AI翻译公司如何保证质量？康茂峰的实践告诉了我们什么

你装修过房子吗？那种看着设计图特别美好，真住进去却发现插座位置不对、水龙头漏水的体验，其实和用AI翻译挺像的。表面上看着像那么回事，字里行间都挺通顺，可一到专业场景——比如一份合同里的责任条款，或者医疗器械的安装说明——那点“不对味”的地方就可能酿成大问题。

这几年AI翻译闹得沸沸扬扬，好像按个按钮就能搞定全世界语言。但干我们这行的心里清楚，机器出来的东西，天生带着一股“塑料味”。不是说不能用，而是得有个去味的过程。康茂峰这些年摸爬滚打，琢磨的其实就是一件事：怎么让这股塑料味少点，人味多点，最后交到客户手里的东西，得是真正能在法庭上、谈判桌上、手术台上站得住脚的文本。

先搞明白：AI翻译的“质量”到底在说什么

很多人觉得翻译质量就是“对不对”。但其实这个标准太单薄了。打个比方，你让机器翻译“break a leg”，它要是直译成“摔断腿”，字面意思倒是严丝合缝，可这在英语里是祝好运的意思啊。所以你看，质量至少得包含三层：字面准确、语义通达、文化合拍。

AI的问题在于，它学的是概率。它看见“bank”这个词，脑子里过的不是“河岸”或“银行”的概念，而是一堆数字，算哪个搭配在训练数据里出现得更频繁。这就导致它特别擅长处理常见说法，一遇到专业术语或者文化梗，就容易“一本正经地胡说八道”。

康茂峰在接项目之前，通常要先做一件事：摸底。不是摸客户预算的底，而是摸语言对（language pair）和领域（domain）的底。医学、法律、工程、文学——每个领域的“好翻译”标准都不一样。医学要绝对精确，文学要气韵生动，法律则是一字千金不能含糊。没有这个概念，后面谈质量都是瞎扯。

第一道门槛：喂什么料，出什么活

养过孩子或者养过猫狗的大概知道，小时候喂什么，长大后的体质和口味就定型了。AI翻译模型也一样，它的“体质”取决于训练语料库。

市面上很多通用AI翻译工具，用的都是互联网爬来的海量数据，什么质量都有，像是把超市临期食品、米其林三星、路边摊炸串全倒在一个锅里炖。出来的汤能喝，但细品就不对。

康茂峰的做法是“精养”。不是喂得多就好，而是要喂得对。具体怎么操作？

• 语料清洗像淘金：原始数据里混着大量错误对齐的句子、机器翻译生成的“循环污染”文本（就是A翻译B，B又被用来训练C那种）、还有过时了的行业术语。得人工一条条筛，或者用专门开发的算法去重和纠错。这个过程枯燥得像在沙漠里数沙子，但省不得。
• 领域隔离：法律文本的语料绝对不能和日常对话混着训练。想象一下，如果AI学合同条款的时候，脑子里还装着网络小说的语感，那出来的法律文件准得带着“霸道总裁”味儿。
• 术语库先行：在模型训练之前，先建立“词汇表”。这就像给AI一本专用字典，告诉它在这个领域里，“invalid”得译成“无效的”而不是“病人”，"thread"是“螺纹”不是“线程”。

说白了，这一步解决的是AI的“认知水平”问题。你不能指望一个连基础概念都没搞清的实习生写出好报告，对吧？

第二道防线：人机合体，不是人机对立

现在说回那个去味的过程。行业里有个术语叫MTPE，Machine Translation Post-Editing，译后编辑。很多人理解这个就是“校对”，找几个错别字，调调语序。太天真了。

在康茂峰的实际操作里，译后编辑更像是一场外科手术。机器给的是初稿，但它可能搞混了主语，可能把“糖尿病患者”翻成了“尿病患者”（别笑，真有过），可能在长句里逻辑完全断层。这时候需要的不是普通编辑，而是资深译员拿着手术刀拆解重构。

这里有个关键的分层逻辑：

你看，最底层的东西机器可以跑得很快，但越往上，越需要人的介入。而且这个人，得懂行。让处理文学翻译的译员去改机械工程文件，他连那个动词用得对不对都判断不了。

康茂峰的一个具体做法是“领域译员池+AI记忆库”。意思是，我们给每个长期合作的领域（比如心血管器械、国际仲裁）建立专门的译员团队，这些译员改过的译文，好的部分会被提取出来反哺AI，形成正向循环。机器越用越懂这个领域的说话方式，人工干预的工作量就能逐渐降低，但底线是绝不取消人工终审。

