Rethinking Higher Education/Chapter 4/zh

语言: EN · ZH · EN-ZH · ← 目录

第四章

翻译的终结：人工智能如何变革教育中的跨文化交流

Martin Woesler

湖南师范大学

摘要

神经机器翻译（NMT）和生成式人工智能的兴起从根本上改变了跨文化交流和语言教育的格局。本文考察了人工智能翻译工具——包括DeepL、ChatGPT以及百度翻译和有道等中国平台——对翻译实践、翻译劳动力市场和语言教学法所带来的变革。基于近期比较研究和劳动力市场数据，我们记录了专业翻译需求的急剧萎缩以及机器翻译译后编辑（MTPE）工作流程的扩展。我们认为，这一转变需要一种以"机器翻译素养"而非传统翻译能力为中心的新教育范式。通过对欧洲和中国应对这一转变的系统比较，我们发现了不同的监管路径和趋同的教学挑战。我们的结论是："翻译的终结"并非跨文化理解的终结，而是人类专长向不可还原的人类特质——文化细微差别、伦理判断和文学感受力——的重新定向。

关键词：机器翻译、教育中的人工智能、DeepL、ChatGPT、译后编辑、翻译素养、欧中比较、语言教育

1. 引言

2024年5月30日，作为湖南师范大学让·莫内卓越中心"中欧数字化"系列讲座的一部分，作者发表了题为"翻译的终结"的演讲。这个标题是有意为之的挑衅。翻译，作为人类最古老的智力活动之一，似乎面临着来自人工智能的生存性挑战。神经机器翻译系统现在每天处理数十亿字，其准确度在十年前看来是不可想象的。国际货币基金组织于2026年1月报告称，其翻译和口译人员已从200人减少到约50人，其余人员日益被重新分配到机器生成输出的质量控制工作中（CNN 2026）。英国特许语言学家学会（CIOL）2024年的一项调查发现，超过70%的自由译者报告工作量有所下降（CIOL 2024）。

然而，这一挑衅性的表述需要加以限定。正在终结的不是翻译作为一种智力和文化活动，而是翻译作为一种主要由人类执行的常规专业服务。正在出现的是一种新的人机协作生态，在这种生态中，人类的角色从生产翻译转向评估、完善和语境化机器输出。对于教育——特别是欧洲和中国大学的语言系和翻译项目——这一转变提出了紧迫的问题。我们应该教给那些将进入一个与二十世纪前身截然不同的职业的学生什么？我们如何培养机器无法复制的独特人类能力？欧洲和中国这两种不同的教育体系如何应对这些挑战？

本文通过考察人工智能翻译技术的现状、其劳动力市场后果、"机器翻译素养"的新兴概念、译后编辑在教育中的角色以及欧洲和中国机构的不同应对来回答这些问题。本文通过将人工智能在教育中的技术维度与配套章节中提出的适切性理论伦理框架（Woesler，本卷）和人工智能辅助语言学习的实证发现（Woesler，本卷）联系起来，为更广泛的论文集做出贡献。

2. 历史背景：翻译与技术

在考察当前人工智能驱动的转型之前，有必要将其置于技术与翻译关系的更长历史中。从最广义上讲，翻译一直受到技术的中介——从使翻译作为文本实践成为可能的书写发明，到创造了对翻译作品大量需求的印刷术，再到改变了译者物理工作流程的打字机和文字处理器。

计算方法处理翻译的历史可追溯到Warren Weaver 1949年的备忘录，他提出将信息论和密码学技术应用于"翻译问题"。此后数十年间，基于规则的机器翻译（RBMT）和统计机器翻译（SMT）所产生的系统虽然对获取大意——粗略理解外文文本——有所帮助，但不足以产出可发表的翻译。2010年代中期的神经网络革命——始于注意力机制（Bahdanau等人 2014），最终形成Transformer架构（Vaswani等人 2017）——从根本上改变了这一局面。对于常规文本而言，机器输出首次往往与称职的人工翻译难以区分。

最常被援引的历史类比是摄影对绘画的影响。摄影并没有消灭绘画，但它确实消灭了绘画对视觉再现的垄断，使画家得以探索摄影无法捕捉的视觉体验维度——抽象、表现主义、概念艺术。同样，人工智能翻译可能不会消灭人工翻译，但它正在消灭人工翻译对跨语言交流的垄断，有望使人类译者专注于机器无法复制的跨文化意义创造的维度。

