语服资讯
全球语言服务平台亮相全球数字贸易博览会，外研AI赋能“金球对话”跨语言沟通
2026年9月23日至27日，第五届全球数字贸易博览会在杭州盛大举办。本届数贸会以“在数贸会遇见AI未来”为年度主题，首次设立Token专区，全景展示“模型+算力+电力”出海链路，汇聚全球数字贸易新技术、新产品与新生态。作为中国唯一以数字贸易为主题的国家级、国际性、专业型展会，数贸会由浙江省人民政府和中华人民共和国商务部联合主办，杭州市人民政府、浙江省商务厅和商务部外贸发展事务局共同承办，是共议国际数字贸易新标准、新议题、新趋势的重要交流平台。在本届数贸会上，北京外国语大学国家全球语言（含小语种）服务平台（以下简称“全球语言服务平台”）正式亮相，并成为全球数字贸易博览会官方合作伙伴。全球语言服务平台是在国家发改委、教育部的指导下，北京外国语大学建设的汇聚语言服务、人才招聘、多语学习、科研保护智能化平台，平台于2025年3月上线。平台此次以官方合作伙伴身份深度参与数贸会，标志着国家级语言服务能力与全球数字贸易场景的实质性对接。线下保障：外研AI实时翻译护航“金球对话”全球语言服务平台旗下的核心AI产品，外研AI在本届数贸会上承担了重要的语言保障任务，从线下金球对话到线上直播为大会提供全链路AI同传支持。作为第五届数贸会的重磅同期活动，2026金球对话以“重塑”为主题，汇聚全球会展、AI、资本、设计与学界的顶尖力量，300多位行业代表齐聚杭州国际会议中心，以跨界对话形式探索AI浪潮下会展业的全新发展路径。在这样一场高规格的国际对话中，跨语言沟通的实时性与准确性至关重要。外研AI为金球对话主论坛及平行论坛提供了实时翻译支持，圆满完成了会议的同传保障任务。（外研AI现场实时翻译）外研AI在此次金球对话中展现了五大核心技术能力：实时流式转译：采用流式传输技术，毫秒级响应，保障对话自然连贯；译文投屏灵活切换：支持会话中快速切换，适应多样化会议即时需求；多语种专业适配：覆盖全球100多种语种，具备较强的专业领域适应能力；精准传达复杂信息：依托算法，保障上下文连贯与专业表述精准，并支持自定义术语库以还原原文语气风格；全场景服务保障：提供工程师现场技术支持。（外研AI现场实时翻译）当“实时翻译”逐渐成为国际展会的标配，外研AI在金球对话上的表现，展示的不仅是技术能力本身，更是语言科技如何真正嵌入高端国际对话场景、让跨语言交流变得自然无感的实践路径。（外研AI现场实时翻译）线上延伸：AI同传覆盖直播全链路除了线下论坛的实时翻译保障，外研AI还为本届数贸会及金球对话的线上直播提供了完整的同传支持与字幕翻译服务。在直播环节，外研AI实现了多语种实时同声传译，确保线上观众无论使用何种支持的语言，都能同步理解对话内容。这一“线上+线下”的全场景服务模式，使外研AI的技术能力从会议现场延伸至更广泛的数字传播链路，让数贸会的思想成果能够以多语言形态触达全球受众。母语沟通，世界同行。从全球语言服务平台的官方合作亮相，到外研AI在金球对话上的实时翻译保障与线上直播的同传支持，全球语言服务平台正以“语言+科技”的融合创新，为全球数字贸易场景提供高质量的语言服务解决方案。未来，我们将继续深化AI语言服务能力建设，以技术之力让更多语言被听懂，让每一次对话都无国界。（文章选自公众号全球语言服务平台）
2026/09/29
全国区域国别学名词审定委员会成立大会在北外举行
9月20日，全国区域国别学名词审定委员会成立大会在北京外国语大学举行。本次会议由北外与全国科学技术名词审定委员会联合主办。全国科学技术名词审定委员会专职副主任兼事务中心主任裴亚军、中心副主任张晖，北外校长、党委副书记贾文键，党委常委、副校长赵刚、刘欣路出席会议。贾文键指出，全国区域国别学名词审定委员会的正式成立，标志着我国区域国别学名词规范化工作进入制度化、常态化、体系化新阶段。名词术语是知识传承与学术交流的基础，其统一和规范程度，某种程度上标志着一个领域科学发展的水平。开展区域国别学名词审定工作，统一概念、统一译名、统一认知，对于学科发展具有奠基意义。北外作为中国共产党创办的第一所外国语高等学校，在区域国别学学科建设上具有独到优势。作为秘书处单位，北外将全力以赴做好各项保障工作，在政策制定、经费投入、人员配备、场地设施等方面给予优先支持，确保区域国别学名词审定工作顺利推进、如期完成。裴亚军指出，区域国别学名词审定工作是推进该新兴交叉学科规范化建设的基础性工程。希望委员会立足国家战略需求，充分发挥专家队伍作用，扎实推进名词收词、定名、释义、翻译、分类等各项工作。张晖宣读了《关于同意开展区域国别学名词审定工作的复函》《关于批准成立全国区域国别学名词审定委员会等机构的通知》，确认授权北外为全国区域国别学名词审定委员会秘书处单位，并批准成立全国区域国别学名词审定委员会及分委员会、全国区域国别学名词编写委员会及分委员会。会上举行了全国区域国别学名词审定委员会秘书处签约、授牌仪式，裴亚军、贾文键分别代表全国科学技术名词审定委员会、北外签署协议，裴亚军向贾文键授牌。北京大学区域与国别研究院创始院长钱乘旦、现任副院长翟崑，上海全球治理与区域国别研究院理事长姜锋分别为大会致辞。三位专家以生动事例说明了区域国别学名词审定工作的战略意义与困难挑战，为工作开展指明了基本方向。全国科学技术名词审定委员会事务中心审定业务七处处长王琪宣读了全国区域国别学名词审定委员会与编写委员会组成人员名单。裴亚军为钱乘旦颁发顾问聘书，为贾文键颁发主任委员聘书。贾文键为审定委员会委员、编写委员会委员、秘书处人员颁发聘书。张晖回顾了科技名词审定工作的历史沿革、演进过程及取得成绩，阐释了科技名词审定工作所遵循的科学逻辑，并围绕系统化定名、结构化释义等主题，扼要讲解了科技名词审定的原则与方法。全国区域国别学名词审定委员会秘书处作工作报告。秘书长刘铁娃介绍了面向名词审定工作的区域国别学知识体系研究成果，以及区域国别学名词审定工作的基础架构和未来计划。副秘书长聂磊报告了名词审定的工作流程，介绍了审定辅助系统的功能与使用。经审议，参会顾问、委员一致通过了全国区域国别学名词审定委员会章程、区域国别学学科知识体系研究报告，以及名词审定委员会机构组建方案、工作计划等系列文件。贾文键在总结讲话中指出，区域国别学名词审定工作任重道远，有全国科学技术名词审定委员会的悉心指导，有全国区域国别学界最权威的专家队伍，有北外坚实的学科基础与有力的支撑保障，有服务国家战略的坚定信念，区域国别学名词审定工作一定能够取得丰硕成果，为构建统一、规范、权威的区域国别学名词体系打好根基、铺好路石。校学术委员会主任袁军，北外国际关系学院、亚洲学院、区域与全球治理高等研究院等单位有关负责同志，以及来自中国社会科学院、北京大学、当代中国与世界研究院等28所高校、研究机构的区域国别学专家参加会议。（文章选自公众号北京外国语大学）
2026/09/23
《中国高等教育》刊登李海书记的文章：《以高水平教育对外开放服务教育强国建设》
（文章选自公众号北京外国语大学）
2026/09/18
王少爽 | 意图的显性编码：目的论视域下智能时代人机协同翻译的实践逻辑
