意扣
Equalang 笔记

翻译不是换符号，是理解：一口气看懂机器翻译七十年演进史

意扣

导读

从查词典、数词频，到词向量、Transformer 与大语言模型，拆解机器翻译七十年走过的四个阶段，看懂 AI 如何一步步学会理解人类语言。

关键词：机器翻译; Transformer; 大语言模型; 神经网络; 注意力机制; 同声传译

一秒钟的词序乾坤大挪移，人类磨了七十多年

在翻译软件的输入框里敲下一句中文：「我昨天在北京见了他。」

不到一秒，屏幕上跳出英文译文：「I saw him in Beijing yesterday.」

如果仔细对照这两句话，会发现一件习以为常却很不简单的事：机器并不是把中文词一个个换成英文词就算完事。原句里排在开头的「昨天」（yesterday）和「在北京」（in Beijing），到了英文里统统跑到了句尾；原本在句末的动作「见了他」（saw him），反而提到了前面。要是把两句话里对应的词用线连起来，这些连线会在半空中交叉成一张网。

中英文句子“我昨天在北京见了他”与“I saw him in Beijing yesterday”之间的对应词语连线交叉成网
中英文互译时，词语并不是按原位替换，词序会被重新调换

敲下回车的一秒钟背后，是人类研究了七十多年的一道难题：怎么让一台只认数字的机器，把一种语言变成另一种语言？

回头看这七十多年的探索，机器翻译并不是把词典越做越大那么简单，而是走过了一段步步读懂语言的阶梯——从最初死板地替换符号，到摸清词义，再到读懂整句话，最后看懂一整段话的上下文。

这篇文章有一支 8 分钟的动画版：https://www.bilibili.com/video/BV1pcWG6eE2P/

第一步：把外语当成密码来破译，为什么会撞墙？

故事的起点在 1947 年。那年 3 月 4 日，美国数学家韦弗（Warren Weaver）给朋友维纳写了一封信。他在信里聊起一个直觉：每次看到一篇俄文文章，他都会想——「这其实是英文，只是被人用奇怪的符号加了密。」

在韦弗看来，翻译本质上就是一道解密题。只要找出两门语言之间的符号对应规律，把密文解开，底下的英文自然就出来了。1949 年 7 月，他把这个想法整理成一份备忘录发给同行，标题只有一个词：《Translation》（翻译）。

这个想法很快被搬上了真正的计算机。1954 年 1 月 7 日，IBM 与乔治城大学联手，做了一场人类历史上首次公开的机器翻译演示。一位完全不懂俄语的操作员坐在机器前，把六十多句俄语敲进穿孔卡片，计算机咔哒作响，把它们全部自动译成了英语。

当时这台机器是怎么翻译的？原理很像查一本带说明书的词典：

  • 查编号：先把读进来的每个俄语词，在穿孔卡片词典里查出对应的数字编号，以及可能对应的英文译法。
  • 看规则：接着看这个词旁边的词是什么，按照人预先写好的语法规则，完成三件事——在几个候选英文词里选词、把颠倒的词序调过来、或者删掉英文里不需要的多余词。
1954年乔治城—IBM演示的三种机器翻译规则：并列展示选词、调序和删词三个框
1954 年乔治城—IBM 演示的三种规则：选词、调序或删词（示意）

这场演示轰动一时。当时的研究者非常乐观，觉得只要沿着这条路走下去，三到五年内，机器翻译就能彻底解决。

但台下的观众不知道，那台机器的词典小得可怜，一共只有 250 个词条（包含词干和词尾），语法规则也只有寥寥 6 条；就连上台表演的那六十多句俄语，也是事先精心挑选出来的。

一旦走出实验室，去面对真实世界里的文章，三年过去了，五年过去了，十年过去了，预想中的突破迟迟没有到来。1966 年，美国政府组织的自动语言处理顾问委员会（ALPAC）交出了一份调查报告，结论很冷静：十年的研究，并没有兑现当初的期待。随后，研究经费被大幅削减，机器翻译一头跌进了漫长的寒冬。

尽管经费骤减，还是有研究者咬牙接着往下做，把 1954 年那套思路越磨越细。词典一个词一个词地添，语法一条一条地写，全部由人亲手教给机器——这就是基于规则的机器翻译。

