外语电化教学 . 2023 (06) : 12-19+107 

知识翻译学的技术路径探讨

摘要：文章以知识翻译学为视角对技术进行概念界定，从哲学层面探讨知识与技术之间的关系，分析技术在知识翻译学体系中的功用，探究知识翻译技术路径，指出哪些问题亟待解决，并延伸出知识翻译技术学的概念框架及研究内容。

关键词：

知识翻译学;知识与技术;知识翻译技术路径;知识翻译技术学;

基金资助：

国家社科基金项目“神经网络机器翻译质量提升研究”(项目编号：22BYY042)的阶段性成果；

DOI：

10.20139/j.issn.1001-5795.20230603

专辑：

社会科学Ⅱ辑;哲学与人文科学

专题：

中国语言文字

分类号：

H059

在线公开时间：

2024-01-31 10:38

文章编号1001-5795( 2023) 06-0012-0008

DOI 10． 20139 /j． issn． 1001-5795． 20230603

1 引言

知识翻译学( Transknowletology) 将知识视为翻译的本质属性，研究“作为知识的翻译和经由翻译生成的知识之间的关系和行动”( 杨 枫，2021; 杨 枫，2023a) ，强调知识解码、知识再加工、知识迁移等翻译生产原则，让“知识开始从古老的认识论哲学走出，走入翻译学理论体系当中”( 蓝红军，2022) 。翻译是一项古老的政治文化活动，蕴含着不同时期的历史和观点( Gambier，2018) ，汇聚成不同的知识体系，涉及不同学科的知识交融，是知识落地和展示的中介和桥梁，语言与文字则是知识内容的载体。

知识的广泛传播，始终离不开翻译的加持( 张生祥，2022) 。从数字化时代到数智化时代，生成式人工智能的迭代更新和深入应用，翻译知识的有效生产、管理、传播也始终离不开技术层面的介入和帮助。翻译并不是独立的过程，而是转移或集合不同群体所拥有的知识( Manning ＆ Owen，2018) ，这些知识散落在不同的个体或群体之中，单凭人工检阅、搜索、整合很难做到面面俱到和持有较高的客观性、科学性，因此要同时保持翻译知识、传播知识、集合知识三个行为的可实现性，需要发挥“人际耦合”模式所带来的巨大优势，集合学术共同体的努力。每一次新的技术浪潮都会直接或间接地对翻译行业产生某种具体影响，从而改变翻译行业的历史进程( Folaron，2018) ，知识各个环节的实施速度也比以往更加迅猛，翻译活动在描写知识、传递知识等环节中的比重更加凸显，但翻译总会存在着不可弥补的意义损失或意义改变的风险(Collins，2010) ，导致无法实现百分百的等效翻译。译者不仅需要平面化、单一化的匹配信息，更需要获得检索信息所包含的知识，即特定领域中知识点之间的联系( 苗菊、宁海霖，2016) ，需要借助技术来更准确高效地推动整体知识体系的再描写、再生产、再传播和再流通。

然而，学界鲜有研究探讨知识管理、知识共享对技术创新的影响，及其如何影响技术创新的方向。本研究尝试回答知识翻译学视角中如何界定技术，如何看待技术与知识之间的哲学关系，技术在知识翻译学中的定位、功用及知识翻译学体系的技术路径，初步勾勒出知识翻译技术学的理论框架和研究内容。通过对这些问题的探讨，本研究期待能更好地构建和发展知识翻译学体系，更高效、更准确地推动地方知识与世界知识有效联通。

2 知识翻译学视角下的技术界定

从词源学的角度来看，“技术”( technology) 起源于希腊文，表示人类的创造技能。传统观点认为，技术即为工业艺术( industrial arts) 的知识系统( Layton，1974) ，是工程领域中科学探索的实践与结果( Ｒopohl，1997) 。在人文学科、现代科学、数字化时代的赋义下，技术指代实证 主义手法而非理论 ( Feibleman，1961) ，是各类知识的集合体( Johnson，2005) ，包含技术的知识理论形态、抽象知识物质化表征及“应用科学”的知识物化形态。

技术突飞猛进，各类算法更新迭代，技术驱动的翻译研究催生出一系列研究新范式、新方向和新思想( 胡安江，2017; 王珊珊等，2020; 王华树、刘世界，2021; 王均松等，2023) 。2022 年末，由 OpenAI 开发的 ChatGPT 激发了学界对技术转向的关注( 胡加圣、戚亚娟，2023) 。现代翻译领域呈现出跨学科交叉的新范式，技术在翻译环节中扮演着愈发重要的角色，大语言模型、生成式人工智能技术、神经网络技术不断更新换代，混合神经网络翻译、交互式机器翻译等技术使翻译产品提质增效，发挥了“人机协同”的最大功效。

