廣東外語外貿大學高級翻譯學院教授 戴光榮        
生成式人工智慧（GenAI）的迅猛發展，正在深刻重塑著翻譯研究的學科形態與核心議題。從基於規則的機器翻譯到統計機器翻譯，再到當下基於大語言模型與AI 智慧體的自動化翻譯，技術的反覆運算不斷刷新人們對翻譯效率、翻譯品質、翻譯主體、翻譯倫理等話題的認知。然而，技術所展現出的“智慧”究竟意味著什麼？翻譯研究在這一浪潮中又將如何定位自身？這不僅是一個單純的技術問題，更是一個關涉學科本體、研究范式與人文價值的深層命題。 翻譯技術演進的內在邏輯          
回顧電腦的發展歷程，一個基本規律愈發清晰：智力在人類文明進程中的貢獻日益凸顯。早期電腦主要用於龐大的數值計算，但隨著資訊數位化進程的加速，電腦逐步演變為能夠處理各類任務的“資訊處理機”。更關鍵的是，它不僅能夠替代人類完成計算任務，更開始涉足邏輯思維領域，成為名副其實的“電腦”。這一轉變為翻譯技術的誕生與發展奠定了基礎。        
20 世紀50 年代，基於規則的機器翻譯的初步嘗試開啟了這一領域；然而，在60 年代，語言自動處理諮詢委員會（ALPAC）報告的負面評價使機器翻譯專案陷入低谷，人工智慧也隨之經歷第一次寒冬。1968 年，法國科學家皮埃爾·維勒（Pierre Wilber）在喬治城大學開發的SYSTRAN 系統，作為早期實用化機器翻譯的代表，被應用於美國空軍與歐洲聯盟委員會的多語言文獻互譯，為技術落地保留了火種。進入80 年代，以歐洲共同體委員會資助的EUROTRA 為代表的多語言翻譯專案持續推進，使機器翻譯在艱難中積累經驗。90 年代初，基於統計的機器翻譯逐步興起，電腦輔助翻譯工具開始普及，神經網路理念也首次進入翻譯技術領域。1997 年，IBM 推出基於短語的統計機器翻譯系統；隨後，基於雲計算的翻譯管理系統如XTRF、Across Systems 相繼問世。2006 年，谷歌翻譯上線，迅速成為全球應用最廣泛的翻譯工具之一，標誌著翻譯技術步入大規模應用階段。2015 年被認為神經機器翻譯時代的開端，隨後，穀歌便推出基於轉換生成的神經機器翻譯系統。2017 年，DeepL 發佈，為機器翻譯品質樹立了新的標杆。2018年，首個自我調整神經機器翻譯系統出現，能夠從譯後編輯中持續學習。2019 年，基於Transformer 架構的模型全面提升了機器翻譯的能力。2020 年起，機器學習與人工智慧進入爆發期，顯著增強了翻譯系統的語境理解與交互能力。現代翻譯管理系統深度融合術語庫、記憶庫與人工智慧能力，翻譯技術生態由此發生根本性變革。        
上述演進歷程表明，翻譯技術並非線性進步，而是在多次技術範式的轉換中不斷躍遷。每一次轉換，都伴隨著對“翻譯是什麼”“機器能做什麼”的重新定義。翻譯技術演進的內在邏輯與人工智慧發展的整體脈絡緊密交織，每一次技術躍遷都折射出AI 的興衰更迭。二者共同推進，逐步將人類從繁重的翻譯勞動中解放出來。 大語言模型時代翻譯研究中心的轉移          
生成式人工智慧的崛起，以一系列標誌性事件加速了翻譯研究范式的轉型。以OpenAI 為代表的人工智慧公司推出了一系列模型，包括2023 年9 月發佈的具備視覺功能的多模態語言模型GPT-4V，同年11 月推出的語音轉錄模型家族新成員Whisperlarge-v3，2024 年2 月發佈的旗艦級視頻音訊生成模型Sora，以及5 月推出的具備全模態交互能力的模型GPT-4o。我國本土企業深度求索人工智慧基礎技術研究有限公司於2024年12 月發佈DeepSeek-V3，並於2025 年1 月推出推理式大模型DeepSeek-R1。作為中國本土創新開源大語言模型的代表，DeepSeek憑藉其卓越的推理能力與開放生態，迅速躋身全球生成式人工智慧前沿，這標誌著中國在人工智慧核心技術領域實現了從跟跑到引領的重要跨越。        
上述技術反覆運算不斷拓展人工智慧在語言能力與場景落地方面的邊界。當前，大語言模型已呈現出多維度的能力：文本生成、語言理解、知識問答、邏輯推理、數學能力、代碼能力、多模態交互。2025 年底推出、2026 年2 月正式統一命名的OpenClaw，讓AI 從“會聊天”（包括與人互動完成翻譯）進化到“會做事”（可自主規劃翻譯流程並高品質完成翻譯任務）。這些能力深刻重塑了資訊分發與獲取模式，革新了內容生產方式，讓通過全自然交互完成任務成為現實；不僅催生了專家級虛擬助手，顛覆了傳統手工程式設計模式，也成為科研工作的重要輔助工具。        
