Rethinking Higher Education/ru/Chapter 4
Конец перевода: как ИИ трансформирует межкультурную коммуникацию в образовании
Мартин Вёслер
Хунаньский педагогический университет
Аннотация
Развитие нейронного машинного перевода (НМП) и генеративного ИИ коренным образом изменило ландшафт межкультурной коммуникации и языкового образования. В данной статье исследуется трансформация, осуществлённая инструментами перевода на основе ИИ — включая DeepL, ChatGPT и китайские платформы, такие как Baidu Translate и Youdao, — в практике перевода, на рынке переводческого труда и в языковой педагогике. Опираясь на последние сравнительные исследования и данные рынка труда, мы документируем резкое сокращение спроса на профессиональный перевод наряду с расширением рабочих процессов постредактирования машинного перевода (ПЕМП). Мы утверждаем, что этот сдвиг обусловливает необходимость новой образовательной парадигмы, ориентированной на «грамотность в области машинного перевода», а не на традиционную переводческую компетенцию. Посредством систематического сравнения европейских и китайских ответов на эту трансформацию мы выявляем расходящиеся регуляторные подходы и сходящиеся педагогические задачи. Мы приходим к выводу, что «конец перевода» — это не конец межкультурного понимания, а переориентация человеческой экспертизы на то, что остаётся неотъемлемо человеческим: культурный нюанс, этическое суждение и литературная чуткость.
Ключевые слова: машинный перевод, ИИ в образовании, DeepL, ChatGPT, постредактирование, переводческая грамотность, сравнение ЕС и Китая, языковое образование
1. Введение
30 мая 2024 года в рамках лекционного цикла Центра передового опыта Жана Монне «Цифровизация в Китае и Европе» в Хунаньском педагогическом университете автор прочёл лекцию, озаглавленную «Конец перевода». Название было намеренно провокационным. Перевод — один из древнейших интеллектуальных видов деятельности человечества — сталкивается, по-видимому, с экзистенциальным вызовом со стороны искусственного интеллекта. Системы нейронного машинного перевода ныне обрабатывают ежедневно миллиарды слов с уровнем точности, который десятилетие назад казался немыслимым. Международный валютный фонд сообщил в январе 2026 года, что его штат переводчиков и устных переводчиков сократился с 200 до примерно 50 человек, а оставшиеся всё более переводятся на контроль качества машинно сгенерированных текстов (CNN, 2026). Опрос 2024 года Королевского института лингвистов (CIOL) показал, что более 70 процентов внештатных переводчиков отметили сокращение объёмов работы (CIOL, 2024).
Однако провокационная формулировка требует уточнения. Заканчивается не перевод как интеллектуальная и культурная деятельность, а перевод как рутинная профессиональная услуга, выполняемая преимущественно людьми. Формируется новая экология человеко-машинного сотрудничества, в которой роль человека смещается от производства переводов к оценке, доработке и контекстуализации машинного результата. Для образования — особенно для кафедр иностранных языков и программ перевода как в европейских, так и в китайских университетах — этот сдвиг ставит неотложные вопросы. Чему мы должны учить студентов, которые вступят в профессию, радикально отличающуюся от её облика в двадцатом веке? Как мы культивируем отчётливо человеческие компетенции, которые машины не способны воспроизвести? И как различные образовательные системы — европейская и китайская — отвечают на эти вызовы?
2. Исторический контекст: перевод и технология
Прежде чем исследовать современную трансформацию, обусловленную ИИ, полезно поместить её в более длительную историю взаимоотношений технологии с переводом. Перевод всегда опосредовался технологией в самом широком смысле — от изобретения письменности, которое сделало перевод возможным как текстовую практику, до печатного станка, создавшего массовый спрос на переводные произведения, до пишущей машинки и текстового процессора, преобразивших физический рабочий процесс переводчика.
