做法律翻译出身的阿里埃拉·巴尔蒂（Ariella Baltié）亲眼目睹过翻译错误带来的后果，那往往是相当严峻的。
想象一个法国人要描述倾盆大雨，他可能会这样说——”Il pleut des cordes”。
要是直译过来，这句话变成了”天上掉下绳子”（It’s raining ropes），这种地道的习语表达对机器翻译往往构成挑战。
法国国家科学研究中心（CNRS）自动翻译研究负责人弗朗索瓦·伊冯（François Yvon）不禁感慨：”想象一下，如此表述对机器翻译造成的困扰有多大。”
那些经过充分训练的模型足够聪明，明白天空中不会真的降落绳索，所以会采用英文里对应的习语——”it’s raining cats and dogs”（倾盆大雨）。
伊冯提出了一个关键问题：”那如果目标语言是印尼语呢？还能找到恰当的表达吗？”
虽然天气描述的错误影响并不大，但机器翻译的应用范围越来越广，关乎的话题可比气象复杂得多。
根据谷歌在4月公布的数据，用户每个月通过其翻译工具完成的翻译文本总量达到了惊人的一万亿字。
而这个数字还没包括DeepL、微软（Microsoft）、Claude、ChatGPT和Gemini这些平台的贡献，更别说各大公司内部定制的翻译方案了。
仅去年一年，机器翻译软件的销售收益（不含通用AI订阅的部分）就已突破14亿美元（约合10亿英镑）。
机器翻译月均处理字数已达万亿级
瑞士非营利组织「开放知识协会」（Open Knowledge Association, OKA）的创办者约翰·齐默尔曼（John Zimmerman）认为，很多场景下，采纳AI翻译的方案才是最合理的选择。他解释道，面对内部公文或商品手册这样的资料，为了改正那最后不到百分之一的瑕疵而成本猛增100倍，显然不值当。
“但对于百科全书就另当别论了。信任是维基百科的根基。单个事实性的错误若未被及时发现，可能在系统里存留多年，甚至被媒体工作者和新的AI模型转引。”
齐默尔曼所在的机构承担着将维基百科条目转化为多种语言的任务，至今已完成超过一万篇文章的翻译工作，主要涉及西班牙语、葡萄牙语和英文三种语言，在维基百科的翻译贡献中排名第一。
倘若没有人工智能的参与，如此庞大的翻译规模是不可想象的。
“传统的逐一翻译一万篇文章，其代价将以百万计。而我们的办法是让AI生成初稿版本，再由专业人员逐行审视核对。”齐默尔曼补充说。
在多数场合，齐默尔曼认为采用AI翻译方案是「最理性的决定」
但一个令人担忧的趋势正在浮现——人工审核的必要性逐步减弱。
“那些AI模型已经进化到这样的地步，完全绕过人工校审开始看起来像个可行方案，这种诱惑对整个行业都很强大。还记得两三年前用DeepL的时候，我们的译者得改写每份初稿的一大块内容。”齐默尔曼回忆道。
“现在的情况不同了，许多机器生成的翻译文本已经相当完善，基本无需调整。这时候的问题就变了——已不是在问AI翻译的质量是否过关（这答案很明确），而是在问它好不好到足以完全替代人类译员。”
不过翻译专业人士普遍认为，这个时刻还没到来。
巴尔蒂既是资深翻译员，也是法律领域的专业人士，她的工作主要是把法院文件从英文转换为法文。
最近，有客户来找她，声称已经用AI工具处理过自己的文件，只是需要她帮忙看一遍。
巴尔蒂仔细查看后立即发现：”材料的最开头就存在两处严重问题。”
其中一个错误是，AI把法文的”Le demandeur”（法律术语「原告」）硬生生翻成”the requester”（请求者）。
“在法律文书的语境下，这样的翻译显然是不够专业和准确的。”巴尔蒂指出。
又比如，当遇到”Madame X, épouse Y”（意为X女士，婚配于Y先生）这样的表述，AI居然给出了”Ms X marries Y”（X女士嫁给Y先生）的翻译。
这实际上是把原本的名词性身份标识错解成了动作，彻底歪曲了原文意义。
在司法领域，翻译的准确性关乎重大。美国曾出现机器翻译在庇护申请中出错，导致被拘禁者无法及时获释的案例。
医学翻译的风险依旧很高
在医学翻译的范畴，精准度直接关系到患者的生死存亡。
医学翻译工作者卡罗尔·布劳特（Carol Bereuter）指出一个常见问题：”医疗文件中关于药物计量和检验数据的单位描述，通常会涉及希腊字母。”
布劳特亲身经历过一个惊险的案例——某份由机器翻译的文本，将希腊字母μ误读为milli（千分位），而实际应该是micro（百万分位）。
“这等同于一个致命的差错。原本需要注射一微克的药物，患者却因为这个错误被注入了一毫克，等于过量了一千倍。”
更令人担忧的是，随着AI翻译质量的不断提升，反而使得错误的发现变得愈加困难。
“从前用谷歌翻译这类工具，那生硬的语法和别扭的表述很容易引起警觉；但现在的翻译文本读起来顺畅自然，符合语言习惯，这反而使潜藏的错误更容易蒙混过关。”
卡罗尔·布劳特专精医学翻译工作
自动翻译研究专家伊冯发出了严肃的警告：”任何你要为之署名的翻译作品，都涉及你个人的信誉问题。而如果有人是基于这份翻译而做出医疗决定、商业合约或重要投资，那风险等级就成倍提高了。”
伊冯进一步指出，一些对人类来说明白无误的表述，对于AI翻译系统而言仍可能造成困扰。
“一个词汇拥有多个释义的情况下，人脑能够通过语境迅速判断具体含意。而机器翻译则可能在同音异义面前失利——比如’translate into Polish’这句话，AI有可能不知所措，反而理解成了’用鞋油擦拭’（Polish既是’波兰语’也可指’擦亮剂’）。”
语境的重要性不容小觑。若是AI没能辨识出这是在讨论足球运动，就很可能误译”taking a corner”（踢角球）这样的短语。
OKA去年开展了一项由维基媒体基金会（Wikimedia）赞助的学术研究项目，样本包括119篇文章、10种语言组合，翻译员耗时超过1000小时。
根据齐默尔曼的研究成果，”出版之前，27%的AI生成译文需要进一步调整。在这些调整当中，大约75%是为了修正机器引入的偏差，其中有5%到6%的错误涉及了原义的曲解。”
想要彻底根除这类问题，似乎是个漫长且艰难的任务。
伊冯给出了他的分析：”从今天的技术原理看，这些模型的运算逻辑很难让人想象它们如何能做到完全无误。”
这是因为AI的决策机制本质上是概率驱动的——它基于统计学原理在多个可能的词汇中做出选择。而”大概率正确”与”确实正确”之间存在本质区别，特别是对于语言这一充满微妙与变异的复杂系统而言。
但伊冯相信下一代技术会有所突破。
“未来的翻译系统会越来越善于自我评价，并通过多个AI模块形成闭环修正——比如，第一个模块负责初始翻译，第二个进行批判性审视，第三个基于审视结果生成改进版本。”
但真正的转机出现在AI学会自我质疑的那一刻。
“当这些系统能够不仅完成翻译任务，还能主动告诉我们在什么地方它心里没底的时候，才会迎来真正的突破。”伊冯如此总结。
