AI 助力翻译：DeepSeek、ChatGPT 和 Gemini 等 AI 模型是否是适合用于本地化的理想之选？

Boardrooms、LinkedIn 上的评论和网络研讨会仍在热火朝天地讨论 AI 革命及其对翻译和本地化的影响。尽管其设计并非专为翻译而生，但 LLM 正越来越多地被用于创建多语言内容。然而，关于它们在这些任务中的有效性，依旧存在着争议。

专家如何说？

• AI 模型与专用神经网络机器翻译 (NMT) 引擎相比如何？
• 它们是否适合大规模本地化，或者更适合创意型和小众型任务？ 
• 它们带来了哪些道德、监管和数据安全挑战？ 
• 像 DeepSeek 这样的开放权重 AI 模型是否为专有解决方案提供了真正的替代选择？

让我们透过专家的观点来了解不断发展的 AI 翻译环境，以及它对多语言内容未来发展的意义。

AI 翻译：LLM 如何比较？

虽然 LLM 不一定是为翻译而生，但许多行业专业人员和组织一直在测试它们在成熟的神经网络机器翻译 (NMT) 系统中的表现。

一些模型，例如 Deepseek 最新的 V3 和 R1 模型，因其逻辑推理能力而倍受称赞，而用户则报告称，使用 GPT4 和 Claude 等模型在流畅性和创造力方面取得了出色的结果。

• DeepSeek：一些专家认为，它的中英翻译质量超过了其他模型。并且它在数学推理任务上的表现也尤其出色。不过，一些早期测试显示，与其他一些模型相比，它在处理上下文中含义微妙的情形时可能存在困难。
• ChatGPT 和 Claude：对于高质量、有微妙差异且需要创意的翻译（通常用于营销或创意内容）而言，这些模型是许多人的首选。它们还可用于本地化工作流程中的各个阶段。在最近的一项研究中，Claude Sonnet 被专家们评为适用于若干语言对的最佳翻译模型，特别适合处理一般翻译任务。
• Gemini 和 LLaMa：谷歌的 Gemini 模型正在整合多模态能力，以改善对不同类型内容的上下文理解，而 Meta 的 LLaMa 则注重效率和适应性，以便处理各种 AI 任务。

行业洞见：

Nimdzi 行业专家 Renato Beninatto 在我们的独家电子书中概述了 2025 年将塑造语言和内容行业的主要趋势，他进行了一项实验来测试翻译错误，发现在翻译一个特别棘手的西班牙语短语时，GPT-4o 和 DeepSeek V3 之间存在着有趣的差异。

他在 LinkedIn 上发文称：“该实验展示了这些 AI 模型在推理能力上存在显著差距。虽然 DeepSeek 展现出了强大的语法分析能力，但在更广泛语境的理解上却遇到了困难。ChatGPT 通过理解内容前提（四个词）与翻译之间的关系，展现出了更优秀的推理能力。”

AI 翻译具有成本效益吗？开创新纪元

对于许多希望在内容创作和本地化中推动采用 AI 模型的领导者而言，成本是一个重要的考虑因素 。虽然许多大型 AI 公司的计费单元价格相似，但就 LLM 的成本而言，DeepSeek 的出现已成为一大颠覆性因素。

据悉，DeepSeek 的训练成本仅为竞争对手的一小部分，其计费单元成本通常也远低于竞争对手。较低的成本可能意味着，对于利用 LLM 力量的小型企业和其它组织来说，这在财务上会更具可行性。

LLM 的费用很可能越来越低。但是，对于许多已经投资使用神经网络机器翻译建立术语库或翻译记忆库的企业而言，或者对于大批量使用案例而言，目前继续使用 NMT 可能更具成本效益，尤其是因为 NMT 可以更快地处理大量内容。