摘 要：生成式人工智能系统虽具有较强的文本生成与任务执行能力，但其对翻译目的、目标受众、使用情境和目标文本功能的把握仍具有明显的不完备性，翻译目的显性化因而成为人机协同翻译中的重要问题。文章以德国功能主义目的论为理论依据，提出“意图的显性编码”概念，用以指称翻译目的及其相关要求的显性化过程，旨在将其转化为兼具可执行性与可检验性的任务规范，并从提示词、工作流和智能体技能三个层面探讨其具体实现路径。研究认为，提示词实现翻译目的指令化，工作流实现翻译目的流程化，智能体技能进一步实现翻译目的及专业规范的模块化，三者共同构成人机协同翻译的实践逻辑。人工智能技术介入正在重构译者主体性，译者需通过目的解释、专业判断、协同调控和责任承担，实现对人机协同翻译过程的总体统摄。关键词：生成式人工智能；目的论；人机协同翻译；提示词；工作流；智能体技能【基金项目】辽宁省教育科研中青年骨干专项重点课题“生成式 AI 时代翻译专业信息素养教育模式研究”（项目编号：JG25QGA10）；大连外国语大学 2025 年外语学科“AI+ 课程”研究生创新课程项目“生成式人工智能驱动下 MTI 翻译技术课程教学模式创新与实践研究”（项目编号：RGZNKC2025-13）。【作者简介】王少爽，男，博士，教授，博士生导师，研究方向为智能翻译技术、人工智能素养、人机协同机制。【引用格式】王少爽. 意图的显性编码：目的论视域下智能时代人机协同翻译的实践逻辑[J]. 外语教育研究, 2026(3): 1-9.0 引言以大语言模型为核心驱动的生成式人工智能技术持续演进，正在推动翻译实践模式由技术辅助转向人机协同。依托自然语言交互，译者可以通过提示设定任务，并根据模型输出持续反馈、调整和优化译文，人机关系由简单工具调用逐步转向持续互动与协商[1]。相关研究表明，以ChatGPT为代表的大语言模型已在多语翻译和提示驱动的译文生成方面表现出较强能力[2]。然而，较强的生成与交互能力并不意味着人工智能具有与人类译者同等完备的翻译意图。功能主义认为，翻译是目的导向的跨文化交际行动，翻译策略应服务于目标文本的预期目的与功能[3-4]。生成式人工智能虽能依据提示和上下文推断任务要求，却难以自主确定“为何而译”“为谁而译”及“译文应发挥何种功能”，在多重目标冲突时也缺乏稳定的优先排序和责任承担机制。翻译目的显性表达在人机协同环境中具有新的实践意义。在传统翻译中，译者可以依据翻译委托、交际情境和专业经验补足隐性任务信息。在人机协同翻译中，若相关信息未被明确表达，模型只能依据上下文进行概率性推断。已有研究将翻译目的和目标受众纳入提示词设计[5]，尝试引入功能主义中的翻译任务说明（translation brief）[6]，根据不同翻译任务有针对性地设计功能导向的提示词[7]。这表明，目的论相关概念具有转化为模型可响应任务条件的可能性。然而，现有研究主要集中于提示层面的任务设定，对翻译目的如何贯穿多阶段协同过程并沉淀为稳定规则，仍缺乏系统探讨。基于此，本文将翻译目的、目标受众、使用情境、目标文本功能、翻译类型、翻译策略、评价标准及责任约束等目的性信息转化为模型可识别、可执行和可检验任务规范的过程概括为“意图的显性编码”，探讨翻译目的如何通过提示词设计实现指令化，通过人机协同工作流实现流程化，并通过智能体技能构建实现目的与专业规范的模块化，进而探讨译者如何通过目的解释、专业判断、协同调控和责任承担，实现对人机协同翻译实践的总体统摄。1 目的论对人机协同翻译的理论启示生成式人工智能能够依据自然语言指令执行翻译任务，并表现出较强的目标响应和情境适应能力，但这种目标导向并不等同于人类翻译主体意义上的完整意图。一方面，模型的翻译目标主要来自用户提示、系统设定和上下文推断，具有明显的外部赋予性；另一方面，其对目标受众、使用情境和交际功能的把握主要依赖概率推断，当准确性、可读性、文化保留和传播效果等目标发生冲突时，缺少稳定的价值排序和责任承担机制。大语言模型对用户意图的遵循需要借助用户提示、人类示范和基于人类反馈的对齐机制加以强化[8]，其对意图意义、复杂语境和目标受众的把握仍存在一定局限[1]。可见，生成式人工智能虽具有一定的目标导向性，但其翻译意图仍呈现外部依赖、情境把握有限、目标排序不稳和责任承担能力缺失等不完备特征。德国功能主义翻译理论为认识和回应这一问题提供了重要理论资源。Holz-Mänttäri[9]将翻译置于由发起者、委托人、译者、文本使用者和接受者等多方参与的专业行动中加以考察，目的论则进一步强调目标文本的预期目的对翻译决策和策略选择具有重要制约作用[3]。由此，翻译决策首先需要明确“为何而译”“为谁而译”及“译文需要发挥何种功能”，并在此基础上处理具体的文本转换问题。这一目的导向的行动观对人机协同翻译具有重要启示：模型可以执行翻译任务和生成目标文本，但翻译目的及其相关的受众、情境与功能要求仍需由人类主体加以明确，并进一步转化为模型能够响应的任务条件。目的论认为，目标文本的预期目的（skopos）是翻译决策的重要依据，其基本原则包括目的原则、连贯原则和忠实原则：目的原则要求翻译方法和策略服从既定翻译目的，连贯原则要求译文在目标语交际情境中具有可理解性和可接受性，忠实原则要求译文与原文之间保持与翻译目的相适应的关联。其中，目的原则居于首位，连贯原则和忠实原则均受翻译目的制约[3]。翻译任务说明则通过明确译文用途、目标受众、使用情境和传播媒介等，将抽象目的具体化为可操作的任务要求。文献型翻译（documentary translation）与工具型翻译（instrumental translation）的区分，为不同目的下的源文保留、文化适应和功能重构提供了策略依据；适切性（adequacy）用于判断译文是否符合既定目的和任务要求，而Nord[4]提出的“功能加忠诚”（function plus loyalty）则进一步为目的实现划定责任边界。这些核心概念和原则对人机协同翻译具有直接指导意义：翻译目的确定任务方向，翻译任务说明将目的转化为具体条件，目的原则统摄策略选择，连贯原则和忠实原则为译文生成提供基本约束，翻译类型为源文保留与功能调整提供策略依据，适切性提供评价标准，忠诚原则则限定技术应用和翻译决策的责任边界。由此，目的论为人机协同翻译建立起从目的设定、任务具体化、策略选择到质量评价和责任约束的完整逻辑，也为翻译目的进一步通过提示词、工作流和智能体技能实现显性编码提供了理论依据。2 翻译目的指令化：目的论导向的提示词设计生成式人工智能以自然语言提示作为重要的人机交互接口。在翻译任务中，原本隐含于委托关系、交际情境和译者认知中的目的性信息，需要进一步转化为模型可识别和响应的任务指令。已有研究表明，提示设计能够影响大语言模型的翻译表现：在使用ChatGPT执行翻译任务时，加入翻译方向、领域信息和少样本示例，可以改善特定任务条件下的翻译表现[10]；少样本提示的效果高度依赖示例选择，其中示例质量比领域匹配或词汇-语义相似度更为关键[11]；引入篇章级上下文有助于提高术语翻译一致性、零代词翻译准确性及整体语篇意识[12]；通过提示提供领域翻译实例、术语和外部词典知识，也能够增强模型的领域适应与词汇处理能力[13-14]。由此可见，提示词不仅是触发翻译生成的操作指令，也是组织任务信息、语境信息和专业知识的重要载体。从目的论看，提示设计的关键在于将翻译任务说明转化为模型可识别、可响应的任务条件。功能主义强调，翻译决策应以翻译目的、目标受众和使用情境为依据，并据此确定目标文本功能和翻译策略[4]。对于人类译者而言，未被明确说明的任务信息尚可凭借职业经验和情境知识加以补足；对于生成式人工智能而言，“请将以下文本翻译成英文”之类的简单指令，实际上将译文用途、目标受众、传播媒介和文本功能等关键变量交由模型自行推断，其结果未必符合具体翻译任务的真实要求。因此，目的论导向的提示设计强调将隐含的目的性信息显性化，并编码为明确的任务条件，从而降低模型理解和执行翻译任务的不确定性。翻译目的指令化可以按照从翻译目的和目标受众出发，结合使用情境与目标文本功能，进一步明确翻译类型、翻译策略和评价标准的逻辑展开。翻译目的规定任务方向，目标受众和使用情境限定译文的适应条件，目标文本功能将总体目的转化为具体交际要求，翻译类型界定源文与译文的基本关系，翻译策略落实到术语、文化项、语域、信息重组和形式调整等层面，评价标准则用于检验模型输出与任务要求的契合程度。由此，抽象的翻译目的被逐步编码为可操作、可执行和可检验的生成条件。在具体实践上，译者可以借鉴现有提示词设计框架的结构化思路，将上述要素组织为相对固定的提示模块，如任务角色、翻译目的、目标受众、使用情境、功能与类型、策略与约束、参考信息，以及输出与评价要求等。