Несмотря на заметное улучшение качества статистического машинного перевода, современные системы SMT продолжают выдавать синтаксические и семантические ошибки, свойственные машинному переводу. Решение этой проблемы требует создания новых способов моделирования языка и перевода, способных извлечь из корпусных данных лучшие возможные переводы. Статья ставит целью отследить динамику развития методов обработки естественного языка в машинном переводе, определить степень разработанности моделей SMT и его перспективы. Проанализированы различные подходы к моделированию машинного перевода с обоснованием преимуществ и недостатков каждой модели. Раскрыто понятие «универсальная семантическая иерархия», которое впервые успешно применено в конце 2014 года компанией ABBYY.