3. 人工智能翻译格局：工具与能力

3.1 神经机器翻译与生成式人工智能

专用神经机器翻译（NMT）系统与生成式人工智能（GenAI）工具之间的区别对于理解当前格局至关重要。正如Ohashi（2024）在其系统比较中所展示的，谷歌翻译和DeepL等NMT系统是专为翻译而构建的，在平行语料库上训练，针对特定语言对的流畅性和充分性进行优化。ChatGPT、Claude和中国的文心一言等GenAI工具将翻译作为众多能力之一来处理，利用更广泛的语言理解，但缺乏专用NMT系统的专业训练数据。

这种区别具有实际意义。一项对ChatGPT、谷歌翻译和DeepL在中国旅游文本翻译方面的多维度比较发现，在忠实度、流畅性、文化敏感性和说服力方面，ChatGPT优于专用NMT——特别是在给出文化定制提示时（Chen等人 2025）。然而，ChatGPT偶尔会引入源文本中不存在的语义偏移，这是专用NMT系统能更可靠避免的现象。Sun, R.（2024）通过隐含主语的视角评估中译英文学翻译，发现ChatGPT处理当代中国散文（特别是余秋雨的散文）的隐含主语结构比DeepL更加精妙，表明GenAI更广泛的语境理解弥补了其在文学领域缺乏专门翻译训练的不足。

3.2 中国人工智能翻译平台

中国的人工智能翻译生态系统值得单独关注，因为它在很大程度上独立于西方生态系统运作。百度翻译支持203种语言，包括稀有方言和古典中文，使用具有上下文感知句子级处理能力的NMT技术。有道翻译由网易开发，2023年发布了"子曰"教育大语言模型，随后在2025年推出子曰-o1推理模型，将翻译能力与深度词典和学习工具功能整合，涵盖约107种语言。腾讯翻译和科大讯飞的系统同样将翻译与更广泛的教育和商业应用相结合。

一项使用Likert量表对有道人工智能翻译、百度翻译和腾讯翻译在中国音乐史文本翻译方面的比较质量评估发现，在专业领域准确性方面存在显著差异，没有一个系统在专业文化内容方面达到了一致的专家级质量（Zhang等人 2025）。这一发现印证了一个反复出现的主题：人工智能翻译在通用交流方面表现出色，但在专业领域、文化嵌入型和风格要求高的文本方面力有不逮。

3.3 技术现状：优势与持续弱点

当前的人工智能翻译系统处理常规信息性文本——新闻文章、商业信函、技术文档、用户界面——的水平接近或匹配普通人类译者。当考虑译后编辑因素时，质量差距进一步缩小。然而，在若干领域依然存在系统性弱点：

文学翻译，其中声音、节奏、歧义和文化共鸣是构成性的而非附带性的。例如，诗歌的机器翻译在很大程度上仍然不足，正如出版业关于人工智能模型是否"足够先进以翻译文学"的持续论争所记录的那样（The Markup 2025）。

幽默、讽刺和反语，这些依赖于共享的文化知识、语境推理和对语言期望的有意违背。机器可以通过训练数据识别一些讽刺模式，但它们无法理解某事为什么有趣或讽刺在修辞上如何运作。

文化嵌入式表达缺乏直接等价物——不仅仅是习语（NMT系统越来越多地通过模式匹配来处理），还有反映不同世界观的概念框架。例如，中国哲学术语"仁"（rén）无法翻译成任何单一的英文词汇（"benevolence"、"humaneness"、"goodness"、"humanity"），因为每个选项都突出了一个概念的不同面向，而在中文中该概念同时涵盖了所有这些面向。

伦理和政治敏感性，其中翻译选择所产生的后果超出了语言准确性的范围。政治敏感术语的翻译——"发展中国家"、"人权"、"民主"——涉及的判断基于训练数据中的统计模式而非伦理审慎。

3.4 关于评估方法论的说明

人工智能翻译质量的评估仍然存在争议。传统指标如BLEU（双语评估替补）和更新的神经指标如COMET和BERTScore捕捉翻译质量的不同方面，有时会产生矛盾的结果。人工评估虽然被视为金标准，但成本高昂、耗时且受评估者偏见的影响。越来越多地使用人工智能系统来评估其他人工智能系统翻译的做法引发了循环论证的问题。