在知识翻译学中，技术是一种关于“做什么”和“如何做”的知识体系，即技术的知识论。知识翻译学中的“技术”是从知识论的角度出发，涉及人工智能技术的运用。本质上，技术为知识本体，为知识的“世界性”服务，利用技术手段剖析不同群体中“知识是什么”“我们知道什么”“我们如何判别知识”，围绕人类知识展开探讨。

对技术的理解，还可从不同的方面寻求答案: 一是对技术在知识翻译学中涉及面的探索以及技术涉及面之间有何关系? 二是技术如何作用于知识翻译学，技术如何融入知识翻译学体系中? “技术”一般表现为物质形态，可直接应用与操作，而知识则为意识形态，在知识翻译学中分为自然科学知识、社会科学知识和人文科学知识三类。不同于语料库翻译、机器翻译等实操性强的翻译活动( 主要靠语料库、神经网络算法实现) ，而技术需要一套运作流程，通过多方配合，覆盖知识的转码、再生产和传播，这三个环节环环相扣，联系紧密。技术并非独立完成这些环节，需要综合各方力量，并借助管理学、逻辑学等手段和计算机科学、技术学等学科的支持。知识翻译学强调以知识迁移为核心，基于知识的“地方性”与“世界性”互动( 严程极、杨枫，2022) ，这也意味着技术的中心任务应是推动知识朝向“世界性”嬗变，达到国际共享的效果。日前，媒介传播使知识呈现出媒因式扩散，但这项媒介技术由于其大众性和开放性，未能对真正的“知识”进行界定和传播。在知识海洋中，人脑运作的容量和时长有限，且随着待机时间拉长，其整体运作效率会大幅度降低，技术的介入能缓解人脑的疲劳，通过“人际耦合”和“人机协同”的模式共同完成知识翻译学的使命，形成翻译研究新生态。

3 知识与技术之间的关系

“知识是对信息进行深加工，经过逻辑或非逻辑思维，认识事物的本质而形成的经验与理论”( 王众托，2004: 3) 。知识作为高度抽象的精神东西，需要借助语言( 书面或口头) 载体将其具象化，并“介乎于文化与语言之间”( 张生祥，2022: 59) 。根据知识能否被清晰地表达和有效地转移，可将其分为显性知识( explicit knowledge) 和隐性知识( tacit knowledge) 。前者是能够被记录、分享、看到的具象化实体( Geisler，2008) ，后者是属于个体化内心深处的虚体，在很大程度上处于无意识状态，难以捕捉(Blosch，2000) 。但是，隐性知识推动语言、科学、教育、管理等方面结合机器共同发展，并在人工智能世界具有举足轻重的地位( Collins，2010) ，与当下人工智能转向的研究范式相吻合。

根据知识具有描述性/陈述性和操作性特征，也可将其分为“道知识”( know-that) 和“术知识”( knowhow) ，前者为陈述性知识或描述性知识，后者为操作性知识，即“术知识”通过实践后形成“道知识”，“道知识”是“术知识”的理论基础( 严程极、杨枫，2022) 。宏观上看，知识与技术的关系如图 1 所示。

图 1 知识与技术的关系

技术诞生于人类认识物质世界的过程中，是人类为了解决问题，在长期利用和改造自然的过程中积累起来的知识、经验、技巧和手段，是人类利用自然改造自然的方法、技能和手段的总和。它属于操作性知识或程序性知识，可理解为在使用某项技能时所表现出来的知识( 严程极、杨枫，2022) ，即自然哲学( Layton，1974) ，隶属于知识庞大体系下的“术 知 识”( Ｒyle，2000) 。