對於翻譯研究而言，一個根本性的轉變正在發生：研究中心正從“如何譯”轉向“如何與人工智慧協同翻譯”。傳統翻譯研究側重于語言對比、譯者主體性與文化轉換，而大語言模型的出現促使研究轉向人機交互、提示工程等新興領域。譯後編輯逐漸演變為人工智慧提示工程，翻譯過程中的“技術化”特徵日益凸顯。        
知識翻譯在這一背景下呈現出新的面貌。知識翻譯強調跨語言的知識加工與重構，而大語言模型正是海量知識的參數化載體。通過技術手段（如知識增強、領域適配、即時檢索）啟動並優化模型中的知識，成為實現高品質知識翻譯的關鍵路徑。翻譯研究的方法論也因此走向融合，不再局限於理論推演，而需結合模型訓練、評估指標量化、演算法優化等實證技術方法。研究者需要兼具語言學洞察與技術應用能力，以應對翻譯在知識密度、專業深度與動態演進層面面臨的新挑戰。 演算法主導下的人文堅守          
然而，技術能力的提升並不等同于對翻譯本質的全面把握。人工智慧翻譯雖然發展迅速，但無法完全替代人類譯員。人工智慧並不真正“理解”語言，它本質上是基於模式進行預測，這意味著在處理俚語、幽默或行業術語時可能出現偏差，甚至在某些情況下可能會放大資料中隱含的偏見。因此，規避機器翻譯的資料與演算法偏見，已成為翻譯研究必須直面的話題。當涉及捕捉細微差異、情感表達或理解文化背景時，人工智慧仍顯不足。對於那些承載情感、品牌個性或法律風險的內容，人類譯員的主導作用依然不可或缺。換言之，翻譯不僅僅是語言符號的轉換，更是文化、情感與價值的傳遞。        
德國學者吉仁澤在《失控與自控》（How to stay smart in a smart world）一書中提出，保持聰慧意味著瞭解數位技術的潛力和風險，以及在充滿演算法的世界中保持主導地位的決心。這一觀點對翻譯研究者具有重要的警示意義。面對人工智慧的浪潮，我們不能盲目崇拜技術，更不能固步自封，而應在充分理解技術原理的基礎上，堅守翻譯作為人文活動的本質。 語言科學與計算科學的跨學科協同        
翻譯研究在人工智慧時代的發展，離不開跨學科的協同合作。語言科學背景與電腦科學背景的研究者雖然存在知識結構的差異，但這恰恰構成了優勢互補的基礎。自然語言處理領域的經典著作為翻譯研究者提供了重要的技術參考。對於語言背景的研究者而言，並不需要完全掌握演算法的技術細節，但必須具備理解資料、解讀結果的能力。資料出來之後，最重要的環節在於解讀。借助資料分析工具進行資料驗證，關注資料的一致性、比對結果的差異，並深入分析誤差產生的原因——這些能力正在成為翻譯研究者的基本素養。        
從更宏觀的視角看，翻譯研究與電腦科學的交叉，反映了人文科學在數智時代轉型的普遍規律。語料庫建設、機器翻譯品質評估、提示工程研究、AI 智慧體設計等方向，既是翻譯研究的新增長點，又是人文學者參與技術構建的重要路徑。 重塑人智協作新範式          
人工智慧時代的翻譯研究，既面臨前所未有的機遇，又面臨深刻的挑戰。機遇在於技術賦能拓展了翻譯研究的疆域，挑戰則在於如何在技術引領的時代堅守翻譯的人文本質。未來翻譯研究的核心任務，或許正是重塑人智協作的新範式——在這一範式中，人工智慧承擔可重複、可計算的翻譯任務，人類則聚焦於創造性、情感性與文化性的翻譯實踐；人工智慧（矽基）提供效率與規模，人類（碳基）賦予翻譯溫度與深度。        
碳基與矽基的協作，不是替代關係，而是分工與互補。資訊化時代的譯員必須告別“裸翻”，學會與人工智慧協同工作、協同思考。這不僅是對翻譯實踐者的要求，也是對翻譯研究者的要求。翻譯的本質乃是知識遷移與價值重構。譯者應當秉持文化自覺，以批判思維審視技術輸出，以人文精神彌補演算法的瑕疵，以“人”智引領“機”智，以“人心”指導“機芯”，實現價值對齊。唯有在技術洞察與人文堅守之間保持平衡，翻譯研究才能在人工智慧時代找到屬於自己的位置，繼續為跨語言、跨文化的交流與理解貢獻力量。        
人工智慧與翻譯技術的演進史告訴我們，每一次技術變革都會帶來焦慮與期待的交織。然而，歷史同樣證明，真正具有生命力的研究範式，不是對技術的盲從或排斥，而是在深刻理解技術邏輯的基礎上，重新發現人的價值。人工智慧時代翻譯研究的未來，正系於這種清醒的自我認知與開放的重構勇氣。