国家翻译技术能力与大语言模型

上海翻译 ›› 2025, Vol. 181 ›› Issue (2): 18-24.

国家翻译技术能力与大语言模型

李德凤¹, 王华树², 刘世界³

1.澳门大学,澳门 999078;
2.北京外国语大学,北京 100089;
3.上海海事大学,上海 201306

收稿日期:2024-12-22 出版日期:2025-03-10 发布日期:2025-03-28
通讯作者: 刘世界,上海海事大学与根特大学联合培养博士研究生,研究领域:计算语言学、多语术语抽取、翻译技术。
作者简介:李德凤,博士,澳门大学人文学院教授、博士生导师,研究领域:语料库翻译学、翻译认知过程;王华树,博士,北京外国语大学高级翻译学院教授、博士生导师,研究领域:翻译技术、教育技术、语言服务管理。
基金资助:
国家社科基金“数字人文视域下译者数字素养研究”(编号:22BYY043)

Received:2024-12-22 Online:2025-03-10 Published:2025-03-28

摘要/Abstract

摘要： 国家翻译技术能力作为提升国家翻译能力的核心支撑,正日益成为不可或缺的战略性资源。在生成式人工智能时代,大语言模型正在成为一种新兴的国家翻译技术能力,其崛起为国家翻译技术能力的发展带来了深远影响和前所未有的机遇。然而,从国家视角审视,大语言模型的发展也面临着诸多挑战,如技术规划不足、数据安全隐患、文化适配性不足以及技术标准缺失等。本研究从国家翻译技术能力构建的战略视角出发,提出融入国家战略规划、完善安全保障体系、构建文化对等机制和健全技术标准体系等改进策略,为大语言模型在国家翻译技术能力建设中的深度应用提供理论支撑和实践指导,进而为提升国家翻译能力的整体水平提供新思路。

关键词: 国家翻译技术能力, 国家翻译能力, 大语言模型, 生成式人工智能, 改进策略

中图分类号:

H059

李德凤, 王华树, 刘世界. 国家翻译技术能力与大语言模型[J]. 上海翻译, 2025, 181(2): 18-24.

