机器翻译是怎么走过六十年的？从 ALPAC 报告到神经网络

把一段中文丢给 AI，几秒后英文译文就摆在你面前——机器翻译做到这件事，前后走了六十年。这条路线两次跌进谷底：1966 年一份公开报告让美国经费大幅收缩，此后靠统计方法翻身，2016 年又被神经网络整体接管。这篇按公开时间线梳理：六十年前怎么起步，ALPAC 报告写了什么，统计方法怎么复兴，神经翻译又是怎么拿走位置的。

六十年前的第一次演示

公开记录里的起点是 1954 年 1 月：乔治城大学与国际商用机器公司联合演示了一台「翻译机器」，把六十多个俄语句子自动译成英语，媒体广泛报道。要说明的是，这次演示的语法规则与词表都很有限，属于公开宣传性质的展示，但它把机器翻译从一个想法变成了有经费的领域：此后数年，美国多所大学与研究机构设立项目，公开文献里的乐观预期一度认为实用化用不了太久。

困难很快显形。自然语言的歧义、习语与背景知识，远超当时系统手工规则的承载能力；俄语科技文献翻译这个最初的目标场景，也没有等来可用的系统。研究者与资助方之间的预期落差，为后来的转折埋下伏笔。

ALPAC 报告与第一次退潮

转折发生在 1966 年。美国国家科学院下设的自动语言处理咨询委员会发布了后来通称 ALPAC 的报告，公开结论大致是：当时的俄英机器翻译比人工翻译更慢、更贵，质量也不占优，短期内没有迫切的使用需求。这份报告公开之后，美国对机器翻译研究的资助大幅收缩，多数项目停摆，这个方向随整个 AI 领域一起进入低谷，行业背景见AI 寒冬一篇。对报告本身的评价后来也有公开讨论：有观点认为它的评估口径偏向「替科学家翻译文献」这一种场景，低估了辅助翻译的用途，这类争论都有公开记录，本文只陈述报告结论与后续经费事实。

低谷期并非全无产出：七十年代加拿大公开运行的天气预报翻译系统、欧洲机构使用的商用翻译软件，都在限定领域里小范围工作，说明这条路没有完全断。

统计方法的二十年

复兴来自思路的更换。八十年代末到九十年代初，IBM 的研究组公开提出统计机器翻译：不再手写语法规则，而是从大量双语对照文本里，用概率模型自己算出哪种译文更可能。九十年代公开的系列论文奠定了这条路线，随后十年里，短语级翻译、语言模型打分等方法逐步成熟，它要处理的语料与算力问题，与同期语音识别走过的路高度相似，两边的对照见语音识别的统计时代一篇。

2006 年前后，谷歌翻译按公开说明以统计方法上线，免费网页服务把机器翻译推给了普通用户；此后几年各家互联网公司跟进，机器翻译第一次有了大众规模的使用，质量虽谈不上流畅，查个词、看个大意已经够用。

神经翻译接管

再一次更换思路发生在 2016 年：谷歌公开宣布上线神经机器翻译系统，把整句放进一个循环网络里端到端翻译，骨干正是 LSTM，这段历史的专门梳理见LSTM 是怎么解决梯度消失的一篇。按谷歌公开说明，新系统相比统计方法在多处语言对上明显降低了错误率，翻译出来的句子第一次在多数场景里读起来通顺。更替没有停在 LSTM：2017 年，同一支翻译团队的注意力论文把循环结构也去掉了，只留注意力机制，就是后来的 Transformer，见Transformer 论文一篇。

1954 年 1 月：乔治城与国际商用机器公司公开演示机器翻译；1966 年：ALPAC 报告发布，美国资助大幅收缩；1970 年代：限定领域的翻译系统小范围运行；1990 年前后：IBM 公开统计机器翻译论文；2006 年前后：谷歌翻译以统计方法上线；2016 年：谷歌神经机器翻译上线；2017 年：Transformer 论文发表。

把六十年连起来看，这条路线的节奏很清楚：规则方法撑起了期望，报告让期望落地，统计方法把问题变成概率计算，神经网络把数据与算力的红利兑现。今天你用 DeepSeek 读一份英文文档、让 Kimi 翻译一段论文摘要，得到的译文背后是这条六十年路线的第三棒；而在 1966 年那份报告发布时，距离能用得上的机器翻译，还有半个世纪的路要走。

关于机器翻译的三问三答

• ALPAC 报告当年写了什么？按 1966 年公开文本，结论是当时的俄英机器翻译比人工翻译更慢、更贵、质量不占优，短期无迫切需求；报告发布后美国资助大幅收缩。
• 统计方法和神经翻译差在哪里？统计方法把翻译拆成片段、按概率拼接，神经网络把整句放进模型端到端翻译；按谷歌 2016 年公开说明，后者在多数语言对上明显降低了错误率。
• 今天的翻译还用 LSTM 吗？主流系统已改用注意力架构，2017 年的 Transformer 就出自机器翻译团队；LSTM 是神经翻译第一代系统的骨干。