知识技术( knowledge technology) 是支撑人类创造性活动的软技术( soft technology) ，这些活动包括将数据和信息转化为知识，在知识的基础上创造新的想法，并验证这些想法( Nakamori，2023) 。在这过程中，知识可被视为编码知识( codified knowledge) 和个人知识( personal knowledge) ，前者为初始数据( raw data) ，后者为基于经验和时间所获的信息，即解码知识( interpreted data /knowledge of someone ) ( Nakamori，2023) 。在知识技术系统中，软技术是基础，储藏于人脑中，属于认知形式范畴，如思维、想法、感觉、记忆、推理、概念、直觉、意识。我们通过将技术作用于编码知识，并结合个人知识从中提炼出有用的、有价值的观点和想法。反过来，知识的来源和实质，均是社会实践( 严程极、杨枫，2022) 。换言之，这些新想法、新观点皆需要通过实践以证明其真实性、可靠性、科学性，使之塑造成对人类有意义、有用的某种形式的数据( Laudon ＆ Laudon，2002) 。我们能够根据这些数据，结合实际问题创造出硬技术( hard technology，软技术的相对概念，指有实体承载的技术) 。软技术是技术中的一种，即没有实体可以操作的技术( Nakamori，2023) ; 硬技术是对软技术的实体化，能用于处理翻译问题，研究翻译现象，指导翻译实践。软技术收集、储存人类智慧活动( 包括解码知识和个人知识) ，通过提炼、转换这些活动中的知识( 数据和信息) ，进而解码产出新知识、新想法。这些过程可视为等同于大脑的认知过程，是未经证实和加工的初始知识和个人知识的总和。通过结合先前数据和信息对新知识、新想法不断进行价值提炼、实践和实证，最终结合科学技术手段形成硬技术( 见图 2) 。

图 2 知识技术的路径

翻译领域中所涉及的研究手段均可依靠硬技术的赋能，而翻译知识的形成和检验同样也需要基于这些硬技术，使用硬技术对新的翻译知识进行加工，凸显出其中的逻辑和非逻辑关系，以全新的形式展现出来。我们获取知识、应用知识的过程，或数据加工的过程称之为心理过程，属于软技术认知范畴，若未能依托于语言等其他符号形式呈现出来，则为没有意义的数据和信息。硬技术能够将主观意识客观化，使我们接受外界信息、加工处理、转换成内心活动等认知过程客观化和符号化，以具有“实际应用价值”的身份呈现。因此，软技术是硬技术的理论基础和认知存在，硬技术是软技术的最终目的和意义创造。

存在决定意识，当代的意识概念已经进入知识范式( 杨枫，2023b) 。长期以来，我们都通过行为或认知方法来看待知识，并认为其不包含任何语境( Lave，1988) 。知识是将内容或任意信息以特定形式表征出来的一种认知取向( Ｒothkegel，1993) ，在数字化时代需要通过文本、符号、图片、音频等非知识本体进行表征，即认知取向的实体呈现需要依靠一系列多模态形式等表征来实现，成为“构成人的生存需要与生活积累的意识化、符号化和结构化的信息工具”( 杨枫，2022: 1) 。在具体知识、实践知识的定位和定义之下，技术孕育而生，技术恰恰是实现知识从抽象认知转化为具体认知和实践认知的有力工具。

自 20 世纪 60 年代至今，不少国外学者认为技术等同于知识( Feibleman，1961; Layton，1974; Parayil，1991; Johnson，2005) 。在知识翻译学视域下，知识与技术不仅仅是对等关系，知识与技术还呈现相互包含关系( Parayil，1991) 。知识包含技术层面，通过“术知识”对“道知识”的内容进行实践和验证，即技术是知识实践后的载体。技术通过一系列思维活动的反复验证形成知识的结合体，基于对“道知识”的社会实践产生的结果进行总结，从而形成“术知识”，宏观上可以看作是理论和实践的存在体，二者皆可通过实践进行转换，其本质是合作的关系。知识推动人类认识世界、改造世界，通过对不同知识的掌握和了解，获取其中的真理和内涵。人们通过这种方式循环反复，形成“道知 识”，即对客观世界的描述和对问题的命题阐述。

技术同样也能推动人类认识世界、改造世界。技术经过不断实践验证“道知识”的合理性、正确性和科学性，完善“术知识”的内在概念体系，即在使用技术的过程中，将某个事物所蕴含的隐性知识转化为显性知识。在对跨语言的知识进行加工、再生产和再转移的过程中，二者的结合能激发互补、合作的潜能，不断协调各个知识点，实现知识对话、互动与变迁。在提取知识、调配知识、糅合知识的过程中，需要通过“术知识”将其中蕴含的“道知识”显化，让其更好地服务“术知识”，创造性地推动知识翻译学的构建与完善。