结构化提示能够明确不同任务变量的边界及其层级关系，减少关键信息遗漏、指令歧义和多重要求之间的冲突，也便于译者根据不同翻译任务替换变量、迭代提示和复用模板。对于目的论导向的翻译提示词而言，结构化设计尤其有助于将分散的目的性信息转化为具有明确组织关系的任务规范，使模型更稳定地把握“为何而译、为谁而译、如何翻译，以及如何判断译文是否达成目的”。这一过程也对译者提示素养提出了更高要求，译者需要根据具体翻译任务的信息需求设计和优化提示，并对模型输出进行批判性评估和迭代调整，以实现对人机交互过程的有效引导[15-16]。多重目标及其优先关系也需要在结构化提示中得到显性表达。实际翻译任务往往同时涉及准确性、可理解性、文化保留和传播效果等要求，不同目标之间可能存在冲突。若仅要求模型做到“准确、忠实、自然、流畅”，目标权衡仍需由模型自行推断。因此，提示还应明确核心目标、次级目标及必要约束，为模型处理目标冲突提供相对稳定的依据。文献型翻译与工具型翻译的区分，也有助于明确源文保留、文化适应和功能调整的程度及边界，从而保持局部翻译决策与总体翻译目的的一致性。目的论还可为提示中的语境和知识配置提供选择依据。示例、术语、篇章上下文和外部知识对不同翻译任务的作用并不相同：专业技术翻译更依赖术语规范、领域知识和平行文本，国际传播文本则更需要目标受众、文化背景和传播情境等信息。哪些信息进入提示，应由翻译目的和目标文本功能决定，从而实现对关键信息的针对性选择与组织。据此，目的论导向的提示词可以视为翻译任务说明在生成式人工智能环境中的技术延伸。通过结构化编码上述目的性要素，译者可以将部分专业判断转化为模型可响应的任务规范，实现翻译目的由隐性认知向显性指令的转化。结构化提示还具有模板化和可复用特征，可为后续将翻译目的进一步嵌入工作流和智能体技能提供接口。然而，提示主要解决“目的如何进入模型”的问题，在长文本、多阶段和多轮协同任务中，还需将翻译目的贯穿任务分析、资源配置、文本生成、质量评价和反馈修订等连续环节，由目的指令化进一步走向目的流程化。3 翻译目的流程化：目的论导向的人机协同工作流编排提示词能够将翻译目的转化为模型可响应的任务指令，但复杂翻译活动通常涉及文本分析、知识检索、术语处理、译文生成、质量评价和反馈修订等多个环节，单次提示难以保证既定目的在全过程中持续发挥约束作用。随着大语言模型进入多阶段翻译流程，翻译实践逐渐由一次性生成转向任务分解、迭代修订和多角色协作。Chen等[17]通过多轮提示引导模型对初始译文进行迭代修订；Briva-Iglesias[18]探讨了单智能体与多智能体翻译工作流，并以翻译、充分性审查、流畅性审查和最终编辑等角色组织多智能体协作；Grubišić与Korenčić[19]则探索了评价指标驱动的多智能体翻译修订工作流。由此可见，工作流正在成为生成式人工智能参与复杂翻译任务的重要组织形式。从目的论看，工作流设计旨在将翻译目的由生成前的任务设定转化为贯穿全过程的控制原则。Nord[4]的自上而下（top-down）功能主义路径强调从翻译任务说明和目标文本预期功能出发，确定基本翻译取向，并逐层处理文化和语言层面的具体问题。这一思路启示人机协同翻译将目的分析置于流程前端，使资源配置、策略选择、译文生成和质量评价均受到既定翻译目的的持续约束。近期，智能体开发中提出的驾驭工程（harness engineering）也体现出类似的系统化思路，其关注点由单次提示扩展到任务环境、上下文、工具、约束和反馈回路的整体设计，以提高智能体执行复杂任务的稳定性与可控性[20]。对人机协同翻译而言，这意味着翻译目的需要进入整个任务运行环境，而不能仅停留在初始提示之中。据此，目的论导向的人机协同工作流主要包括目的确立、任务建模、资源配置、任务执行、功能评价和反馈校准等环节。各环节相互衔接，共同服务于既定翻译目的的实现。具体而言，该工作流首先通过翻译任务说明明确译文用途、目标受众、使用情境、核心功能及目标优先级，其次将其转化为翻译类型、术语规范、文化处理、风格要求和质量标准等任务参数，再次根据任务需要配置术语库、知识库、平行文本、风格指南和外部检索资源，并将复杂任务分解为文本分析、难点识别、术语确认、策略规划、译文生成和修订等子任务，最后依据既定目的评价输出并反馈校准。翻译目的由此成为连接各环节、协调不同资源和维持流程一致性的共同依据。这一流程还需要依据人机能力差异进行合理分工。人工智能系统可以承担信息整理、知识检索、候选译文生成、术语检查、多版本比较和形式调整等任务；涉及翻译目的解释、目标冲突权衡、文化价值判断、事实风险和重大策略选择的环节，则需要译者发挥专业判断。现有多智能体翻译研究已通过翻译、评价和修订等角色分工组织复杂任务[18-19]。从目的论出发，人机分工还应综合考虑翻译目的、任务风险和判断复杂度，在高情境依赖、高文化敏感性和高风险环节设置明确的人工介入节点，使人机协同由“机器生成—人工纠错”进一步转向“人工规划—人机执行—动态校准”。目的流程化还要求将评价嵌入关键节点，形成持续校准机制。在多阶段生成中，模型可能因局部追求流畅性、可理解性或形式优化而偏离既定的准确性、文化保留或文体要求。因此，评价应贯穿整个任务过程。各阶段均需依据目标受众、核心功能和策略边界判断当前输出与翻译目的的契合程度，并据此继续生成、补充检索、调整提示、重新执行或转交人工处理。Chen等[17]的迭代修订研究表明，多轮提示可以引导模型对初始译文进行迭代修订。由此，评价由结果检测扩展为过程控制，从而形成“生成—评价—反馈—修订”的闭环，使翻译目的在动态生成过程中得到持续维护。因此，目的论导向的工作流以翻译目的为中心，对译者、模型、知识资源、任务步骤和评价活动进行系统组织。提示词解决目的如何转化为模型指令的问题，工作流进一步解决目的如何在多阶段协同中持续贯彻和校准的问题，实现翻译目的由静态指令向动态过程规则的转化。对于目的稳定、领域固定、规范相对成熟的重复性翻译任务，译者还可将经过验证的目的要求、专业规范和流程经验沉淀为可重复调用的能力模块，从而使目的流程化进一步走向目的与专业规范的模块化。4 翻译目的模块化：目的论导向的智能体技能构建提示词实现了翻译目的指令化，工作流进一步使目的贯穿任务分析、资源配置、文本生成、质量评价和反馈修订等环节。对于目的相对稳定、流程较为成熟的同类任务，若每次都重新设计提示、配置资源和编排流程，不仅增加重复成本，也容易造成策略选择和质量标准的不一致。随着生成式人工智能向智能体化发展，智能体技能（skills）逐渐成为封装和复用专业能力的重要机制。在人工智能领域，智能体技能指由指令、脚本和相关资源组成的可复用能力单元，可根据任务需要由智能体动态发现和加载，从而赋予其特定领域的程序性知识和任务执行能力[21]。相关研究进一步将智能体技能概括为可组合、可按需加载的指令、代码与资源包，其作用在于将程序性知识从模型参数中分离出来，在无须重新训练模型的情况下实现能力扩展[22]。与一次性提示相比，智能体技能具有更显著的模块化、可复用和可组合特征，能够将相对稳定的任务规范和执行经验沉淀为智能体可持续调用的能力。本文所称的翻译技能（translation skills），是指面向特定类型翻译任务，将翻译目的、任务规则、工作流程、知识资源、工具调用、质量标准和人工介入条件等封装为可重复调用的专业能力模块，即用于执行翻译任务的智能体技能。这里的“技能”是智能体领域的技术概念，不等同于翻译能力研究中一般意义上的译者技能。提示词规定单次交互中模型需要完成的任务，工作流组织任务的执行过程，翻译技能则进一步将一类任务中相对稳定的目的、知识、规则和流程沉淀为可复用的能力结构。翻译目的由此从临时指令和过程规则进一步转化为稳定的专业能力配置。目的论为翻译技能的模块化提供了组织原则。翻译技能首先应以翻译任务说明为入口，在生成译文前明确翻译目的、目标受众、使用情境和功能要求，并在关键信息缺失时通过询问或人工确认加以补足；继而依据目标文本功能和翻译类型，将文化信息保留、术语处理、信息重组和文体调整等要求编码为相对稳定的策略规则，并允许译者根据具体情境进行调整。