对于教育情境而言，最相关的评估标准不是抽象的质量而是目的适切性。用于帮助学生理解外语文本的机器翻译与用于出版、法律诉讼或外交交流的翻译有不同的质量要求。这种务实的视角——与翻译研究中的目的论（Skopos Theory）传统以及本卷其他章节提出的适切性框架相呼应——表明"机器翻译够好吗？"这个问题只能相对于特定的目的、语境和后果来回答。

4. 劳动力市场转型

4.1 翻译需求的萎缩

人工智能对翻译职业的影响是严重而迅速的。经济政策研究中心（CEPR）利用谷歌翻译在美国各地方劳动力市场的采用变化进行的研究发现，"采用率更高的地区出现了译者就业的下降"，且"机器翻译的改进总体上减少了对外语技能的需求"（Frey & Llanos-Paredes 2025）。2024年接受调查的四分之三以上的专业译者预计生成式人工智能将对其未来收入产生不利影响。

国际货币基金组织将其翻译人员从200人减少到约50人是一个具体的机构案例（CNN 2026）。Duolingo于2024年1月裁减了约10%的翻译承包商，转向人工智能主导的内容生产。翻译机构"越来越多地转向以MTPE为核心的商业模式，压低费率，且常常损害最终产品的质量"（The Markup 2025）。

这些数据必须审慎解读。翻译行业涵盖了广泛的活动——从认证法律翻译到网站本地化，再到文学翻译和会议口译——人工智能的影响在这些子行业之间差异巨大。美国劳工统计局预计，到2032年美国对口译员和笔译员的需求将持续增长，受全球化和移民推动，即使工作性质发生变化。正在萎缩的不是对跨语言交流的需求，而是对人类独立翻译常规文本这一传统模式的需求。

4.2 译后编辑的兴起

传统翻译就业的下降部分被机器翻译译后编辑（MTPE）作为一种专业活动的增长所抵消。译后编辑人员审查、纠正和完善机器生成的翻译，而不是从零开始翻译。这代表了译者角色的根本性转变——从作者到编辑，从创造者到质量控制员。

关于ChatGPT-4o在增强译后编辑方面潜力的研究发现，它"可以补充人类在译后编辑方面的专业知识"，但"不能在没有人工干预的情况下提供完全准确的翻译"，全面整合将"显著降低成本、时间和精力"（Chen 2025）。Jiang、Wei和Al-Shaibani（2025）研究了中国非物质文化遗产文本的中译英NMT译后编辑，记录了MTPE工作流程如何处理专业文化内容，同时证明人类专业知识对文化敏感材料仍然不可或缺。

然而，译后编辑模式也引发了自身的问题。"译后编辑疲劳"——由不断评估和纠正机器输出而非进行创造性翻译而导致的认知耗竭——已在专业译者中得到记录（The Markup 2025）。一些人认为，译后编辑训练人类大脑像机器一样思考，而非发展区分专家级人工翻译的文化和文学敏感性。

4.3 差异化影响

劳动力市场影响在翻译各领域中并不均匀。常规商业、技术和行政翻译受影响最大，人工智能系统以可接受的质量和最少的人工干预处理这些任务。文学、法律和外交翻译——精确性、细微差别和文化敏感性至关重要的领域——受影响较小，尽管人工智能工具越来越多地被用作这些领域的初稿生成器。

影响的地理分布也各不相同。在欧洲，翻译职业组织相对完善且受到监管，转型伴随着专业辩论和一些机构应对。在中国，翻译市场规模更大但更碎片化，转变更快且较少受到专业组织的调节。中国翻译公司积极采用人工智能工具，驱动力来自市场竞争以及针对中文语言对优化的国内人工智能平台的可用性。

5. 机器翻译素养：一种新的教育范式

5.1 机器翻译素养的定义

"机器翻译素养"的概念由Bowker和Buitrago Ciro（2019）提出，并由Bowker（2023）在《揭秘翻译：向非译者介绍翻译》中进一步阐述。机器翻译素养涵盖多种能力：理解机器翻译系统的工作原理（从架构而非仅从功能角度）、理解机器翻译系统在实践中的使用方式、认识机器翻译更广泛的社会和经济影响、评估源文本的机器翻译友好性、创建或修改文本以获得更好的机器翻译输出，以及为保证质量和适切性而修改机器翻译输出。

