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?
Данная статья обращается к этим вопросам, рассматривая текущее состояние технологии ИИ-перевода, её последствия для рынка труда, формирующуюся концепцию «грамотности в области машинного перевода», роль постредактирования в образовании и расходящиеся ответы европейских и китайских институтов. Она вносит вклад в более широкий антологический проект, связывая технологическое измерение ИИ в образовании с этической рамкой, разработанной в сопутствующей главе о Теории уместности (Вёслер, настоящий том), и эмпирическими выводами об обучении иностранным языкам с поддержкой ИИ (Вёслер, настоящий том).
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. Как показали Охаси (2024) в своём систематическом сравнении, 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.
Это различие имеет практические следствия. 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. Сунь Ж. (2024), оценивая литературный перевод с китайского на английский через призму подразумеваемых подлежащих, обнаружил, что ChatGPT справлялся с имплицитными субъектными структурами современной китайской прозы (в частности, эссе Юй Цюйюя) с большей изощрённостью, чем DeepL, что свидетельствует о том, что более широкое контекстуальное понимание ГенИИ компенсирует отсутствие специализированной переводческой подготовки в литературной сфере.
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. Tencent Translate и системы iFlytek аналогичным образом сочетают перевод с более широкими образовательными и деловыми приложениями.
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. Разрыв в качестве ещё более сокращается при учёте постредактирования. 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, как документировано в продолжающихся дебатах в издательской индустрии о том, «достаточно ли продвинуты ИИ-модели для перевода литературы» (The Markup, 2025).
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 (с которыми НМП-системы всё лучше справляются через сопоставление паттернов), но концептуальные рамки, отражающие различные мировоззрения. Китайский философский термин 仁 (жэнь), например, сопротивляется переводу каким-либо одним английским словом («благоволение», «человечность», «доброта», «гуманность»), 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. Передача политически заряженных терминов — «развивающаяся страна», «права человека», «демократия» — включает суждения, которые ИИ-системы выносят на основе статистических паттернов в обучающих данных, а не этического размышления.
3.4 Замечание о методологии оценки
Оценка качества ИИ-перевода остаётся спорной. Традиционные метрики, такие как BLEU (Bilingual Evaluation Understudy), и более современные нейронные метрики, такие как COMET и BERTScore, фиксируют различные аспекты качества перевода и порой дают противоречивые результаты. Человеческая оценка, хотя и считается золотым стандартом, является дорогостоящей, трудоёмкой и подверженной предвзятости оценщиков. Растущая практика использования ИИ-систем для оценки переводов других ИИ-систем порождает вопросы о замкнутости.
Для образовательных контекстов наиболее релевантным критерием оценки является не абстрактное качество, а пригодность для цели. Машинный перевод, используемый для помощи студенту в понимании иноязычного текста, имеет иные требования к качеству, чем перевод для публикации, юридического производства или дипломатической коммуникации. Эта прагматическая перспектива — которая резонирует с традицией теории скопоса в переводоведении и с рамкой Уместности, предложенной в другом разделе настоящего тома, — предполагает, что на вопрос «Достаточно ли хорош машинный перевод?» можно ответить лишь в привязке к конкретной цели, контексту и набору последствий.
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. Переводческие агентства «всё более переходят к бизнес-модели, основанной на ПЕМП, снижая расценки и зачастую ставя под угрозу качество конечного продукта» (The Markup, 2025).
Эти цифры необходимо интерпретировать с осторожностью. Переводческая индустрия охватывает широкий спектр деятельности — от заверенного юридического перевода до локализации веб-сайтов, от литературного перевода до устного конференц-перевода, — и влияние ИИ резко различается по этим подсекторам. Бюро трудовой статистики прогнозирует продолжение спроса на устных и письменных переводчиков в Соединённых Штатах до 2032 года, обусловленное глобализацией и иммиграцией, даже при изменении характера работы. 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.
