機械翻訳の歴史で訳し方は3回変わったが、人名と数字を人が確かめる点は変わらない

要点

対象：機械翻訳を仕事で使っている人

1. 1954年の実験は250語と6つの規則だけ
2. 訳し方は規則、統計、文全体へと変わった
3. 人名や数字は、人が見直したい

機械翻訳は、1954年にIBMとジョージタウン大学がロシア語を英語に訳す実験を公開してから、70年あまりたちます。

この記事の目次（7節）

1. 1954年、250語と6つの規則でロシア語を訳した
2. 1966年のALPAC報告、すぐには使えないと判断された
3. 1990年、対訳の文から確率を学ぶ統計の方式
4. 2016〜2017年、文全体を見るニューラル機械翻訳
5. 2024年、大規模言語モデルが加わった国際会議の共通課題
6. 4つの時代で比べる訳し方
7. いま機械翻訳を仕事で使うときに気をつけること

その間に、訳し方は4つの方式を経て、3回変わりました。

• 1954年: 人が書いた規則で訳す¹
• 1990年: 対訳の統計で訳す³
• 2016年: 文全体を見るニューラル機械翻訳で訳す⁴
• 2024年: 大規模言語モデルが加わる⁷

機械翻訳の国際会議（WMT）の共通課題で、大規模言語モデルの1つが、9つの言語の組み合わせで最も良い評価のグループに入りました。

それでも、その結果をまとめたWMT24の報告の英語の題名は、大規模言語モデルの時代は来たが、機械翻訳はまだ解けていない、という意味です。⁷

1954年、250語と6つの規則でロシア語を訳した

1954年1月7日、IBMはニューヨークの本社で、ジョージタウン大学と作った機械翻訳の実験を公開しました。ロシア語の文を英語に訳し、訳した文は60を超えました。¹

使った辞書は250語分で、文を組み替える規則は6つだけでした。文の多くは有機化学の短い説明で、ほかに、一般の話題の長めの文が12ほどありました。¹

報道では、ロシア語の文が英語の "The quality of coal is determined by calory content."（石炭の質は熱量で決まる）に訳されました。¹

辞書は、選んだ文のための語だけ

辞書に入っていたのは、実験で訳す文に要る語だけでした。文も、あらかじめ選んだものでした。¹

どの報道も、規模が小さい実験だと書きました。ただ、5年以内にほとんど何でも訳せる機械ができる、という楽観も広がりました。¹

IBMの発表資料には、5年後、もしかすると3年後には、いくつかの言語の重要な分野で、機械による意味の変換が実現しているかもしれない、と教授が述べたとあります。¹

1966年のALPAC報告、すぐには使えないと判断された

アメリカ政府の3つの機関が作った合同の組織が、1964年4月に委員会（ALPAC）を設けました。委員は7人で、委員長はベル研究所のジョン・ピアースでした。²

報告書は1966年11月に出ました。調べたのは、アメリカの政府が読むロシア語の文書の翻訳だけでした。ほかの言語は、対象外でした。²

翻訳者は足りていた

報告は、政府機関では翻訳者の数が需要を上回っていると書きました。ワシントン周辺には、登録された翻訳者が500人を超えていました。²

機械の訳を人が直す作業（後編集）も、人が最初から訳すより安くならない、と判断しました。1962年にジョージタウン大学が試したときは、後編集した訳のほうが人の翻訳より少し時間がかかり、費用も高くなったためです。²

勧めたのは、翻訳者を助けるツール

報告は、科学の文章を機械で訳したままの文章を「ほとんどは読み取れるが、ときに誤解を招き、ときに間違っている」と評価しました。「一般の科学の文章を訳す機械翻訳は、まだ無く、すぐに見込める状況でもない」とも書きました。²

一方で、翻訳者が使う用語集や用語のデータベースのような補助のツールは、機械翻訳よりも費用に見合うと評価しました。²

機械翻訳の研究者ジョン・ハッチンスは、この報告のあと、アメリカでは機械翻訳の研究に大きな資金が出なくなり、それが約20年続いたと書いています。²

ハッチンスは同じ記事で、報告の比べ方にも大きな欠点があったかもしれないと指摘しています。報告は、実験用に選んだ小さな文の訳と、ふつうの文書を訳す機械の訳を並べて、後者を劣ると見ていたためです。²

1990年、対訳の文から確率を学ぶ統計の方式

IBMのトーマス・J・ワトソン研究所の研究者たちは、1990年6月の論文で、統計で訳す方式を発表しました。フランス語を英語に訳す方式で、結果は「予備的」と断っています。³

規則を人が書く代わりに、同じ内容を2つの言語で書いた文（対訳）を大量に集め、そこから自動で確率を学びます。使ったのは、カナダ議会の議事録（英語とフランス語）です。³

2つの確率を掛けて、訳を選ぶ

訳を選ぶときは、2つの確率を使います。1つは、その言語で自然に出てきそうな語の並びの確率です。もう1つは、ある語が別の言語のどの語に訳されやすいかの確率です。³

たとえば、フランス語の文に英語の訳の候補がいくつかあるとき、この2つの確率が両方高い候補ほど、訳として選ばれやすくなります。³

1949年の提案が、1990年に試された

統計の方式で翻訳に挑む案は、1949年にウォーレン・ウィーバーが出していました。当時は計算機が非力で、機械で読める文章も少なかったので、うまくいかなかったと論文は見ています。³

