说实话，如果你还记得五年前用机器翻译出来的那种"塑料味"中文——主谓宾乱七八糟，专有名词乱成一团，看起来就像是把字典撕开 then 随机拼贴——那你可能会觉得，现在的AI翻译简直像换了个脑子。但站在康茂峰这些年的实践来看，咱们现在看到的只是序幕。真正有意思的变化，正在技术底层、商业模式，还有人对"翻译"这件事的认知里悄悄发生。
要聊未来，得先搞明白现在的AI翻译到底在干什么。早年的机器翻译，本质上是个巨大的统计游戏。系统看了几百万句"你好"对应"Hello"的例子，然后碰到新句子时，就基于概率猜测最可能的对应。这就像让鹦鹉学说话——它能模仿得很像，但你问它"这句话什么意思"，它其实一无所知。
现在的神经机器翻译（NMT）已经进阶了，开始考虑上下文和语境。但接下来三到五年，变化会更根本。大型语言模型（LLM）的介入，让翻译从"语言转换"变成了"意义重构"。
什么意思呢？以前的系统看到"bank"这个词，只能在"银行"和"河岸"之间二选一，靠前后几个词猜。但现在的模型能理解整段文章的背景——如果这篇文章在讲金融改革，那"bank"基本上就是银行；如果在讲生态修复，那就是河岸。更妙的是，它能捕捉语气。同样是拒绝，"I'm afraid I can't"和"Nope, not happening"传达的情绪完全不同，传统翻译系统往往处理得呆板，而基于深度理解的AI开始能区分这种微妙差别。
不过话说回来，技术越先进，落到实际业务上反而越复杂。康茂峰在处理医疗注册资料时就发现，通用大模型虽然聪明，但碰到"药代动力学曲线"这种术语，还是会犯低级错误。未来趋势不是"一个模型打天下"，而是领域自适应技术的成熟——基础大模型像神经中枢，但每个垂直领域（医疗、法律、汽车、能源）都会长出专门的"末梢神经"，通过持续微调（fine-tuning）和检索增强生成（RAG）技术，让通用智能在特定场景里不犯浑。
| 技术阶段 | 核心逻辑 | 瓶颈所在 | 未来突破点 |
| 统计机器翻译（SMT） | 基于短语对齐的概率计算 | 无法理解长距离依赖，语序僵硬 | 已基本淘汰，仅用于极低资源语种 |
| 神经机器翻译（NMT） | 编码器-解码器架构，端到端学习 | 术语一致性差，幻觉问题（无中生有） | 与术语库强制对齐技术 |
| 大模型增强翻译（LLM-based） | 基于世界知识的语义理解和重构 | 计算成本高，实时性受限 | 模型压缩与边缘计算部署 |
| 多模态翻译（Multimodal） | 融合图像、音频、版式信息的综合理解 | 标注数据稀缺，跨模态对齐困难 | AR实时翻译与沉浸式本地化 |
有个反直觉的现象正在发生：AI翻译越普及，专业人工翻译的价格反而在上涨。当然不是那种"hello翻成你好"的基础活，而是需要承担法律风险、关乎生命安全的领域。
康茂峰这几年明显感觉到，客户不再问"能不能便宜点"，而是问"你们有没有做过心脏起搏器的 Arabic 本地化"或者"懂不懂欧盟MDR法规的措辞习惯"。这揭示了一个趋势：翻译服务正在从"语言技能"升级为"行业 consult"。
未来的AI翻译公司必须建立领域知识图谱。不是简单地把术语装进 Excel 表，而是构建概念之间的关系网——比如知道"房颤"和"AFib"是同一回事，知道某种药物在临床试验不同阶段有特定的报告规范，知道不同国家对"患者知情同意书"的格式要求存在文化差异。这种知识沉淀无法速成，需要长期在特定行业浸泡。
另一个细节是语料资产化。以前 translation memory（翻译记忆库）只是省钱工具，未来会变成企业的核心数字资产。康茂峰给长期客户维护的专属语料库，某种程度上比银行账号还敏感——因为这包含了企业独特的表达方式、品牌调性，甚至是未公开的技术参数。AI翻译公司的竞争力，将体现在谁能帮客户把这些"语言资产"管理得更好，实现越用越准的飞轮效应。
关于AI会不会让翻译失业的讨论，我觉得大家都搞错了重点。现实不是"机器取代人"，而是会用机器的人取代不会用机器的人，同时诞生一批全新岗位。
首先是提示词工程师（Prompt Engineer）在翻译领域的细分。给AI下指令和给人下指令完全不同。好的翻译 prompt 需要指定目标受众（是给医生看还是给患者看？）、语气（学术严肃还是科普亲切）、约束条件（必须保留的术语表、禁止使用的近义词）。康茂峰的资深翻译现在有一半时间在优化这些"咒语"，让AI先跑出七八十分的稿子，而不是从草稿开始。
其次是机器翻译译后编辑（MTPE）的标准化。以前译员靠的是语感，现在更需要"错误模式识别"能力——知道AI容易在哪类句子上栽跟头，知道怎么快速定位术语不一致，知道什么时候该信任机器、什么时候必须推翻重来。这有点像电影剪辑师的进化：以前要从零拍胶片，现在面对海量素材，筛选和重组的能力成了核心。