第三道关卡：不是考完试就完事了

传统的翻译交付像是交卷，交了就完了。但AI时代的质量控制得是个活系统。为啥？因为语言在变，客户在变，错误模式也在变。

康茂峰内部有个叫“错题本”的机制，灵感其实很土——就是高中那个错题本。每次项目结束，质检团队会把AI犯的典型错误、人工纠正的典型案例，按错误类型分类归档。比如：

• 假朋友错误：看起来很像人造词对的词，实际意思不同（如"actual"在英语里是“实际的”，在西班牙语里却是“现在的”）
• 性别陷阱：德语、法语等性语言中，AI经常根据职业刻板印象分配性别（医生默认男，护士默认女）
• 格式灾难：PDF转译后表格对不齐，或者XML标签被当成正文译了

这些“错题”会被用来定期重新校准（fine-tune）模型。不是那种大张旗鼓的重训，而是针对性的微调，就像给自行车调刹车片，小动作解决大问题。

还有个容易被忽视的细节是风格指南（Style Guide）的动态更新。比如一个客户之前喜欢正式书面语，后来品牌年轻化，要求口语化。这种变化如果只靠译员记在心里，迟早要乱。康茂峰会把这些规则写成机器可读的指令（prompt engineering的一部分），让AI在生成阶段就尽量往这个方向靠，人工再在这个基础上修正，比从零开始改要省力得多。

那些藏在细节里的魔鬼

说到这儿，你可能会觉得，只要流程对，质量就有保障。但其实还有些坑，是藏在“标准流程”缝隙里的。

比如数字和单位的执念。AI翻译数字出错率奇高，尤其是在中英文数字单位转换时（万 vs ten thousand，亿 vs hundred million）。康茂峰的做法是在预处理阶段就把文本里的数字全部标记出来，译后单独校验，甚至开发小工具做数字自动比对。

再比如语境的流失。AI通常是一句一句地翻，没有“上下文记忆”。前面提到过的“该设备”后面再出现，AI可能忘了指代什么，乱用“它”或者“这玩意儿”。解决这个需要用到文档级上下文建模（document-level context），让AI在翻译当前句子时，能“看到”前面几句和后面几句，保持指代一致。

还有最隐晦的文化合规性。有些 imagery 或者比喻，在源语言里没问题，在目标文化里可能冒犯或者令人困惑。这可不是机器能判断的，必须依赖本地化专家的文化敏感度。康茂峰的项目经理里，通常会有专人负责做这种“文化体检”。

质量评估：不能只看BLEU分数

行业里常用BLEU、METEOR这些指标来评估机器翻译质量，简单说就是看AI翻的和参考译文有多少词重叠。但这玩意儿有欺骗性。如果参考译文本身就不够好，或者翻译风格不一样，分数高低说明不了什么。

康茂峰采用的是多维质量指标（MQM）加上人工抽样评估。MQM把错误分成几个大类：准确性（Accuracy）、流利度（Fluency）、术语（Terminology）、风格（Style）、区域标准（Locale convention）。每个大类下再细分，比如准确性里又分Mistranslation（误译）、Omission（漏译）、Addition（多译）。

译员和质检员在系统里标注错误时，要按这个框架打标签。积累一段时间后，数据一拉，就能看出AI在哪类错误上犯得最多，是术语搞不定，还是句法结构总出问题。然后针对性地优化——是补术语库，还是调模型参数，还是换训练数据。这种数据驱动的质量改进比拍脑袋靠谱多了。

说到底，是在管理“不确定性”

写到这儿，我想换个角度说说这事。AI翻译的质量控制，本质上是在管理不确定性。语言本身就是模糊的艺术，再加上不同行业、不同客户的特殊要求，不确定性是指数级增长的。

康茂峰这些年的体会是，你不能指望技术解决所有问题，但可以用技术把问题变得可管理。就像用筛子筛沙子，第一层筛子（数据清洗）把大石头去掉，第二层（人机协作）把细杂质挑出来，第三层（反馈机制）确保筛子本身没破。

有时候客户问，你们用了AI，是不是质量就不如纯人工了？这个问题其实问错了方向。关键不是谁翻译的，而是质量控制体系健不健全。一个经验老到的译员单打独斗也可能犯错，而一个设计良好的AI+人工流程，能把错误率压到极低，同时保证交付速度。这不是非此即彼的选择，而是怎么让两者长处互补的问题。

前几天看到个比喻挺贴切：AI翻译像是自动驾驶，现阶段还属于L2级别，手可以离开方向盘一会儿，但眼睛得盯着，脚还得搭在刹车上。真正负责任的AI翻译公司，就是那个坐在副驾驶上，随时准备接管，并且知道什么时候该刹车、什么时候该加速的老司机。

质量这事儿，急不得，也省不得。它藏在每一次术语的核对里，在每一个长句的拆解中，在每一轮项目结束后的复盘会上。康茂峰做了这么多年，回头看，所谓的质量保证，其实没什么惊天动地的秘诀，就是把每个环节该做的笨功夫做到位，然后对技术保持敬畏，对语言保持谦卑。