Yamada[23]提出的智能体翻译原型将结构化任务说明纳入译文生成和验证过程，也体现出由文本输入驱动向任务规格驱动的转变。知识资源、工具调用和质量评价也可以纳入翻译技能的模块化配置。专业翻译通常依赖术语库、领域知识库、平行文本、风格指南、机构规范及外部检索工具，不同翻译目的对应不同的资源需求。已有研究表明，智能体可以从外部技能库中检索和调用与当前任务相关的技能[24]；多智能体翻译研究也已将生成、评价和修订整合于相对稳定的执行结构[19]。从目的论看，资源与工具的选择、调用时机及评价标准均应服务于既定翻译目的。当出现功能偏移、事实不确定、目标冲突或高风险决策时，技能还应触发补充检索、重新生成或人工介入。由此，目的论导向的翻译技能可以由上述模块构成，并由翻译目的加以统一组织。任务说明明确目的，策略和资源服务于目的，工作流程贯彻目的，质量评价检验目的实现程度，人工介入则处理预设规则难以覆盖的复杂情境。翻译技能因而可以看作是翻译目的、专业知识与程序性经验的模块化载体。需要注意的是，模块化并不意味着翻译决策可以完全规则化。同类文本在不同委托关系、目标受众和传播目的下仍可能需要不同的处理方式，过度固化规则也会削弱其对具体情境的适应能力。因此，翻译技能适宜封装相对稳定、可形式化和可复用的专业知识与程序性经验，同时为目的解释、策略调整、文化判断和高风险决策保留人工介入空间。至此，翻译目的显性编码形成由指令化、流程化到模块化的递进路径：提示词将目的转化为任务指令，工作流使目的贯穿执行过程，翻译技能则将目的及相关知识、规则和经验沉淀为可复用的专业能力。目的能够被编码和封装，并不意味着人工智能由此获得完整的翻译主体性。对翻译目的的解释、具体情境的判断及最终译文的责任承担，仍须由人类译者来完成。5 意图、判断与责任：智能时代译者主体性的重构随着翻译目的逐步被编码为提示指令、工作流程和智能体技能，部分原本依赖译者即时处理的任务开始显性化、规则化和自动化。人工智能参与翻译项目的任务分析、策略规划、文本生成、质量评价和反馈修订，从而推动译者主体性的实现方式发生重构。王华树、张成智[25]指出，人智协同翻译中，人工智能将承担更多数据分析、初步翻译等任务，译者则更多参与术语审定、文化适配和创造性审校。由此，智能时代译者主体性的重心正在由直接的语言生产转向对翻译意图的解释、翻译判断的实施和翻译责任的承担。首先，意图构成译者主体性的起点。这里的翻译意图主要体现为翻译行动所要实现的目的及其具体要求。翻译任务说明并非总是完整、明确和内部一致的，委托方要求、作者诉求与目标受众需求之间也可能存在冲突。译者需要结合目标受众、使用情境和传播效果，对翻译意图进行解释、协商和必要调整，并进一步将其转化为可执行的任务要求。生成式人工智能可以依据提示和上下文推断任务目标，却难以自主判断不同目标的合理性及其优先关系。因此，提示词、工作流和智能体技能对翻译意图的显性编码，仍以译者对翻译目的的解释、确认和调整为前提。其次，判断是翻译意图落实为具体行动的关键机制。明确的翻译意图并不意味着自动导出唯一的翻译方案，同一目的可能对应不同策略，同一策略在不同情境中的效果也可能存在差异。文化信息如何处理、形式特征保留到何种程度，以及准确性、可理解性和传播效果发生冲突时如何取舍，都需要情境化的专业判断。大语言模型可以生成候选方案并依据预设标准进行比较，但何种方案最符合既定翻译目的，仍须译者结合专业知识和具体情境做出裁决。提示词设计、工作流编排和智能体技能构建也因此成为译者专业判断的新载体，其中包含对任务优先级、人机分工、知识资源和质量标准的预先选择。译者由模型输出的后端审校者进一步转向协同任务的设计者、过程调控者和结果裁决者。再次，责任限定了译者主体性的最终边界。Nord[4]提出的“功能加忠诚”理论强调，译者既要使目标文本在预期情境中实现相应功能，也要对翻译行动的相关参与者承担责任。人工智能技术的介入虽然改变了翻译生产方式和主体关系，却没有消除这种责任要求。刘世界等[26]指出，智能时代译者仍是翻译实践的重要主体，其责任涉及文本内容传达、译文质量把控、职业操守及人工智能工具的规范使用，并呈现出由译文生产者向质量把控者和伦理审视者转变的趋势。人工智能可以生成译文、执行规则和参与评价，却无法真正承担误译、事实虚构、文化误表征或不当传播所产生的职业影响与伦理后果。因此，翻译任务可以在人机之间重新分配，最终责任却不能随技术参与而自动转移。意图、判断与责任共同构成智能时代译者主体性的核心结构。意图规定翻译行动的目的和方向，判断决定这一目的如何在具体情境中得到实现，责任则限定技术应用和翻译决策的边界。三者贯穿提示词、工作流和智能体技能的设计与运行：翻译意图需要由译者解释并编码，专业判断需要译者在协同过程中持续介入和校准，责任则要求译者对最终结果进行审视和承担。由此，智能时代译者主体性的重构，主要体现为其专业作用由直接语言生产进一步转向意图统摄、专业判断和责任承担。这一主体性重构也对翻译教学提出了新的要求。智能时代的翻译教学需要在继续夯实语言能力、文化素养和翻译基本功的基础上，更加重视学生对翻译目的的识别与解释、复杂情境中的专业判断，以及人工智能应用中的责任意识。教学内容也应由单纯训练文本转换能力，进一步拓展到翻译任务分析、人机协同决策、提示词设计、工作流编排、智能体技能构建及译文评价等环节，引导学生理解人工智能在翻译过程中的能力边界，并学会根据翻译目的合理配置人机分工、审视模型输出和承担最终决策责任。由此，翻译教学的重点应从“如何借助人工智能完成翻译”进一步转向“如何以译者主体性统摄人工智能参与的翻译过程”，从而培养能够解释意图、做出判断、调控协同并承担责任的智能时代翻译人才。6 结束语当大语言模型深度介入翻译实践后，翻译活动中原本依赖译者经验、情境判断和专业规范加以把握的目的性要求，越来越需要以模型能够识别和执行的方式加以明确。本文以目的论为理论依据，从提示词、工作流和智能体技能三个层面考察翻译目的在人机协同翻译中的实现方式。提示词将目的及相关要求转化为任务指令，工作流使其贯穿任务分析、资源配置、文本生成、质量评价和反馈修订等环节，智能体技能则进一步将相对稳定的目的要求、专业知识和流程经验沉淀为可复用的能力模块。本文以“意图的显性编码”概括这一实践取向，其实质在于将翻译目的及其相关要求转化为模型可识别、可执行并可在过程中校验的任务条件。翻译目的的显性化还需要落实到翻译活动的知识处理与情境适配之中。翻译作为跨语言知识转移过程，涉及知识的再概念化与再语境化[27]，因而翻译目的的实现也应贯穿知识选择、情境适配、策略实施和功能评价等多个层面。这一变化促使译者主体性在新的技术条件下发生重构。人机协同正在推动译者由技术使用者转向引导者、评估者和协同决策者，其主体性更多体现为在与技术互动中的动态调控能力[28]。人工智能可以承担越来越多的生成和执行任务，但翻译目的的解释、复杂情境中的专业判断及最终责任的承担仍有赖于人类译者。正如刘云虹、许钧[29]所强调的，人仍是人机协作翻译中完全意义上的责任主体和伦理主体。因此，人机协同翻译的关键在于使技术执行始终受到翻译目的、专业判断和责任边界的约束。需要指出的是，提示词、工作流和智能体技能只是现阶段人机协同翻译的具体技术形态，未来可能随人工智能技术演进而变化，但如何将翻译目的及其相关要求转化为人工智能可识别、可执行的任务条件，并使其贯穿任务执行过程，依然将是人机协同翻译的基础性问题。（文章选择公众号前沿翻译技术）
2026/09/18
当Language AI走出语言行业
