下载掌阅APP，畅读海量书库
立即打开
根据《技术学辞典》的研究，一项技术从孕育到发展，通常可分为三个阶段：（1）潜在发展阶段，即从运用科学发现和已有经验成果，经构思形成技术原理，并经设计最后完成某项发明；（2）从潜在技术到现实技术的发展阶段，即通过技术开发，使某项发明（潜在技术）在社会生产过程或社会生活中获得应用变为现实技术；（3）推广应用阶段，即该项发明经技术开发获得应用后，其功能不断发挥，其社会作用不断显著，并为社会所承认，逐渐在同类产业技术系统中推广应用（姜振寰等1990：74）。奥地利经济学家约瑟夫·熊彼特（Joseph Schumpeter）被誉为技术创新理论的鼻祖。熊彼特（1991）将技术变革、经济发展以及经济增长视为内生性现象，由经济系统自身产生并推动其向前发展。他将新技术从开发到被行业或市场采用的过程分为三个阶段：发明、创新和扩散。三个阶段是一个不断循环的过程：创新机制一旦被引入市场并在实践中应用，便会出现很多信息反馈，从而进一步促进技术开发和调整。为了推动技术发展，不仅需要进行研发投入，还需要商业投入，使技术快速进入市场，推动技术应用和进步。翻译技术具备一般技术的发展特征，但翻译技术系统内涵丰富，分支庞杂，其发展阶段呈现出多变性和多阶性。限于篇幅，本节根据技术发展的一般阶段特征，考察机器翻译和计算机辅助翻译两种主流技术的演变历程。
一般认为，机器翻译研究起始于20世纪40年代，随后经历了曲折而漫长的发展过程，学术界通常将其划分为五个阶段。
（1）开创期（1946–1963）
1946年，首台电子计算机ENIAC（即Electronic Numerical Integrator and Computer）诞生，其计算速度之快引发人们考虑将之应用于翻译技术领域。1949年，Weaver发表了一份以“Translation”为题的备忘录，被认为是机器翻译的开山之作。乔治敦大学和IBM公司用IBM-701计算机完成了世界上首次机器翻译实验，展示了机器翻译的可行性（Macdonald 1954），从而开启了机器翻译研究。
从20世纪50年代到20世纪60年代前半期，机器翻译研究处于上升期。出于军事、政治、经济等目的，美苏都投入大量资金支持机器翻译研究项目，而欧洲各国迫于地缘政治经济压力也相当重视机器翻译研究，机器翻译研究出现热潮。机器翻译实验室相继成立，并成功研发了首批实用的机器翻译系统，如乔治敦大学优化后的俄英机器翻译系统、欧洲原子能联营的俄英机器翻译系统等。
我国机器翻译工作发轫于1956年。首个机器翻译系统于1959年成功问世，标志着继美国、苏联、英国和日本之后，中国成为第五个成功实验机器翻译系统的国家。该翻译系统尚不成熟且缺乏实用性，当时仅翻译了九个不同类型的句子，加之当时计算机的汉字信息处理问题还未能解决，外围设备只能输出穿孔纸带而不支持在屏幕上显示翻译好的汉字，对外行人而言不具有可读性。但是该实验成果证明了机器帮助人类译员实现外文中译的可行性，因此这一具有重要学术价值的实验成果得以在当时的《科学通讯》发表。
（2）受挫期（1964–1975）
正当一切有序推进之时，尚在萌芽中的“机器翻译”研究却遭遇当头一棒。在机器翻译的热潮中，美国工业界的投资家并没有获得所期待的高额利润。为了评价机器翻译研究的价值，美国科学院于1964年设立了语言自动处理咨询委员会（Automatic Language Processing Advisory Committee，简称ALPAC）。该委员会经过两年的深入调查和综合分析，公布了一个题为《语言与机器：翻译和语言学中的计算机》的报告（ Language and Machines: Computers in Translation and Linguistics ，也被称ALPAC报告），全面否定了机器翻译，宣称“目前还没有多大理由大力支持机器翻译”“机器翻译研究的语义障碍（semantic barrier）难以克服”“近期或不远的将来，无望开发出实用的机器翻译系统”，建议停止资助机器翻译项目（Pierce & Carroll 1966）。自此，许多国家的相关研究单位面临经费困难，机器翻译研究陷入了停滞。
（3）恢复期（1976–1989）