Исследование потенциала ChatGPT-4o для усиления постредактирования показало, что он «может дополнить человеческую экспертизу в постредактировании», но «не способен обеспечить полностью точные переводы без вмешательства человека» и что полная интеграция «значительно сократила бы затраты, время и усилия» (Chen, 2025). Цзян, Вэй и Аль-Шайбани (2025), изучая постредактирование НМП-перевода китайских текстов о нематериальном культурном наследии на английский язык, документировали, как рабочие процессы ПЕМП могут справляться со специализированным культурным контентом, одновременно демонстрируя, что человеческая экспертиза остаётся необходимой для культурно чувствительного материала.
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 (The Markup, 2025). Некоторые утверждают, что постредактирование тренирует человеческий ум думать подобно машине, а не развивать культурную и литературную чуткость, отличающую экспертный человеческий перевод.
4.3 Дифференцированное воздействие
Воздействие на рынок труда неоднородно по переводческим доменам. Рутинный деловой, технический и административный перевод пострадал наиболее, поскольку ИИ-системы справляются с этими задачами на приемлемом уровне качества при минимальном вмешательстве человека. Литературный, юридический и дипломатический перевод — области, где точность, нюансировка и культурная чувствительность первостепенны — пострадал менее, хотя ИИ-инструменты всё чаще используются как генераторы первого черновика даже в этих сферах.
Географическое распределение воздействия также варьируется. В Европе, где переводческая профессия относительно хорошо организована и регулируема, переход сопровождается профессиональной дискуссией и некоторыми институциональными ответами. В Китае, где переводческий рынок крупнее, но более фрагментирован, сдвиг произошёл быстрее и менее опосредован профессиональными организациями. Китайские переводческие компании агрессивно внедрили ИИ-инструменты, движимые рыночной конкуренцией и наличием отечественных ИИ-платформ, оптимизированных для китайских языковых пар.
5. Грамотность в области машинного перевода: новая образовательная парадигма
5.1 Определение грамотности в области МП
Понятие «грамотности в области машинного перевода» было разработано Баукер и Буитраго Сиро (2019) и далее развито Баукер (2023) в работе «Демистификация перевода: введение в перевод для непереводчиков». 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). Этот сдвиг аналогичен более широкой образовательной трансформации от производства информации к оценке информации, характерной для цифровой эпохи.
5.2 Готовность студентов: текущие пробелы
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.
Опрос восприятия университетскими студентами использования генеративного ИИ в переводческой практике показал, что инструменты ГенИИ предлагают преимущества в «повышении эффективности, качества, обучения и практики перевода», формируя позитивный взгляд, — однако этот позитивный взгляд может отражать некритическое принятие, а не информированную оценку (Zhang et al., 2025). Задача для педагогов — культивировать критическое взаимодействие с ИИ-инструментами, не демонизируя и не некритически прославляя их.
Исследование машинного перевода в преподавании английского языка показало, что Google Translate является наиболее популярным МП-инструментом среди студентов, за которым следуют DeepL и ChatGPT, используемые преимущественно для понимания при чтении, проверки грамматики и помощи в письме (ELT Journal, 2024). Важным выводом было то, что «преподаватели склонны рассматривать МП как ‹врага›, тогда как студенты видят в нём ‹друга›» — поколенческий разрыв, усложняющий педагогические ответы.
5.3 К новой профессиональной роли
Становление грамотности в области МП как образовательной парадигмы привело к предложениям о новых профессиональных ролях. Эренсбергер-Дау, Делорме Бенитес и Лер (2023) предложили роль «консультанта по грамотности в области МП» — профессионала, соединяющего разрыв между технологией МП и педагогическими или организационными потребностями (Ehrensberger-Dow, 2023). Эта роль включает не только техническую компетенцию, но и способность оценивать институциональные потребности, разрабатывать стратегии интеграции МП и обучать конечных пользователей эффективному использованию МП.
Комплексный протокол интеграции человеко-ИИ-сотрудничества в переводческое образование был предложен в работе Жэнь и др. (2025), где изложены подходы к оценке, диагностике и разработке стратегий, позиционирующие человеко-ИИ-сотрудничество как основную педагогическую рамку, а не как дополнение к традиционной переводческой подготовке.
6. Постредактирование в учебной программе
6.1 ПЕМП как ключевая компетенция
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 — выявлении типов ошибок, которые НМП- и ГенИИ-системы характерно производят (пропуски, добавления, ошибки перевода, ошибки регистра, культурная неуместность).
