在ChatGPT掀起大模型热潮后，翻译行业被认为是率先受到冲击的。

OpenAI曾在报告中提到，如果一项工作使用AI能减少50%以上的时间，那么它就是可替代的，翻译就是容易被AI取代的职业之一。

但其实译员使用广义的AI技术工具来辅助翻译已不是什么新鲜事。一直以来，机器翻译软件之于专业译者，就如同Photoshop之于设计师。

部分机器翻译软件

部分计算机辅助翻译和翻译项目管理软件

目前，神经网络机器翻译是主流的机器翻译方式。毕业于蒙特雷高翻学院的Wang告诉我们，“现在业内大多数译员都会采用译后编辑的方式，可以以机翻为基础进行修改。但是对于有些保密性的内容，公司为了避免风险可能会要求译员不能上传机翻平台，尽量自己手翻”。

ChatGPT的翻译能力则比机器翻译更胜一筹，比如能提供润色、生成多种译文、变化译文风格，但在译文的准确性和完整性上存在局限，短期还不能与人工翻译相媲美。如果译员翻译能力在机器技术水平之下，那有可能就会被取而代之。

如今译员要怎样和AI共存?作为一家深耕语言科技领域的上市公司，甲骨易推出了面向专业译者的AI翻译平台LanguageX，近期升级了新版本，支持AI翻译、AI润色、训练个性引擎等功能。

他们提出:让机器的工作归机器，人类的工作归人。

最近“头号AI玩家”找到LanguageX团队负责人李光华（David），和他聊了聊怎么训练翻译行业的垂直大模型，怎么做AI翻译产品，以及AI时代的译者要往哪里去。

从机器辅助翻译，到生成式AI翻译

头号AI玩家:您是什么时候加入甲骨易的，之前接触过AI翻译吗?

David:我本身是学俄语专业的，毕业之后做过俄语和英语的翻译，当时觉得很多翻译工具又笨又重，后来就转型去做这方面的产品研发，加入甲骨易快3年了。

我很早就接触过机器翻译（Machine Translation，MT），那时还不叫AI翻译，AI也尚未流行。在语言服务中我们会用到机器翻译软件，但是效果比较差，有很多局限，基本上只是一种辅助手段。

再早一些，大概在40年前，翻译专业就有一款叫做Trados的计算机辅助翻译软件，它会把你之前翻译过的句段和术语保存到数据库里，当遇到重复的内容就不用再翻译，它可以直接调用，提升翻译效率。

Trados页面

这种计算机辅助翻译（Computer-Aided Translation，CAT）是机器翻译的初级阶段，前者要在人的参与下完成翻译，后者可以自动翻译。

2016年，谷歌发布了神经网络机器翻译系统（Neural Machine Translation，NMT），大幅度提升了机器翻译质量，在业内引起了震动。这时候人工智能也迎来第一波热潮。到今年ChatGPT的出现相当于又提升了一步。

头号AI玩家:AI翻译和机器翻译有什么区别?

David:我的看法是，机器翻译小于AI翻译。机器翻译约等于自动翻译，AI翻译的内涵会更大一些，除了自动翻译，AI还可以润色、辅助做翻译、提取术语等等。

在技术上，神经网络机器翻译和生成式AI翻译均是根据概率生成的，差别在于，神经网络机器翻译有编码器和解码器，近似BERT路线，有点像做完形填空，而GPT路线是做词语接龙，只有解码器，根据上一个词去预测下一个。在数据方面，机器翻译模型用双语平行语料训练，大模型一般用海量单语语料训练。

头号AI玩家:LanguageX有哪些功能?

David:主要有三大类功能。

一是AI翻译，我们聚合了全球比较好的AI翻译引擎，比如谷歌翻译、DeepL、ChatGPT，以及我们自研的LanguageX翻译引擎;

LanguageX页面

二是辅助专业译者翻译。支持交互式翻译，译者在翻译一句话时，我们会把译文作为一个提示显示在下方，只要他改了一个词，我们会根据这个词实时再重新生成一遍。这样他调整句子就不需要来回剪切粘贴，思路不会被打断。

同时，译者也可以用自己积累的数据去训练个性化的机器翻译引擎;

三是一些AI工具。“AI润色”目前接入了GPT的API，可以自定义风格，比如要求更地道的母语表达。还有“语料对齐”，可以把原文和译文两篇文档的内容一句句对齐，这样译者能拿来训练引擎或者做翻译记忆。

头号AI玩家:LanguageX有哪些典型的应用场景?

