一句话说清
机器翻译已经足够好用，但它不知道自己什么时候错。
为什么值得懂
从逐词替换到神经网络，机器翻译的质量跃升了不止一个台阶。但它仍然无法判断“这句在语境里是不是这个意思”——而人往往也看不出来，因为它错得很像对的。理解它的能力边界，你才知道什么可以直接用、什么必须复核。
零基础讲解
一、三代方法。 早期基于规则（人工写语法与词典），中期基于统计（从海量双语语料里学概率），现在主流是神经网络，靠注意力机制直接学习“词与词的对应关系”（《不列颠百科全书》 / 「机器翻译」条目；瓦斯瓦尼等 / 〈注意力就是你所需要的一切〉）。
二、它的强项是“常见句式”。 高频表达、固定搭配、技术文档翻得又快又稳。它对高频模式学得极好，所以看起来非常聪明。
三、它的弱项是语境与言外之意。 指代（“他”“那个”到底指谁）、省略、双关、称谓礼貌层级、专业术语的领域习惯，都是容易翻车的点。它翻译的是句子，而人理解的是场景。
四、它不会告诉你哪里不确定。 输出永远流畅自信，错误与正确在表面上难以区分。这是它最危险的地方：让人放松警惕。
五、正确用法是“预翻译 + 人复核”。 让机器处理初稿，人来核对术语、数字、否定、指代与语气，这种“后编辑”模式能把效率提高数倍而风险可控。别让它直接对接不可逆的场景。
一个例子
一句合同里的否定句，机器把“不得…除非…”的层级关系翻错，读起来仍然通顺——如果没人复核，错就被流畅掩盖了。
常见误解
- 以为机器翻译已经能取代人工：高频可以，专业与法律责任不行。
- 以为通顺就等于正确：流畅是它的默认风格。
- 以为专业术语最可靠：同一术语在不同领域含义不同。
- 以为可以用它处理机密：多数免费服务会留存数据。
应用场景
- 生活：看外文网页、旅游沟通，够用；签合同、发公文必须复核。
- 职场：建立“术语表 + 后编辑规范”，效率提升最大。
- 写作与创作：写跨语言误会，从“否定与指代翻错”入手最真实。
关联知识点
- 翻译（translation，翻译的基本问题）
- 大语言模型（llm，当前机器翻译的技术底座）
- 本地化（localization，工程化流程）
- 字幕翻译（subtitling，机器与人工结合的典型场景）
- 语义与语用（semantics-pragmatics，语境为什么难）
- 所属主线：语言与意义、增长与积累