Вычислительный подход к переводу ведёт отсчёт от меморандума Уоррена Уивера 1949 года, предложившего применить теорию информации и криптографические техники к «проблеме перевода». Последующие десятилетия машинного перевода на основе правил (RBMT) и статистического машинного перевода (SMT) произвели системы, полезные для «схватывания сути» — получения приблизительного понимания иноязычного текста, — но неадекватные для производства публикуемых переводов. Нейронная революция середины 2010-х годов, начавшаяся с механизма внимания (Bahdanau et al., 2014) и кульминировавшая в архитектуре Трансформер (Vaswani et al., 2017), изменила ситуацию кардинально. Впервые машинный результат зачастую стал неотличим от компетентного человеческого перевода для рутинных текстов.
Историческая параллель, наиболее часто приводимая, — это влияние фотографии на живопись. Фотография не устранила живопись, но устранила монополию живописи на визуальное представление, освободив художников для исследования тех измерений визуального опыта — абстракции, экспрессионизма, концептуального искусства, — которые фотография не могла передать. Аналогично, ИИ-перевод, возможно, не устранит человеческий перевод, но устраняет монополию человеческого перевода на межъязыковую коммуникацию, потенциально освобождая переводчиков для сосредоточения на тех измерениях межкультурного смыслопорождения, которые машины не могут воспроизвести.
3. Ландшафт ИИ-перевода: инструменты и возможности
3.1 Нейронный машинный перевод и генеративный ИИ
Различие между специализированными системами нейронного машинного перевода (НМП) и инструментами генеративного ИИ (ГенИИ) имеет принципиальное значение для понимания текущего ландшафта. Системы НМП, такие как Google Translate и DeepL, целенаправленно созданы для перевода, обучены на параллельных корпусах и оптимизированы для беглости и адекватности в конкретных языковых парах. Инструменты ГенИИ, такие как ChatGPT, Claude и китайский Ernie Bot, осуществляют перевод как одну из множества возможностей, используя более широкое лингвистическое понимание, но не располагая специализированными обучающими данными специализированных НМП-систем.
Многомерное сравнение ChatGPT, Google Translate и DeepL на китайских туристических текстах показало, что ChatGPT превзошёл специализированный НМП по метрикам верности, беглости, культурной чувствительности и убедительности — особенно при использовании культурно адаптированных промтов (Chen et al., 2025). Однако ChatGPT порой вносил семантические сдвиги, отсутствующие в исходном тексте, — явление, которого специализированные НМП-системы избегают более надёжно.
3.2 Китайские платформы ИИ-перевода
Китайская экосистема ИИ-перевода заслуживает отдельного внимания, поскольку функционирует в значительной степени независимо от западной экосистемы. Baidu Translate (百度翻译) поддерживает 203 языка, включая редкие диалекты и классический китайский язык, используя технологию НМП с контекстно-зависимой обработкой на уровне предложений. Youdao (有道翻译), разработанный NetEase, выпустил свою образовательную большую языковую модель «Цзыюэ» (子曰) в 2023 году, а затем модель рассуждения Цзыюэ-o1 в 2025 году, интегрируя переводческие возможности с глубоким словарём и учебными инструментами на приблизительно 107 языках.
Сравнительная оценка качества Youdao AI Translate, Baidu Translate и Tencent Translate для китайских музыковедческих текстов с использованием шкалирования по Ликерту выявила значительные различия в точности для специализированных областей, при том что ни одна система не достигла устойчивого экспертного качества в специализированном культурном контенте (Zhang et al., 2025). Это подчёркивает повторяющуюся тему: ИИ-перевод превосходен для общецелевой коммуникации, но испытывает затруднения с предметно-специфическими, культурно обусловленными и стилистически требовательными текстами.
