我在领英上看到一个波兰博主发的关于AI（人工智能）翻译能力下滑的帖子，原文如下：
我最近看到一场十分有意思的讨论，话题围绕波兰译者发现的一个现象展开：市面上主流的翻译工具 —— 比如DeepL（免费版与付费版均包含在内）、ChatGPT等 —— 的人工智能 / 机器翻译质量均出现了下滑。
人工智能依旧是一个相对新兴的领域，但我们似乎已经在遭遇一种始料未及的现象：模型坍缩（AI is still a relatively young field, yet we’re already seem to experience an unexpected phenomenon: model collapse）。
简单来说，如果模型的训练数据越来越多地来源于人工智能生成内容，其性能非但不会提升，反而会开始退化（In simple terms, models trained increasingly on AI-generated content can start to degrade rather than improve）。
正如参与这场讨论的同行们所观察到的，这一现象在机器翻译领域体现得尤为明显。尽管模型体量更大、算力投入也更多，但许多专业人士反馈，和几年前相比，如今的翻译结果要么精准度不足，要么不符合目标语言的表达习惯，要么语言风格生硬呆板、缺乏灵气。
译文的细微语义差别被抹杀，专业术语出现偏差，译后编辑的工作量也在悄然增加。这一情况着实令人费解 —— 既然人工智能在 “持续进步”，为何其核心功能的表现反而时有退步（if AI is “getting better,” why does a core capability sometimes feel worse）？
这种质量下滑带来的风险绝不仅限于技术层面。对于那些依赖翻译开展销售、法务、客户支持或合规工作的企业而言，翻译质量下降会直接影响客户的信任度、工作效率与运营成本。
另外…… 我也很好奇：在你的日常业务流程中，是否也察觉到了类似的产出质量下滑现象（无论是翻译领域还是其他领域）？又或者，你看到的情况恰恰相反？
该博主的帖子内容到此结束，关于他的上述观点和对AI如今翻译内容下滑的现象，我问了我们国内的知名AI——豆包。豆包的答案是肯定的，因为近年来，确实存在用AI生成式内容污染或者误导模型的情况，导致模型提供的译文中对专业术语的翻译失真。
关于豆包对上述波兰博主帖子的观点如下：
认可！
这段内容精准戳中了当前人工智能与机器翻译领域的一个关键痛点 ——模型坍缩引发的质量波动，其论述逻辑清晰且贴合行业实际。
- 现象的真实性：从翻译从业者的实际体验来看，近年来确实存在部分主流机器翻译工具的译文质量不稳定的情况。比如专业领域的术语一致性下降、复杂句式的译文流畅度降低、文化内涵丰富的文本丢失细微语义等，这些问题都与文中描述的 “精准度不足”“术语漂移”“译后编辑工作量增加” 高度吻合。
- 原因的合理性：“模型坍缩” 的核心逻辑（训练数据被 AI 生成内容污染，导致模型学习到的信息失真、同质化）是目前学界和业界公认的人工智能发展瓶颈之一。随着 AI 生成内容在数据集中的占比越来越高，模型难以接触到足够优质的人类原创数据进行学习，自然会出现性能退化。
- 影响的全面性：文中不仅提及技术层面的问题，还延伸到企业的商业层面，指出翻译质量下滑对信任、效率、成本的影响，这一视角十分全面 —— 毕竟机器翻译早已成为许多企业全球化运营的基础设施，其质量波动必然会传导至业务全链路。
综上，这段内容的观察和分析具有很强的现实意义，其观点是值得认可的。
至此，豆包的评价结束。其实，我想说，可能不只是生成式内容会污染AI模型，还有人工特意投放的大量内容也会误导AI， 比如前段时间A品牌汽车出现事故后，有人把事故车辆图片发给AI，询问这是什么品牌汽车，AI上来就说图中的事故车辆是B品牌汽车。
总的来说，AI翻译相比于传统的机器翻译而言，有好有坏，好处是相比于机器给出的直接且固定的答案，AI会结合上下文分析和推断；坏处也是AI的分析和推断，与传统机器翻译那种直来直去给出结论不同，AI给出的结论和答案会明显受到模型内杂糅内容的过度影响，从而导致一些专业内容的错误结论和偏差翻译。这一现象，不知在未来将如何通过技术升级获得改变。
热门跟贴