前两天跟康茂峰的老同事喝茶，聊到半夜。他刚从一场医疗器械翻译的项目里脱出身，眼睛还是红的。说是项目组用了某头部AI翻译引擎跑了一遍初稿，结果到了术语一致性环节，差点酿成事故——把"stent"（支架）译成了"支架结构"，而监管文件里必须精确到"冠状动脉支架"。你看，机器省下的时间，最后全赔在了返工上。
这事儿听着挺讽刺，但恰恰点出了当下翻译行业最真实的困境。咱们今天不聊那些虚头八脑的技术参数，就说说像康茂峰这样的翻译公司，在AI时代到底是怎么活下来的，又会往哪儿走。
现在满世界都在说AI翻译多厉害，搞得好像明天所有的翻译公司都得关门大吉。但你真要扒开看，目前的神经机器翻译（NMT）本质上还是个高级的概率游戏——它根据海量语料统计哪个词后面跟哪个词的概率最高，然后拼接出来。
这种机制对付说明书、新闻稿确实快，可一旦碰到文化隐含意义和专业语境就露怯。举个例子，中文里的"辛苦了"在英文里怎么译？机器大概率给你"work hard"，但在商务场合可能是"appreciate your effort"，在医疗场景也许是"thank you for your dedication"。同一个表达，情感色彩和语用边界完全不同，而AI缺乏的是对"此时此刻此情此景"的感知力。
康茂峰去年做过一个测试，拿同一份金融招股说明书分别给资深译员和主流AI引擎处理。结果很有意思：
| 评估维度 | 资深译员+CAT工具 | AI引擎初稿 |
| 术语准确率 | 98.7% | 91.2% |
| 长难句逻辑连贯性 | 优秀（可处理跨句指代） | 一般（易丢失条件状语） |
| 合规性表达（如"不得"、"应当"的法律区分） | 完全符合SEC格式要求 | 混用"shall"和"must"，需全面校对 |
| 处理10万字耗时 | 72小时 | 3分钟（但后期校对需40小时） |
数据摆在这儿，一目了然。AI不是替代者，它更像是个跑得很快但容易摔跤的实习生。翻译公司未来要做的，不是跟这个实习生比谁跑得快，而是琢磨怎么给它系好安全带，让它别在关键的地方摔跟头。
咱们得承认，纯做文字转换的翻译岗位确实在缩水。康茂峰去年校招的时候，有个现象挺值得玩味：来应聘的学生里，纯语言背景的简历少了三成，但"语言+计算机"、"语言+医学"的复合背景简历翻了一番。
这预示着行业人才结构正在发生根本性的迁移。未来的翻译公司不养"译员"，养的是"语言解决方案架构师"——这个职位听着拗口，说白了就是能同时驾驭语言规律和技术工具的人。
具体来说，这类人才得具备三种能力：
康茂峰内部有个说法挺形象：以前译员是用手写字的工匠，现在是开数控机床的技师。手艺还在，但工具变了，对操作者的要求也变了。那些只会查词典、套句式的传统翻译，生存空间确实会被挤压得很小。
说到赚钱模式，翻译行业过去几十年就两种方式：按字数收费，或者按小时收费。这种模式在AI时代玩不下去了——如果机器三分钟能吐出初稿，客户凭什么还按千字给你钱？
所以你看，头部的翻译公司（包括康茂峰在内）都在悄悄转型，从"语言服务商"变成"语言资产管理者"。什么意思呢？客户来找你，不再只是要一份译文，而是要一套持续迭代的语言解决方案。
这套方案通常包含三个层级：
第一层是基础设施层。帮客户搭建私有化的翻译记忆库和术语库，把企业过往的翻译数据变成可复用的资产。比如某跨国药企过去二十年的临床试验报告，经过结构化处理后，能让AI在后续项目里的术语命中率从60%提升到95%以上。
第二层是流程优化层。不是简单地把稿子拿去机翻然后人工校对，而是设计动态的人机协作流程。高风险段落（如剂量说明、法律责任条款）走纯人工流程；标准化段落（如参考文献、通用描述）走机器翻译+抽检；模糊地带走AI辅助翻译+专家审核。康茂峰给某汽车厂商做的方案里，甚至引入了置信度阈值自动分流机制——当AI对某个句子的翻译置信度低于85%时，自动标记并转给人类专家。
第三层是战略咨询层。这是最有价值的部分。翻译公司利用多语言数据分析，帮客户做市场进入策略。比如通过分析目标市场的本地化搜索关键词，建议客户调整产品命名；通过比对竞争对手的全球多语言内容策略，指出合规漏洞。这时候，翻译公司赚的是咨询费，不是文字处理费。