3.3 Состояние дел: сильные стороны и устойчивые слабости
Современные системы ИИ-перевода справляются с рутинными информационными текстами — новостными статьями, деловой корреспонденцией, технической документацией, пользовательскими интерфейсами — на уровне, приближающемся к среднему человеческому переводчику или соответствующем ему. Однако систематические слабости сохраняются в нескольких областях:
Художественный перевод, где голос, ритм, многозначность и культурный резонанс являются конститутивными, а не побочными. Машинный перевод поэзии, например, остаётся в значительной мере неадекватным.
Юмор, ирония и сарказм, которые зависят от общего культурного знания, контекстуального вывода и намеренного нарушения языковых ожиданий. Машины способны распознавать некоторые паттерны иронии через обучающие данные, но не способны понять, почему что-то смешно или как ирония функционирует риторически.
Культурно обусловленные выражения, не имеющие прямых эквивалентов — не просто идиомы, но концептуальные рамки, отражающие различные мировоззрения. Китайский философский термин 仁 (жэнь), например, сопротивляется переводу каким-либо одним словом («благоволение», «человечность», «доброта»), потому что каждый вариант выдвигает на первый план различные аспекты понятия, которое по-китайски охватывает их все одновременно.
Этическая и политическая чувствительность, где переводческие решения несут последствия, выходящие за рамки лингвистической точности.
4. Трансформация рынка труда
4.1 Сокращение спроса на перевод
Влияние ИИ на переводческую профессию было серьёзным и стремительным. Исследование Центра исследований экономической политики (CEPR), использовавшее вариацию в распространении Google Translate на американских локальных рынках труда, обнаружило, что «регионы с более высоким уровнем распространения испытали снижение занятости переводчиков» и что «улучшения в машинном переводе снизили спрос на навыки иностранных языков в целом» (Frey & Llanos-Paredes, 2025). Более трёх четвертей профессиональных переводчиков, опрошенных в 2024 году, ожидали, что генеративный ИИ негативно повлияет на их будущий доход.
Сокращение штата переводчиков МВФ с 200 до приблизительно 50 человек представляет конкретный институциональный пример (CNN, 2026). Duolingo уволил приблизительно 10 процентов своих контрактных переводчиков в январе 2024 года, перейдя на производство контента под руководством ИИ.
Эти цифры необходимо интерпретировать с осторожностью. Переводческая индустрия охватывает широкий спектр деятельности, и влияние ИИ резко различается по подсекторам. Сокращается не спрос на межъязыковую коммуникацию, а спрос на традиционную модель исключительно человеческого перевода рутинных текстов.
4.2 Рост постредактирования
Сокращение традиционной занятости в переводе частично компенсировано ростом постредактирования машинного перевода (ПЕМП) как профессиональной деятельности. Постредакторы проверяют, исправляют и дорабатывают машинно сгенерированные переводы, а не переводят с нуля. Это представляет собой фундаментальный сдвиг в роли переводчика — от автора к редактору, от создателя к контролёру качества.
Однако модель постредактирования порождает собственные проблемы. Явление «усталости от постредактирования» — когнитивного истощения от постоянной оценки и исправления машинного вывода, а не от творческого перевода — документировано среди профессиональных переводчиков. Некоторые утверждают, что постредактирование тренирует человеческий ум думать подобно машине, а не развивать культурную и литературную чуткость, отличающую экспертный человеческий перевод.
5. Грамотность в области машинного перевода: новая образовательная парадигма
Понятие «грамотности в области машинного перевода» было разработано Баукер и Буитраго Сиро (2019) и далее развито Баукер (2023). Грамотность в области МП охватывает несколько компетенций: понимание того, как работают системы МП (архитектурно, а не только функционально); понимание того, как системы МП используются на практике; осознание более широких социальных и экономических последствий МП; оценку «дружественности» исходных текстов к МП; создание или модификацию текстов для лучшего машинного вывода; и модификацию машинного вывода для обеспечения качества и уместности.
Эта система смещает образовательный фокус от переводческой компетенции (способности переводить) к переводческой грамотности (способности эффективно работать с переводческими технологиями).