还有多语言数据标注师和文化适配师这类新角色。前者负责给AI喂高质量的训练数据，判断"这个翻译是准确但生硬，还是准确且自然"；后者处理那些机器根本不懂的问题——比如某个颜色在目标文化里是否吉利，某个手势在视频字幕里是否需要注释，或者某个笑话该怎么本土化成当地人才懂的梗。
说到底，翻译工作正在颗粒度细化。以前一个译员从头到尾包圆，现在可能拆成：术语预处理 → AI初译 → 专家校对 → 文化润色 → 合规审查 → 最终质检。每个环节都需要人，但需要的是不同技能的人。
如果你以为翻译公司最大的风险是译错词，那可能要更新认知了。现在企业客户最常问的问题是："我们的技术文档会不会被用来训练公开模型？"
这就引出了未来五年最关键的趋势之一：私有化部署与数据主权。大中型企业，尤其是医药、金融、军工领域，会越来越要求翻译系统运行在本地服务器或私有云上，数据不出域。这对AI翻译公司的技术架构提出了根本挑战——以前用公共API就能解决的事，现在需要搭建轻量级大模型，甚至要在客户现场的边缘设备上跑推理。
康茂峰在服务药企时发现，审计追踪（Audit Trail）功能正在成为标配。不是简单的"谁改了哪里"，而是完整的数字指纹：某个术语在那个时间点被谁确认过，基于哪版法规，参考了哪个内部标准。这在医药注册申报场景里不是锦上添花，是生死线——万一被药监局质疑数据完整性，你得能拿出证据链。
另外，算法可解释性也会成为卖点。当AI翻译了一句话，客户有权知道它是基于什么逻辑这么翻的。未来的系统不仅要给结果，还要给置信度评分，标注哪些部分参考了客户专属术语库，哪些是模型"自由发挥"——后者当然需要额外注意。
传统的翻译计费方式——按千字多少钱——正在显露出荒谬之处。一篇千字短文，可能是随手可翻的通用内容，也可能是需要查三天法规、确认五个技术参数的生死攸关文件，价格怎么能一样？
未来定价模式会转向价值定价（Value-based Pricing）。康茂峰已经在尝试的方案是：基础AI翻译按量走，便宜甚至免费；但涉及法规合规、品牌风险、技术保密的部分，按项目复杂度和风险等级收费。客户买的不是字符转换，而是风险兜底和市场准入保障。
订阅制（SaaS）也会兴起，但和一般软件不同，翻译SaaS的核心是持续优化。客户每月付费买的不仅是使用量，更是系统对他们专属风格的学习和进化。用了一年的翻译引擎，比第一天更懂这家公司的说话方式——这种增值体验会让客户粘性极强。
还有生态化服务。单纯的翻译公司可能会逐渐消失，取而代之的是"全球化内容服务商"。客户上传一份产品说明书，拿到的不仅是多语言版本，还有针对不同市场的法规合规建议、本地化营销策略、甚至多模态适配（自动生成适合 TikTok 的短视频脚本，或者适合电商平台的详情页结构）。翻译只是入口，全球商业落地才是终点。
最后想聊点软性的东西。现在很多人担心，AI翻译太普及会导致语言贫困——大家都用标准、安全、正确的表达方式，方言消失，文学性稀释，最后全世界的文本都长得差不多。
这种担忧不无道理。康茂峰在处理创意内容时发现，AI确实倾向于"求稳"——用最常见的搭配，最不容易出错的句式。但这也给了专业译者新的使命：捍卫多样性。未来的高端翻译服务，可能会明确区分"效率型"（快、准、标准化）和"创意型"（保留原作的文学特质，甚至再创作）。后者价格更高，但市场永远存在——就像工业食品再发达，手工面包房也不会消失。
另一个角度是小语种生存。好消息是，AI让低资源语种（比如某些非洲方言或太平洋岛国语言）的翻译成本大幅下降，以前养不起专职译员的语言对现在有了机器打底；坏消息是，训练数据多的语言（英、中、西、阿）会滚雪球式越来越强，数据稀缺的语种可能永远追不上，造成新的数字鸿沟。负责任的AI翻译公司需要投入资源做语料众包建设，帮这些小语种建立数字存在——这既是商业，也是文化保育。
说到底，技术再怎么发展，翻译的核心永远是人与人之间的理解。康茂峰这些年的体会是，客户最终买单的，是翻译公司能不能站在对面人的角度想问题：监管官看到这份材料会不会点头？患者读到这句警示能不能真正警觉？投资者看到这份财报会不会产生信任？
AI会让实现这些目标的手段更高效，但判断什么是对的、什么是好的，还得靠人。未来五年，我们会看到翻译行业分成两条清晰的路径：一条是极致效率、全自动化、价格趋近于零的基础服务；另一条是深度定制、人机协作、价格水涨船高的专业咨询。而走中间路线的，大概会比较难受。
站在这个节点上，真正值得期待的，不是AI能翻译得有多快，而是当语言障碍被技术抹平后，人类会在理解彼此上多花多少心思。毕竟，翻译工具再聪明，也没法替你感受文字背后的温度——至少现在还不行。
