专家们对于机器翻译的信心来自最新一代的翻译技术——神经网络翻译。神经网络翻译打造的机器翻译系统，采用了一系列新的学习手段来模拟人工翻译。首先，利用人工智能任务的天然对称性进行对偶学习。当训练集中的一个中文句子被翻译成英文后，系统会将相应的英文结果再翻译回中文，并与原始的中文句子进行比对，进而从这个比对结果中学习有用的反馈信息，对机器翻译模型进行修正。其次，利用推敲网络，模拟人们写作时不断推敲、修改的过程。这样，通过多轮翻译，不断地检查、完善翻译的结果，使翻译的质量得到大幅提升。再次，采用联合训练的方法迭代改进翻译系统。用中英翻译的句子对去补充反向翻译系统的训练数据集，同样的过程也可以反向进行。最后，采用一致性规范让翻译可以从左到右进行，也可以从右到左进行，最终让两个过程生成一致的翻译结果。这一系列技术有效模仿了人工翻译的过程，极大提升了机器翻译的整体质量。

　　除此之外，机器翻译相关学科之间的互动更加频繁，合作更加紧密。翻译界和技术界都呈现出了更大的包容性，相关人士达成一定共识，即过去那种把语言学家排除在外，仅依赖技术界，埋头做数据、分析开发系统的做法是不可取的。在语言学和翻译学领域，越来越多的人开始关注机器翻译，对技术应用探索也不再一味抵触，开始从用户和市场需求的角度来客观看待不同层级和不同受众的语言服务，计算机辅助翻译在专业翻译领域发挥着越来越重要的作用。

　　机器翻译技术仍备受质疑

　　对于现有的机器翻译技术，很多学者也表示质疑。一方面，他们认为机器翻译的广泛适用性还有待考察。尽管机器翻译在某些测试中正确率较高，而且在某些领域接近或超过人工译员，但是这些测试只是针对特定范围的文本，要想达到测试水平，必须满足对于源语言和环境的苛刻要求。在笔译方面，冯志伟在《机器翻译研究》中表示，目前的机器翻译系统对普通文本的翻译在可读性和准确性方面离人们的实际需求还有相当大的距离。机器翻译系统对普通文本的翻译，通常需要大量的译后审校工作才能使译文达到出版的要求，所花费的时间和费用往往会超过纯人工翻译。在口译方面，中国科学院自动化研究所宗成庆在《机器翻译的梦想与现实》中指出，在日常口语对话中，目前口语机器翻译仅能对资源较为充分的语言（如英汉、日汉等），在说话场景不是非常复杂、口音基本标准、语速基本正常、使用词汇和句型不是非常生僻的情况下，可基本满足正常交流的需要。

　　另一方面，针对机器翻译的译文整体水平，目前还没有建立起专业合理的评价体系。目前使用较多的是BLEU和METEOR标准，BLEU评测由IBM公司于2002年提出，认为翻译系统的译文越接近人工翻译，翻译的质量就越高。该评测通过分析候选译文和参考译文中n元组共同出现的程度来定义系统译文与参考译文之间的相似度，缺点在于没有考虑翻译的召回率。METEOR标准于2004年由Lavir提出。研究表明，召回率基础上的标准相比于那些单纯基于精度的标准（如BLEU），其结果和人工判断的结果有较高相关性。微软全球技术院院士黄学东表示，“当机器翻译质量很差的时候，使用 BLEU 评分还行，但是当机器翻译质量提高以后，就需要靠人类来评价”。但人工评价很难保持统一的标准，所以有些专家直接否定了现有的评价体系以及将译文水平量化的做法。美国印第安纳大学侯世达教授在《论谷歌翻译的浅薄》一文中表示，“这是一种对无法量化的事物进行量化的伪科学，用看上去很科学的图表去证明翻译质量，不过是对科学方法的滥用而已”。

　　机器翻译不可能代替人工翻译

　　神经网络翻译技术的应用带动了机器翻译的飞速发展，使得一部分学者对此非常乐观，但也有许多学者对此提出了批评。语言学和翻译学界的很多学者认为目前机器翻译的发展有限，“信”尚且未达成，更遑论取代人工翻译。多位学者表示人在翻译中的主动性和创造性是机器无法比拟的。如美国加州大学伯克利分校语言学系教授乔治·莱考夫与美国俄勒冈大学哲学系教授马克·约翰森在《我们赖以生存的隐喻》一书中提出，语言在本质上更多是隐喻性而非事实性的。人类语言习得常基于对抽象的、具有比喻意义的概念的学习，向机器解释这些概念非常困难，文学翻译更是机器翻译难以逾越的鸿沟。胡壮麟在《语言学教程》中提出，仅靠文本分析、忽略现实、没有“人”这一主体参与的“机器翻译”，是站不住脚的。