这一框架将教育重点从翻译能力（翻译的能力）转向翻译素养（有效利用翻译技术的能力）。这种转变类似于数字时代所特有的更广泛教育转型——从信息生产到信息评估。

5.2 学生准备度：当前差距

一项对翻译教育中新手翻译学生人工智能素养的调查发现，学生"经常提到'大数据'、'深度学习'和'神经网络'等术语，但对这些词语的含义或它们与人工智能翻译工具的关系知之甚少"（Zhang等人 2025）。表面熟悉与真正理解之间的差距是许多机构翻译教育现状的典型特征。

一项关于大学生对在翻译实践中使用生成式人工智能看法的调查发现，GenAI工具在"增强翻译效率、质量、学习和实践"方面提供了优势，培养了积极的前景——但这种积极前景可能反映的是不加批判的接受而非知情的评估（Zhang等人 2025）。教育者面临的挑战是培养对人工智能工具的批判性参与，既不妖魔化也不不加批判地赞美它们。

关于英语教学中机器翻译的研究发现，谷歌翻译是学生中最受欢迎的机器翻译工具，其次是DeepL和ChatGPT，主要用于阅读理解、语法检查和写作辅助（ELT Journal 2024）。一个重要发现是"教师倾向于将机器翻译视为'敌人'，而学生将其视为'朋友'"——这种代际分歧使教学应对更加复杂。

5.3 走向新的专业角色

机器翻译素养作为教育范式的出现催生了对新专业角色的提议。Ehrensberger-Dow、Delorme Benites和Lehr（2023）提出了"机器翻译素养顾问"的角色——一位在机器翻译技术与教学或组织需求之间架起桥梁的专业人士（Ehrensberger-Dow 2023）。这一角色不仅涉及技术能力，还包括评估机构需求、设计机器翻译整合策略和培训最终用户有效使用机器翻译的能力。

Ren等人（2025）提出了一个将人机协作整合到翻译教育中的全面方案，概述了评估、诊断和策略制定方法，将人机协作定位为核心教学框架而非传统翻译培训的附加项。

6. 课程中的译后编辑

6.1 MTPE作为核心能力

将MTPE整合到翻译课程中不再是可选的，而是必不可少的。进入翻译行业的学生几乎肯定将使用机器生成的初稿，而非从空白页面开始翻译。因此，课程必须培养以下能力：

错误检测和分类——识别NMT和GenAI系统特征性产生的错误类型（遗漏、添加、误译、语域错误、文化不当）。

高效编辑策略——区分"轻度译后编辑"（用于大意理解的最少纠正）和"完全译后编辑"（达到出版质量的全面修订），以及了解每种方式何时适用。

源文本评估——根据领域专业性、文化嵌入性、语域要求和错误后果等因素，评估文本是否适合机器翻译或需要人工翻译。

质量评估——开发系统评估机器翻译输出的框架，超越印象式判断，走向结构化评估标准。

6.2 机器翻译错误分类法

有效的译后编辑需要系统理解人工智能翻译系统特征性产生的错误类型。基于研究文献和作者在中英、中德机器翻译方面的自身经验，我们可以确定以下反复出现的错误类别：

遗漏错误：NMT系统有时会跳过源文本的部分内容，特别是从句、括号内容或文化特定解释。这在中译英翻译中尤为突出，因为缺乏显式语法标记（没有冠词、没有强制复数标记、没有屈折动词形式）意味着机器必须推断可能导致简化的结构关系。

添加错误：相反，GenAI系统——特别是ChatGPT——偶尔会插入源文本中不存在的信息，从其训练数据中提取以"补全"它们认为不完整的信息。这种"幻觉"问题在其他GenAI应用中有充分记录，在翻译中表现为插入解释性短语、隐含文化知识或推断的逻辑联系。

语域错误：机器翻译系统在处理语域——对给定文本类型适当的正式度、技术性或亲密度水平——方面存在困难。以随意对话语域翻译的正式外交公报，或以学术文体呈现的儿童故事，可能在语义上准确但在语用上不当。

文化替代错误：面对文化特定引用时，人工智能系统有时会替换目标文化的等价物，而非保留源文化的特异性。这是Venuti（1995）在人工翻译中批评的归化倾向的一种表现，如今被自动化因而更加普遍。