Эффективных стратегиях редактирования — различении между «лёгким постредактированием» (минимальные исправления для понимания сути) и «полным постредактированием» (тщательная правка до публикационного качества), а также знании того, когда каждое из них уместно.
Оценке исходного текста — определении того, подходит ли текст для МП или требует человеческого перевода, на основе таких факторов, как предметная специфичность, культурная укоренённость, требования к регистру и последствия ошибки.
Оценке качества — разработке систем систематической оценки машинного вывода, выходящих за рамки импрессионистического суждения к структурированным критериям оценки.
6.2 Таксономия ошибок машинного перевода
Эффективное постредактирование требует систематического понимания типов ошибок, которые ИИ-системы перевода характерно производят. 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: НМП-системы иногда пропускают части исходного текста, особенно придаточные предложения, вводные замечания или культурно специфические пояснения. Это особенно проблематично при переводе с китайского на английский, где отсутствие эксплицитных грамматических маркеров (нет артиклей, нет обязательного обозначения множественного числа, нет флективных форм глагола) означает, что машина должна выводить структурные отношения, что может вести к упрощению.
Ошибки добавления: и наоборот, ГенИИ-системы — особенно ChatGPT — иногда вставляют информацию, отсутствующую в исходном тексте, используя свои обучающие данные для «дополнения» того, что они воспринимают как неполную информацию. Эта проблема «галлюцинаций», хорошо документированная в других приложениях ГенИИ, проявляется в переводе как вставка поясняющих фраз, имплицитного культурного знания или выведенных логических связей.
Ошибки регистра: системы машинного перевода испытывают затруднения с регистром — уровнем формальности, техничности или интимности, уместным для данного типа текста. Формальное дипломатическое коммюнике, переведённое на уровне регистра непринуждённой беседы, или детская сказка, изложенная академическим слогом, могут быть семантически точными, но прагматически неуместными.
Ошибки культурной подмены: сталкиваясь с культурно специфическими отсылками, ИИ-системы иногда подставляют эквиваленты целевой культуры, а не сохраняют специфику исходной культуры. Это проявление тенденции к доместикации, которую Венути (1995) критиковал в человеческом переводе, ныне автоматизированной и потому более распространённой.
Ошибки когерентности: хотя отдельные предложения могут быть точно переведены, когерентность более длинных текстов — логическое течение аргумента, поддержание тематических нитей, последовательность терминологии — может быть подорвана обработкой на уровне предложений, теряющей из виду дискурсивную структуру.
Понимание этих типов ошибок необходимо для эффективного постредактирования и должно составлять основной компонент учебных программ ПЕМП.
6.3 Проблемы образования в области ПЕМП
Обучение ПЕМП создаёт парадокс: студенты должны сначала развить достаточную переводческую компетенцию для распознавания машинных ошибок — нельзя эффективно редактировать перевод, который не мог бы произвести или по крайней мере оценить самостоятельно. Это 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.
Кроме того, обучение ПЕМП рискует свести переводческое образование к техническому упражнению в исправлении ошибок, пренебрегая творческими, культурными и этическими измерениями, отличающими перевод от других форм обработки текста. Педагоги должны находить способы развивать как технические навыки ПЕМП, так и более широкие гуманитарные компетенции, придающие этим навыкам смысл и направление.
Перспективный педагогический подход включает структурированные упражнения на сравнение, в которых студенты оценивают один и тот же исходный текст, переведённый несколькими системами (НМП, ГенИИ и переводчик-человек), и анализируют характерные сильные и слабые стороны каждого. Такие упражнения развивают навыки критической оценки, формируют осознание типов ошибок и культивируют металингвистическую осведомлённость, отличающую информированного постредактора от пассивного корректора машинного вывода.
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 для включения навыков, связанных с ИИ, хотя темп институциональных изменений отстаёт от технологического развития. Ряд европейских университетов ввёл специализированные курсы или модули ПЕМП в рамках существующих переводческих программ. Закон ЕС об ИИ, который классифицирует определённые образовательные приложения ИИ как высокорисковые (см. сопутствующую главу об Этике ИИ в образовании, Вёслер, настоящий том), обеспечивает нормативный контекст, способствующий тщательной, этически информированной интеграции ИИ-инструментов, а не их некритическому внедрению.