当Language AI走出语言行业：从SlatorCon旧金山会议看语言服务市场的重新分层上周，SlatorCon 再回到旧金山。Slator上一次在这里举办线下会议还是2019年。七年之后重新回到这里，会议讨论的话题和整个行业的气氛已经发生了很大变化。今年约有200名来自企业本地化部门、语言技术平台、语言解决方案公司、AI研究机构和投资界的代表参会。 如果说几年前语言行业讨论AI，主要还是在问机器翻译质量怎么样、大语言模型会不会取代译员，那么这次会议给我的一个明显感受是：这些问题已经逐渐退居次要位置。大家更关心的是，AI如何真正进入企业生产环境，如何与现有工作流结合，如何控制质量和风险，以及当翻译能力越来越容易获得以后，语言公司究竟还能在哪里创造价值。Slator联合创始人Florian Faes在开幕主旨演讲中给这场会议定下了基调。他的演讲题目是“A New Market Running on Language AI”。其中有一句话给我留下了很深的印象：Language AI has “escaped the industry.”也就是说，Language AI已经“走出了语言行业”。这个判断与我过去一两年对行业的观察非常一致，也与我们公司目前正在进行的一些产品开发和转型探索不谋而合。Language AI正在从“行业工具”变成“基础能力”过去我们讲语言技术，基本是在语言行业内部讨论。机器翻译、CAT、TMS、术语管理、翻译记忆库，主要还是翻译公司、本地化团队和职业译员使用的工具。今天情况已经明显不同。Florian在演讲中举了不少例子。Canva已经可以直接在内容创作过程中翻译设计内容；Asana把本地化功能做成项目管理环境中的AI teammate；客服平台可以让使用不同语言的客户和客服人员直接交流；在线会议软件也越来越多地加入实时字幕和语音翻译。很多时候，使用这些功能的人甚至没有意识到自己正在使用一个传统意义上的“翻译系统”。这就是所谓Language AI“走出了语言行业”。语言能力正在成为企业软件和AI应用的一项基础能力。翻译不一定需要经过本地化部门，不一定需要打开一个CAT或者TMS，也不一定需要向一家翻译公司提交项目。企业员工可能只需要按一下软件里的“Translate”按钮。由此也产生了一种新的现象，Florian称之为 Shadow Localization（影子本地化）。企业内部正在产生大量多语言内容，但传统本地化部门可能根本不知道这些翻译在哪里发生、使用了什么模型、数据去了哪里，更谈不上统一管理术语、质量和风险。我认为这是理解下一阶段语言行业变化非常重要的一个角度。过去我们担心的是“AI会不会抢走翻译公司的业务”，现在也许更应该问：当语言能力无处不在以后，语言公司的价值究竟在哪里？从LSP到LSI和LTPFlorian在演讲中介绍了Slator过去一年多逐渐形成的一套新的市场分类体系。传统上，我们习惯把语言公司统称为LSP（Language Service Provider）。但是在今天的市场环境中，“LSP”这个概念已经很难准确说明一家公司究竟做什么。因此Slator把主要市场参与者重新划分为两类：Language Solution Integrators（LSI，语言解决方案集成商）和 Language Technology Platforms（LTP，语言技术平台）。LTP提供模型、应用、平台、AI能力以及工作流所需要的技术基础；LSI则把这些技术与专业语言数据、工作流程和人的专业能力结合起来，为客户解决具体问题。Florian用一句非常简单的话说明LSI的核心价值：“They own the outcome.”也就是：他们对最终结果负责。我非常认同这个判断。过去我们经常讨论翻译公司将来应该成为“技术公司”还是继续做“服务公司”。现在看来，这个问题本身可能就不太准确。未来很多成功的语言公司既不会成为纯粹的软件公司，也不会继续停留在传统的人工服务模式，而会成为技术、语言数据、工作流和专业人员的整合者。不要与基础模型竞争，而要找到自己的价值层Florian在演讲中还展示了一张Language AI Stack。最底层是大型科技公司和前沿AI实验室开发的Foundation Models；往上是针对特定语言、行业和任务优化的专业模型和语言数据；再往上是Applications、Platforms和Workflows；最上层则是面向客户具体业务目标的Managed Solutions。几年前，行业里还有人在认真讨论语言服务公司是不是应该自己训练大语言模型。今天再看，这个问题已经有些不合时宜。Florian在现场也开玩笑说，在AI公司动辄投入数百亿美元的今天，再回头看这种想法，多少有点“What a cute thought”。对于绝大多数语言公司来说，我们没有必要，也没有能力与基础模型公司正面竞争。真正值得投入的，是模型之上的部分：专业语言数据、术语和知识、模型选择和适配、应用开发、工作流设计、系统集成、质量验证以及专业人员在关键节点的介入。模型越来越强、越来越便宜，并不必然意味着语言公司的价值越来越低。关键在于，我们处在价值链的哪一个位置。一个正在收缩的市场，和一个快速增长的市场Slator公布的市场数据也值得注意。根据其估算，2025年全球语言解决方案和AI市场约为308.5亿美元，同比下降2.7%。其中LSI约258亿美元，下降5.1%；与此同时，LTP已经达到约50亿美元，增长接近20%，市场占比也从前一年的13%提高到16%。这组数字很好地解释了我们今天看到的行业现象：语言市场并没有消失，但是钱正在从传统服务向技术、平台、应用和自动化流动。这里还有一个容易被忽略的问题。Florian特别指出，营业收入下降并不一定意味着利润下降。过去大量需要人工完成的低利润率工作，现在通过AI减少人工投入以后，项目收入可能下降，但生产成本可能下降得更多，因此利润率反而有可能改善。这意味着未来衡量一家语言公司的经营状况，可能不能只看营业额、字数或者项目数量，还要看它通过技术创造了多少效率，以及每一美元收入背后需要投入多少人工。AI的下一站不是“翻译”，而是整个工作流Slator的调查显示，AI在大型语言公司的应用已经基本走过试验阶段，进入了 systemic adoption（系统性采用）。特别是年收入5亿美元以上的大型语言企业，AI已经广泛进入日常生产流程。但是另外一个数字更加值得关注。目前企业客户感受到的Language AI主要收益仍然是降低成本和缩短交付时间，只有**6%**的受访者认为最大的影响来自workflow automation，包括任务分配、审批和流程整合。在我看来，这个数字恰恰说明真正大规模的变化可能才刚刚开始。目前很多公司的AI应用仍然停留在“用AI翻译”：过去由人翻译，现在让AI先翻，然后人工修改。但是下一阶段可能完全不同。AI不仅完成翻译，还可以理解文件、选择模型、调用术语库和TM、进行自动QA和质量判断、决定哪些内容需要人工介入、自动分派任务并完成最终交付。AI改变的不再只是翻译这个动作，而是整个语言生产流程。从“模型有多聪明”转向“系统是否可靠”如果说Florian的开幕演讲提供了一张行业变化的“大地图”，那么当天其他发言给我的感受，是大家已经开始在这张地图上寻找更加具体的位置。Salesforce全球化与本地化副总裁Teresa Marshall介绍了他们利用AI Agent发现产品中RTL（从右到左语言）问题的实践：Agent可以发现问题、提出修改并提交pull request，再由工程师审批。关键是，这个Agent并不是一个可以随意行动的“万能AI”，而是在明确的权限范围内工作。Scale AI的Emily Xue则从另一个角度谈到企业AI部署。她关注的不只是模型在benchmark上能拿多少分，而是实际部署中的可靠性、人工监督成本以及系统能否识别低置信度结果。eBay的实践同样把TM、AI判断和置信度结合起来，再决定哪些内容需要进入人工语言专家环节。Slator在会后总结中把这些案例归结到一个非常明显的趋势：AI应用正在从实验走向可控、可规模化的企业部署。 我认为这里发生了一个很重要的转变。