连贯性错误：虽然单个句子可能被准确翻译，但更长文本的连贯性——论证的逻辑流转、主题线索的维护、术语的一致性——可能因句子级处理而受到损害，丧失了对语篇层面结构的整体把握。

理解这些错误类型对于有效的译后编辑至关重要，应成为MTPE课程的核心组成部分。

6.3 MTPE教育中的挑战

有效教授MTPE面临若干教学挑战。学生必须首先具备足够的翻译能力来识别机器错误——一个人无法有效编辑自己无法独立产出或至少独立评估的翻译。这就产生了一个悖论：MTPE似乎使之过时的那些能力（深厚的语言知识、文化理解、风格敏感性）恰恰是良好执行MTPE所需要的。

此外，MTPE训练有将翻译教育简化为错误纠正技术练习的风险，忽视了将翻译与其他文本处理形式区分开来的创造性、文化和伦理维度。教育者必须找到同时发展技术MTPE技能和赋予这些技能意义与方向的更广泛人文能力的方法。

一种颇具前景的教学方法是结构化比较练习，让学生评估同一源文本由多个系统（NMT、GenAI和人类译者）翻译的结果，并分析每个系统的特征性优势和弱点。这种练习培养批判性评估技能，建立对错误类型的认知，并培养区分知情译后编辑者和被动的机器输出纠正者的元语言意识。

7. 欧洲和中国的应对比较

7.1 欧洲的方法

欧洲对人工智能翻译革命的应对受到几个因素的影响：欧盟强大的多语言传统（24种官方语言）、通过欧洲翻译硕士（EMT）网络等组织实现的翻译职业化的相对成熟，以及欧盟《人工智能法》提供的监管框架。

EMT网络已开始修订其能力框架以纳入人工智能相关技能，尽管机构变革的速度落后于技术发展。多所欧洲大学在现有翻译项目中引入了专门的MTPE课程或模块。欧盟《人工智能法》将某些教育人工智能应用归类为高风险（参见本卷关于教育中人工智能伦理的配套章节，Woesler），提供了一个鼓励谨慎、以伦理为导向地整合人工智能工具而非不加批判地采用的监管背景。

欧洲一个值得注意的发展是越来越强调将"人工智能素养"作为一般教育要求。欧盟《人工智能法》要求人工智能系统的部署者接受人工智能素养培训，该义务于2025年2月生效。虽然这一要求针对的是组织而非直接针对学生，但它为大学开发包含翻译相关能力的人工智能素养课程创造了制度激励。

欧洲翻译硕士（EMT）网络协调了80多所欧洲大学的翻译培训，已开始根据人工智能发展对其能力框架进行系统审查。2024年的审查过程确定了机器翻译素养、译后编辑技能和人工智能伦理作为课程整合的优先领域。然而，各成员机构之间的实施速度差异巨大——一些机构已经围绕人机协作重新构建了其项目，而另一些则继续以技术格局没有根本改变的方式教授翻译技能。

在德国，大学翻译系会议（Konferenz der Universitätstranslationsinstitute）就传统翻译考试——通常要求学生在没有技术辅助的时间压力下翻译未见过的文本——作为评估工具是否仍然适当进行了辩论。新兴的共识倾向于双重方法：保留传统翻译能力评估的要素，同时增加测试译后编辑能力、机器翻译输出评估和对人工智能工具批判性反思的新评估形式。

法国采取了略有不同的方法，法国翻译协会（Société française des traducteurs, SFT）发布了将人工智能工具整合到专业实践中的指南，这些指南影响了大学课程设置。这些指南强调译者正在演变为"语言技术专家"的角色，能够就不同目的下机器翻译和人工翻译的适当使用为客户提供建议。

7.2 中国的方法

中国的应对特征是快速的机构采用、国家层面的政策指导以及国内人工智能平台的可用性。中国教育部自2025年9月起在所有中小学强制实施人工智能教育——小学侧重于人工智能素养和接触，初中侧重于逻辑和批判性思维，高中侧重于应用创新和算法设计。在大学层面，中国机构将人工智能工具整合到语言和翻译课程中的速度比许多欧洲同行更快，部分源于市场竞争的驱动，部分源于国家对采用人工智能的鼓励。