Значимым европейским явлением стал растущий акцент на «грамотности в области ИИ» как общем образовательном требовании. Закон ЕС об ИИ обязывает проводить обучение грамотности в области ИИ для пользователей ИИ-систем; это обязательство вступило в силу в феврале 2025 года. Хотя этот мандат адресован организациям, а не непосредственно студентам, он создаёт институциональные стимулы для университетов к разработке учебных программ по грамотности в области ИИ, включающих компетенции, связанные с переводом.
Сеть Европейского магистра перевода (EMT), координирующая подготовку переводчиков в более чем 80 европейских университетах, начала систематический пересмотр своей системы компетенций в свете развития ИИ. Процесс пересмотра 2024 года определил грамотность в области машинного перевода, навыки постредактирования и этику ИИ как приоритетные направления интеграции в учебные программы. Однако темп реализации резко различается среди учреждений-участников — некоторые уже перестроили свои программы вокруг человеко-ИИ-сотрудничества, тогда как другие продолжают преподавать переводческие навыки так, будто технологический ландшафт не изменился кардинально.
В Германии Конференция университетских переводческих факультетов (Konferenz der Universitätstranslationsinstitute) 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.
Франция избрала несколько иной подход: Французское общество переводчиков (SFT) опубликовало руководства по интеграции ИИ-инструментов в профессиональную практику, повлиявшие на университетские учебные программы. Эти руководства подчёркивают эволюционирующую роль переводчика как «эксперта по языковым технологиям», способного консультировать клиентов по вопросам надлежащего использования машинного и человеческого перевода для различных целей.
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 — начальные школы сосредоточены на грамотности в области ИИ и ознакомлении, неполные средние школы — на логике и критическом мышлении, старшие средние школы — на прикладных инновациях и проектировании алгоритмов. 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 (DeepL, Google Translate, ChatGPT), которые оптимизированы для европейских языковых комбинаций и могут менее эффективно обслуживать китайско-европейские языковые пары.
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 и подходов ИИ-перевода. Акцент на быстром внедрении может также осуществляться за счёт критической оценки и этической рефлексии, которым европейские учреждения, под влиянием рамки Закона об ИИ, начинают уделять приоритетное внимание.
Дополнительным измерением китайского ответа является интеграция ИИ-перевода с более широкими национальными стратегиями. «План развития искусственного интеллекта нового поколения» Государственного совета (2017) и «Модернизация образования 2035» определяют возможности ИИ — включая перевод — как стратегические национальные компетенции. Это означает, что внедрение ИИ-инструментов перевода в китайское образование является не просто педагогическим решением, но вкладом в национальное технологическое развитие. Китайские университеты, следовательно, сталкиваются с иными стимулирующими структурами, нежели их европейские аналоги: если европейские учреждения могут проявлять осторожность в отношении внедрения ИИ из-за опасений по поводу академической честности и деградации человеческих навыков, то китайские учреждения испытывают институциональное давление в направлении демонстрации интеграции ИИ как свидетельства модернизации и соответствия национальной политике.
Интеграция ИИ-перевода в систему обучения английскому языку в китайских вузах иллюстрирует эту динамику. Требования к учебной программе по английскому языку в вузах (редакция 2024 года) эксплицитно включают «способность использовать ИИ-инструменты для межкультурной коммуникации» в качестве компетенции выпускника. Ряд крупных китайских университетов — включая Пекинский университет, Фуданьский университет и Хунаньский педагогический университет — ввели модули по переводу и коммуникации с поддержкой ИИ в рамках своих программ иностранных языков, зачастую преподаваемые преподавателями, которые сами осваивают новый технологический ландшафт.
7.3 Сходящиеся вызовы
Несмотря на эти различия, европейские и китайские учреждения сталкиваются с конвергентными вызовами:
Отставание учебных программ — обе системы испытывают затруднения в обновлении учебных программ с темпом технологических изменений, при этом процессы аккредитации и институциональная инерция замедляют адаптацию.