过去我们经常问：“AI翻译准确率是多少？”以后更重要的问题可能是：系统知不知道自己什么时候可能错？如果AI能够可靠地处理90%的内容，同时准确识别另外10%自己没有把握或者风险较高的内容，并把这些内容交给专业人员，那么这个系统在商业上可能比一个号称“95%准确率”但不知道自己在哪里犯错的系统更有价值。因此，Human-in-the-loop不会消失，但人的位置会改变。人不一定继续平均地参与每一个字、每一句翻译，而会更多出现在AI不确定、风险较高或者客户需要专业责任背书的节点上。这也与我们公司一直强调的理念很接近：AI Everywhere. Humans Where It Counts.从生产问题转向治理问题XTM CEO Lorcan Malone在会上提出的另一个判断也很值得注意：随着AI能力成熟，本地化正在越来越多地从一个 production challenge（生产问题）转变成governance challenge（治理问题）。Slator会后的总结也把企业AI部署、AI Agent、speech-to-speech translation以及不断变化的本地化格局列为本次会议的核心议题。 这与前面提到的Shadow Localization实际上是一回事的两个方面。当每一个企业软件都有Translate按钮以后，企业真正的问题已经不是“有没有翻译工具”，而是哪些内容可以完全自动处理，哪些需要审核；什么模型可以使用，什么数据不能发送给外部模型；谁制定术语和风格规则；出现错误以后谁负责。这意味着传统本地化部门的角色也必须发生变化。Florian建议本地化负责人首先应该把企业内部的language activity“画出来”：哪些部门正在产生多语言内容，使用什么软件，采用什么AI，以及哪些内容具有较高风险。在此基础上，再把术语库、风格指南、TM以及语言专家的能力提供给企业不同部门，而不是把这些资源锁在传统TMS里面。未来优秀的本地化经理可能不再只是“管理翻译项目的人”，而越来越像是企业内部的Language AI治理者和解决方案设计者。Voice AI开始进入真实业务场景这次会议还有一个我特别关注的方向，就是Voice AI，因为它与我们多年来从事的口译业务，以及最近开发的LinguaStage/Classroominterpreter/VoCo等产品非常接近。Slator的会议总结提到Automated Health Systems采用Krisp speech-to-speech translation的案例。原计划只是进行有限试点，但实际运行以后，由于电话排队消化速度明显加快，很快扩大了使用范围。与此同时，讨论中反复出现的并不只是底层语音模型，而是定制词典、延迟、安全、边缘处理和实际业务流程。 这也印证了我在开发相关产品过程中的一个体会：实时语音翻译真正的产品，并不是把ASR+翻译+TTS三个API简单连接起来。基础模型只是起点。真正决定它能不能在会议、医疗、客服、培训和活动现场使用的，是音频质量、延迟、术语、字幕呈现、语言频道、安全、人工兜底以及整个交付流程。因此，随着语音模型越来越成熟，专业语言公司的机会可能反而会更加清晰：不是去制造另一个语音基础模型，而是把这些能力变成客户真正能够使用的解决方案。模型之外，你究竟有什么？会议中的投资讨论也让我印象很深。随着基础模型和开发工具越来越容易获得，快速做出一个AI产品MVP已经不像两年前那么困难。Slator会后的总结提到，投资人越来越关注模型之外的“harness”——围绕模型建立的数据、工具、记忆、工作流和业务逻辑。 这对语言行业尤其值得思考。过去一两年，借助大模型API和Vibe Coding，一个人甚至几天就可以做出一个看起来不错的AI翻译应用。但能够做出一个产品，与能够建立一家有长期竞争力的企业，是两件完全不同的事情。当所有人都可以买到同样的模型以后，你究竟有什么是别人没有的？答案可能越来越不是“我的模型比你的模型好”，而是你的专业数据、客户关系、行业知识、语言资源、质量体系，以及经过长期实践形成的工作流。这些变化，与我们正在做的事情不谋而合听完这一天的会议，我有一个很强烈的感受：会上描述的很多变化，与我们过去一年在公司内部进行的探索几乎在同一个方向上。我们并没有试图自己训练一个大模型，而是越来越多地思考：如何利用已经非常强大的基础模型，结合二十多年积累的语言服务经验、专业人员和客户场景，把它们变成真正可以使用的产品和工作流。比如我们开发的BabelBee，尝试的并不是简单增加一个“AI翻译按钮”，而是探索一种介于传统CAT与纯AI翻译之间的新型工作空间：让AI承担越来越多的翻译和质量检查工作，同时保留术语、TM、风格指南以及必要的人工控制。我们最近开发的LinguaStage则是另一个方向。它面向会议、活动和专业音视频场景，把AI语音识别、实时翻译、多语言字幕、语音输出和现场交付结合起来。这里真正需要解决的，也不是某一个模型能不能翻译，而是如何把多个技术组件组织成一个专业活动现场能够稳定使用的完整解决方案。此外，我们还在探索证件翻译、AI质量检查以及其他一些Language AI应用。回过头来看，这些产品看起来各不相同，背后的逻辑其实是一致的：不与基础模型竞争，而是在模型之上建立应用、工作流和专业服务，并在必要的地方让人介入，对最终结果负责。这与Florian所描述的LSI角色高度吻合。“翻译基本解决了”以后，我们做什么？会议最后，LILT CEO Spence Green提出了一个颇有冲击力的说法：“Translation is basically solved.”我理解他的意思当然不是翻译已经完美，更不是译员已经没有价值，而是今天把一份普通文件输入AI系统，几秒钟以后得到一份相当不错的译文，这件事情本身已经越来越不困难。会议讨论因此不断转向另一个关键词：verification——验证。这实际上把整天会议中的很多话题串了起来：有人谈可靠性，有人谈置信度，有人谈风险分级，有人谈Agent的权限边界，有人谈人工审核。看似不同的问题，其实都指向同一个变化：语言行业正在从“生产语言”逐渐转向“管理、验证和交付AI产生的语言结果”。我认为，这可能是未来几年理解行业变化的一条重要主线。我们已经身处这个新市场Slator预计，未来几年整个语言市场仍将保持约2%的年增长，但市场内部结构会发生很大的变化。到2031年，LTP可能占整个市场约一半，甚至更多，而LSI的市场份额则会明显下降。这个预测最终是不是恰好50%，我认为并不重要。真正重要的是它揭示的方向：当翻译能力越来越便宜、越来越容易获得，甚至成为各种软件的标准功能以后，“能够翻译”本身将不再是一种稀缺能力。真正稀缺的会逐渐变成另外一些东西：知道什么场景应该采用什么技术，知道怎样把不同模型和工具连接起来，拥有专业数据和成熟的工作流，知道什么时候可以相信AI、什么时候必须让专业人员介入，以及最重要的——有人愿意为最终结果承担责任。参加完这次SlatorCon，我最大的感受并不是又出现了什么更强的翻译模型，而是整个行业讨论AI的方式已经发生了变化。两三年前大家还在比较机器翻译、大模型和人工翻译谁的质量更好；今天大家谈得更多的是AI Agent、工作流、可靠性、风险分级、企业治理和最终业务结果。Slator自己在会后的总结中，也把会议概括为从AI的“promise and hype”转向已经得到验证、可以真正部署的能力。 这也让我对我们公司目前的方向更加确定。我们没有能力，也没有必要去做下一个基础大模型。我们真正应该做的是站在二十多年语言服务经验的基础上，把成熟的AI能力拿过来，与语言数据、译员和专家资源、客户场景以及专业工作流程重新组合，逐渐从一家以人工服务为主的传统语言公司，转向产品与服务结合、AI与专业人员协同的语言解决方案公司。如果说过去语言公司的核心资产是“有多少译员、能翻多少语言”，那么未来更重要的问题可能是：你能够把哪些AI能力组织起来？你掌握什么专业数据和工作流？你知道什么时候可以相信AI、什么时候必须让人介入？最终，谁愿意对结果负责？从这个意义上说，Slator所说的 “A New Market Running on Language AI”并不是一个关于遥远未来的预测。我们已经身处其中。(文章选自公众号译思)
