近年来，机器翻译有了长足的进步，这是自然语言处理与人工智能的一次重大飞跃。

所谓的机器翻译可以看作是如下这张图：

我们的翻译机器就是其中带有问号的黑箱，它的作用就是能够将一个语言的序列（如Economic growth has slowed down in recent years）转化成目标语言序列（如La croissance economique sest ralentie ces dernieres annees）。其中翻译机器在正式工作之前可以利用已有的语料库（Corpora）来进行学习和训练。

所谓的神经网络机器翻译就是利用神经网络来实现上述的黑箱翻译机器。基于神经网络的很多技术都是从Bengio的那篇开创性论文（一种神经网络的语言模型）衍生出来的。它的架构如下图所示：

其中，我们用一个神经网络替换了上图中的黑箱。在神经网络中存在着大量的链接权重，这些权重就是我们要通过数据训练、学习的参数。训练好的神经网络可以将输入的源语言转换为输出的目标语言。我们要让神经网络学习的目标就是要能准确的翻译。这里的准确是指机器生成的语句是比较符合我们人类的说话习惯的。这里的log p(f|e)就是指给定源语言后机器所产生的语言f的概率，我们希望这个概率对于实际的数据来说越大越好，这就是所谓的语言模型。

基于神经网络的机器翻译模型的一个最大的优点就在于它不需要我们用复杂的特征工程去设计其过程中的环节，也就是所谓的End2End（端到端）的模型。这种模型设计还可以避免中间环节的误差累计。