Неготовность преподавательского состава — в обоих контекстах многим преподавателям переводческих дисциплин не хватает личного опыта работы с ИИ-инструментами, и они не уверены в том, как эффективно интегрировать их в своё преподавание.
Проблемы разработки оценивания — традиционные переводческие экзамены, проверяющие способность переводить тексты с нуля, становятся проблематичными, когда студенты имеют доступ к ИИ-инструментам, что обусловливает необходимость новых подходов к оценке, проверяющих грамотность в области МП, критическую оценку и компетенцию постредактирования, а не простую способность к переводу.
Балансирование технического и гуманитарного образования — обе системы должны преодолевать напряжение между подготовкой студентов к непосредственным требованиям рынка, где доминирует ПЕМП, и развитием более широких культурных, этических и творческих компетенций, отличающих переводчиков-людей от машин.
8. За пределами машинного перевода: что остаётся неотъемлемо человеческим
8.1 Художественный и культурный перевод
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.
Это не просто утверждение гуманистической веры в противовес технологическому прогрессу. Оно отражает фундаментальное различие между сопоставлением паттернов (в чём ИИ преуспевает) и смыслопорождением (которое требует воплощённого культурного опыта, эмоционального понимания и эстетического суждения). Когда Эмили Уилсон переводит «Одиссею» Гомера или Певиар и Волохонская переводят Достоевского, они привносят не только лингвистическую компетенцию, но и личное интерпретативное видение — качество, отличающее великий перевод от компетентной передачи.
8.2 Этическое суждение в переводе
Сопутствующая глава о Теории уместности (Вёслер, настоящий том) утверждает, что перевод не может оцениваться исключительно по лингвистическим критериям, но должен оцениваться в рамках этической системы, учитывающей условия производства, исторический контекст и потенциальные последствия переводческих решений. Это этическое измерение — способность распознать, когда переводческое решение может причинить вред, когда культурная чуткость требует отступления от буквальной точности, когда политический контекст требует осторожной формулировки — остаётся за пределами нынешних возможностей ИИ-систем.
ИИ-системы перевода принимают решения на основе статистических паттернов в обучающих данных. Они не способны осуществлять этическое суждение в смысле взвешивания конкурирующих ценностей и принятия ответственности за последствия этих решений. Постредактор, который просматривает машинный вывод и решает, что определённая передача, хотя и лингвистически точная, является культурно неуместной или политически чувствительной, осуществляет форму человеческой агентности, которую ни одна нынешняя ИИ-система не способна воспроизвести.
8.3 Расширение «тезиса о комплементарности»
Эмпирическое исследование в настоящем томе (Вёслер, настоящий том) обнаружило, что ИИ и человеческое обучение выполняют «различные, комплементарные функции» в изучении языков — то, что мы назвали тезисом о комплементарности. Этот тезис естественно распространяется на перевод: ИИ и переводчики-люди выполняют различные, комплементарные функции. ИИ преуспевает в скорости, последовательности, охвате и обработке рутинных информационных текстов. Переводчики-люди преуспевают в культурной интерпретации, литературном творчестве, этическом суждении и обработке текстов, где точность и нюансировка несут высокие ставки.
Будущее перевода — это ни замена людей машинами, ни сохранение традиционной исключительно человеческой переводческой практики. Это сотрудническая экология, в которой разделение труда между человеком и машиной постоянно пересматривается по мере эволюции возможностей ИИ и углубления нашего понимания того, что составляет «хороший перевод».
8.4 Случай китайской литературы в переводе
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 (狂人日记, 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.
Аналогичным образом, перевод классической китайской поэзии — где один иероглиф может нести множество одновременных значений, где тональные паттерны создают музыкальные структуры и где культурные аллюзии действуют на нескольких уровнях — остаётся принципиально за пределами нынешних возможностей ИИ. Поэзия эпохи Тан с её строгими формальными требованиями (律诗 люйши: регламентированный стих с тональными паттернами, параллелизмом и сжатой образностью) сопротивляется не только машинному переводу, но и любому переводу, не предполагающему глубокого погружения в китайскую литературную традицию, буддийские и даосские философские рамки и конкретные исторические контексты отдельных поэтов.