David:我们有两个大的使用场景，分别针对专业译者和普通用户。

专业译者每天的工作就是要非常精准地翻译一篇几千字的文章，一般需要翻译的字数是5000到10000。他可以先在LanguageX上建一个项目，拿到一篇文档后直接上传，它会自动解析这个文档。

然后译者来选择合适的翻译引擎，比如字幕引擎。AI会预翻译一遍，之后译者进入编辑页面来修改译文，他可以在编辑器里跟AI交互，比如AI会提示一些术语，帮他检查一些年份、标点等低级错误。

下载后，它直接就是一个可编辑的word文档。这是一个比较简单的专业译者的翻译流程。

普通用户如果看到海外的书或者报道，也可以上传到LanguageX，但选引擎的时候就不需要那么精细，可以选一些自己熟悉的，加一点术语干预，让它处理的译文可读性更好。这是一个非专业译者的案例。

头号AI玩家:训练自己的翻译模型，这个功能用得多吗?需要自己提供训练语料?

David:这一类还是比较多的。如果我们来分领域的话，往往会分得比较大，像财经、法律、医疗。但有些用户的引擎就很有意思，比如专门用来翻译魔术资料，他的引擎叫魔术翻译，还有翻译摄影专业书、无人机相关材料的，类似这种个性化的细分领域。

而专业译者可以根据项目或者自己翻译较多的领域来训练模型。训练语料确实需要自己来积累，专业译者从业一两年，基本上就会有大量的资料，可以通过“语料对齐”工具处理成一一对应的数据上传。我们的操作还是比较简单的，只需要三四步，不需要译者懂API等技术配置，训练完成后就可以在阵列选用了。

如何做一个翻译行业的垂直大模型

头号AI玩家:LanguageX团队是怎么组建的?

David:当时我们是从零开始组建团队的，我们的初心是用最先进的AI技术服务于专业的译者。

之前根据我们初步的评测，从翻译任务来看，ChatGPT在中英翻译上有一些微弱的优势，但是小语种翻译弱于现在业内主流的翻译系统。当然技术更迭很快，我们之后隔一段时间会再去评测。

研发方面我们有算法和工程团队，我们也在研究用于翻译的垂直大模型。

头号AI玩家:研发时最大的困难是什么?

David:做生成式大模型当然困难挺多的。以前翻译系统是一个语言方向做一个系统，比如中翻英、英翻中、中翻俄、俄翻中，这三个语言就要四个系统。现在我们希望哪怕是10个、20个语言，都是一个系统。所以我们要考虑大模型里的语种比例，以及数据的分布。

这需要很多试训练，做很多的反馈和迭代，就像打磨一个产品，不能一蹴而就。这是比较大的一个挑战。

然后还有成本上的考虑。GPU如果训练的数据量太大，算力成本是个问题，我们作为一个商业化产品团队，整体投入都要考虑ROI，比如提升了多少性能，如果说只是微弱的提升，但是消耗成本很大，就要做取舍。

头号AI玩家:如何判断AI翻译的好坏?在训练中有哪些衡量标准?

David:我觉得可以通过两个方面来判断。

一方面是它有没有达到预设场景的预期。比如字幕翻译中，中文如果先说主句、再说从句，翻译成英文后顺序倒了，那字幕就对不上口型了。以及常见的翻译引擎是按照一句句话为单位的，不记得这句的“他”是指代前面哪个人。我们针对这些问题，把几句话作为一个整体去训练，AI就会记得上下文。

要是AI拥有了这样的能力，我们就认为这是一个好的引擎。需要注意的是，字幕翻译引擎用来翻译专利材料，发现翻得不好，这很正常。所以我们首先要界定翻译的场景。

另一方面，要看AI翻译的数据有没有形成闭环，训练和使用的过程对这个AI系统有没有帮助。比如我们平台设计了使用过程中会提供一些反馈，这样AI会持续优化改进。

具体到质量评测方面，国际通用的标准Bleu/Comet等指标会计算和参考译文的相似度，给出一个打分。包括机器评分和人工评分，译者会评估“信达雅”，主要是“信”（真实可信）和“达”(得当流畅)。

头号AI玩家:翻译大模型的参数量会达到多少?能反映出翻译的质量怎么样吗?