无论是从“术知识”和“道知识”的层面来看技术与知识的关系，还是从“软技术”和“硬技术”的层面来看，皆表明知识和技术二者之间有哲学关联，即知识和技术共生互存，技术既是知识的存在，又是知识的目的，皆可通过实践、实证来实现转换，创造新知识、新技术。AI 赋能时代，意识必须纳入知识范式，进入技术体系当中，跳出唯知识论范畴来审视其作用，突破无机走向有机结合和创新。

4 技术在知识翻译学中的功用

20 世纪 90 年代以来，信息技术迅猛发展，高新技术占据社会前进的主旋律，翻译研究者也敏锐地捕捉到技术对翻译研究的作用。近年来，生成式人工智能技术取得突破性发展，基于神经网络和深度学习的机器翻译技术日新月异，自然语言处理技术愈发成熟，这些技术极大地推动了社会变革，揭开翻译行业的新格局。技术成为现代社会发展的代名词，是人类发展过程中绕不开的话题，更为翻译研究提供了新的“温床”。随着算力、算法的推进，AIGC 技术发展势头迅猛。在技术驱动下，翻译的对象、主体、模式等都发生了转变，翻译研究内容和对象发生整体性变化( 王华树、刘世界，2021) 。大数据、大算力、大模型等技术牵动着翻译研究朝着复杂化、数字化、规模化的方向前进，重塑了翻译研究范式，革新传统翻译研究方法和手段。对于知识翻译学体系来说，技术的渗入必然能使其进入快车道发展轨迹。

知识翻译学体系中技术具有如下突出功用:

第一，技术具有分析性，能用于解析文本特征，辨别不同文化之间的差异，是整合散乱、零碎的知识点转换为组织所需的知识体系的牵引器。机器学习、数据挖掘技术潜在势能优于传统人工数据搜索。在多模态数据处理方面，生成式人工智能技术能处理多种数据，实现多模态的智能化处理，使得知识体系更加丰富和立体; 能利用大语言模型，优化深度学习算法，提高分析的准确性。运用翻译管理技术，整合前期分析和对所得数据的挖掘及处理，技术能够通过代码指引对所获知识进行归纳总结，形成较为系统的知识体系。

第二，技术具有科学性，能在一定程度上降低研究者主观性和任务难度，是知识世界性的结果更加准确和有效的稳定器。以学界关注的译后编辑为例，研究者对该话题的关注有增无减，成为译者翻译活动中不可或缺的一环，但译后编辑仍面临着材料因素( 即机器翻译及原文) 、译者个体因素、环境因素等三大困难( 贾艳芳、孙三军，2022) ，同样需要介入新型技术来完善。人在处理复杂的活动时，认知能力会受大脑中所储备知识的影响，知识调度越高，对各因素的认知加工就越有效率。人脑的储备容量尚未得到完全开发，而随着算法的推进，机器的储存容量能够达到千亿、万亿量级，远远超越绝大多数人的知识储备，其中的知识储备并不随主观臆断、认知转变而改变。人脑对自然语言的处理并非基于预设规则而是基于认知记忆( Scott，2018) ，认知记忆隶属于认知科学的概念范畴，也是一种知识，储存于人脑中的深层。目前的译后编辑形式主要还是基于译者的认知记忆，通过调动译者的知识背景，发挥其主观能动性对整体译文进行润色修订，但这过程中具有较大的主观色彩，其译文质量的好坏界定存在一定模糊性。个体感知的差异可能会导致对同一事物的优劣判别产生偏差，而技术的客观性恰好可以在一定程度上弥合这一劣势。生成式人工智能基于大语言模型和一系列算法运作，能够根据需求提供认知资源、知识资源，并将其有机调用，通过人机交互的协同模式，降低工作者的认知负荷 和 心 理 负 荷，即 降 低 任 务 难 度 ( Gallupe et al．，1988) 。

第三，技术具有指向性，能作用于知识的解码、再生产和传播等各个环节，是知识完成“地方性”向“世界性”蜕变的助燃器。通过与智能技术合作迸发出不同的翻译技术，根据各个环节的侧重点研发专题靶向的技术，将加速推动知识从“地方性”到“世界性”的嬗变历程。知识网络的构建是知识“世界化”的结果，也是知识翻译技术学的一大目标。知识翻译技术学旨在将技术的功用发挥至最大化，注重以技术为催化剂和助燃器来孵化知识以更精准的形式出现，创新推进知识世界性传播的影响力，打造和健全多元化融合、学术交流共享、技术支持的新型翻译研究生态平台。