这套办法在特定场合真的派上了用场。比如加拿大的 METEO 系统，从 1981 年起就用来把天气预报在英法双语之间互译。它之所以能胜任，是因为天气预报属于受限的语言，每天翻来覆去就那么几种固定说法，词汇和句式都出不了圈。

可一旦放到日常说话里，规则就不灵了。日常语言没那么规矩，最让人头疼的就是一词多义。

拿中文里最常见的「打」字来说。如果词典里死板地规定每个字只对应一种译法，比如把「打」绑死在英文的 hit（击打）上，那么「我打车去公司」逐词硬翻出来就会变成闹笑话的错句（示意）。在真实语言里，同一个「打」字，换个后面的搭配，英文就得彻底换一种说法：

  • 打电话，是 call；
  • 打车，是 take a taxi；
  • 打折，是 discount；
  • 打伞，是 hold an umbrella。

光一个「打」字就有这么多种搭配，为了译对它，人就得给每一种搭配写一条判断规则。每多一种说法，就要多补一条规则；规则写不完，语言里的例外更写不完。靠人一条条教机器语法，就像用纸牌搭高楼，例外卡片越堆越多，迟早会把整座楼撞散。

不教语法改查菜谱和数数：统计翻译是怎么变聪明的？

既然规则永远写不完，能不能换个思路？

1984 年，日本学者长尾真提出了基于实例的机器翻译：不让机器死背语法规则，而是让它照着现成的例子翻。

这就像下厨翻菜谱。假如手里已经有一道旧菜谱——比如知道「我昨天在北京见了他」译成「I saw him in Beijing yesterday」；现在来了一道新菜「我昨天在上海见了她」，机器只需要在存好的例句库里找到最像的那句旧话，对比出只有「北京→上海」「他→她」两处不同，照抄旧译文，再像换配料一样把对应的两处词换掉，新译文就出来了（示意）。

到了 1990 年前后，IBM 华生研究中心的研究者们走得更干脆：连语法带规则统统不教了，只给机器喂海量由人工翻译好的双语句对，让机器自己去数——哪两个词总是成对出现。

想象一摞摞中英对照的句子不断掉进机器里。机器不认识汉字，也不懂英文单词，但它能做算术。每当中文句子里出现「苹果」，对应的英文句子里也出现了 apple，机器就在这对词之间的计数器上加一。

“苹果”与“apple”之间有一根连线，下方写着“出现在同一对句子里：8,743 次”
「苹果」与 apple 连线，出现在同一对句子里 8,743 次（示意）

一对、十对、成千上万对句子数下来，「苹果」和 apple 同时出现的次数越来越多，机器算出的概率就越来越高，也就越相信：这两个符号说的是同一个意思。这就像一个人完全不认识 apple 这个外文词，但每次去水果摊，都看见这张标签贴在红彤彤的果子旁边，见得多了，自然就懂了。

这就是统计机器翻译。从这一刻起，翻译从「查规则」变成了「算概率」。

不过，光靠数中英词对，还应付不了完整的句子。比如中文里的「他」，翻成英文既可以对应主格的 he，也可以对应宾格的 him。到底选哪个？单看「他」这一个词的词对概率，机器答不上来。

于是研究者又给机器配了一件法宝，去数纯英文句子里哪个词常跟在哪个词后面。比如前面已经翻出了「I saw ＿」，机器去翻自己数过的英文账本，发现 saw 后面跟着 him 的次数远比跟着 he 多，分数更高（示意）。这种「看前几个词，猜下一个词是什么」的模型，就叫语言模型。

把这两样东西合在一起，统计机器翻译的流水线就齐了：

  • 翻译模型（查词对）：把原句切成小块，一块块查概率表，找出几个可能的英文候选词（比如给「他」挑出 he 和 him 两个候选）；
  • 语言模型（挑顺句）：看前几个词的搭配习惯，从候选译法里挑出最通顺的那个词（因为前面是 saw，所以留住 him、划掉 he），最后拼成完整的句子（示意）。

2006 年，谷歌翻译正式上线，背后用的正是这套统计机器翻译。

但统计机器翻译和早年的规则翻译一样，还困在**「符号」**这一层。在它眼里，每一个词都只是一个孤立的编号。比如「猫」是 #4127 号，「狗」是 #9853 号（编号为示意），这两个编号之间没有任何关系。机器完全看不出「猫」和「狗」在意思上很亲近，在「猫」身上学到的翻译经验，也半点借不到「狗」身上。一旦遇到训练语料里没怎么出现过的词组搭配，统计次数不够，它就抓瞎了。