2026/09/11
翻译中的符号博弈与文化主权——解读《人工智能时代翻译中的文化主权与符号博弈研究》
长久以来，翻译行业与翻译研究大多将翻译视作语言转换、跨文化沟通的工具，讨论焦点集中在归化、异化的翻译策略，或是AI翻译的流畅度、翻译效率等技术指标，较少从文化主权和符号权力维度考察。广东外语外贸大学王东风、潘莉发表于《外语教学与研究》的《人工智能时代翻译中的文化主权与符号博弈研究》一文，跳出传统研究局限，将翻译置于文化政治、符号学理论框架下展开讨论，提出“翻译即文化主权博弈”核心观点。文章剖析西方长期掌握术语命名、定义权带来的表征危机，同时针对AI催生的语料库霸权困境，给出系统化应对思路，为翻译从业者、AI翻译研发人员提供了全新的审视视角。一、翻译场域的文化主权：概念内涵与现实价值文化主权是国家主权在文化领域的延伸，其要义并非主张文化封闭，而是确保本文化的概念体系不被外部话语体系单方面定义，从而维持对自身意义生产和话语体系建构的主权性控制。翻译作为跨文化交流的核心环节，正是这种权力博弈的微观场域：译者对术语译名的每一次选择，本质上都是在界定“谁有权解释这一文化概念”。翻译中的文化主权之所以重要，可以从两个层面来理解。其一，它关系到核心文化符号的准确传播。不同文明的核心概念往往存在范畴差异，若一味套用西方语义框架进行归化翻译，看似降低了理解门槛，实则主动让渡了定义权，造成文化内涵的结构性偏差。比如中国哲学核心概念“道”，若被简单归化为the Way，容易让英语读者在《圣经》中耶稣那句 “I am the way, the truth, and the life” 的宗教框架下理解这一中国哲学概念，导致对其本体论和实践论内涵的结构性误读。而采用音译Tao/Dao并辅以注释，能最大限度避免被外来范畴预先规定，保留其哲学内涵与符号开放性。这不仅是翻译策略的选择，更是对本土文化定义权的坚守，直接关系到核心文化符号对外传播的精准度与完整性。其二，翻译中的命名权直接关系到国家主权和身份认同。对于领土、主权相关的专有名词，译名选择早已超越语言范畴，成为国际承认政治的一部分。论文以“西藏”的译名为例：旧译 Tibet原为“吐蕃”的音译，明初后已基本废止；英国在侵藏过程中将其固化为国际条约用语 ，使其长期绑定分裂主义叙事，本质是对中国主权命名权的漠视；而依据“名从主人”原则，我国规范推行汉语拼音译法——Xizang，这并非单纯的文字修改，而是通过全新的符号形式切断殖民话语关联，在国际传播中明确领土主权属性。二、AI时代的新挑战：语料库霸权与隐性语义殖民如果说传统翻译中的文化主权博弈还主要发生在“人”的层面，那么AI时代的到来则让这场博弈进入了一个新的技术维度。文章提出了“语料库霸权”的概念。简单来说，目前全球主流的大语言模型，其训练数据绝大部分是英语及少数强势语言所记载的内容，中文以及其他非西方语言的数据占比很小。这就导致了一个问题：当AI处理翻译时，它默认调用的知识框架和表达习惯，本质上是西方的。这种语料库霸权主要体现在三个层面：训练数据的偏斜——AI学习的“教材”主要是英文内容；技术平台的集中——少数几家跨国科技巨头掌握着数据和算力；思维范式的固化——AI在生成译文时，倾向于复制既有的西方语义范式，而非基于本土文化立场的中立表达。这一约束在术语翻译上体现得十分直接。文章指出，主流大语言模型多将“西藏”自动译为Tibet。原因并不复杂：模型从互联网上学习到的大量文本中，Tibet是出现频率最高的对应词，于是算法便将这个带有殖民历史印记的称谓当成了“标准答案”。问题的要害在于：当国家依法确立的官方译名Xizang未能进入模型的规范层和默认词表时，AI的输出实际上会架空主权国家的命名权。更值得警惕的是，语料库霸权让这类旧译的沿用变得自动化且责任主体趋于模糊。译者如果在译后编辑环节直接采纳这一结果，便在不经意间将本应由中方掌握的定义权，交付给了算法。命名权就这样从话语博弈中抽离，被静默地嵌入模型参数和训练语料之中，成为一种不易察觉的技术性事实。三、破局路径：三维联动的应对机制针对上述困境，论文构建了“术语标准化—算法纠偏—政策协同”的三维应对机制。简单来说：术语标准化——通过《中国时政话语翻译基本规范·英文》等官方文件，将核心文化与政治术语的规范译法以制度形式固定下来，明确“应该怎么译”。算法纠偏——把这些规范译法嵌入AI的训练语料和输出评测中，让机器在面对文化负载词时，能优先采用符合中国立场的译法，避免不加甄别地复制西方语义框架。最后政策协同——术语推广和算法调整需要外交、宣传、教育、科技等部门的统筹配合，学术界与产业界也需要联动。三个环节各有侧重又相互支撑，共同构成从规范制定到技术落地再到系统推广的完整链条。这一命题也指向了翻译从业者的角色转型。当AI可以高效完成基础的语言转换工作时，译者的核心价值便不再局限于“译得对不对”“通不通顺”，而是进一步延伸到，能否识别术语选择背后的文化立场。归根结底，翻译不是价值中立的符号搬运，而是不同文明间话语权的持续互动与协商。在人工智能深度改写翻译生态的当下，维护文化主权既是对本土文化的守护，也是实现真正平等文明互鉴的前提。正如文中所言，中国译者正从西方语义框架的被动接受者转变为积极的意义重构者——这一转变的实现，既需要制度、技术和政策层面的协同保障，也需要每一位从业者在日常实践中保持自觉与审慎。唯有在开放中保持主体性，在技术中锚定人文立场，翻译才能真正成为建构本土话语、守护文化根脉的重要场域。（文章选自公众号前沿翻译技术）
2026/09/03
37种语言、40亿参数：英伟达更新翻译模型，翻译行业进入“轻量化”时代
2026年7月27日，英伟达悄然发布了Riva-Translate-4B-Instruct-v2。没有发布会，没有铺天盖地的宣传——但仔细看这款模型的技术参数和定位，它透露出的行业信号，比一场盛大的发布会要丰富得多。一、从12到37：一次“不起眼”但意义重大的跃升如果你对英伟达的翻译模型还有印象，大概记得上一代Riva-Translate-4B-Instruct只支持12种语言，而V2版本直接更新到了37种。新增的语言清单中，越南语、泰语、捷克语、波兰语、丹麦语、芬兰语等被批量纳入——从东南亚到中东欧再到北欧，英伟达一口气补齐了过去被忽略的“长尾区域”。这不是简单的“多加了几个语种”。从12到37，意味着英伟达的翻译模型从“主流语言工具”进化成了“真正具备全球覆盖能力的商业级翻译引擎”。中东欧、东南亚、北欧等区域的语言被批量纳入——这些恰恰是中国企业出海、跨国公司在当地运营时最迫切需要覆盖的语言。二、40亿参数，凭什么超越所有前代模型？V2版本另一个值得关注的点是：它只有40亿参数。在动辄百亿、千亿参数的大模型时代，40亿听起来有点“寒酸”。但英伟达官方描述中有一句话值得细品：“该模型超越了迄今为止我们构建的所有内部NMT模型。”40亿参数凭什么超越前代？秘密在于模型压缩技术。V2并非从零训练，而是从80亿参数的Mistral-NeMo-Minitron-8B-Base中通过剪枝和蒸馏提炼而来——把大模型的知识“浓缩”进小模型里。模型采用标准的Transformer解码器架构，经过多阶段持续预训练和监督微调，支持8K tokens的上下文长度，能够处理句子级甚至文档级的翻译。这意味着什么？小模型也能拥有大能力。对于企业来说，40亿参数意味着更低的部署成本、更快的推理速度、更灵活的硬件适配——而不牺牲翻译质量。三、为商业部署而生：这不是玩具，是工具V2的定位非常清晰。官方描述中明确写道，它的目标用户是“以多语言交付内容的译者、营销人员和Web开发者”。