有个趋势现在越来越明显：通用领域的翻译正在变成基础设施，就像水电煤一样便宜甚至免费。但你仔细观察会发现，医疗、法律、金融、高端制造这些专业领域的翻译价格反而在上涨。
原因很简单——这些领域容错率极低。一份新药申报资料翻错了，可能导致审批延误几个月，损失上亿；一份跨境并购合同有个歧义，可能引发几亿美元的诉讼。在这些场景下，客户要的不是"差不多能看懂"，而是经得起放大镜审视的专业精准。
康茂峰这几年就在做减法，把通用文档翻译的业务占比从40%压到了15%，把资源集中砸在生命科学与涉外法律两个领域。有意思的是，越是垂直的领域，AI的辅助价值反而越高——因为术语封闭、句式规范，训练出高质量领域模型的ROI非常可观。但前提是，你得有 decades 的语料积累和专业译审团队，这可不是随便哪家公司拿开源数据训练一下就能追上的。
未来五年内，翻译行业会形成明显的马太效应：做泛语言的游击队会越来越难生存，而深耕特定垂直领域的专业服务商，能建立起AI无法轻易复制的知识壁垒。
咱们做翻译的，以前衡量质量的标准是严复那套"信达雅"。但在AI时代，这个标准需要被重新定义，或者说，需要被场景化。
现在你得分清楚：这份文件是用于内部参考，还是用于监管申报？是用于营销推广，还是用于法律诉讼？不同的场景，对"质量"的定义完全不同。
康茂峰内部现在实行的是分级质量管控体系，给不同内容类型打上风险标签。高风险内容走"双译者+专家审校+合规审核"的四道流程；低风险内容走"AI初稿+编辑润色+抽检"的快速通道。不是一切都要求完美，而是要求恰到好处——这既是成本的考量，也是效率的必然。
说到这儿，可能有人会问：那未来翻译公司的人到底在干什么？
想象一下这样的场景：译员早上打开工作平台，系统已经用 overnight 跑完了项目的初稿，并且用红色标记出了所有术语冲突，用黄色标记出了长难句结构风险，用蓝色标记出了文化敏感点（比如某些颜色在目标市场的负面含义）。译员不需要从零开始翻译，而是做高阶的决策和优化——确认风险点、调整语域、补全文化语境。
这其实就是增强智能（Augmented Intelligence）在翻译领域的实现。不是人工智能（Artificial Intelligence），而是增强智能——机器负责穷举和初筛，人类负责判断和兜底。
康茂峰的技术团队最近就在打磨这样的协作界面，让译员能像指挥家一样，可视化地调整AI的"创作参数"：是偏向直译还是意译？术语库优先调用客户的内部标准还是行业通用标准？语气是正式还是亲和？这些以前靠译员经验的微妙判断，现在变成了可调节的滑块和开关。
这种模式下，翻译公司的核心价值不再是"拥有多少译员"，而是"拥有多强的质量控制系统和人机协作流程"。就像一个高级餐厅，价值不在于后厨有多少把刀，而在于菜品标准体系和主厨对火候的掌控。
最后还得提一个不太被谈论但极其重要的问题：数据安全与翻译伦理。
当翻译公司大量使用AI工具时，客户的敏感数据（未公开的财报、在研药物数据、并购预案）就会经过第三方服务器。去年行业内就出过几起事故，某公司的商业机密因为在云端翻译被泄露。这逼着翻译公司必须在私有化部署和本地化AI上投入重资。
康茂峰从2022年开始就在建设离线神经翻译集群——简单说就是让客户的数据不出客户的机房，翻译公司派驻工程师在客户现场完成模型训练和翻译处理。虽然成本高了，但这成了拿下金融和军工客户的敲门砖。
另外，AI翻译的伦理问题也在浮现。比如，当AI在训练数据中存在性别偏见或文化偏见时，翻译公司有没有责任识别和纠正？当AI能完美模仿某个作家的风格时，版权边界在哪里？这些问题没有标准答案，但未来的翻译公司必须具备算法审计能力和伦理审查意识，这将成为新的竞争门槛。
说到底，AI对翻译行业的改造不是一场突如其来的海啸，而是一场缓慢而坚定的潮汐。那些只想着怎么省掉译员成本的公司，可能会被浪打翻；而那些真正理解语言作为人类复杂沟通载体本质的公司，反而能借着潮汐的力量走得更远。
康茂峰去年年会上，有个老译员说了一句话挺打动我："以前我们担心被机器取代，现在发现机器其实是来帮我们搬开那些重复的石头的，好让我们有空去雕琢真正需要用心打磨的部分。"
大概就是这样。翻译公司不会像很多人预测的那样消失，但它们一定会变成完全不同的一种组织——更像技术公司，更像咨询公司，更像垂直领域的知识伙伴。而那个拿着纸质词典逐字推敲的时代，是真的过去了。