Эти примеры — не просто курьёзы, а иллюстрации общего принципа: 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, а не отброшены как устаревшие.
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. Акцент ЕС на этических рамках и критической оценке обеспечивает необходимые ограждения для ответственной интеграции ИИ. Скорость и масштаб внедрения в Китае генерируют практический опыт и институциональную адаптацию, у которых ЕС может учиться. Синтез обоих подходов — сочетающий этическую строгость с практической гибкостью — предлагает наиболее перспективный путь вперёд.
Из данного анализа вытекает ряд практических рекомендаций. Во-первых, программы перевода и иностранных языков должны ввести грамотность в области машинного перевода как ключевую компетенцию с первого семестра, обеспечивая развитие у студентов навыков критической оценки наряду с традиционными языковыми компетенциями. Во-вторых, ПЕМП следует преподавать не просто как техническое умение, а в рамках системы, включающей таксономию ошибок, методологию оценки качества и этическую рефлексию о последствиях переводческих решений. В-третьих, художественный и культурный перевод должен быть сохранён и укреплён как область, где человеческая экспертиза остаётся наиболее явно незаменимой — и наиболее явно ценной в ландшафте, насыщенном ИИ. В-четвёртых, академическое сотрудничество ЕС и Китая в сфере переводческого образования следует интенсифицировать, используя комплементарные сильные стороны европейского акцента на регулировании и этических рамках с китайским акцентом на практической интеграции ИИ и масштабе.
Для более широкой области цифровизации образования кейс «конца перевода» предлагает одновременно предостерегающую и обнадёживающую историю. Предостерегающую — потому что скорость и масштаб разрушительного воздействия ИИ могут опережать институциональную адаптацию, оставляя студентов неадекватно подготовленными к преображённому профессиональному ландшафту. Обнадёживающую — потому что трансформация не устраняет потребность в человеческой экспертизе, а перенаправляет её — от рутинного исполнения к критической оценке, творческой интерпретации и этическому суждению. Это именно те компетенции, которые высшее образование лучше всего способно развивать.
Как демонстрирует данная антология через свои сопутствующие главы об обучении языкам с поддержкой ИИ, альтернативных формах обучения, этике ИИ и университете будущего, трансформация, осуществлённая ИИ в образовании, — это не единичное явление, а созвездие взаимосвязанных изменений, требующих целостного подхода. Конец перевода, каким мы его знали, — это одновременно начало чего-то нового — формы межкультурной коммуникации, в которой человеческий и искусственный интеллект сотрудничают для преодоления разрывов между языками, культурами и мировоззрениями.
Благодарности
Данное исследование выполнено при поддержке Центра передового опыта Жана Монне «Центр европейских исследований: Цифровизация в Европе и Китае» (EUSC-DEC), финансируемого Европейским союзом в рамках Грантового соглашения № 101126782. Высказанные мнения и оценки принадлежат исключительно автору и не обязательно отражают позицию Европейского союза.
Литература
Algaraady, J., & Mahyoob, M. (2025). Exploring ChatGPT's potential for augmenting post-editing in machine translation across multiple domains. 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. 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.
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: AI in Education. Springer.
Ren, X., & Wang, R. (2025). Integrating human-AI collaboration into translation education. PLoS One, 20(12), e0338089.
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, 8(4).
The Markup. (2025, April 2). Are AI models advanced enough to translate literature?
Vaswani, A., et al. (2017). Attention is all you need. NeurIPS, 30.
Weaver, W. (1949). Translation. In: Machine Translation of Languages (1955). MIT Press.
Zhang, H. (2025). Quality Comparison of MT in Translating Chinese Music Historical Texts. In: ICWL 2024 / SETE 2024. Springer Nature.
Zhang, J., & Doherty, S. (2025). Investigating novice translation students' AI literacy. The Interpreter and Translator Trainer.
Zhang, W., Li, A. W., & Wu, C. (2025). University students' perceptions of using generative AI in translation practices. Instructional Science.