今天的翻译工具大多基于神经网络。它不像早期系统那样逐词替换，也不是真的“理解”了整篇文章，而是在大量双语语料中学会了某种语言到另一种语言的对应规律。了解这个过程，能解释很多日常疑惑。
一、从句子到数字
模型首先把原文切成更小的单位，也就是分词或子词。中文没有空格，切分依赖词典与统计规则；英文则会把生僻词拆成词根和词缀。切分完成后，每个单位被映射成一串数字，句子就变成了模型可以计算的序列。
二、编码与注意力
编码阶段，模型逐词读取整句，并为每个词生成一个包含上下文信息的表示。注意力机制的作用，是让模型在生成某个词时回头查看原句中哪些位置更重要。比如翻译代词时，它需要判断这个“它”指的是前文的哪个名词。
注意力并不能保证判断正确。指代距离越远、句子结构越复杂，出错概率越高。这也是为什么把长句拆成短句、补全省略的主语，往往能立刻改善译文质量。
三、解码与逐词生成
解码阶段，模型根据已生成的内容和原文表示，一个词一个词地输出译文。每一步都在计算“下一个词最可能是什么”。这种逐词生成的方式带来了流畅的表达，也带来了两个典型问题：重复输出，以及在不确定时编造内容。
- 重复：同一短语被反复生成，长文本中更常见
- 漏译：句子过长时，部分修饰成分被跳过
- 幻觉：原文没有的信息被“补”出来，数字与专名尤其危险
四、对使用者的实际启示
第一，原文越清晰，译文越稳定。少用长定语套长定语，明确主语和指代。第二，术语要提前固定，不要指望模型每次选择同一个译法。第三，数字、日期、金额、专有名词必须逐项核对，这部分不能交给概率。
第四，重要文本给模型提供上下文。单独翻译一句“请在下周三前确认”，模型不知道是谁对谁说；补上收件人和事由，语气和措辞会准确得多。把模型当成一个速度很快但需要明确指令的助手，通常能得到更稳定的结果。
模型按概率逐词生成，流畅不等于准确；数字、专名与否定句必须人工核对。