行业洞见 

“对于选择 LLM 还是 NMT 进行翻译，没有放之四海而皆准的方法。更具成本效益的解决方案往往取决于内容类型、目标受众、内容数量等诸多因素。这就是为什么语言服务提供商能够助以一臂之力，运用其在实施 NMT 和 AI 解决方案方面的专业知识来找到正确的平衡点。”

Acolad 全球解决方案负责人 Pavel Soukenik

量身定制的开放权重模型：一场本地化革命？

DeepSeek 与其主要 LLM 竞争对手之间最大区别或许在于，该模型是通过开放权重模型提供。虽然有些人可能会将其描述为开源，但许多专家坚持认为，将训练好的参数公开，而模型的其他方面保持私有的 AI 模型应被称为“开放权重”(Open Weight)。

无论如何，与大多数其他 LLM 竞争对手不同的是，DeepSeek 可进行定制，能够下载、修改和部署内部模型，使企业能够对 AI 进行专门的微调，例如，去适应语言对和特定行业的术语。

对于开发专为处理专有模型可能无法提供的低资源语言工作而设计的新模型而言，这可能具有巨大的开创性意义。除此之外，组织可以在自己的翻译记忆库、术语数据库和品牌指南上安全地训练模型，而不会将敏感数据暴露给第三方。

开放权重模型有可能真正实现先进语言技术的民主化，同时让企业保持其语言竞争优势。更多的企业可以运行这些模型的定制应用，而无需支付培训模型的高额初始费用。

AI 翻译和合规性：数据安全困境

随着 AI 被越来越广泛地应用，人们对数据安全、合规性和道德的担忧也一直相伴而存。

例如，澳大利亚、美国、意大利、中国台湾和韩国当局以隐私和数据问题为由，已经开始对 DeepSeek 的使用实施了限制。在 ChatGPT 推出之初，意大利也采取了类似的做法。

数据保护、监管框架和其他合规性问题仍然是许多领域，特别是受监管行业采用 AI 的主要障碍。

企业领导者需要考虑的关键问题包括：

• 在用于翻译时，AI 模型能否确保数据保护并符合当地法规？

• 企业选择本地托管的 AI 模型来保障数据安全是否可行？

• 欧洲、美国和亚洲之间的 AI 监管规程不同将产生什么影响？

虽然这些问题没有简单明了的答案，但组织必须仔细评估 AI 翻译工具是否能够履行其合规性义务，考虑本地托管模型的可行性，并为应对全球主要地区之间不同监管规程的影响做好准备。

AI 加持型翻译的未来是什么？

正如我们所看到的，格局不断变化，开放权重模型挑战着传统的专有系统，而成本效益和定制能力正在成为市场的关键差异化因素。

未来可能预示着 AI 技术的应用普及会更加民主化，规模较小的 LSP 和企业将获得部署和定制自有 AI 解决方案的能力。本地部署和模型定制的趋势可能会加速，特别是对于使用资源匮乏的语言和强专业性行业术语的组织。

然而，这种演变必须能够应对复杂的监管环境，因为各个国家/地区针对 AI 治理而实施的举措可谓千差万别。该行业需要平衡创新与合规性，尤其是在 AI 监管的地区差异不断出现的情况下。

对企业和本地化专业人员的关键要点：

✔ AI 模型正在完善，但在某些情况下，例如处理海量内容，传统的 NMT 引擎可能仍然是更佳选择。

✔ 开放权重 AI 模型可能会推动行业创新，但其采用取决于监管的明确性。

✔ 应战略性地使用 AI 翻译，例如处理创意内容和自动化译后编辑。

✔ 安全性和数据合规性问题仍然是选择 AI 工具的关键考量因素。

行业洞见

“AI 在翻译和本地化领域的未来不仅在于技术，还在于我们如何平衡安全性、合规性和创新。AI 正在重塑语言行业，但真正的力量来自以顺应特定环境的方式来使用这些技术。”

Acolad 全球解决方案负责人 Pavel Soukenik