2026.5.14 社会科学报 // Social Sciences Weekly (上海) 第五版 学术探讨 责编：博芬
责编按语：当前，生成式人工智能正深刻重塑着翻译研究的形态与议题。从传统机器翻译到大语言模型，技术的迭代不断刷新学界对翻译效率、质量、主体与伦理的既有认知。然而，人工智能的“智能”本质究竟为何？翻译研究又应如何定位自身？这不仅是一个单纯的技术问题，更是一个关乎学科本体与人文价值的深层命题。
翻译研究在人工智能时代的坚守与重构
广东外语外贸大学高级翻译学院教授 戴光荣
生成式人工智能（GenAI）的迅猛发展，正在深刻重塑着翻译研究的学科形态与核心议题。从基于规则的机器翻译到统计机器翻译，再到当下基于大语言模型与AI 智能体的自动化翻译，技术的迭代不断刷新人们对翻译效率、翻译质量、翻译主体、翻译伦理等话题的认知。然而，技术所展现出的“智能”究竟意味着什么？翻译研究在这一浪潮中又将如何定位自身？这不仅是一个单纯的技术问题，更是一个关涉学科本体、研究范式与人文价值的深层命题。
翻译技术演进的内在逻辑
回顾计算机的发展历程，一个基本规律愈发清晰：智力在人类文明进程中的贡献日益凸显。早期计算机主要用于庞大的数值计算，但随着信息数字化进程的加速，计算机逐步演变为能够处理各类任务的“信息处理机”。更关键的是，它不仅能够替代人类完成计算任务，更开始涉足逻辑思维领域，成为名副其实的“电脑”。这一转变为翻译技术的诞生与发展奠定了基础。
20 世纪50 年代，基于规则的机器翻译的初步尝试开启了这一领域；然而，在60 年代，语言自动处理咨询委员会（ALPAC）报告的负面评价使机器翻译项目陷入低谷，人工智能也随之经历第一次寒冬。1968 年，法国科学家皮埃尔·维勒（Pierre Wilber）在乔治敦大学开发的SYSTRAN 系统，作为早期实用化机器翻译的代表，被应用于美国空军与欧洲联盟委员会的多语言文献互译，为技术落地保留了火种。进入80 年代，以欧洲共同体委员会资助的EUROTRA 为代表的多语言翻译项目持续推进，使机器翻译在艰难中积累经验。90 年代初，基于统计的机器翻译逐步兴起，计算机辅助翻译工具开始普及，神经网络理念也首次进入翻译技术领域。1997 年，IBM 推出基于短语的统计机器翻译系统；随后，基于云计算的翻译管理系统如XTRF、Across Systems 相继问世。2006 年，谷歌翻译上线，迅速成为全球应用最广泛的翻译工具之一，标志着翻译技术步入大规模应用阶段。2015 年被认为神经机器翻译时代的开端，随后，谷歌便推出基于转换生成的神经机器翻译系统。2017 年，DeepL 发布，为机器翻译质量树立了新的标杆。2018年，首个自适应神经机器翻译系统出现，能够从译后编辑中持续学习。2019 年，基于Transformer 架构的模型全面提升了机器翻译的能力。2020 年起，机器学习与人工智能进入爆发期，显著增强了翻译系统的语境理解与交互能力。现代翻译管理系统深度融合术语库、记忆库与人工智能能力，翻译技术生态由此发生根本性变革。
上述演进历程表明，翻译技术并非线性进步，而是在多次技术范式的转换中不断跃迁。每一次转换，都伴随着对“翻译是什么”“机器能做什么”的重新定义。翻译技术演进的内在逻辑与人工智能发展的整体脉络紧密交织，每一次技术跃迁都折射出AI 的兴衰更迭。二者共同推进，逐步将人类从繁重的翻译劳动中解放出来。
大语言模型时代翻译研究中心的转移
生成式人工智能的崛起，以一系列标志性事件加速了翻译研究范式的转型。以OpenAI 为代表的人工智能公司推出了一系列模型，包括2023 年9 月发布的具备视觉功能的多模态语言模型GPT-4V，同年11 月推出的语音转录模型家族新成员Whisperlarge-v3，2024 年2 月发布的旗舰级视频音频生成模型Sora，以及5 月推出的具备全模态交互能力的模型GPT-4o。我国本土企业深度求索人工智能基础技术研究有限公司于2024年12 月发布DeepSeek-V3，并于2025 年1 月推出推理式大模型DeepSeek-R1。作为中国本土创新开源大语言模型的代表，DeepSeek凭借其卓越的推理能力与开放生态，迅速跻身全球生成式人工智能前沿，这标志着中国在人工智能核心技术领域实现了从跟跑到引领的重要跨越。
上述技术迭代不断拓展人工智能在语言能力与场景落地方面的边界。当前，大语言模型已呈现出多维度的能力：文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力、多模态交互。2025 年底推出、2026 年2 月正式统一命名的OpenClaw，让AI 从“会聊天”（包括与人互动完成翻译）进化到“会做事”（可自主规划翻译流程并高质量完成翻译任务）。这些能力深刻重塑了信息分发与获取模式，革新了内容生产方式，让通过全自然交互完成任务成为现实；不仅催生了专家级虚拟助手，颠覆了传统手工编程模式，也成为科研工作的重要辅助工具。
