機器翻譯分為三個階段：第一個階段是基于規則的機器翻譯。那個階段會先把文章中打亂的句子變成單詞，之后再查字典，然后進行翻譯，翻譯之后，可能中文跟英文并不完全對應，需要再按照語法規則進行調整，最主要是調序的問題。第二個階段是基于統計的機器翻譯，在 15、16 年之前，我們都是使用這個方法。第三個階段是最近幾年的基于多層人工神經網絡的深度學習機器翻譯。
在近些年間，機器翻譯在這三個階段其實有兩個重大的變化，一是語法上的，喬姆斯基的生成語法理論，第二就是深度學習。原來大家一直對語義分析犯愁，但是深度學習已經開始對語義分析進行探險，大家知道詞嵌入的方法，現在把詞向量再進一步發展到句子向量，含有語義信息了。在處理過程中，對于單語種，比如說詞匯的語義信息，可以把語義相近的靠在一起，不同語種的源語言和目標語言的分布式處理辦法，也可以把源語言和目標語言語義相近的一起靠。這個雖然不能說從根本上解決問題，但是減輕了人對語義分析很大的憂愁。
二、機器翻譯的難點和重點
語言具有科學性的一面，也具有藝術性的一面，所謂藝術性往往就是突破常規，突破常規的東西是機器最難以表現的東西。另外，自然語言具有高度開放性和高度靈活性。在開放性上，如網絡出現以后，新詞不斷涌現，例如粉絲這個詞匯。在靈活性方面，可以自己隨便去組詞，這些新組成的詞也很讓人頭疼。
語義理解說白了就是對說話人意圖的理解。意圖理解與上下文有關系，但是語言本身存在歧義性和多樣性。另外，語言高度依賴知識，大家都知道常識知識，例如煤球是黑的，元宵是白的，小孩子常說，「地球人都知道」，但是機器不知道。另外還有領域知識，上下文、語言、環境等都會影響對語義的準確理解。
人工智能突飛猛進，解決了很多過去想都不敢想的關鍵問題，但這只是初步的，它還有好多解決不了的致命問題，比如方才所說的常識知識，以及思考和邏輯推理的問題，這對機器學習也是一種制約。我們人類有了知識之后，可以不斷推理和思考，但是人工智能現在還不具備思維和推理能力，特別是不具備前面說的常識性知識。
三、機器翻譯與人工翻譯的關系
現在的人工智能還只是弱人工智能，不是強人工智能，也不是超強人工智能?，F在人工智能的作用，還是用機器代替簡單的、重復的以及危險性的勞動，想要解決找不到規律的問題，人工智能還不能做到，也代替不了人。人要盡量用好機器這個助手，自如地運用好機器，這樣既可以提高工作效率，也可以保證質量。
最好的翻譯一定是那些對人工智能系統或者教育機器深入了解，能運用自如的人。把這些作為輔助手段，水平會越來越高，效果會越來越好。不是誰淘汰誰的問題，機器永遠是人的工具。
