如何评价Google神经机器翻译（GNMT）系统？

翻译有纯人工翻译，还有借助电脑的机器辅助翻译（CAT，computer assisted/aided translation），还有传统的机器翻译（MT，machine translation）。
传统的机器翻译据说源于上世纪五六十年代的美国，为了破解苏联的大量俄语文件而研制。它的原理是词汇间的一一对应，可以想见，产出的译文肯定是不通的，或许只能大体看出原文在探讨的主题。这样的翻译模式或者思路，在翻译天气预报这种语汇固定的文本上有一定用处。据说加拿大魁北克地区曾用这种方式播报双语天气预报。
机器辅助翻译是指利用Trados或者wordfast这种工具，它的核心原理在于translation memory，即翻译记忆语料库。软件工具把之前翻译过的或者集中导入的双语语料储存起来，遇到相似程度高的原文时，自动调出之前的译文，译者在其基础上修改，完成最终的译文。其翻译单位为句子。
以上介绍的基于语汇一一对应的机器翻译和基于翻译记忆数据库的CAT，其实代表了实现人工智能的两个思路。我自己只是搞翻译的，对于人工智能不太懂，但机器/电脑翻译属于人工智能的范畴。人工智能的关键在于教会机器你想让它认知的东西，对于如何教，有两个思路。
举一个我在TED演讲中听过的一个例子。
演讲者从事的是图像识别软件的开发。一开始采取的套路是通过描述画面来教会机器识别事物。比如给猫设置圆脸、尖耳朵、长尾巴等参数，但是效果很差，机器识别了站立着的猫，就识别不了坐着的猫。
后来研发者换了一个思路，模拟人类孩童是如何认识猫的见的多了，就知道这样的是猫了（孩子并不会去分析原来圆脸、尖耳朵、长尾巴的才是猫）。于是将大量猫咪的图片存入机器，并告诉它这是猫，后来机器遇到类似的图片，就能识别出是猫。已有数据库越大，机器识别得就越准确。
个人认为质量较高的机器/电脑翻译的实现，也要采取这后一种思路，即基于大量双语语料的记忆和学习让机器记住什么样的话是什么意思，而不是将语句分解为单个词汇再去找它们在另一个语言中的对应。
根源还是语言的复杂性，无论是哪两种语言之间，都不像二进制和十进制之间那样可以实现一一对应，所以第一种思路的发展前途已经很局限。而第二个思路或许就是以后的方向，互联网实现的大量语料共享也为它的发展提供了可能。
------------------------------------
关于如何看待机器/线上翻译的进步：

虽然我自己是个翻译匠，而且厌恶把线上翻译随便改改交差的译员，但是对机器/电脑/线上翻译本身心存亲切它毕竟不是人，不要笑话它。
它对于译者也有用处，对于某些语汇（不是整句整段），它给的译文由于基于大量现有语料，往往确实是业内人士用的比较多的说法。
所以大家不要看到机器翻译产生可笑译文就拿来调侃，该被调侃的是那些敢用这些译文的人。

而且，没有必要恐慌自己会被取代（前提是你的水平远高于机器）；机器差的还比较远如果你知道语言可以美到、精到、妙到什么程度，如果你明白很多时候它就是人的灵光一现的、独一无二的、偶然的产物，就不会怀疑这一点。