对于翻译研究而言，一个根本性的转变正在发生：研究中心正从“如何译”转向“如何与人工智能协同翻译”。传统翻译研究侧重于语言对比、译者主体性与文化转换，而大语言模型的出现促使研究转向人机交互、提示工程等新兴领域。译后编辑逐渐演变为人工智能提示工程，翻译过程中的“技术化”特征日益凸显。
知识翻译在这一背景下呈现出新的面貌。知识翻译强调跨语言的知识加工与重构，而大语言模型正是海量知识的参数化载体。通过技术手段（如知识增强、领域适配、实时检索）激活并优化模型中的知识，成为实现高质量知识翻译的关键路径。翻译研究的方法论也因此走向融合，不再局限于理论推演，而需结合模型训练、评估指标量化、算法优化等实证技术方法。研究者需要兼具语言学洞察与技术应用能力，以应对翻译在知识密度、专业深度与动态演进层面面临的新挑战。
算法主导下的人文坚守
然而，技术能力的提升并不等同于对翻译本质的全面把握。人工智能翻译虽然发展迅速，但无法完全替代人类译员。人工智能并不真正“理解”语言，它本质上是基于模式进行预测，这意味着在处理俚语、幽默或行业术语时可能出现偏差，甚至在某些情况下可能会放大数据中隐含的偏见。因此，规避机器翻译的数据与算法偏见，已成为翻译研究必须直面的话题。当涉及捕捉细微差异、情感表达或理解文化背景时，人工智能仍显不足。对于那些承载情感、品牌个性或法律风险的内容，人类译员的主导作用依然不可或缺。换言之，翻译不仅仅是语言符号的转换，更是文化、情感与价值的传递。
德国学者吉仁泽在《失控与自控》（How to stay smart in a smart world）一书中提出，保持聪慧意味着了解数字技术的潜力和风险，以及在充满算法的世界中保持主导地位的决心。这一观点对翻译研究者具有重要的警示意义。面对人工智能的浪潮，我们不能盲目崇拜技术，更不能固步自封，而应在充分理解技术原理的基础上，坚守翻译作为人文活动的本质。
语言科学与计算科学的跨学科协同
翻译研究在人工智能时代的发展，离不开跨学科的协同合作。语言科学背景与计算机科学背景的研究者虽然存在知识结构的差异，但这恰恰构成了优势互补的基础。自然语言处理领域的经典著作为翻译研究者提供了重要的技术参考。对于语言背景的研究者而言，并不需要完全掌握算法的技术细节，但必须具备理解数据、解读结果的能力。数据出来之后，最重要的环节在于解读。借助数据分析工具进行数据验证，关注数据的一致性、比对结果的差异，并深入分析误差产生的原因——这些能力正在成为翻译研究者的基本素养。
从更宏观的视角看，翻译研究与计算机科学的交叉，反映了人文科学在数智时代转型的普遍规律。语料库建设、机器翻译质量评估、提示工程研究、AI 智能体设计等方向，既是翻译研究的新增长点，又是人文学者参与技术构建的重要路径。
重塑人智协作新范式
人工智能时代的翻译研究，既面临前所未有的机遇，又面临深刻的挑战。机遇在于技术赋能拓展了翻译研究的疆域，挑战则在于如何在技术引领的时代坚守翻译的人文本质。未来翻译研究的核心任务，或许正是重塑人智协作的新范式——在这一范式中，人工智能承担可重复、可计算的翻译任务，人类则聚焦于创造性、情感性与文化性的翻译实践；人工智能（硅基）提供效率与规模，人类（碳基）赋予翻译温度与深度。
碳基与硅基的协作，不是替代关系，而是分工与互补。信息化时代的译员必须告别“裸翻”，学会与人工智能协同工作、协同思考。这不仅是对翻译实践者的要求，也是对翻译研究者的要求。翻译的本质乃是知识迁移与价值重构。译者应当秉持文化自觉，以批判思维审视技术输出，以人文精神弥补算法的瑕疵，以“人”智引领“机”智，以“人心”指导“机芯”，实现价值对齐。唯有在技术洞察与人文坚守之间保持平衡，翻译研究才能在人工智能时代找到属于自己的位置，继续为跨语言、跨文化的交流与理解贡献力量。
人工智能与翻译技术的演进史告诉我们，每一次技术变革都会带来焦虑与期待的交织。然而，历史同样证明，真正具有生命力的研究范式，不是对技术的盲从或排斥，而是在深刻理解技术逻辑的基础上，重新发现人的价值。人工智能时代翻译研究的未来，正系于这种清醒的自我认知与开放的重构勇气。
转载本文请联系原作者获取授权，同时请注明本文来自戴光荣科学网博客。
链接地址：https://wap.sciencenet.cn/blog-331736-1534934.html?mobile=1
收藏