第四，技术具有突破性，能作用于世界性知识的形成和发展，是知识以创新面貌再描写的生产器。科技的无限可能性同样也带给翻译研究以全新的视角，为其提供了跨域信息检索的平台，使得研究效率有了质的飞跃。目前交互式机器翻译正如火如荼地发展，并在行业中得到广泛应用，翻译行业涌现出新型合作模式，“众包”模式( 胡安江，2017) 和“对话合作”模式( 王珊珊等，2020) 已成为翻译行业新业态，革新着翻译实践范式。技术创新是推动翻译模式嬗变的直接动力，人文社会因素是翻译模式嬗变的调节器( 王均松等，2023) 。这也意味着伴随着人工智能技术的深入发展和迭代更新，翻译研究将历经大变革，传统的研究范式逐步向智能化靠拢甚至有些范式直接被淘汰弃用，颠覆性技术已然不再是奢望，以往“不可研究”和“难以研究”的翻译问题也将成为可能( 蓝红军，2016) 。人类认知和主观性在一定程度上能够不断完善、调节技术中存在的问题，使得人工智能技术的设计将“人”的因素纳入考虑范围，做到“以人为本”，确保人工智能始终朝着有利于人类文明进步、知识进步的方向发展。正因如此，技术途径在知识翻译学中有着不可低估的重要性，其能对该体系的观点创新化，即知识管理、储存、更新、传播方式创新，在传承发展的基础上，能有突破性进展。

5 知识翻译学的技术路径

技术助推下的知识翻译学大有可为，能帮助知识翻译学体系更好地构建，提高整个体系的运作效率，做到辐射面广、共享度高、利用率强。知识翻译技术路径，或称之为知识翻译技术学( Tech-Transknowletology) ，是知识翻译学人工智能转向的一个重要应用体系，统筹综合诸如计算机科学、语言学、信息论、翻译学、知识管理学等多个学科、多个领域的知识，是理论与实践的科学结合。

知识翻译技术学研究内容包括但不限于: (1) 通过技术手段进行跨学科知识提取; (2) 通过技术手段辅助跨学科知识的解码、管理和储存; (3) 通过技术手段对所转码知识进行整合和再描写; (4) 通过技术手段搭建跨学科、资源共享的知识翻译研究环境; (5) 通过技术手段对最终所得的知识进行辐射传播; (6) 通过技术手段，分析知识的翻译与最终产物的结构、性质、用途，建构它们之间的科学关系，从而有效指导翻译活动。知识翻译技术学的最终目标是用技术实现知识的世界性并搭建跨学科、资源共享的创新型翻译研究环境，以多学科知识再生产的本质重构翻译领域，其中包含翻译教学、翻译技术、翻译传播、翻译管理等翻译实践体系和翻译批评、翻译美学、翻译伦理等传统理论体系( 杨枫，2023b) 。在该过程中，我们需要对现有的翻译技术进行革新改造，确保知识提取和解码过程中不失准确性和科学性，确保知识再生产的可接受和高质量，确保知识迁移不失接受度和传播度。简言之，知识翻译技术学是集自然语言检索(即知识辐射) 、知识整合管理(即知识更新) 、国际共享(即知识共享) 为一体的知识网(见图 3) 。

知识翻译技术学侧重研究不同语言之间的知识转换、管理、重构、传播等复杂的社会过程、行为和关系。在整个共享生态中，前期需要通过技术手段和人工介入模式进行配合，尽可能地运用知识管理工具进行管理，最终形成知识螺旋，以便从中提炼有价值的新的翻译知识和学科知识。按照具体实践所需进行知识转化/翻译，这个过程需要依赖于学术共同体协同合作，逐步形成双向交互式、螺旋式和非线性的转化( 覃江华，2022) ，通过互动式、交流式共创新的翻译知识，最后将产物进行储存。知识管理、转换和储存是整个生态体系的基本，是维持整个生态运作的稳定性、条理性和逻辑性的基石。按照学科的分类及各学科之间的关联性，我们可以将其进行再分配、再管理和再储存，分别纳入多语知识库、跨学科知识数据库和其他资源知识库。迈入生成式 AI 时代，自然语言处理预训练技术能从不同的网络结构将各个知识以网络的形式，转移到基于统一的神经网络模型( 王海峰等，2023) ，在一系列算法和指令的作用下，分析抽取其中所需的知识，对其进行理解。基于人际耦合模式，工作者通过对标注数据进行微调和对预训练模型的完善，强化深度学习算法在知识解码环节的准确性、有效性和科学性。长期以来都在完成从一种语言到另外一种语言转变的任务，都在对其背后的知识做转码，译者不仅需要扎实的语言功底、翻译功底，还需要有足够大的知识库。知识翻译技术学将利用数据增强技术，构建多知识翻译统一共享库，通过镶嵌语