Исследование грамотности студентов-новичков переводческих специальностей в области ИИ показало, что студенты «часто упоминают такие термины, как ‹большие данные›, ‹глубокое обучение› и ‹нейронная сеть›, но обнаруживают малое знание того, что эти слова означают или как они связаны с инструментами ИИ-перевода» (Zhang et al., 2025). Этот разрыв между поверхностным знакомством и подлинным пониманием характеризует текущее состояние переводческого образования во многих учреждениях.
6. Постредактирование в учебной программе
Интеграция ПЕМП в переводческие учебные программы более не является факультативной, а необходимой. Студенты, вступающие в переводческую профессию, почти наверняка будут работать с машинно сгенерированными черновиками, а не переводить с чистого листа. Учебные программы должны, таким образом, развивать компетенции в: обнаружении и классификации ошибок; эффективных стратегиях редактирования; оценке исходного текста; и системах оценки качества.
На основе исследовательской литературы и собственного опыта автора с китайско-английским и китайско-немецким машинным переводом мы можем выделить следующие повторяющиеся категории ошибок: ошибки пропуска, ошибки добавления, ошибки регистра, ошибки культурной подмены и ошибки когерентности.
Обучение ПЕМП создаёт парадокс: те самые компетенции, которые ПЕМП, казалось бы, делает устаревшими (глубокое знание языков, культурное понимание, стилистическая чуткость), являются именно теми, которые необходимы для эффективного выполнения ПЕМП.
7. Европейские и китайские ответы в сравнении
7.1 Европейский подход
Европейские ответы на революцию ИИ-перевода были сформированы несколькими факторами: традицией многоязычия ЕС (24 официальных языка), относительно развитой профессионализацией перевода через организации, такие как сеть Европейского магистра перевода (EMT), и нормативной системой, обеспечиваемой Законом ЕС об ИИ.
Сеть EMT начала пересмотр своей системы компетенций с учётом навыков, связанных с ИИ. В Германии Конференция университетских переводческих факультетов обсуждала, насколько традиционные переводческие экзамены — которые обычно требуют от студентов перевода незнакомых текстов в условиях ограниченного времени без технологических средств — остаются уместными как формы оценивания. Формирующийся консенсус благоприятствует двойному подходу: сохранению элементов традиционной оценки переводческой компетенции с добавлением новых форм оценки, проверяющих способность к постредактированию, оценке машинного вывода и критической рефлексии об ИИ-инструментах.
7.2 Китайский подход
Ответ Китая характеризуется быстрым институциональным внедрением, государственным политическим руководством и наличием отечественных ИИ-платформ. Министерство образования Китая ввело обязательное обучение ИИ во всех начальных и средних школах с сентября 2025 года. На университетском уровне китайские учреждения быстрее многих европейских аналогов интегрировали ИИ-инструменты в языковые и переводческие учебные программы, движимые отчасти рыночной конкуренцией, отчасти государственным поощрением внедрения ИИ.
Отечественная ИИ-экосистема — Baidu Translate, Youdao с его образовательной моделью «Цзыюэ», Tencent Translate, iFlytek — предоставляет китайским студентам и преподавателям ИИ-инструменты, специально оптимизированные для китайских языковых пар и интегрированные с более широкими образовательными платформами. Это контрастирует с европейской зависимостью от преимущественно западных коммерческих инструментов.
Однако подход Китая также сталкивается с особыми вызовами. Ограничение доступа к глобальным ИИ-инструментам, таким как ChatGPT, Claude и Google Gemini, означает, что китайские студенты и исследователи работают преимущественно с отечественными альтернативами, что может ограничивать их знакомство с полным спектром возможностей ИИ-перевода.
7.3 Сходящиеся вызовы
Несмотря на различия, европейские и китайские учреждения сталкиваются с конвергентными вызовами: отставание учебных программ, неготовность преподавательского состава, проблемы разработки оценивания и необходимость балансирования технического и гуманитарного образования.