虽然经历了受挫，但现实需求促使加拿大、法国、德国等国仍然坚持开展机器翻译研究（Hutchins 2005b）。同时，计算机科学和语言学研究的发展从技术层面推动了机器翻译研究的复苏。具体来说，就是计算机硬件得到明显改善以及人工智能应用于自然语言处理领域。这个时期最重要的特点是机器翻译研究走向了实用化，相关产品开始变成商品进入市场，如TAUM-METEO、SYSTRAN、EUROTRA等机器翻译系统先后推出。其中，由蒙特利尔大学与加拿大联邦政府翻译局于1976年联合开发的TAUM-METEO系统（Isabelle & Bourbeau 1985：18）能够自动翻译天气预报文章，标志着机器翻译研究迎来了复苏。
20世纪70年代到90年代以前，机器翻译采用的是基于规则的方法。主张该方法的研究者认为翻译需要分析源语言并表示其意义、继而生成等价目标语言。这种方法胜在较好地保留了原文的结构，对于符合语法、句法结构的句子处理能力较强并可以得到很好的结果，且无需训练，对硬件要求较低。人们曾认为，随着语言学对自然语言句法规则的概括越全面越深入，计算机计算能力越来越强，这种基于规则的方法可以逐步解决自然语言理解的问题。
但是，这种方法存在很多问题，如规则需由人工来抽取和编写，这本身就比较复杂繁重；也难免会受到主观性的影响，规范不统一；当规模到达一定程度后，再增多规则也不能有效提高翻译水平；系统扩展能力有限，无法较好地利用新资源。此外，传统方式使用程序代码来实现翻译规则，并把所谓的翻译规则隐含在程序代码中。其中最大问题是一旦翻译规则发生修改，程序代码也需要进行相应修改，从而导致维护代价非常高（肖桐、朱靖波2021：37）。现在看来，基于规则的机器翻译在方法论上陷入误区，使早期机器翻译深陷泥潭难以自拔。
基于实例的方法给全世界研究机器翻译的科学家带来了一丝曙光。事实证明，可以通过向机器输入已有的翻译实现机器翻译，而无须花费多年的时间建立庞大的规则体系。这个方法虽然不算是一次彻底的变革，但显然是向前迈进了一大步。京都大学的长尾真提出“使用准备好的短语代替重复翻译”的想法（Nagao 1989）。例如，要翻译“I'm going to the cinema.”，如果已经翻译过另外一个类似的句子“I'm going to the theater.”，那么所要做的是找到两个句子的不同之处，然后翻译这个有差异的单词，但不破坏句子的结构。这样的话，拥有的例子越多，翻译效果越佳。
在中国，20世纪中后期国家开始重视机器翻译研究。1975年由情报所、语言所、计算所、冶金所、林业部、核工业部、化工研究所、中国医学科学院等多所研究机构组成全国机器翻译协作研究组，测试了5,000条冶金题录的英汉机器翻译方案。1976年之后，机器翻译研究开始复苏。1978年在计算所111机上完成了“英汉冶金题录机器翻译系统”的实验，抽样结果完全符合预期。由于当时机器翻译难以翻译整篇文章，因此该系统主要用于翻译外文文献的题目。1987年中国人民解放军军事科学院开发的机器翻译系统“科译1号”研制成功，后来被商业开发为“译星”翻译软件（冯志伟2004：23）。译星是我国第一个商品化的机器翻译系统，它的诞生有着特殊的历史意义。
（4）快速发展期（1990–2013）
整个20世纪90年代，基于规则的机器翻译方法在理论上无法突破，在应用上受制于翻译质量而难以进一步扩展，反倒是基于翻译记忆思想的计算机辅助翻译发展迅速。随着传统的机器翻译方法进入瓶颈期，一些新的因素也在萌芽，如互联网的出现激发了人们对于机器翻译的需求以及基于实例和基于统计的机器翻译思想。
随着互联网的普遍应用，世界经济全球化进程加速，国际社会交流日渐频繁，单纯依靠译员的传统人工作业方式无法满足日益增长的翻译需求，机器翻译获得了进一步发展的机遇。20世纪90年代初，基于规则的方法不再占据主导地位，语料库技术和统计学习方法得到广泛应用。1990年在芬兰赫尔辛基召开的“第13届国际语言学大会”提出处理大规模真实文本的战略任务，开启了机器翻译历史的新时期，即基于大规模语料库的统计自然语言处理。语料库方法推动机器翻译发展到新的阶段。许多借助语料库的机器翻译方法纷纷出现，主要有以下几种。