要想再往前走一步，机器不能只把词当成冷冰冰的编号来数，它得先弄懂词义。

从词向量到注意力机制：机器如何学会读懂整句话？

转机出现在 2013 年。这一年，word2vec 让早就提出的词向量技术真正流行开来（早在 2000 年，Bengio 等研究者就已经提出了词向量的思路）。

词向量做了一件很巧妙的事：它不再给每个词发一个孤立的号码牌，而是把每个词变成一长串数字——通常有几百个数字那么长。

可以把这几百个数字想象成给每个词列了一张详细的「特征打分表」：第一格代表是不是动物？第二格代表能不能吃？第三格代表是不是城市？每一项都打一个分（注：各维度实际上没有独立可读的含义，而是 AI 自己总结的抽象特征）。

这些数字是怎么算出来的？不是人填的，而是让机器去做海量的填空题。比如给出一句话：「我养了一只 ＿」，遮住最后一个词，让机器猜空里填什么（示意）。在成千上万的句子里，「猫」和「狗」总是出现在相似的空位里，机器在反复调整数字来猜词的过程中，就会把「猫」和「狗」那几百个数字调得越来越像。

“猫”、“狗”、“北京”三个词分别表示为长条数字格子，“猫”与“狗”的数字分布高度相似，而与“北京”相差甚远
猫、狗、北京三个词各变成一长条数字格子，意思越近数字越像（示意）

结果非常奇妙：意思越相近的词，它们的数字长条就越像；意思八竿子打不着的词，比如「猫」和「北京」，数字就差得十万八千里。因为相近的词数字也相近，机器在「猫」身上学到的规律，终于能顺理成章地举一反三用到「狗」身上；更重要的是，词变成了连续的数字，机器终于可以拿这些数字去计算整句话的意思了。

2014 年，基于人工神经网络的机器翻译（简称神经机器翻译）应运而生。它的工作方式不再是切碎句子查表，而是像一位真正的口译员：

  1. 先读完（编码器）：先把整句中文原原本本地读完，把整句话的意思压缩成一份数字形式的「记忆」；
  2. 再说出（解码器）：接过这份记忆，一个词一个词地往外说出英文译文，而且每说出一个词，都会把这个词也融进记忆里，带着往前考虑下一个词该说什么。

当时，负责攒这份记忆和说译文的，是一种叫循环神经网络（比如长短期记忆网络 LSTM）的结构。它读句子时就像排队过安检，挨个词读进去，每读进一个新词，就和上一步攒下的记忆融合在一起，更新成新的记忆传给下一步。

可这个办法很快就遇到了瓶颈：记忆框就那么大。不管是五六个词的短句，还是几十个词的长句，都得硬塞进同一个固定大小的记忆框里。句子一长，就像让人一口气背一长串电话号码——记住了后面，最前面说的话早就越缩越淡、忘得差不多了。

怎么解决长句忘词的问题？同年，研究者提出了注意力机制（Attention）。

注意力机制的思路，很像人在考场上做阅读理解：机器在写译文的每一个英文词时，不再死抠那个固定大小的记忆框，而是被允许回头瞄一眼原文。写到哪个词，就把目光重点投向原文里最相关的那个位置。比如在写出「I saw him in Beijing yesterday」的过程中，写到 saw 时重点看中文的「见了」，写到 yesterday 时回头去盯中文开头的「昨天」。神经机器翻译最拿手的本事之一，正是这种跨远距离的词序调换（尤其是动词的调序）。

英文译句“I saw him in Beijing yesterday”中的每个词分别向中文原句伸出光线，相关性越强的词之间光线越亮
I saw him in Beijing yesterday 每个英文词向中文句子伸出光线，越相关越亮（注意力机制，示意）

2015 年，百度率先上线了用「循环神经网络 + 注意力机制」搭建的大规模神经机器翻译系统；到了 2016 年，谷歌翻译也全面换上了这一套架构。根据谷歌 2016 年的实测报告，和之前用了十年的短语统计翻译系统相比，神经机器翻译把翻译错误平均减少了约 60%。