8. За пределами машинного перевода: что остаётся неотъемлемо человеческим
Область, в которой переводчики-люди остаются наиболее явно незаменимыми, — это художественный и культурный перевод. Художественный перевод включает не просто преобразование значения из одного языка в другой, а воссоздание голоса, ритма, многозначности, юмора, иронии и эстетического воздействия в ином лингвистическом и культурном контексте. Машина может перевести слова стихотворения; она не может перевести стихотворение.
Конкретную иллюстрацию пределов ИИ-перевода можно почерпнуть из собственного опыта автора, переводящего китайские литературные тексты — включая произведения Лу Синя и классические китайские романы — на немецкий и английский языки. Рассмотрим начальную строку «Записок сумасшедшего» Лу Синя (1918): «今天晚上，很好的月光.» Машинный перевод производит нечто вроде «Сегодня вечером, очень хороший лунный свет» — грамматически приемлемо, но эстетически мертво. Задача переводчика — передать не только семантическое содержание, но и намеренно плоский, тревожный тон, устанавливающий психическое состояние рассказчика: сопоставление обыденного наблюдения («очень хороший лунный свет») с экстраординарным контекстом зарождающегося безумия.
Эти примеры иллюстрируют общий принцип: чем более текст зависит от культурной укоренённости, эстетического воздействия и многослойного значения, тем менее адекватным становится ИИ-перевод. Этот принцип имеет прямые последствия для образования, предполагая, что изучение художественного перевода — далёкое от того, чтобы быть устаревшей специализацией, — может стать наиболее отчётливо человеческим и потому наиболее ценным компонентом переводческого образования.
9. Заключение
«Конец перевода» — вводящее в заблуждение выражение, если понимать его буквально. Заканчивается перевод как рутинная профессиональная услуга, выполняемая преимущественно людьми. Формируется новая экология человеко-машинного сотрудничества, требующая новых компетенций, новых профессиональных ролей, новых учебных программ и новых форм этической рефлексии.
Для образования эта трансформация требует не менее чем переосмысления того, что значит преподавать и изучать перевод. Грамотность в области машинного перевода — охватывающая техническое понимание, критическую оценку, эффективное постредактирование и этическое суждение — должна стать центральной в языковых и переводческих учебных программах. Одновременно гуманитарные компетенции, которые машины не могут воспроизвести — культурная чуткость, литературная чувствительность, этическое рассуждение, творческая интерпретация — должны быть сохранены и укреплены.
Сравнение европейских и китайских ответов выявляет продуктивное напряжение между осторожным, регулятивно обусловленным подходом ЕС и стремительным, поддержанным государством внедрением ИИ-инструментов в Китае. Ни один из подходов не является достаточным сам по себе. Синтез обоих подходов — сочетающий этическую строгость с практической гибкостью — предлагает наиболее перспективный путь вперёд.
Благодарности
Данное исследование выполнено при поддержке Центра передового опыта Жана Монне «EUSC-DEC» (Грант ЕС 101126782).
Литература
Bowker, L. (2023). De-mystifying Translation. Routledge.
Bowker, L., & Buitrago Ciro, J. (2019). Machine Translation and Global Research. Emerald Publishing.
Chen, S., & Lin, Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL. Frontiers in Artificial Intelligence, 8, 1619489.
CIOL. (2024). Freelance translators and interpreters: Work volumes survey.
CNN. (2026, January 23). Translation and language jobs face automation.
Frey, C. B., & Llanos-Paredes, D. (2025). Lost in translation: AI's impact on translators and foreign language skills. CEPR/VoxEU.
Ohashi, L. (2024). AI in language education. In: AI in Education. Springer.
Sun, R. (2024). Evaluating the translation accuracy of ChatGPT and DeepL. Arab World English Journal, 8(4).
Vaswani, A., et al. (2017). Attention is all you need. NeurIPS, 30.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy. The Interpreter and Translator Trainer.