图 3 知识翻译技术路径

言模型、翻译模型、特定算法增强网络，对知识开展训练，利用知识的多样性形成互补，利用其相似性进行数据增强，达到知识的最优化生产。通过预训练与微调的有 机 结 合，从而获取更好的结果 ( 王海峰 等，2023) 。知识翻译技术学结合数据增强技术，能够对全部数据进行调优，通过嵌入自动评价、对比评价模型搭建深度学习平台对译文进行质量评估，使得工作者能够具有动态调度能力和资源共享、共创能力，从效率和质量两方面提供保障(见图 4) 。

图 4 知识翻译技术体系

以往的多语平行语料库中包含的文本质量良莠不齐，语料的挖掘和更新仅依靠特定团队来维持，造成算法更新较慢、维护水平较低，很难达到知识的世界性共识，信息检索平台也无法做到共享、共建。译者通过语料库进行的翻译实践和翻译研究本质上还是机械化的二度摹仿活动( 胡开宝、李翼，2016) 。机器( 辅) 翻译成为当下译者翻译文本的首选工具，以各大神经网络翻译引擎为辅的翻译模式大幅度提高了译者的工作效率。尽管神经网络发展迅猛，机器翻译的译文质量有较大的提升和改进，词表内容不断扩大、解码器性能不断提高，机器翻译译后编辑成为当下翻译实践的新方向，但其中对知识的调度明显呈现不足的状态，加上引擎中知识体系的广度也有所欠缺，导致无法形成较为有机的知识翻译模式( 戴光荣、刘思圻，2023) ，翻译质量不稳定、跨领域适应性差( 秦颖，2018) 。此外，机器翻译更多的是依赖逻辑思维和定向思维，对发散思维、形象思维、整体思维、创新思维、侧向思维和灵感思维运用明显不足( 范武邱、钟含春，2023) 。因此，知识翻译技术学旨在弥合这方面的不足，提高机器译文的质量，为今后机器翻译系统及整体知识技术系统研发提供思路。

基于前文的探讨发现，无论是在知识的管理、检索和储存过程中，还是在知识从地方走向世界的过程中，都存在较多问题亟待解决。

第一，各领域的数据混杂，数据的无序化导致研究者无法精准地检索、捕捉到所需信息( 苗菊、宁海霖，2016) 。对知识来源的学科重要性、成果应用价值和语料库可靠度的判别，该如何通过技术来加以保证? 如何甄别和提取所需要的、有意义的、有价值的知识? 采用纯人工方式对海量知识进行筛选费时费力，如介入人工智能手段，要如何确保筛选过程的可信度和正确性，让大家信服其所呈现的结果? “人机合作”怎样才能发挥最大功效，抽取所需的知识本体?怎样降低人工因素导致的主观性介入，从而推出客观、学界可接受的评判标准?

第二，近年来学界通过对比神经机器翻译、语料库人机翻译和人工翻译的质量来提升机器翻译效果( 戴光荣、左尚君，2021; 梁君英、刘益光，2023) 。当下质量评估处理手段较为单一，技术较机械化，对翻译语篇中的内在关联分析有限。传统的翻译质量评估主要还是针对文字信息与语境内容的匹配度，以及语言文字表达的质量。人工智能时代下，知识体系构建不断优化、多模态数据大规模推进，改变了翻译产品的 呈 现 方 式。基于现有翻译质量评估指标 ( 如BLEU、TEＲ) 和大语言模型，碎片化的知识怎么在多模态数据下找寻其与技术、译者、翻译内容之间的关系?我们又应当如何统筹处理好这四者之间的关系，研究其中的转换过程，提高翻译质量?

第三，知识辐射和知识共享是知识翻译学中最重要的环节，建立共享知识网络并嵌入语言模型、预训练模型、数据库等技术能够保证知识流通的有效性，共享平台能给学者以自由探讨的方式对所含知识进行及时更新、传播，但有很多低质量、无学术价值的信息，如何利用技术进一步规范用户行为，严格落实内容质量管控，确保知识的内容质量得到保障?

