年的发张，并经历了三次飞跃。

　　早在1954年，人类就开始尝试过让机器能识别人类的语言，但直到上世纪80年代，才有人摸索出方法。当时，IBM做了研究，利用一些规则方法，句法分析，语意分析等传统方法让机器看懂人类语言。但由于当时的人工智能发展处于“凛冬时期”，效果一直不好，翻译质量也一直上不去。

　　机器翻译的**个飞跃也是IBM做出的。IBM的研究人员用了统计的方法来做机器翻译。那时，语音识别从传统的人工智能方法专家系统转为统计学习的方法，尤以隐马尔科夫模型为代表。统计学方法的应用让机器翻译在上世纪90年代有了质的飞跃。

　　进入21世纪，机器翻译迎来了自己的第二次飞跃。这次的进步主要依靠深度学习神经网络的方法。这种方法也称为神经机器翻译(Neural Machine Translation)，这个技术先是用到了语音识别中，再推广到图像识别和机器翻译上。

　　神经机器翻译，简要的说，就是对源语言的句子进行编码，即转化为计算机可以“理解”的形式，编码的结果会形成很多隐含变量，每个隐含变量代表从句首到当前词汇为止的语义信息。然后通过一个解码的过程，一个词、一个词输出译文。

　　到了2018年，由微软亚洲研究院与雷德蒙研究院研发的机器翻译系统，解决了NMT方法的一些局限，并借鉴了人类翻译过程中的一些方式。例如：对偶学习(Dual Learning)、推敲网络(Deliberation Networks)、一致性规范(Agreement Regularization)、联合训练(Joint Training)等，让机器翻译水平得到了大大提升。

　　从机器翻译的三次飞跃上不难看出，一家公司构建的翻译系统效果如何，主要取决与两点：一是算法是否足够好，二是数据是否够全、够多。

　　这样看，佛山翻译对于微软、谷歌、百度等大公司来说，他们有足够很好的人才来搭建神经网络，也有足够多的搜索数据可供自己搭建的网络进行训练。国内的科大讯飞和搜狗公司，由于本身在语音识别上有较长时间的积累，自然语言资料库上有优势。