国内人工智能生态系统——百度翻译、有道及其子曰教育模型、腾讯翻译、科大讯飞——为中国学生和教育者提供了专门针对中文语言对优化并与更广泛教育平台整合的人工智能工具。这与欧洲主要依赖西方商业工具（DeepL、谷歌翻译、ChatGPT）形成对比，后者针对欧洲语言组合优化，在服务中欧语言对方面可能不够理想。

然而，中国的方法也面临独特的挑战。对ChatGPT、Claude和Google Gemini等全球人工智能工具的访问限制意味着中国学生和研究者主要使用国内替代品，这可能限制了他们对人工智能翻译能力和方法全貌的接触。对快速采用的强调也可能以牺牲批判性评估和伦理反思为代价——而这正是受人工智能法框架影响的欧洲机构开始优先考虑的方面。

中国应对的另一个维度是将人工智能翻译与更广泛的国家战略相整合。国务院的"新一代人工智能发展规划"（2017年）和"教育现代化2035"都将包括翻译在内的人工智能能力界定为国家战略能力。这意味着在中国教育中采用人工智能翻译工具不仅仅是一个教学决策，更是对国家技术发展的贡献。因此，中国大学面临的激励结构与其欧洲同行不同：欧洲机构可能由于对学术诚信和人类技能退化的担忧而对人工智能采用持谨慎态度，而中国机构面临着将人工智能整合作为现代化和与国家政策一致之证据的制度压力。

人工智能翻译融入中国大学英语教育体系说明了这一动态。《大学英语课程要求》（2024年修订版）明确将"使用人工智能工具进行跨文化交流的能力"列为毕业生能力要求。包括北京大学、复旦大学和湖南师范大学在内的多所中国重点大学在其外语项目中引入了人工智能辅助翻译和交流模块，通常由自身也在学习驾驭新技术格局的教职人员教授。

7.3 趋同的挑战

尽管存在上述差异，欧洲和中国机构面临着趋同的挑战：

课程滞后——两个体系都难以按照技术变革的速度更新课程，认证过程和机构惯性减缓了适应速度。

教职人员准备度——在两种背景下，许多翻译教职人员缺乏使用人工智能工具的亲身经验，不确定如何将它们有效整合到教学中。

评估设计——当学生可以使用人工智能工具时，测试从零开始翻译文本能力的传统翻译考试变得有问题，需要新的评估方法来评价机器翻译素养、批判性评估和译后编辑能力，而非单纯的翻译能力。

平衡技术和人文教育——两个体系都必须在为MTPE主导的市场的即时需求培训学生和发展区分人类译者与机器的更广泛文化、伦理和创造能力之间寻求平衡。

8. 超越机器翻译：不可还原的人类特质

8.1 文学和文化翻译

人类译者最明显不可或缺的领域是文学和文化翻译。文学翻译不仅仅是将意义从一种语言转换到另一种语言，而是在不同的语言和文化语境中重新创造声音、节奏、歧义、幽默、讽刺和审美效果。机器可以翻译诗歌的文字，但它无法翻译诗歌本身。

这不仅仅是以人文主义信念对抗技术进步的宣言。它反映了模式匹配（人工智能所擅长的）和意义创造（需要具身文化体验、情感理解和审美判断）之间的根本区别。当Emily Wilson翻译荷马的《奥德赛》或Pevear和Volokhonsky重新翻译陀思妥耶夫斯基时，他们带来的不仅是语言专长，还有个人解释视野——这是区分伟大翻译和称职译文的品质。

8.2 翻译中的伦理判断

关于适切性理论的配套章节（Woesler，本卷）认为，翻译不能纯粹基于语言标准来评估，而必须在一个考虑生产条件、历史语境和翻译选择潜在后果的伦理框架内进行评估。这一伦理维度——识别翻译选择何时可能造成伤害、文化敏感性何时要求偏离字面准确性、政治语境何时需要审慎措辞的能力——仍然超出了当前人工智能系统的能力范围。

人工智能翻译系统基于训练数据中的统计模式做出选择。它们无法在权衡竞争价值观和为选择后果承担责任的意义上行使伦理判断。审查机器输出并决定某一特定译法虽然在语言上准确但在文化上不恰当或政治上敏感的译后编辑者，行使的是当前任何人工智能系统都无法复制的一种人类能动性。