第四，生成式人工智能技术催生了很多不同于传统文本的新“文本”，这些文本形式趋于多元化，呈现多语言、多变量、多模态、非线性、去语境化、动态化等特点( 王华树，2023) 。文字所表达的内容通过技术手段转换为图文、音频、视频等非文字形式，即知识的可视化、图像化，这些信息在多模态状态下更易于读者接受和传播。因此，我们该如何构建多模态知识库? 又该如何基于现有的技术，推动多元互动可视化层面的多模态知识库构建? 此外，我们还需要考虑知识产权、数据隐私、伦理道德等非翻译技术相关的社会性因素。

综合以上所提出的问题，我们应该以问题为基础，探索并革新技术，融合多模态、人工智能哲学、技术伦理、人工认知网络技术、网络可视化等技术，不断开发出更大算力、更大运作空间的技术，从而能更好地保证新技术的运行。

知识翻译技术学目前还在摸索阶段，数据大平台的搭建能够保证知识的共享性，利用技术将知识进行可视化、系统化，丰富知识的表示方式，改善知识在各个环节中的效率和效果，提高知识网络的整体质量。知识翻译技术学的构建和完善需要依靠学界的共同努力，不断探索知识翻译新模式和新标准，利用技术优势，创建优质知识共享学术环境，扩大知识的辐射面。

6 结语

本文在厘清“技术”的知识概念、分析其在知识翻译学中所扮演的角色及其功能的基础上，提出技术具有分析性、科学性、指向性、突破性并有助于提高知识“世界化”进程中各个环节的科学性、整体性，对知识翻译技术学体系运作模式和内容进行简要概述，尝试拓展知识翻译学研究范围和革新研究范式，推动翻译学科在技术时代下实现多元知识融合，协同创新，健康发展。

知识翻译的技术化是技术驱动下翻译研究模式的必然结果。“后理论”时代，翻译学具有更强的生产知识的能力且更注重地方性知识的再生产( 蓝红军，2016) ，这也更进一步强调技术在知识翻译学中的作用。知识无法用传统的度量单位来加以衡量，地方性知识之间的翻译需依靠人机和谐共生的生态系统创造生成有价值、有意义的世界性知识。技术驱动下的知识网、知识库、知识链条等一系列知识体系的构建能够提供一个具有知识检索、更新、共享和创造等功能的网络体系，达到知识辐射的作用，强调在知识流动的环境中，知识主体能用共享手段来弥补自身不足，及时发现知识漏洞或者技术漏洞，不断完善知识体系和技术体系，真正发挥知识和技术的合作互补功效。

□

参 考 文 献

［1］ Blosch，M． Customer knowledge ［J］． Knowledge and Process Management，2000( 4) ．

［2］ Collins，H． Tacit and Explicit Knowledge［M］． Chicago /London: The University of Chicago Press，2010．

［3］ Feibleman，J． Pure science，applied science，technology，engineering: An attempt at definitions［J］． Technology and Culture，1961( 4) ．

［4］ Folaron，D． Technology［A］． In D’hulst，L． ＆ Y．Gambier ( eds．) ．A History of Modern Translation Knowledge: Sources，Concepts，Effects［C］． Amsterdam/Philadelphia: John Benjamins Publishing Company，2018．

［5］ Gallupe，Ｒ．，Desanctis，G． ＆ G． Dickson． Computerbased support for group problem-finding: An experimental investigation［J］． MIS Quarterly，1988( 2) ．

［6］ Gambier，Y． Concepts of translation［A］． In D’hulst，L．＆ Y． Gambier ( eds． ) ． A History of Modern Translation Knowledge: Sources，Concepts，Effects［C］． Amsterdam/Philadelphia: John Benjamins Publishing Company，2018．

［7］ Geisler，E． Knowledge and Knowledge Systems: Learning from the Wonders of the Mind ［M］． New York: IGI Publishing，2008．

［8］ Johnson，A． Ｒevisiting technology as knowledge ［J］．Perspectives on Science，2005( 4) ．

［9］ Laudon，K． ＆ J． Laudon． Essentials of Management Information System ［M ］．New Jersey: Prentice Hall，2002．

［10］ Lave，J． Cognition in Practice: Mind，Mathematics and Culture in Everyday Life［M］． Cambridge: Cambridge University Press，1988．