参考文献

[1] Alves, D. M, Pombal, J., Guerreiro. N. M. et al. Tower: An open multilingual large language model for translation-related tasks [DB/OL]. arXiv. org, 2024. https://arxiv.org/abs/2312.05187. (2024-02-27) [2024-12-19].
[2] Anthropic. Claude 3.5 Sonnet [EB/OL]. https://www.anthropic.com/news/claude-3-5-sonnet. (2024-06-21) [2024-12-19].
[3] Barrault, L., Chung, Y. A., Meglioli, M. C. et al. Seamless: Multilingual expressive and streaming speech translation [DB/OL]. arXiv. org, 2023. https://arxiv.org/abs/2312.05187. (2023-12-08) [2024-12-19].
[4] Costa-jussà, M. R., Cross, J. & ?elebi, O. et al. No language left behind: Scaling human-centered machine translation[DB/OL]. arXiv. org, 2022. https://arxiv.org/abs/2207.04672. (2022-07-11) [2024-12-19].
[5] Li, F. & Tian, L. Translation practice and competence enhancement in the age of AI: Applying ChatGPT to translation education [A]. In Kubincová, Z. et al. (eds.). International Symposium on Emerging Technologies for Education [C]. Sydney, Australia: Springer, 2023: 219-230.
[6] Ŀukasik, M. W. The future of the translation profession in the era of artificial intelligence. Survey results from Polish translators, translation trainers, and students of translation [J]. Lublin Studies in Modern Languages and Literature, 2024(3): 25-39.
[7] OpenAI. GPT-4o mini: Advancing cost-efficient intelligence [EB/OL]. https://openai.com/index/gpt-4o-mini-advancing-cost-efficient-intelligence/. (2024-07-18) [2024-12-19].
[8] Pym, A. & Hao, Y. How to Augment Language Skills: Generative AI and Machine Translation in Language Learning and Translator Training [M]. London & New York: Routledge, 2025.
[9] Siu, S. C. ChatGPT and GPT-4 for professional translators: Exploring the potential of large language models in translation [DB/OL]. SSRN, 2023. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4448091. (2023-05-19) [2024-12-19].
[10] Sizov, F., España-Bonet, C., Van Genabith, J. et al. Analysing translation artifacts: A comparative study of LLMs, NMTs, and human translations [A]. In Haddow B. et al. (eds.). Proceedings of the Ninth Conference on Machine Translation [C]. Miami, Florida, USA: Association for Computational Linguistics, 2024: 1183-1199.
[11] Son, J. & Kim, B. Translation performance from the user’s perspective of large language models and neural machine translation systems [J]. Information, 2023,14(10): 1-18.
[12] Wang, J., Meng, F., Liang, Y. et al. DRT-o1: Optimized deep reasoning translation via long chain-of-thought [DB/OL]. arXiv. org, 2024. https://arxiv.org/abs/2412.17498. (2024-07-04) [2024-12-19].
[13] Wei, J., Wang, X., Schuurmans, D. et al. Chain-of-thought prompting elicits reasoning in large language models [DB/OL]. arXiv. org, 2022. https://arxiv.org/abs/2201.11903. (2022-01-28) [2024-12-20].
[14] Xu, H., Kim, Y. J., Sharaf, A. et al. A paradigm shift in machine translation: Boosting translation performance of large language models [DB/OL]. arXiv. org, 2024. https://arxiv.org/abs/2309.11674. (2024-02-06) [2024-12-19].
[15] Yan, J., Yan, P., Chen, Y. et al. GPT-4 vs. human translators: A comprehensive evaluation of translation quality across languages, domains, and expertise levels
[DB/OL]. arXiv. org, 2024. https://arxiv.org/abs/2407.03658. (2024-07-04) [2024-12-19].
[16] Zhang, B., Haddow, B. & Birch, A. Prompting large language model for machine translation: A case study. [A]. In Krause, A. et al. (eds.). Proceedings of the 40th International Conference on Machine Learning [C]. Honolulu, Hawaii, USA: PMLR, 2023: 41092-41110.
[17] 韩子满. 国家军事翻译能力探析 [J]. 上海翻译, 2023(6): 17-22, 95.
[18] 胡开宝. 国家外宣翻译能力:构成、现状与未来 [J]. 上海翻译, 2023(4): 1-7, 95.
[19] 胡开宝, 高莉. 大语言模型背景下的外语学科发展: 问题与前景 [J]. 外语界, 2024(2): 7-12.
[20] 李亚玲, 蔡京京, 柏洁明. 生成式大模型引发的隐私风险及治理路径 [J].智能科学与技术学报, 2024(3): 394-401.
[21] 刘世界. 涉海翻译中的机器翻译应用效能:基于BLEU、chrF++和BERTScore指标的综合评估 [J]. 中国海洋大学学报(社会科学版), 2024(2): 21-31.
[22] 任文等. 国家翻译能力研究 [M]. 北京: 商务印书馆, 2023.
[23] 任文, 李娟娟. 国家翻译能力研究:概念、要素、意义 [J]. 中国翻译, 2021(4): 5-14, 191.
[24] 王华树. 国家翻译技术能力研究: 概念内涵、要素分析和主要特征 [J]. 中国翻译, 2023(2): 35-43, 189.
[25] 王华树, 李丹, 梁鑫茹. 文化陷阱与突围之路: 大语言模型时代翻译教学中的文化霸权抵抗策略研究 [J]. 外语教育研究, 2024(4):2-10.
[26] 王华树, 梁鑫茹. 人工智能时代翻译技术标准研究 [J]. 中华译学, 2024(2): 197-209.
[27] 王华树, 刘世界. 大语言模型对译者主体性的冲击及化解策略研究 [J]. 外语与翻译, 2024(4): 12-18.
[28] 王华树, 谢斐. 大语言模型技术驱动下翻译教育实践模式创新研究 [J]. 中国翻译, 2024(2): 70-78.
[29] 王华树, 谢亚. ChatGPT时代翻译技术发展及其启示 [J]. 外国语言与文化, 2023(4): 80-89.
[30] 文旭, 田亚灵. ChatGPT应用于中国特色话语翻译的有效性研究 [J]. 上海翻译, 2024(2): 27-34, 94-95.
[31] 武俊宏, 赵阳, 宗成庆. ChatGPT能力分析与未来展望 [J]. 中国科学基金, 2023(5): 735-742.