基于实例的机器翻译方法（example-based machine translation，简称EBMT）分析现有语料的词法、句法、语义，构造存放双语平行文本的实例库（Sumita et al. 1990：204），翻译时则根据待译文本从实例库中寻找最为相似的句子。在此方法中，双语语料库是一种翻译知识的储存库，翻译中需要查询并利用语料库，翻译内容与语料库内容能够精确匹配时，翻译结果很好。但它要求语料库的规模要足够大，不然无法匹配到相似性高的句子。
统计机器翻译方法（statistical machine translation，简称SMT）认为目标语言的任何句子都可能是源语言句子的翻译结果，只是概率不同（Koehn 2009）。翻译的过程就是为待译的源语言句子找到一个概率最大的目标语言句子作为译文。在统计方法中，知识表达是基于统计数据而不是语料库本身进行的。在翻译之前，需要获取翻译知识，但在翻译过程中不再需要使用语料库。该方法扩展性好，便于应对复杂的语言现象，逐渐成为首选。
基于词的翻译模型是最简单的统计机器翻译模型。IBM在1993年提出的基于词对齐的翻译模型，被视为现代统计机器翻译方法的里程碑（Brown et al . 1993）。统计模型的方法是把翻译当成概率问题，利用平行语料，然后逐字进行统计。例如，机器虽然不知道“文化”对应的英文，但是在语料统计后会发现只要有“文化”这个词的句子，对应的英文句子就有“culture”这个词。这样即便没有人工来维护词典与文法规则，双语平行语料也能让机器获取单词意思。虽然基于词的翻译模型的数学描述较为完善，但以词作为基本单位，缺乏上下文信息，局部和全局的调序能力较差。
为了解决这些问题，研究人员开始探索基于短语的翻译模型（phrasebased translation model）。此处的“短语”表示任何连续词串，不同于语言学上的“短语”。基于短语的翻译模型是最为成熟的统计机器翻译模型。其基本思想是：先从句子层级的双语平行语料库中抽取从短语到短语的翻译规则，翻译时将待译句子切分为短语序列，利用已经建立的翻译规则获得目标语言的短语序列，然后借助调序模型排列该短语序列，获得最优译文。Koehn（2004）推出基于短语的统计翻译模型Pharaoh，标志着该方法趋于成熟，借助同时期Koehn et al .（2003）提出的对数线性模型及其权重训练方法，此类模型被广泛采用。Chiang（2005）进而提出层次短语模型并且在NIST评测中表现优异，同时多所研究机构在基于语法树的翻译模型方面也取得突破。2006年，基于短语的统计机器翻译方法开始普及。Google Translate、Yandex、Microsoft Translator等在线翻译工具都用上了基于短语的机器翻译方法。一直到2016年，这一方法都被认为是最先进的机器翻译方法。
但是，这种方法只考虑短语本身的信息，并没有考虑短语间的句法关系，因此难以重新排列短语。因此，研究者们尝试引入句法信息。Yamada & Knight（2001）提出了基于句法的统计机器翻译（syntax-based SMT，简称SBSMT）。在此系统中，输入是源语言的句法树，输出是目标语言的句子。所以，需要对源语言进行自动句法分析得到句法树后，才能进入该翻译系统。通过测试，其性能明显优于IBM公司基于噪声信道模型的统计机器翻译模型，可见句法信息能够帮助统计机器翻译系统提高译文质量（冯志伟2015：554）。
总的来说，基于词的机器翻译模型已经不再使用，基于短语的和基于句法的翻译模型成为主流。基于短语的模型与基于句法的模型翻译性能与其相当，但前者速度更快更稳定，而且与语言完全无关。鉴于此，基于短语的翻译模型仍然是主流的统计机器翻译模型。
在中国，国家863计划专家组分别于1994、1995、1998年组织了三次全国机器翻译评测，很大程度上促进了我国机器翻译研究的发展。该专家组后又委托中科院计算所于2003–2005年恢复并连续三年举办了包括机器翻译评测在内的中文信息处理技术评测，开始采用一些国际通用的自动评测指标。2004年后，中科院计算所、自动化所、厦门大学等单位开始从事统计机器翻译研究，并于2005年在厦门大学联合举办首次“全国统计机器翻译研讨会”。此后更名为“全国机器翻译研讨会”，每年举办一次。中科院计算所提出了基于句法的树到串系列统计机器翻译模型，这种创新模型连续多年在国际自然语言处理领域最重要的学术会议上引发学者们的关注。