1990年には、計算機がずっと速くなり、機械で読める大量の文章も手に入るようになりました。³

対象は、1文ずつの翻訳だけでした。³

2016〜2017年、文全体を見るニューラル機械翻訳

Googleは2016年9月27日に、文全体を1つのまとまりとして訳すニューラル機械翻訳を発表しました。従来の方式は、文を語や句に分け、ほぼ別々に訳していました。⁴

2つの言語を読める評価者が、従来の方式と新しい方式の訳を並べて比べました。

Wikipediaとニュースの文では、従来の方式の訳より、誤りが「55〜85%以上」減りました（ブログの言い方）。いくつかの主な言語の組み合わせでの数字で、組み合わせごとに差があります。⁴

中国語から英語への翻訳は、発表のとき、すべてこの方式になりました。アプリでもウェブでも使われ、1日の翻訳は約1,800万件でした。⁴

Googleが書いた限界

この方式でも、語を落としたり、人名やまれな語を間違えたりします。前後の文を見ずに、1文ずつ訳すことも限界です。ブログは「機械翻訳は決して解けていない」と書いています。⁴

2017年のTransformer、別の物差しで高い点数

2017年6月には、Googleなどの研究者が、新しい仕組み「Transformer」の論文を公開しました。⁵

人の訳との近さを機械が採点する方法（BLEU）では、点数が高いほど人の訳に近くなります。英語からドイツ語は28.4点で、それまでの最高を2点以上上回りました。英語からフランス語は41.8点で、1つのモデルとしては当時の最高でした。⁵

日本でも、日英の話し言葉で9割前後

情報通信研究機構（NICT）は、2013年にニューラル機械翻訳の基礎研究を始め、2016年12月に実用化に着手しました。2017年6月28日には、音声翻訳アプリ「VoiceTra」に組み込みました。⁶

日本語と英語の話し言葉で、防災・買い物・タクシーなど、各場面の訳文を翻訳者が採点しました。意味が通じる率は、従来の統計翻訳より大きく上がり、9割前後でした。⁶

この結果を出すには、話し言葉の固有名詞や専門用語の辞書を足すことが欠かせませんでした。⁶

2024年、大規模言語モデルが加わった国際会議の共通課題

機械翻訳の国際会議（WMT）は、2024年に11の言語の組み合わせで、同じ文を訳して比べる共通課題を開きました。28の団体が参加しました。参加者のシステムに加えて、4つのオンライン翻訳サービスと8つの大規模言語モデルも比べました。⁷

評価者108人が、57,000件を超える採点をしました。参加者の大半は、すでに大規模言語モデルを使っていました。⁷

全体では、大規模言語モデルのClaude-3.5-Sonnetが最も良かったと、報告は書いています。9つの言語の組み合わせで、最も良い評価のグループに入りました。⁷

自動採点だけでは、決められない

機械が計算する点数（自動採点）で全言語の1位だったシステムが、人の評価者の採点では全体で勝てませんでした。

このシステムは、調整のときにも自動採点と同じ種類の点数を使っていました。そのため、自動採点では実際より高く出たのだろう、と報告は見ています。⁷

この年は、固有名詞や慣用句、複雑な文で大規模言語モデルが間違えやすい訳を調べる試験が増えました。訳す文章の渡し方も、文ごとではなく段落のままに変わりました。⁷

4つの時代で比べる訳し方

時代ごとに、訳し方と、出典に書かれた課題が違います。

いま機械翻訳を仕事で使うときに気をつけること

1966年の報告は、科学の文章を機械で訳したままの文章を、ときに間違っていると評価しました。2016年のGoogleも、語の抜けや人名の誤りを認めています。²⁴

2024年のWMTでは、主催者が固有名詞や慣用句を調べる試験を増やしました。報告の題名のとおり、機械翻訳はまだ解けていません。⁷

出典に挙がっているのは、人名やまれな語の誤り、語の抜けです。数字や日付、社名も、間違うと取引に響くので、取引先に送る文書は、訳したあとに元の文と見比べて、人が確かめるのが安全です。受け取った文書を読むときも、同じ点を確かめてください。

AI全体の歴史はAIの3度のブームの記事に、チャットボットの歴史はチャットボットの歴史の記事に書きました。大規模言語モデルの仕組みは、生成AIの仕組みの記事で図にしました。

出典

1. John Hutchins「The first public demonstration of machine translation: the Georgetown-IBM system, 7th January 1954」（参照 2026-10-24）
2. John Hutchins「ALPAC: the (in)famous report」（MT News International 14号、1996年6月）（参照 2026-10-24）
3. Peter F. Brown ほか「A Statistical Approach to Machine Translation」（Computational Linguistics 16巻2号、1990年6月）（参照 2026-10-24）
4. Quoc V. Le・Mike Schuster「A Neural Network for Machine Translation, at Production Scale」（Google Research Blog、2016年9月27日）（参照 2026-10-24）
5. Ashish Vaswani ほか「Attention Is All You Need」（arXiv:1706.03762、2017年6月）（参照 2026-10-24）
6. 情報通信研究機構「ニューラル機械翻訳で音声翻訳アプリVoiceTraが更なる高精度化を実現」（2017年6月28日）（参照 2026-10-24）
7. Tom Kocmi ほか「Findings of the WMT24 General Machine Translation Shared Task: The LLM Era is Here but MT is Not Solved Yet」（2024年11月）（参照 2026-10-24）