8.3 "互补性论题"的延伸

本卷的实证研究（Woesler，本卷）发现，人工智能和人类教学在语言学习中服务于"不同的、互补的功能"——我们称之为互补性论题。这一论题自然延伸到翻译领域：人工智能和人类译者服务于不同的、互补的功能。人工智能在速度、一致性、覆盖面和处理常规信息性文本方面表现出色。人类译者在文化解读、文学创造力、伦理判断和处理精确性与细微差别攸关的高风险文本方面表现出色。

翻译的未来既不是用机器取代人类，也不是维持传统的纯人工翻译实践。而是一种协作生态，在这种生态中，人类和机器之间的劳动分工随着人工智能能力的演进以及我们对何为"好翻译"的理解的深化而不断重新协商。

8.4 中国文学翻译的案例

人工智能翻译局限性的一个具体例证可以从作者自己翻译中国文学文本——包括鲁迅作品和古典中国小说——为德语和英语的经验中得出。考虑鲁迅《狂人日记》（1918年）的开头一行："今天晚上，很好的月光。"机器翻译产出的译文类似"Tonight, very good moonlight"——语法上尚可但审美上毫无生气。人类译者面临的挑战是传达不仅仅是语义内容，还有那种有意平淡、令人不安的语调——这种语调确立了叙述者的精神状态：普通观察（"很好的月光"）与疯狂浮现的非凡语境之间的并置。

同样，古典中国诗歌的翻译——其中一个字可能承载多重同时含义，声调模式创造音乐结构，文化典故在多个层面上运作——从根本上超出了当前人工智能的能力。唐诗及其严格的形式要求（律诗：具有声调模式、对仗和压缩意象的格律诗），不仅抵抗机器翻译，也抵抗任何不涉及对中国文学传统、佛道哲学框架和个别诗人特定历史语境之深入理解的翻译。

这些例子不仅仅是有趣的个案，而是一个普遍原则的例证：文本对文化嵌入性、审美效果和多层次意义的依赖程度越高，人工智能翻译就越显不足。这一原则对教育有直接启示，表明文学翻译的研习——远非过时的专业化——可能成为翻译教育中最具独特人类性因而最有价值的组成部分。

9. 结论

"翻译的终结"如果从字面上理解是一个误导性的说法。正在终结的是翻译作为一种主要由人类执行的常规专业服务。正在出现的是一种新的人机协作生态，它需要新的能力、新的专业角色、新的课程和新形式的伦理反思。

对于教育而言，这一转型所要求的不亚于对翻译教与学之含义的重新概念化。机器翻译素养——涵盖技术理解、批判性评估、有效的译后编辑和伦理判断——必须成为语言和翻译课程的核心。同时，机器无法复制的人文能力——文化敏感性、文学感受力、伦理推理、创造性解读——必须得到保存和加强，而不是作为过时之物被抛弃。

欧洲和中国应对策略的比较揭示了欧盟谨慎的、以监管为导向的方法与中国快速的、国家支持的人工智能工具采用之间的生产性张力。两种方法单独都不够充分。欧盟对伦理框架和批判性评估的强调为负责任的人工智能整合提供了必要的护栏。中国在采用的速度和规模方面产生了欧盟可以借鉴的实践经验和制度适应。综合两种方法——将伦理严谨性与实践敏捷性相结合——提供了最有前景的前进道路。

本分析得出几项实用建议。第一，翻译和语言项目应从第一学期起将机器翻译素养作为核心能力引入，确保学生在发展传统语言能力的同时培养批判性评估技能。第二，MTPE的教授不应仅仅作为一种技术技能，而应在包含错误分类法、质量评估方法论和对翻译选择后果之伦理反思的框架中进行。第三，文学和文化翻译应得到保存和加强，作为人类专长最明显不可替代——也在人工智能饱和的格局中最明显有价值——的领域。第四，应加强翻译教育领域的欧中学术合作，利用欧洲在监管和伦理框架方面的优势与中国在实际人工智能整合和规模方面的优势之互补性。

对于更广泛的教育数字化领域，"翻译的终结"案例研究既提供了一个警示，也提供了一个令人鼓舞的先例。警示的是，人工智能颠覆的速度和规模可能超过机构适应的步伐，使学生对转型后的职业格局准备不足。令人鼓舞的是，这一转型并没有消除对人类专长的需要，而是将其重新定向——从常规执行到批判性评估、创造性解读和伦理判断。这些恰恰是高等教育最有能力培养的能力。