（5）蓬勃发展期（2014–至今）
2014年，机器翻译发展史上迎来了巨大的变革。Cho et al. （2014）发布了一篇关于在机器翻译中使用神经网络的论文，奠定了深度学习技术应用于机器翻译的基本架构。使用基于序列的循环神经网络（recurrent neural network，简称RNN），机器可以自动捕捉句子间的单词特征，进而可以实现自动翻译转换。2015年，百度首次推出了神经网络机器翻译系统，使两种语言之间即使没有词典也能互相翻译理解第一次成为可能。2016年，谷歌神经网络机器翻译系统发布，其翻译质量已经接近人工翻译，在很大程度上标志着机器翻译进入神经网络机器翻译时期。
端到端神经网络机器翻译旨在利用神经网络实现自然语言之间的自动翻译，通常采用编码器–解码器框架实现序列到序列的转换（Cho et al. 2014）。编码器是源语言端所使用的循环神经网络，即将源语言句子编码成一个稠密、连续的实数向量；解码器是目标语言端所使用的递归神经网络，可以被视作包含源语言信息的目标语言模型（刘洋2017：1146）。相较于统计机器翻译，采用解码器–编码器架构的神经网络具有三个优点：（1）直接从生数据中学习特征，规避了人工设计定义隐结构的特征来表述翻译规律时的片面性；（2）不同语言的翻译可以用同一个模型，极大减少了多语种翻译研究的工作量，并且使得缺少训练数据的语言对之间的自动翻译成为可能；（3）基于长短时记忆（long short-term memory，简称LSTM）的递归神经网络能够学习长期依赖信息，同时通过向量表示缓解数据稀疏的问题，译文的可读性和流利度明显改善（Huang et al. 2016；刘洋2017：1146）。然而，即便采用长短时记忆，编码器依然不能有效处理长距离依赖，较长句子的翻译质量存在显著的下降趋势。
为了解决定长源语言句子向量难以捕获长距离依赖的问题，神经网络机器翻译引入了注意力（attention）机制（Luong et al. 2015）。它采取完全不同的编码器，其目标不再是为整个源语言句子生成向量表示，而是为每个源语言词生成包含全局信息的向量表示。该编码先利用一个正向递归神经网络从左向右传递信息，然后再利用一个逆向递归神经网络从右向左传递信息，最后将正向和逆向的隐状态拼接起来作为源语言词的向量表示（刘洋2017：1146）。其优点在于包含了其左右两侧的上下文信息。
基于注意力机制的编码器–解码器模型已经成为神经网络机器翻译的主流方法。神经网络机器翻译之所以能够“说人话”，是因为它模仿了人脑的表达方式，能把一句话中所有词汇的语义融合起来分析、理解和表达。神经网络虽然可以学习平行语料，理解句子细微的语言特征，但它需要大量的语料，而且如黑箱一般难以了解其内情，一旦出现错误也难以纠正，只能“深度学习”更多正确语料来进行改善。此外，还存在重复翻译与漏翻译，词对齐效果不好，流畅而不够忠实，难以融合命名实体与术语翻译知识等问题（黄国平2017：9）。
经过了近80年的发展，机器翻译从基于规则的方法到基于统计的方法再到如今的神经网络，人工对翻译过程的干预程度不断降低。就翻译效果而言，同等条件下神经网络机器翻译产出的译文质量更好，但是依然有较大提升空间。
计算机辅助翻译的发展源于人们对机器翻译的研究。根据陈善伟（2014：1-29）的分类，计算机辅助翻译大体可以分为四个阶段：萌芽期（1967–1983）、稳定发展期（1984–1992）、迅速发展期（1993–2002）和蓬勃发展期（2003–至今）。
（1）萌芽期（1967–1983）
机器翻译在1966年美国语言自动处理咨询委员会发布的ALPAC报告中遭受重创后，人们转而开始寻求以其他的方式提升翻译效率，研究可应用于机器翻译的语言和计算解决方案，这在一定程度上促进了基于语料库和统计学的研究，为计算机辅助翻译奠定了基础。而基于语料库的结构以及新的数据存储和检索方法为翻译记忆（translation memory，简称TM）奠定了基础。