但循环神经网络还有一个天生的毛病改不掉：它必须逐词排队读。因为每一步的记忆都得等上一步算完才能传过来，前面的词没处理完，后面的词就只能干等。哪怕在训练时已经把整篇原文和译文都摆在机器面前，它也没法一眼扫过去同时算，训练起来慢得像接力传话。

抛掉排队、手握大喇叭：Transformer 与大语言模型如何打通上下文？

2017 年，谷歌的八位研究者发表了一篇以机器翻译实验为主的论文，题目叫《Attention Is All You Need》。题目的意思很直白：抛掉循环神经网络，只靠注意力机制就够了。

这篇做翻译出身的论文提出的新架构，就是后来鼎鼎大名的 Transformer。它不仅改写了机器翻译，还成了后来 BERT（2018 年）、GPT 系列（2018 年起）以及 ChatGPT（2022 年底）等大多数现代大语言模型的共同底子。据《自然》（Nature）2025 年统计，这篇论文已跻身 21 世纪被引用次数最多的十篇科学论文之列。

Transformer 和循环神经网络到底有什么不同？可以用一个传话的比方来理解：

  • 循环神经网络像接力传话：一排人站成一列，悄悄话只能从第一个词传给第二个词，再传给第三个词。不仅传得远了容易走样，排在后面的人在传话送到之前，只能站在原地干等。
  • Transformer 像人手一只大喇叭：队伍里所有词在同一时刻一起开喊，全场每个词都能直接听见其他所有词的声音，不管距离多远，听得一样清楚。

既然所有人同时开喊，会不会乱成一锅粥？不会，因为每个词还会挑着听——句子里谁跟自己最相关，就多听谁的，借此敲定自己在这句话里的准确意思。这种在句子内部互相打量、按相关程度汇总信息的机制，就叫自注意力（Self-Attention）。

来看看自注意力是怎么解决一词多义的。同样是「苹果」这个词，放在两句不同的话里：

  • 在「苹果发布了新手机」这句话里，「苹果」拿着大喇叭环顾全句，发现句尾的「手机」跟自己最相关，重点听取了「手机」的信息，当场就敲定自己在这里指的是一家科技公司，翻译时得写成首字母大写的 Apple（示意）。
  • 而在「我吃了一个苹果」这句话里，「苹果」转去重点听最相关的动词「吃」，立刻明白自己在这里指的是能吃的水果，翻译时就写成小写的 apple（示意）。
在句子“苹果发布了新手机”中，“苹果”向句中每个词连线，其中连向“手机”的线条最粗，标明最相关
「苹果发布了新手机」里「苹果」向每个词连线，「手机」最相关（示意）

除了能看清全句的关联，Transformer 还有一个巨大的工程优势：不用排队。在训练模型时，一整页文字里的所有词可以同时并行计算，训练速度大幅飙升。既然算得快了，人们终于可以把原本不敢想的海量文字喂给机器去练。

后来，研究者们用 Transformer 搭出了大语言模型（LLM）。大语言模型并不是专门为了做翻译而造的，它为解决通用任务而生，翻译只是它顺手能做的众多子任务之一。而在预训练阶段，它苦练的基本功只有一件事：猜下一个词。

听着是不是很耳熟？前面统计机器翻译里的 n-gram 语言模型，干的也是「看前几个词，猜下一个词」。比如前面是「我昨天在北京见了 ＿」，机器算出后面最可能接「他」；如果把动词换成「吃了 ＿」，后面最可能接的候选词就全变成了食物（示意）。在数学上，这就叫条件概率——就像日常聊天接话茬，下一个词接什么，全看前面说了什么。

既然都在猜下一个词，大语言模型和当年的统计语言模型有什么本质差别？核心差别有两点：

  1. 看得有多远：当年的统计语言模型窗口很短，只能看空格前面的寥寥几个词；而大语言模型能看前面一整段话（比如 GPT-3 的上下文窗口能装下 2048 个词块）。假设有一段话：「上周我去北京出差，昨天晚上吃了 ＿」。当年的语言模型眼光只够框住「晚上吃了」这几个字，根本不知道说话的人在哪儿；而大语言模型能把整段话尽收眼底，看到前文提过「北京」，就能猜出下文更可能是「烤鸭」（示意）。
  2. 能不能举一反三：当年的语言模型靠死数词组出现过几次，要是训练语料里见过「吃了 烤鸭」、没见过「吃了 烤鹅」，遇到「烤鹅」就会因为数据稀疏而算不准；大语言模型继承了神经网络把词变成连续数字的本领，在数字空间里「烤鸭」和「烤鹅」非常接近，哪怕「吃了 烤鹅」很少见，也能举一反三算得八九不离十（示意）。

