简要说明：机器翻译演进过程

基于规则的机器翻译（RBMT）：上世纪70年代
基于实例的机器翻译（EBMT）：1984年
统计机器翻译（SMT）：1990年初
神经网络机器翻译（NMT）：2016年左右起

基于规则的机器翻译（RBMT）

Rule-BasedMachine Translation，兴起于上世纪70年代，基于语言学规则，让当时运算缓慢的机器重复翻译人员的工作方式。
变种：
**直接机器翻译：**它会将文本分成词，然后翻译这些词，再稍微校正一下形态，最后协调句法得到结果，消耗大量语言学家去为每个词编写复杂规则。
**基于迁移的机器翻译：**操作句子结构，不是操作每个词，这样可以得到好些的词序。词结构的数量比单个的词要多得多，这又会变得更加复杂。
**语际机器翻译：**利用中间表征（世界语言），做两种语言间的过渡。英文翻译成中间表征，中间表征翻译成中文，从而将英文翻译成中文。

基于实例的机器翻译（EBMT）

Example-Basedmachine Translation，1984年，長尾真（京都大学）提出了一个思想：使用已有的短语而不是重复进行翻译。
**变革意义在于：**以前是不断向机器输入规则，现在是向机器输入翻译结果，不必花费多年时间构建语言规则和例外。

统计机器翻译（SMT）

StatisticalMachine Translation，1990 年初，IBM研究中心首次展示统计机器翻译系统，它对语言学和规则一无所知的。从统计机器翻译开始，不再向机器输入大量规则，而是训练机器去学习。
指导方针：统计结果和这样的逻辑（如果人们这样翻译，我也这样翻译）。
分类：
**基于词的 SMT：**最早期的统计翻译系统的工作方式是将句子分成词。仍然无法处理格、性和同义词。
**基于短语的 SMT：**很长一段时间，大约2006到2016年这种翻译方法是主流翻译方法。通过统计、重新排序和词法分析，机器能学习翻译稳定的词组合。
**基于句法的 SMT：**机器学习与基于规则的方法融合，效果很差，没有发展起来。

神经网络机器翻译（NMT）

Neural Machine Translation，近几年提出来的翻译技术，认为语言是特征集，神经网络学习这些特征，通过另一个神经网络把它翻译成另一种语言。
**与语际机器翻译的区别：**神经网络翻译是机器寻找语言特征，而非人规定的规则。深度学习拥有搜索这些特定特征的能力。庞大的神经网络，可以寻找到语言中的各个特征。
**特点：**统计机器翻译使用英语为关键源，中文与德语翻译时需要借助英文；神经网络翻译不需要这样做，中文与德文可以直接翻译。