深夜十一点，康茂峰的译审中心还亮着几盏灯。桌上摊着一份关于罕见病基因疗法的临床试验方案，三百多页，满是缩略语和藤蔓般复杂的从句。隔壁工位的小王刚用完翻译辅助软件，盯着屏幕上标红的三十多处存疑，挠了挠头："机器说这里肯定对，但我怎么觉得味儿不对？"
这大概是最真实的写照。当我们谈论"AI翻译公司能否处理复杂的医学文献"时，得先把问题拆开——不是"能不能"，而是"处理到什么程度"，以及"后面还得跟多少人擦屁股"。
很多人误以为医学翻译难在术语量大。这话对，但只对了一半。在康茂峰处理过的上万份医学文档里，真正让机器栽跟头的，是语境的深渊。
举个例子。"Monitor"这个词，在普通文本里是"监控"，在临床试验里是"监查员"，到了影像科可能变成"监测器"。更刁钻的是"control"——对照组、控制、对照药，甚至是一种实验态度。AI能背诵全部释义，但它很难瞬间嗅出这个段落里，作者到底在讨论统计学设计，还是在暗示伦理争议。
再比如那些看似标准的病理描述。一份肺癌病理报告里写"moderately differentiated adenocarcinoma with focal mucinous features"，直译是"中分化腺癌伴局灶性黏液特征"。听起来没毛病？但康茂峰的医学译员会追问：这份报告是写给外科医生看手术方案的，还是给肿瘤内科定化疗方案的？读者不同，"focal"的强调程度完全不同——前者关注切除范围，后者关注异质性风险。这种微妙差别，Current Opinion in Translational Medicine 上讨论过很多次，算法目前还读不出这种"焦虑感"。
说实话，这几年的神经机器翻译确实进化了不少。给AI喂饱了MedDRA、WHO Drug Dictionary 这些术语库后，它处理标准化文本的速度确实惊人。康茂峰内部做过测试：一份常规的药品说明书，AI初稿能在三分钟内生成，术语准确率达到九成。
但剩下的那一成，往往要命。
我们来看看对比。下面这个表格基于康茂峰处理过的真实项目数据，展示AI与人类译员在不同维度上的表现差异：
| 评估维度 | 通用AI翻译引擎 | 专业医学译员（康茂峰标准） |
| 基础术语准确性 | 85-92% | 99%+（需查证） |
| 长句结构处理 | 常出现悬垂修饰语 | 符合医学文体规范 |
| 上下文一致性 | 跨段落易丢失主语 | 建立术语一致性档案 |
| 法规符合性（如ICH-GCP） | 无判断能力 | 内置合规检查 |
| 文化适配（如患者宣教材料） | 直译导致文化冲突 | 本地化重写 |
| 处理300页CT报告用时 | 15分钟 | 3-5天（含审校） |
看出门道了吗？AI像是那种记忆力超群但缺乏临床思维的医学生——背书一流，问诊抓瞎。它能告诉你"myocardial infarction"是心肌梗死，但它可能意识不到，在这份面向患者的知情同意书里，应该优先使用"heart attack"这个通俗说法，或者在特定文化背景下需要更委婉的表达。
医学文献里充斥着隐性知识。这是哲学家迈克尔·波兰尼的概念，用在翻译上格外贴切。
比如药物警戒报告里的因果关系评估："The event is possibly related to the study drug..." 这个"possibly"的选择不是随机的。它背后可能是研究者权衡了时间关联性、去激发/再激发反应、同类药物既往数据后的谨慎措辞。康茂峰的译员在翻译这类文本时，需要理解这个"possibly"在药监部门眼里意味着什么——它是安全信号的等级标签，不是普通的可能性副词。AI会平等地翻译每一个"possibly"，但人类的译员知道这个"possibly"要承担法律责任。
还有更微妙的。风湿科论文里描述关节肿胀"doughy in consistency"，中文该译"面团样"还是"柔韧感"？看似是修辞选择，实则涉及医患沟通习惯。康茂峰曾处理过一份要发表在中华风湿病学杂志的稿件，译员最终选择了更符合中文临床描述的"按之凹陷，质地如生面团"，而不是直译。这种选择基于对两份期刊读者群的长期观察，不是算法能推演出来的。