不过，这里还有一个耐人寻味的问题：一个每天只练习「顺着上文猜下一个词」的模型，怎么也没专门学过翻译，怎么突然就会翻译了？

2023 年的一项研究找到了一条重要线索：研究者在一个大语言模型（PaLM）的训练文字里仔细排查，结果在那些从互联网上搜集来的网页和文档里，数出了超过 3000 万对现成的双语对照译文，横跨至少 44 种语言。换句话说，人类早就把海量的翻译教材夹在日常网页里喂给它了。所以，当你在输入框里写下翻译要求和中文原句，大语言模型顺着这句话往下猜出来的最合理的「下文」，自然就是对应的英文译文（示意）。

2020 年发布的 GPT-3 就是这样练出来的。它读了几千亿个词的文字，不管是写代码、写摘要还是做翻译，都能顺着提示往下接。GPT-3 背后是一场大胆的押注：模型做得越大、读的文字越多，表现就会越好。

这里的「大」，指的是模型内部可调节的数字——也就是参数——有多少。从 2018 年到 2020 年，模型的参数规模一路暴涨：

  • GPT-1（2018 年）：1.17 亿个参数；
  • GPT-2（2019 年）：15 亿个参数，涨了约 13 倍；
  • GPT-3（2020 年）：1750 亿个参数，又涨了约 117 倍；
  • 到了 2022 年 11 月问世的 ChatGPT（最初基于微调过的 GPT-3.5）和 2023 年的 GPT-4，官方不再公布具体参数量（据媒体报道 GPT-4 约为万亿级，但未经证实）。

在这场规模狂飙中，研究者摸出了一条规模定律（Scaling Law）：只要把参数规模、训练数据量和计算力按比例往上加，模型的表现就会沿着幂律规律稳步提升——在对数坐标图上，每多投入十倍资源，表现就沿着一条直线往上走一截，甚至可以预先算出来。

2022 年 11 月 30 日 ChatGPT 发布后，翻译真正变成了一场人人都可随时商量的对话。以前用翻译软件，给什么译文只能受着；现在觉得初稿不够得体，只管再叮嘱一句。比如让它翻译「明天的会改到下午三点」，它先给出普通的「Tomorrow's meeting is moved to 3 pm.」；你追一句「这是写给客户的，正式一点」，它当场就能换一副商务口吻重译成：「Please note that tomorrow's meeting has been rescheduled to 3:00 p.m.」（示意）。

更重要的是，因为它能看懂大段上下文，翻译终于跨过了字面意思的门槛。比如中文里一句简单的「他走了」，单看这三个字，既可能是指「他离开了房间」（left），也可能是委婉地说「他去世了」（passed away）。如果前文一直在聊医院和病情，大语言模型就能结合场景看出这是一句委婉语，不会按字面硬翻（示意）。

在大语言模型出来之前，哪怕神经机器翻译已经能把句子的意思翻对，读起来也常常有一股挥之不去的「机翻味」——死抠原文结构，句子生硬。比如一句日常的职场客套话「这个方案我们还要再研究一下」，以前的翻译软件往往会老老实实直译成「This plan we still need to research a little.」（示意）；而大语言模型给出的是地道的英文表达：「We need to look into this plan a bit more.」（示意）。到了 2023 年的国际机器翻译评测（WMT23）里，顶尖机器译文的质量已经很难和人工翻译分出高下。

文字之外的考场：端到端同声传译怎么决定何时开口？

攻克了书面的文字翻译，机器还在学一件更难的事：同声传译——说话的人在台上滔滔不绝，机器得一边听，一边把外语译文亲口说出来。

最早的语音翻译走的是「三步走」的级联路线：

  1. 语音识别（ASR）：先把听到的声音变成原文文字；
  2. 机器翻译（MT）：再把原文文字翻译成外文文字；
  3. 语音合成（TTS）：最后把外文文字用合成语音念出来。