模型采用NVIDIA Open Model License协议，允许商业和非商业使用。更值得注意的是它的硬件适配能力。V2已在一系列NVIDIA GPU上完成验证，从A100、H100到最新的B200、GB200，它几乎覆盖了企业级计算的所有主流硬件。它被打包成NIM微服务——可以理解成一套“开箱即用的翻译模块”，通过API轻松调用，不需要自己折腾模型部署、环境配置这些麻烦事，开发者就可以快速集成到现有应用中。四、不止于翻译：Riva生态的“拼图”V2不是孤立的产品——它是NVIDIA Riva平台的一部分。Riva是一套GPU加速的微服务，用于构建实时的、可定制的语音AI应用，包含三大核心模块：自动语音识别（ASR）、文本转语音（TTS）和神经机器翻译（NMT）。这意味着V2不只是个“翻译工具”。它和ASR配合，就能把听到的外语转成文字再翻译；它和TTS配合，就能把翻译结果用合成语音读出来——三个模块组合在一起，就能搭建实时语音翻译、AI虚拟助手、多语言客服等完整应用。想象一下这样的场景：一个跨境电商卖家，每天要处理来自几十个国家的订单咨询。通过Riva平台，V2可以将客服对话实时翻译成37种语言——买家用自己的母语提问，卖家看到的是经过翻译的文本；卖家用母语回复，买家看到的也是自己的语言。整个沟通过程流畅自然，双方都感觉不到翻译的存在。这不再是科幻电影里的情节，而是V2搭配Riva的ASR和TTS模块就能搭建的现实应用。今年5月，英伟达还发布了AI辅助配音和语音翻译的内容本地化蓝图，集成了Riva和LipSync NIM等服务。一部英语纪录片要发行到37个国家的市场——传统做法需要找37组配音演员、花几个月时间。而借助这套蓝图，AI可以一次性完成语音识别、翻译、配音和唇形同步，将数月的本地化周期压缩到几天。英伟达的野心从来不是做一个翻译模型。它的目标是成为全球多语言AI应用的操作系统。五、翻译正在成为“基础设施”V2的发布，折射出翻译行业正在经历的一个深层变化：翻译正在从“专业服务”变成“基础设施”。翻译不再是一个需要专门去找人做的“服务”，而是一种像水、电、网络一样随取随用的“能力”。这对翻译行业意味着什么？对译员来说，通用翻译岗位持续萎缩，但专业审校和文化顾问的价值在上升。当AI能批量产出“文通字顺”的译文，靠“会翻几句外语”吃饭的通用型翻译岗位会持续萎缩。但同时，文化适配、语境理解、创意表达这些AI做不到的事，反而变得更加稀缺。译员的角色正在从“生产者”变成“判断者”——从自己翻，到判断AI翻得对不对、好不好。对企业来说，翻译成本趋近于零，跨境电商和全球化内容营销的门槛被大幅拉低。当37种语言的翻译能力可以通过API按需调用，跨境电商把产品描述翻译成几十种语言、SaaS公司将界面本地化到全球市场、内容团队批量制作多语言营销物料——这些曾经需要专门预算和外包团队才能做的事，正在变成标准配置。对技术厂商来说，竞争从“模型质量”转向“生态整合”和“场景适配”。当翻译能力本身变得唾手可得，翻译质量本身就不再是竞争的焦点。重要的是，你的翻译模块能不能和语音识别无缝衔接，能不能一键部署到企业的现有系统里，能不能适配直播、客服、游戏等不同场景的工作流？英伟达打的正是这套牌——把翻译嵌入Riva的ASR、TTS和LipSync生态，让开发者一次集成、到处调用。但是英伟达的模型再强，也只是一个工具。工具越强，对使用工具的人的要求反而越高。（文章选自公众号前沿翻译技术）
2026/08/27
从“帮我翻译”到“自己完成翻译”，AI正在发生什么变化？
“把这段话翻译成英文。”过去，我们对AI翻译的期待可能就这么简单：输入一句指令，得到一份译文。随着大语言模型的发展，AI已经越来越擅长理解语境、调整语气、处理长文本，甚至可以根据不同场景生成不同风格的译文。如今，真正值得关注的问题，已经不只是“AI能不能翻译”，而是——如果面对的是一个复杂的翻译任务，AI能不能自己把整个流程跑起来？因为真正的翻译工作，从来不只是把一种语言转换成另一种语言。术语要统一，背景资料要查找，语料要调用，译文要校对，质量要评估，不同领域还有不同的规范和要求。近年来，翻译技术正在从单次问答、提示词驱动，进一步走向能够拆解任务、调用工具、执行流程并根据反馈调整结果的智能体模式。相关研究也已经开始探索由多个专业化智能体协同完成翻译、审校和术语控制等复杂流程。这意味着，AI与翻译的关系正在发生一个重要变化：从“给你一个答案”，走向“帮你完成一件事”。从“会翻译”到“会完成翻译任务”如果说传统机器翻译解决的是“怎么把这句话翻过去”，大语言模型进一步解决的是“怎样把这句话翻得更自然”，那么翻译智能体试图解决的，则是一个更加复杂的问题：面对一个完整任务，AI应该先做什么、再做什么，调用什么工具，参考什么知识，如何判断结果是否合格？这也是智能体与普通AI工具最重要的区别。一个普通的AI工具，需要用户不断提出要求：翻译这段、查一下术语、修改一下风格、再检查一遍。而智能体的核心，则在于把这些原本需要人工反复操作的环节组织成一个完整的工作流。例如面对一份专业领域的长篇材料，它可以先识别文本类型和任务要求，再提取关键术语、检索相关知识，调用翻译模型生成初稿，随后进行译文比对和质量评估，发现问题后继续修改，最后按照预设标准输出结果。换句话说，AI不再只是一个“翻译按钮”，而开始成为一个能够理解目标、拆解任务、调用工具、执行流程、检查结果的工作伙伴。这也是为什么，今天谈翻译智能化，不能只盯着“哪个模型翻译得更好”。真正值得关注的，是如何把模型能力组织成一个可靠、高效、可复用的翻译工作流。翻译行业真正需要的，可能不是“更会用AI”的人过去，翻译技术教育更多关注如何使用计算机辅助翻译工具、翻译记忆库等工具；进入大语言模型时代，提示词设计成为新的能力；而当智能体逐渐进入翻译实践之后，仅仅“会用工具”可能还不够。未来的翻译工作者，需要进一步理解：一个复杂的翻译任务应该如何拆解？哪些环节适合交给AI？哪些环节必须保留人工判断？怎样建立知识库和术语库？怎样设计提示词和工作流？怎样对AI生成的结果进行质量控制？这其实意味着，翻译人才正在从工具使用者向智能工作流设计者转变。第三届全国翻译技术大赛设置“提示词和智能体设计”赛道，正体现了这种变化。参赛者不再只是比拼谁能使用现成的翻译工具，而是需要针对真实场景分析问题、设计提示词、搭建工作流和知识库，并最终构建一个能够解决实际翻译问题的智能体。而这些能力并不只属于技术人员。医疗、金融、航运、文旅、工业文化、翻译教学、多模态会议翻译……不同场景有不同的语言需求，也有不同的专业知识和质量标准。真正懂翻译的人，恰恰更有机会参与定义这些智能体应该“怎么工作”。当AI开始“自己干活”，我们更需要重新理解翻译这场变化也正在真实发生。从企业多语言内容生产，到本地化项目，再到术语管理、质量评估和会议翻译，AI正在逐渐从一个独立的翻译工具，嵌入更加完整的语言服务流程。当前一些研究甚至已经开始探索由多个专业化AI智能体分别承担分析、翻译、译后编辑和审校等任务，并通过协同完成更复杂的翻译工作。但这并不意味着“以后翻译只需要按一下按钮”。恰恰相反，AI越深入翻译流程，人对于任务定义、专业知识、质量标准和最终判断的作用就越重要。因为一个智能体能不能真正解决问题，很大程度上取决于人是否能够把一个模糊的需求，转化为清晰的任务、规则和流程。所以，翻译智能化的核心，从来不是简单地让机器替代人。它更像是一场工作方式的重构：机器承担越来越多可计算、可重复、可流程化的工作，而人则把更多精力放在理解需求、设计方案、判断质量和解决复杂问题上。对于正在学习翻译技术的学生、希望提升工作效率的语言服务从业者，以及正在探索AI赋能翻译教学的教师而言，真正需要补上的，已经不只是一个个AI工具的使用方法，而是理解智能体背后的基本逻辑，并尝试把它应用到真实场景中。（文章选自公众号前沿翻译技术）
2026/08/21