David:确实是成正比的一个关系，参数量越大越好。但是翻译的训练数据大部分还是需要平行的语料，原文和译文对应起来。参数更高当然更好，但是数据量会急剧增大，而且找不到那么多语言类数据去训练。

我们目前模型大概是几十亿参数。我们还在试验，几十亿应该是一个比较好的区间，可以达到不错的翻译效果。

头号AI玩家:训练的数据主要来自于哪里呢?

David:主要是我们之前在语言服务业务上积累的大量数据，当然也有些公开的数据。

头号AI玩家:LanguageX的商业化模式是什么样的?

David:我们从上线第一天就有免费试用和付费的版本，专业用户或者深度内容消费者购买付费版本还是比较多的。因为我们产品使用门槛比较低，前期C端用户比较多，付费比例也高于预期。之后我们可能会考虑组织协作需求来更新产品，B端用户会相应增加。

头号AI玩家:影响用户付费意愿的主要因素有哪些?

David:现在有免费的翻译平台，但是我们做得比较专业，又比较友好，还是有比较多用户愿意付费使用的。

我觉得影响付费意愿的因素，首先看是不是解决了用户的实际问题。比如他上传一个30MB大小的PDF，市面上大部分翻译平台可能只支持10MB，那我们就可以传上去。

其次，我认为比较重要的是这个产品能否传递一种理念或者温度。我们的slogan是“为热爱语言而生”，我们希望这个产品让用户觉得翻译很有乐趣，又很简单。以前的翻译软件可能要专门培训一段时间，译者才会安装和使用，我们想尽量降低用户使用翻译工具的门槛。

头号AI玩家:甲骨易在AI产品上的工作重心是什么?未来有哪些规划?

David:一方面是增加协作功能，之前主要是个人版本，但精准的翻译场景，基本上必须需要协作才能保证产出是精准的。专业翻译这个场景有不同的角色和流程，比如项目经理来管理十个译员共同协作翻译一本书，还有译员、审校以及不同的流程。就像设计类的figma，我们想让从业者直接在平台界面上协作。

还有就是围绕专业定位打造社区，我们现在有一个初步的社群，大家可以在群里反馈问题，后面可能会有一些相关的资讯，甚至订单，去满足专业群体的需求，让社区也服务于语言服务这个群体。

为什么AI还取代不了专业译者

头号AI玩家:ChatGPT出现后，对LanguageX带来什么影响?

David:确实有影响。一些朋友会觉得翻译消失了，如果要套用三体的这句话，其实很多工作都可以这么说。比如自然语言处理也可以说消失了，因为之前我们都是训练一个单独的小模型做单独的任务，现在突然一个大模型来做，所以确实有这种情绪。

但我认为，大模型短期内被高估了，长期被低估了。

大模型在这个阶段被高估了，大家觉得AIGC好像是万能的，在翻译领域有人觉得ChatGPT比其他引擎好很多，但从真实的评测来看，我们在不同类型找代表性的几百个句子进行打分，结果是如果把ChatGPT当做一个翻译系统，那它现在可能处于中上水平，算不上最强的翻译系统。

而且ChatGPT只覆盖了十多个语言，全球有7000个语言。在使用方式和体验上，我们也不能每次都复制原文、给了提示词才能翻译。我觉得在专业翻译这个场景，还有大量的产品和工程问题。

长期的话，大模型是被低估了，因为理解和表达是ChatGPT的重要能力，它其实是我们人类非常底层的能力，机器拥有之后带来的变化可能无法预测。

现在很多AI产品，给我一种马拉汽车的感觉，有很多条条框框的阻碍。比如产品设计上很难改掉历史的惯性。我们今天看到这种APP或网站的形态，我觉得之后都会有大变化。现在还处于很早期的阶段，AI翻译产品也一样。

LanguageX最早框架受辅助翻译影响非常深，首页并不是AI翻译的矩阵，而是一个上传文件的入口，后面我们发现这个矩阵越来越重要，才改成了入口。我们正在努力去打破这种惯性，多一些创新。

头号AI玩家:那ChatGPT现在不会对你们造成太大威胁?