这种三步接力的做法有两个明显的痛点。第一是慢且容易错上加错：后一步必须干等前一步算完，三段延迟累加在一起，反应就慢了；而且一旦第一步语音识别听错了一个字，后面的翻译和朗读就会一步错、步步错。第二是丢情绪：人说话时的语气、轻重和情绪全藏在声波里，一旦在中间那一步被压成冷冰冰的纯文字，这些非语言信息就彻底消失了，最后念出来的译文只能是毫无波澜的机器腔。

为了跨过中间的文字环节，研究者转向了端到端（End-to-End）模型：用一个模型，直接从一种语言的声音译成另一种语言的声音。不再拆成三步，前一步的错不会往后传，只需解码一次，反应也更快。2019 年谷歌提出的 Translatotron 就是这样一个直接从声音到声音的模型，它甚至能在说出外语译文时保留原说话人自己的嗓音；不过那时候它还得等说话人把整句话说完，才能开口翻译，算不上真正的同传。

要做真正的同声传译，最大的难点在于四个字：何时开口。

这就回到了文章一开头提到的那个问题——中英文的词序是不一样的。说话的人刚吐出前半句，关键的动词可能还留在后半句没说出口。机器如果等得越久，听到的信息越全，翻译得就越准，但戴着耳机听译文的人就会急得抓耳挠腮；反过来，如果为了赶时间一听到词就往外蹦，又很容易因为没听到后半句而翻错。优秀的同传系统必须在「等」和「说」之间走钢丝：比如听到前半句够意思了先翻出来，等后半句一出口，再顺着前面的话茬接上去（示意）。

到了 2025 年，新一代同传模型做成了全双工（Duplex）架构：一个模型可以同时「听」和「说」。它的底子依然是语言模型，仍然在一步步猜下一步该干什么——但现在它猜的不只是「下一个词接什么」，还在每一刻实时判断：这一秒是该继续听，还是该开口说（示意）。

2025 年已有研究团队报告，这类端到端全双工同传模型已经能够一边听人说话，一边用说话人自己的声音同步说出外语译文，并且将克隆嗓音同传的平均延迟从此前方案的近 10 秒大幅压缩到了约 3 秒，延迟缩短了约七成。

七十年走过四级台阶：要翻好，先读懂

把时间轴拉回 1947 年，把这七十多年的探索画成一张图，就能清晰地看见机器翻译走过的三次大跃升——1990 年前后的统计机器翻译、2014 年兴起的神经机器翻译（2016 年谷歌实测错误减少约六成），以及 2020 年代的大语言模型（2023 年评测中顶尖机器系统与人工译文已很难分出高下）。

机器翻译七十年演进坐标图，标出从1947年解密构想、1954年规则翻译、1966年寒冬、1984年实例翻译、1990年统计翻译、2013年词向量、2014年神经网络、2017年Transformer、2020年大语言模型、2022年ChatGPT到2025年同传的关键节点与三次跃升
七十年机器翻译演进坐标图与三次大跃升（示意）

最早，人们以为翻译只是一道密码破译题，只要在两门语言之间找到对应的符号就行。后来在一次次碰壁中才发现，死板的语法规则永远写不完语言里的例外，只知道数词对出现次数的统计翻译也抓不住真正的意思。

机器翻译每往前迈一步，都是在比上一步多读懂一层人类语言：

  • 第一级台阶：符号（1954—2013）。无论是人写词典和语法的规则翻译，还是靠海量句对数词频的统计翻译，机器眼里的词都只是孤立的符号，只在做符号之间的对号入座。
  • 第二级台阶：词义（2013）。词向量把每个词变成几百个连续的数字，让机器第一次算出了词与词之间的意思远近，学会了举一反三。
  • 第三级台阶：句子（2014—2017）。从循环神经网络、注意力机制到 Transformer，机器学会了把整句话读成一份记忆，并在句子内部靠自注意力互相打量，根据整句话的搭配敲定每个词的含义与词序。
  • 第四级台阶：上下文（2020 至今）。大语言模型把视野从一句话拉长到一整段话甚至整场对话，结合前文场景、语气要求乃至说话人的声音，给出恰如其分的译文。

就像开头那句再普通不过的「我昨天在北京见了他」，哪怕只是把几个词调换到合适的位置上，要翻好它，也得先读懂它。因为翻译从来不只是换符号；翻译，是理解。

参考资料