翻译记忆本身是一个双语语料库，允许在当前的翻译项目中使用以前的翻译。翻译记忆的理念最早由Melby（1979）提出，称之为文本检索翻译（translation by text retrieval）。Kay（1997）则在《人与机器在语言翻译中的合理位置》（“The proper place of men and machines in language translation”）中正式提出了一种功能，可以看作是翻译记忆系统的雏形，从而确立了翻译记忆的原则，也表明了翻译记忆系统的重要性（Chan 2014：5）。Kay也因此被尊为翻译记忆的元老。此外，Melby（1983b）提出设计多层次的计算机辅助翻译系统。根据这一思想，计算机辅助翻译系统具有三层意义，分别为基本文字处理与术语管理、术语检索和参考译文以及更加成熟的翻译工具，其中包括全自动机器翻译。借助成熟的翻译工具，译员可以修订机器翻译的译文并反馈结果给系统。不同于“译文输入——机器翻译——译后修订”的单向机器翻译模式，这一思想推动了交互式机器辅助翻译双向模式的形成。
（2）稳定发展期（1984–1992）
第一个计算机辅助翻译工具是自动语言处理系统（ALPS）在20世纪80年代中期开始开发的翻译支持系统（TSS）。然而，市场在技术上还没有准备好使用这类工具，大多数译者仍然使用打字机，而打字机很快就被配置了文字处理器的个人电脑所取代，后来又与互联网连接。
世界上最早的两家计算机辅助翻译公司成立于1984年，分别是塔多思（Trados GmbH）和STAR集团（STAR Group）。1988年，Eiichiro Sumita和Yutaka Tsutsumi共同发布了一款升级版的电子词典Easy TO Consult（ETOC）。同年，首个商业化的翻译记忆工具TED（Translation Editor）由塔多思发布。1990年，塔多思发布了全球首个专业的翻译术语库管理系统MultiTerm。1991年，Star集团推出了供内部使用的计算机辅助翻译系统Star Transit。
1992年，各国生产翻译软件进展迅速。塔多思推出Trados系统，被认为是全球第一款商用型的计算机辅助翻译系统，从此开启了商用计算机辅助翻译系统的历史之旅。塔多思还发布了用于DOS系统的Translator's Workbench II。从发布时间来看，Translation Manager/2（TM/2）、Star Transit 1.0以及Translator's Workbench II通常被认为是较早的计算机辅助翻译系统。
（3）迅速发展期（1993–2002）
经历了初步稳定的发展后，语言服务行业的业务领域逐渐增多，翻译技术和工具的应用逐渐多样化。1993年，西班牙公司Atril发布了计算机辅助翻译系统Déjà Vu，支持首个Windows版本（Zetzsche 2005：29）。随着计算机辅助翻译工具数量的增多，其功能也在不断完善。在所有新开发的功能中，对齐、机器翻译及项目管理的工具最为突出。继塔多思推出市场上第一款对齐工具（后来被称为WinAlign）后，其他翻译工具也相继推出类似功能。随后，项目管理功能也于1994年面世，方便更好地管理多语言多用户的翻译记忆库和术语数据库。紧接着，SDLX、Wordfast、WordFisher和OmegaT等计算机辅助翻译软件也纷纷上市。
随着国际公司进入中国市场，翻译技术与工具开始在中国市场发展并得到应用。1999年，第一个国产计算机辅助翻译工具雅信CAT上市，标志着中国自主研发的辅助翻译技术走向商用。其后，赛迪、华建、传神、朗瑞等公司相继推出自己的计算机辅助翻译工具，计算机辅助翻译进入了迅速发展期。
进入迅速发展期后，计算机辅助翻译工具呈现出依附于微软办公软件Word和独立设计界面两种形态。其中，Déjà Vu和SDLX等采用独立的设计界面，塔多思、Wordfast依附于Word使用。此外，各工具支持的文件解析格式也越来越多，支持翻译的语言条目也越来越大。
（4）蓬勃发展期（2003–至今）