正如本论文集通过关于人工智能辅助语言学习、替代学习形式、人工智能伦理和未来大学的配套章节所展示的，人工智能在教育中引发的变革不是单一现象，而是必须整体应对的一系列相互关联的变化。我们所熟知的翻译的终结，同时也是某种新事物的开始——一种人类智能和人工智能协作以跨越语言、文化和世界观之间鸿沟的跨文化交流形式。

致谢

本研究得到了让·莫内卓越中心"欧盟研究中心：中欧数字化"（EUSC-DEC）的支持，由欧盟资助协议编号101126782提供资金。所表达的观点和意见仅代表作者本人，不一定反映欧盟的立场。

参考文献

Algaraady, J., & Mahyoob, M. (2025). Exploring ChatGPT's potential for augmenting post-editing in machine translation across multiple domains: challenges and opportunities. Frontiers in Artificial Intelligence, 8, 1526293.

Bowker, L. (2023). De-mystifying Translation: Introducing Translation to Non-translators. Routledge.

Bowker, L., & Buitrago Ciro, J. (2019). Machine Translation and Global Research: Towards Improved Machine Translation Literacy in the Scholarly Community. Emerald Publishing.

Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL in Chinese tourism texts translation: fidelity, fluency, cultural sensitivity, and persuasiveness. Frontiers in Artificial Intelligence, 8, 1619489.

CIOL. (2024). Freelance translators and interpreters: Work volumes survey. Chartered Institute of Linguists.

CNN. (2026, January 23). Translation and language jobs face automation as AI transforms the industry.

Ehrensberger-Dow, M., Delorme Benites, A., & Lehr, C. (2023). A new role for translators and trainers: MT literacy consultants. The Interpreter and Translator Trainer, 17(3), 393–411.

Frey, C. B., & Llanos-Paredes, D. (2025). Lost in translation: AI's impact on translators and foreign language skills. CEPR/VoxEU.

Kirchhoff, P. (2024). Machine translation in English language teaching. ELT Journal, 78(4), 393–400.

Jiang, L., Wei, B., & Al-Shaibani, G. K. S. (2025). Effective neural machine translation with human post-editing of Chinese intangible cultural heritage corpus into English. SAGE Open.

Ohashi, L. (2024). AI in language education: The impact of machine translation and ChatGPT. In P. Ilic, I. Casebourne, & R. Wegerif (Eds.), Artificial Intelligence in Education: The Intersection of Technology and Pedagogy (pp. 225–242). Springer.

Ren, X., & Wang, R. (2025). Integrating human-AI collaboration into translation education: A comprehensive protocol for assessment, diagnosis, and strategy development. PLoS One, 20(12), e0338089. DOI: 10.1371/journal.pone.0338089.

Slator. (2025). Slator 2025 Language Industry Market Report.

Sun, R. (2024). Evaluating the translation accuracy of ChatGPT and DeepL through the lens of implied subjects. Arab World English Journal for Translation & Literary Studies, 8(4).

The Markup. (2025, April 2). Are AI models advanced enough to translate literature? The debate is roiling publishing.

Woesler, M. (this volume). Appropriateness Theory: An integrative ethical framework for translation studies.

Vaswani, A., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, 30.

Weaver, W. (1949). Translation. Reprinted in W. N. Locke & A. D. Booth (Eds.), Machine Translation of Languages (1955). MIT Press.

Woesler, M. (this volume). Ethical frameworks for AI in higher education: Between European regulation and Chinese innovation.

Woesler, M. (this volume). Learning a foreign language with and without AI: An empirical comparative study.

Zhang, H. (2025, April). Quality Comparison of MT in Translating Chinese Music Historical Texts and Inspiration. In Learning Technologies and Systems: 23rd International Conference on Web-Based Learning, ICWL 2024 and 9th International Symposium on Emerging Technologies for Education, SETE 2024 Shanghai, China, November 26–28, 2024 Revised Selected Papers (Vol. 15589, p. 193). Springer Nature.

Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy in translation education. The Interpreter and Translator Trainer. Taylor & Francis.

Zhang, W., Li, A. W., & Wu, C. (2025). University students' perceptions of using generative AI in translation practices. Instructional Science. Springer.