一句话定义
神经机器翻译（Neural Machine Translation, NMT）是用神经网络把一整句源语言直接映射成一整句目标语言的方法。它学的是「给定这句中文，那句英文有多大可能出现」的概率关系，并非词与词的对照表。
翻译不是查词典，是在学整句的概率对应
早期机器翻译更像流水线：分词、查词表、短语对齐、调语序，每步由独立模块负责，最后由统计模型拼接结果。问题在于词对词替换经常行不通——中文「喝汤」到英文是 eat soup，不是 drink soup；「我很想你」也不能逐词摆过去。
NMT 换了一个建模对象。它把翻译看成条件概率问题：给定源句 x，求最可能的译句 y。模型里，编码器（encoder）先读完整句，解码器（decoder）再一个词一个词地生成译文，每生成一步都回头看整句表示和已写出的前文。所谓翻译，就是在概率分布上找一条整体得分最高的路径。
打个比方：传统方法像拿着词典和语法书做零件替换；NMT 更像一个读过大量双语对照材料的人。他没背过「哪个词必须配哪个词」，却养出了语感——看到整句，心里对「这句话该怎么说」有一整片可能性分布，再挑最顺口的那句说出来。正因如此，语序调整、冠词、量词、敬语、否定范围这些单看一个词根本决定不了的东西，才有可能被处理对。
和相邻概念的区别
| 基于规则（RBMT） | 统计机器翻译（SMT） | 神经机器翻译（NMT） | |
|---|---|---|---|
| 知识来源 | 人工编写的语法规则 | 双语语料统计出的短语表 | 网络从语料中学到的整句表示 |
| 处理单位 | 词、短语 | 短语片段 | 整句（端到端） |
| 典型短板 | 规则写不尽，译文生硬 | 短语拼接易碎，长句调序差 | 漏译、数字与专名错译、偶尔「顺」得离谱 |
对从业者和普通人的意义
对从业者：NMT 的效果高度依赖训练数据的领域与质量。术语一致性、低资源语言、专业文体通常还要靠术语表约束、领域微调或后编辑来兜底；BLEU 这类自动指标只能当参考，真实质量得靠人工评估。另外模型可能漏译、增译，甚至写出原文没有的内容，合规场景必须逐句核验。
对普通人：机器翻译适合快速读懂大意、日常跨语言沟通。但合同、医疗、法律、对外公文这类一字之差的文本，请把机翻当草稿而不是成品——数字、否定、人名地名、单位是高频出错点。具体产品能力与支持语种以各家官方页面为准。