机器翻译（Machine Translation, MT）是一类利用计算机自动将一种自然语言转换为另一种自然语言的人工智能技术。该技术结合语言学、统计建模和深度学习方法，使系统能够分析源语言文本的语义信息，并生成对应目标语言的表达，是自然语言处理领域的重要研究方向之一。

机器翻译的发展历史较为悠久，其研究可以追溯到 20 世纪中期。早期方法主要依赖基于规则的翻译系统（Rule-Based Machine Translation），通过人工编写语言规则和词典完成翻译；随后，统计机器翻译（Statistical Machine Translation, SMT）利用大规模双语语料学习词汇和短语之间的对应关系，成为 2000 年前后机器翻译的主流方法。随着深度学习的发展，神经机器翻译（Neural Machine Translation, NMT）逐渐成为新的技术路线。 2015 年，蒙特利尔大学与雅各布大学研究人员在论文 Neural Machine Translation by Jointly Learning to Align and Translate 中提出基于编码器-解码器（Encoder-Decoder）和注意力机制（Attention）的神经机器翻译模型，通过联合学习词语对齐关系与翻译过程，成为神经机器翻译领域的重要代表性研究之一。

相比传统统计方法，神经机器翻译能够更好地利用上下文信息，提升长句和复杂语境下的翻译质量。近年来，翻译系统也逐渐从「一个语言对训练一个模型」，转向像 NLLB 这样能覆盖两百多种语言（包括大量低资源语言）的大规模多语言模型，通用大语言模型也开始直接承担跨语言翻译任务，不再依赖针对特定语言对的专门训练。目前，该技术已广泛应用于跨语言搜索、国际交流、跨境电商、内容本地化、辅助翻译和多语言信息处理等场景。