［11］ Layton，J． Technology as knowledge［J］． Technology and Culture，1974( 1) ．

［12］ Manning，P． ＆ A． Owen． Knowledge in Translation: Global Patterns of Scientific Exchange，1000-1800CE［M］．Pittsburgh: University of Pittsburgh Press，2018．

［13］ Nakamori，Y． Defining knowledge technology and systems［A］． In Nakamori，Y． ( ed． ) ． Knowledge Technology and Systems: Toward Establishing Knowledge Systems Science［C］． Singapore: Springer，2023．

［14］ Parayil，G． Technological knowledge and technological change［J］． Technology in Society，1991( 3) ．

［15］ Ｒopohl， G．Knowledge types in technology ［J］．International Journal of Technology and Design Education，1997( 7) ．

［16］ Ｒothkegel，A． Text Knowledge and Object Knowledge［M］．London and New York: Printer Publishers，1993．

［17］ Ｒyle，G． The Concept of Mind［M］． London: Penguin Books，2000．

［18］ Scott， B．Translation， Brains and the Computer: A Neurolinguistic Solution to Ambiguity and Complexity in Machine Translation ［M ］．New York: Springer Cham，2018．

［19］ 戴光荣，左尚君． 翻译质量评估中语料库的运用与研究［J］． 外语教学，2021( 2) ．

［20］ 戴光荣，刘思圻． 神经网络机器翻译: 进展与挑战［J］．外语教学，2023( 1) ．

［21］ 范武邱，钟含春． 从思维形态的多样性看机器翻译亟待突破的瓶颈［J］． 外语教学，2023( 1) ．

［22］ 胡安江． 数字化时代的“众包”翻译模式及其相关问题探讨［J］． 外语教学，2017( 3) ．

［23］ 胡加圣，戚亚娟． ChatGPT 时代的中国外语教育: 求变与应变［J］． 外语电化教学，2023( 1) ．

［24］ 胡开宝，李翼． 机器翻译特征及其与人工翻译关系的研究［J］． 中国翻译，2016( 5) ．

［25］ 贾艳芳，孙三军． 机器翻译译后编辑难度测量体系构建研究［J］． 中国外语，2022( 3) ．

［26］ 蓝红军．“后理论时代”翻译学的知识生产［J］． 中国外语，2016( 5) ．

［27］ 蓝红军． 作为理论与方法的知识翻译学［J］． 当代外语研究，2022( 2) ．

［28］ 梁君英，刘益光． 人类智能的翻译能力优势———基于语料库的人机翻译对比研究［J］． 外语与外语研究，2023( 3) ．

［29］ 苗菊，宁海霖． 翻译技术的知识体系化演进———以双语术语知识库建设与应用为例［J］． 中国翻译，2016( 6) ．

［30］ 覃江华． 翻译与知识生产、管理和转化———知识翻译学刍议［J］． 当代外语研究，2022( 1) ．

［31］ 秦颖． 基于神经网络的机器翻译质量评析及对翻译教学的影响［J］． 外语电化教学，2018( 2) ．

［32］ 王海峰，何中军，吴华． 神经网络机器翻译技术及产业应用［M］． 北京: 机械工业出版社，2023．

［33］ 王华树，刘世界． 人工智能时代翻译技术转向研究［J］．外语教学，2021( 5) ．

［34］ 王华树． 翻译技术研究［M］． 北京: 外语教学与研究出版社，2023．

［35］ 王均松，肖维青，崔启亮． 人工智能时代技术驱动的翻译模式: 嬗变、动因及启示［J］． 上海翻译，2023( 4) ．

［36］ 王珊 珊，刘 振 前，李 丹． 学术外译对话合作模式构建［J］． 上海翻译，2020( 5) ．

［37］ 王众托． 知识系统工程［M］． 北京: 科学出版社，2004．

［38］ 严程极，杨枫． 知识翻译学的知识渊源［J］． 上海翻译，2022( 6) ．

［39］ 杨枫． 知识翻译学宣言［J］． 当代外语研究，2021( 5) ．

［40］ 杨枫． 知识翻译学的翻译定义与分类［J］． 当代外语研究，2022( 1) ．

［41］ 杨枫． 翻译在知识之间 人在知识之上———写在《知识翻译学宣言》发表 2 周年之际［J］． 当代外语研究，2023a( 5) ．

［42］ 杨枫． 知识翻译学论纲［J］． 当代外语研究，2023b( 4) ．

［43］ 张生祥． 基于知识翻译学的翻译研究与知识转化［J］．当代外语研究，2022( 2) ．