2003年，加拿大公司MultiCorpora发布了全新功能的MultiTrans 3.5，不但支持自动搜索、自动对齐等功能，而且具备不同于其他翻译记忆系统的术语管理功能。MultiTrans 3.5系统兼容Microsoft Office 2003，支持更多文件格式与文本分析。同年发布的具备全新功能的计算机辅助翻译系统还有美国的Trados 6.5、德国的MataTexis 2.0、俄罗斯的PROMT XT以及法国的Déjà Vu X标准版、专业版、工作组版、术语服务器版等。此后两年，计算机辅助翻译技术得到进一步发展，各种新版本不断出现，具备了更多的功能。例如，Trados 7 Freelance版本能够支持多达20种的附加语言，兼容Windows 2003 Server等多种系统；与Trados翻译记忆格式兼容的Similis V1.4版本；SDL Desktop Products的翻译记忆库工具SDLX 2005可处理150多种语言；雅信CAT 2.0支持翻译记忆库维护以及实例库等功能；Heartsome翻译套件Heartsome Translation Suite包括XLIFF编辑器、TMX编辑器和词典编辑器。
2006年，计算机辅助翻译技术取得重大发展。例如，SDL Trados 2006融合了Workbench等多种编辑环境且支持Java等多种格式；Lingotek的Beta测试版支持HTML、RTF等多种文件格式。除此之外，MultiCorpora公司推出了TextBase TM的概念。2007年发布的SDL Trados 2007具备了自动质量检查、译文匹配等功能，Across Systems GmbH与MadCap的合作使技术内容创作与翻译和本地化相结合。2008年，Across Language Server具备了包括软件用户界面本地化等新功能；Wordbee S. A. 在卢森堡成立；memoQ 3.0发布；雅信CAT 4.0发布。此外，各种项目整合与翻译管理解决方案相继出现。2009年雪人1.0版本发布，同年Lingotek推出了软件即服务协作翻译技术。
2010年起，各种翻译相关活动通过众包、协助的形式进行。期间出现了一些具有项目管理、项目实时分享等功能的新版计算机辅助翻译工具，如Across Language Server Service Pack 5.1、memoQ 4.0、Atril Team Server、Wordfast Classic 6.0等。2012年，翻译技术进一步走向全球化，在北美洲、亚洲、欧洲等地翻译技术都得到了重大发展。例如，在北美洲，MultiTrans Prism 5.5版本发布；在亚洲，雪人1.27版及雪人CAT协同翻译平台发布、Transmate发布；在欧洲，MemSource Cloud从2.0版本一直更新至2.8版本，搭配MemSource Editor和MemSource Server使用。
从2003年至2012年，计算机辅助翻译系统紧跟Windows系统与Microsoft Office软件的发展步伐，将翻译工作流程与计算机辅助翻译系统相结合，借助服务器、网络等实现数据存储。进入21世纪之后，计算机辅助翻译工具的界面以及功能都得到了进一步发展。众多工具开始采用独立的操作界面，并且可以在Windows、MacOS、Linux等多种计算机操作系统中使用，在功能上可以兼容几十种文件格式，相关文件在翻译完成后保持版式不变。
2012年以后，随着大数据、云计算时代的到来，催生了许多云翻译平台，即把传统的C/S架构的计算机辅助翻译工具功能移植到云端，在云端进行协作翻译并同步保存翻译记忆库和术语库。国外以Memsource Cloud为例，它以在线翻译与管理为特色，内嵌计算机辅助翻译功能，包含机器翻译、术语管理等模块，可以实现多人翻译协作。国内以Tmxmall YiCAT为例，它具备实时语料共享、项目监管、工作流定制、多人团队管理、翻译审校同步以及自动QA检查等功能，可帮助团队节省时间，提高翻译效率，提升翻译质量。
可以看到，无论是机器翻译还是计算机辅助翻译，都经历了从萌芽到蓬勃发展的阶段。机器翻译随着计算机的诞生而诞生，也将随着计算机的发展而发展。计算机辅助翻译起源于机器翻译，主要是利用翻译记忆技术辅助译者工作。近年随着信息技术、人工智能、自然语言处理等的发展，“CAT＋MT＋PE”的模式得到了广泛应用，越来越多的计算机辅助翻译工具开始将机器翻译引擎整合到计算机辅助翻译工具中，功能更加完善，翻译效率更高，翻译技术发展到全面繁荣时期。
任何事物的发展都会经历从萌芽、成长、成熟至消亡的一个周期过程，随着新技术的出现，机器翻译和计算机辅助翻译技术将来也会逐渐走向衰退阶段，完成其生命发展历程。