David:ChatGPT出现之后，我们尽快接入了产品，希望更多地了解GPT本身以及这个技术的潜力和边界。短期内我觉得是高估它，但我担心的是长期。可能2年之后，ChatGPT的能力范围又大了一圈。

对我们而言有点危机感，但我并不悲观。

之前译者每天翻译5000字已经到了极限，现在可能达到1万字，未来有可能5万字，10万字。质量没有下降，但是产出多了。也就是说语言服务工作者可以以相同的价格，为客户提供十倍甚至百倍的更高效服务——今年ChatGPT的加持，加速了行业效率提升这一过程。

在AI模型方面，之前我们的中译英模型都做好了，正在犯愁还有这么多语言，而现在我们有机会把好多语言放在一起训练，用更高效的方式训练。所以我觉得GPT技术是一个利好，AI能快速降低跨语言的门槛。

头号AI玩家:翻译对精准度要求很高，AI翻译会出现胡说八道的情况吗?要怎么处理?

David:会有，生成式模型都会有这种概率偏差，其实从神经网络机翻开始就有这种无中生有的情况。所以我们说以前的规则机器翻译是“傻子”，神经网络机器翻译是“疯子”，有的时候乱发挥，现在这个生成式AI就更疯了。

从技术上来说，这个问题还是一个业界难题。需要再次检查，在产品层面，我们可以用一些术语来约束它，以及使用自动检查。我们第一步会用质量检查QA，接下来流程里还会增加审校的环节。

头号AI玩家:您如何看待国内外AI翻译的行业现状和发展趋势?

David:AI翻译是ChatGPT很直接的一个能力。我觉得大趋势是会有更多的大众翻译的产品出现，比如集成到各种平台的插件。

但我觉得精准的翻译还是很重要的，很多场景下我们需要精准、可以信赖的，而不是仅用于参考。这方面AI还无法解决最后一公里的问题。

国内外的话，从需求上来说，欧美这块是比较领先的，本身欧美的跨语言市场就非常大，比如美国是多语言多民族的一个移民国家，语言服务就很发达。但是怎么和大模型结合，我觉得欧洲稍微落后一点，中国和美国有些差距，在语言上我们应该是第二梯队。

目前纯面向大众的翻译产品太多了，但面向专业语言服务，且以AI为内核的比较少，海外同类公司比如有Lilt、Unbabel。新兴的创业公司一般都瞄准了看起来更大的大众市场，我觉得有利有弊吧。

头号AI玩家:您认为在翻译领域，哪些工作应该交给机器，哪些是人应该做的?

David:现在这个阶段我自己的判断是，排版、处理格式、打标签这些比较枯燥的事情最好是交给机器来做。还有一些低级错误的检查、整体术语统一，以及AI润色。润色这个能力之前我没想到，因为是比较有创造力的，但在这个行业里，找母语专家来润色稿件是比较稀缺的，所以AI也可以做一些润色工作。

我们人类的工作应该是保证信息可信赖，做判断、定稿，还有一些创造性的翻译最终仍需要人来确定。

当然这个判断是在变化的。我需要继续去学习AI到底是什么、能做什么，现在AI已经证明了比拼技能、比拼知识的话，它的表现很强，所以我觉得人的核心竞争力不是某种技能或者知识，而是更底层的东西，像同理心、好奇、发散性思维。

不过对于译员来说，现在专业知识仍然还是一个壁垒，比如经常翻译专利的译员，他就知道专利摘要怎么遣词造句。

头号AI玩家:外语或翻译专业还值不值得学?

David:我认为语言肯定会变得更重要，现在大模型都是用自然语言来提问，prompt用英语写跟用汉语写完全是两个效果，外语可能会比以前还要重要，还是值得作为专业学习的。翻译只是语言应用的一个场景，可能在外语里的重要性会降低。

Wang认为，AI尚不能代替要求较高的笔译工作，更别提强调互动交流的口译了。虽然AI翻译还不成熟，但想成为有竞争力的译员，一定要去了解最新的技术。

对译员来说，学会使用AI工具已成为眼下非常急迫的一件事情。

“失去的工作不会再现，你只有和机器协作，创造新的岗位。”翻译过《人类简史》的资深翻译闾佳向九派新闻表示。

AI技术对从业者的冲击不是突然发生的，我们还有时间去主动学习AI，探索技术的边界，提升人类占优势、而机器难以提供的那部分价值。这是翻译从业者的应对之道，也是其他行业值得思考和借鉴的。