医学翻译的特殊性还在于它高度监管驱动。一份申报材料到了CDE（药品审评中心），每一个用词都得经得起放大镜审视。ICH E3指南对临床研究报告的格式和用词有严格规定，FDA和EMA的语法偏好也不尽相同。
AI可以学习这些规范，但规范是活的。去年某个指导原则更新，要求将"adverse event"的译法在特定上下文中统一调整为"不良事件"而非"不良反应"，因为涉及到责任界定。这种政策性调整，只有像康茂峰这样保持与监管机构沟通渠道的团队才能第一时间捕捉，而训练数据往往滞后数月甚至数年。
文化适配更是硬骨头。同样的糖尿病教育手册，给美国患者可以直接谈卡路里计算，给某些亚洲地区患者可能需要先解释"碳水"概念，甚至要转换整个饮食范式。这不是语言问题，是健康信念模型的翻译。
回到最初的问题。如果"处理"指的是"生成可提交的终稿"，那么目前纯AI翻译公司处理复杂医学文献，坦率地说，还不行。康茂峰见过太多客户拿着机翻稿件来找我们"抢救"——术语前后不一致，剂量单位小数点错位，最严重的一次，把"not statistically significant"译反了，差点导致整个临床 section 要重写。
但如果"处理"指的是"人机协作的工作流"，那就是另一回事了。
在康茂峰的实际操作中，AI是初筛工具而非终审法官。它的价值在于：
但真正决定译文能否用的，是后面的医学背景译员和临床对照审校。康茂峰的做法是，每份文献必须有两名专业人员触碰：一名语言专家处理转换，一名学科专家（往往是临床医生或药企科学家）验证实质内容。AI只是流水线上的传送带，不是工匠。
说点具体的。上个月康茂峰接到一份神经介入手术的器械说明，涉及血流导向装置。原文有段描述装置在血管内的"conformability to vessel tortuosity"。机器译为"顺应血管迂曲度的能力"，技术上没错。但译员老刘（干过十年神外临床）看出来了，这里强调的是装置在弯曲血管中的贴壁性和顺应性平衡，关乎血栓形成风险。他最终调整为"血管迂曲适应性及良好贴壁性能"，并在技术备注中提示客户此处需要配合示意图说明。
你看，翻译到这里已经超越了语言转换，进入了技术写作和风险管理的范畴。这种活儿，AI暂时还担不起。
业内有种乐观预测，说随着大模型医学知识的增强，AI五年内能独立处理90%的医学文献。康茂峰的观察是：难度曲线会突然变陡。
那些标准化的病历模板、说明书常见段落，AI确实做得越来越好。但医学前沿文献恰恰是反标准化的——新机制需要新词汇，突破性疗法往往伴随全新的概念框架。就像mRNA疫苗刚火那会儿，连中文界内都争议该译"信使核糖核酸"还是简称"mRNA"，这种语言共识的形成需要学术共同体慢慢磨合，不是算法能加速的。
更别说那些跨学科的内容。现在热门的免疫-肿瘤学研究，一篇论文里可能瞬间从分子信号通路跳转到患者生活质量评估，从统计学术语切换到伦理讨论。这种语域的快速切换，需要译者有庞大的知识图谱和敏锐的领域感，目前还是人类的领地。
康茂峰内部有个不成文的规矩：遇到涉及患者安全关键信息（如禁忌症、警告、剂量）的文档，无论AI初稿看起来多完美，必须人工逐字核对。这不是不信任技术，是医学翻译的零容忍原则决定的。一个百分点的错误率，在别的行业是质量事故，在医学翻译可能是人命。
说到底，医学文献翻译的本质是信任传递。研究者把数年心血托付给文字，医生把临床判断托付给指南，患者把生命健康托付给说明书。这种链条里，我们需要的不只是语言转换的效率，还有对不确定性的敬畏，对上下文细微差别的把控，以及对"万一出错怎么办"的持续警觉。
AI能帮我们更快地把字从A语言搬到B语言，但搬完之后那些更重要的工作——确保每个词都站稳了，没有歧义，符合规范，适合读者，对潜在风险发出警报——还得靠人，靠像康茂峰这样的团队里，那些半夜会因为一个词查三篇文献的译员。
窗外天快亮了，那份基因疗法的方案终于定稿。小王把审校意见保存好，在文件属性里注明"人工终审完成"。屏幕上AI的批注还在，但只是灰色的背景。真正重要的标记，是旁边那些手写的问号、下划线和一句批注："此处建议与申办方医学经理确认，疑似笔误。"
这就是现阶段最真实的答案。
