1. 引言
近年来，以生成式大语言模型(LLM)为代表的人工智能(以下称AI)技术浪潮席卷全球，深刻重塑了社会生产的各个领域。在语言服务行业，AI翻译工具(如ChatGPT、DeepSeek等)的翻译质量正在以前所未有的速度迭代，其在处理常规文本时的流畅度、准确性和效率已对传统人工翻译构成了显著冲击。据统计，92%的专业翻译人员高频使用AI翻译，即便是使用频率最低的教师群体，比例也高达46% [1]。在该技术浪潮背景下，翻译工作模式正快速地由传统人工翻译、机器辅助翻译(CAT)转向人机协同翻译(MTPE)、人智协同翻译(AIPE)。这一技术变革无疑对以培养职业翻译人才为目标的外语翻译教学，尤其是实践性极强的笔译课程，提出了一个急迫且深远的议题：在AI时代，我们应如何培养翻译能力？传统的教学模式是否已然失效？未来的翻译教育将走向何方？
本文旨在以此为切入点，首先剖析AI技术对当前翻译教学带来的双重冲击，进而提出翻译教学必须进行“范式转型”的核心观点，最终构建一个以“人机协同”为特征的、旨在培养学生不可替代核心素养的笔译教学新模式。
2. 人工智能与翻译模式
根据技术在翻译活动中的介入程度，翻译工作模式大体上经历了传统人工翻译、机器辅助翻译和人机协同翻译三个主要阶段[2]。
1) 传统人工翻译主要工具为词典，翻译质量取决于译者双语水平及翻译技巧，效率较低，未经改革的笔译教学采取的基本就是这样的翻译模式。
2) 机器辅助翻译即以Trados为代表的，以翻译记忆和术语管理为核心的计算机辅助翻译(CAT)技术。对个人译者来说，CAT并未从根本上改变翻译模式，但翻译记忆库和术语管理库能有效减少重复劳动，极大地提高了翻译效率。得益于其项目管理机制，众包翻译模式从根本上改变了翻译行业运作模式[3]。2007年起，我国先后有15所高校开设了翻译专业硕士学位课程(MTI)，有19所高校开设了翻译专业本科课程。在有关课程计划里，“计算机辅助翻译”被列为一门选修课，说明高校逐渐开始重视翻译技术[4]。
3) 人机协同模式即MTPE，是指编辑、修改和/或更正预先翻译的文本的过程[5]。神经网络机器翻译系统(NMT)的进步催生了该种翻译模式，机器翻译系统负责快速生成译文初稿，译者专注译文的审校与优化，颠覆了以往的翻译模式。生成式人工智能在翻译中的应用，进一步推动翻译工作模式逐步进入人机协同翻译阶段。
王树华(2025a)称其为人工智能译后编辑或人智协同翻译(AIPE)，认为人智共生关系不断形成并深化，翻译的生产力结构进一步重构。翻译不再是人的单一活动，而是人与机器在深度协作中共同完成的创造性活动[6]。其核心理念，笔者认为可以追溯到行动者网络理论。行动者网络理论(Actor-Network Theory, ANT)作为一种强调社会技术网络构建过程的理论框架，其核心主张在于突破传统的主体/客体、人类/非人类二元对立，认为技术实践和社会现象的产生源于由多元行动者组成的动态网络内的互动与协商，其行动者涵盖了人类(如译者、教师)与非人类要素(如技术、网络、机器、AI) [7]。在这一理论视角下，人智协同翻译不再是单向的工具使用活动，而是AI系统被视为具有能动性与影响力的独立行动者，它与其他行动者(人类及非人类)共同塑造翻译的实践过程与结果。这一理念对翻译教学模式的转型有很大启发。正如周忠良(2023)所说，ChatGPT被广泛应用于翻译教学，改变了传统的师生二元双主体教学模式，使翻译课堂迈向“师–机–生”三元互动协同的教学模式[8]。AIPE理念下的人机协同翻译模式，无疑是翻译教学的未来方向。
AIPE有三个突出特点，第一，提示工程驱动的交互式翻译。通过提示词的精确设计，译者可以指定翻译的文体风格、要求解释特定翻译选择的理由，或获取多个备选方案，从被动的译文修改者转变为翻译过程的主导者。第二，深度语义理解支撑的高质量译文生成。AIPE模式下的LLMs通过大规模预训练形成了强大的语义理解能力，能够实现对文本深层语义和上下文关系的准确把握，为高质量译文的生成提供了坚实的基础支撑。第三，智能化的系统性译后编辑机制。在MTPE模式中，由于机器翻译系统缺乏修正反馈的学习能力，导致译者需要机械修改机器译文中频现的错。AIPE模式下译者可以通过编写针对性的提示词明确指出发现的问题类型和修改要求，引导LLMs自动识别并修正全文中的类似问题[6]。当然，其智能化译后编辑仍然存在技术边界，以ChatGPT为例，在汉译英校对、润色方面表现出色，能够根据指令指出并修正翻译错误，调整句法结构，增强篇章连贯，且可调整语域；但在英译汉语言对的校对、润色等译后编辑任务中表现欠佳[9]，进一步说明了人智协同的重要性。
综上可知，随着技术的发展，翻译模式转型是不可阻挡的趋势，翻译教学如果不积极拥抱技术，改变培养范式，势必被变革抛弃。
3. 人工智能与翻译教学
“笔译理论与实践”课程为高校外语语言文学专业的专业核心课[10]。87％的MTI院校在第一学期或第二学期(少数)开设了名为“翻译概论”“翻译学概论”“翻译学导论”“翻译学通论”“译学概论”“翻译理论概论”“翻译理论与实践”等导论性课程，且为必修课[11]。可见该课程的重要性。然而，很多高校对翻译专业人才培养的理解停留在外语人才培养或者翻译研究型人才培养的范畴，其主要教学模式为教师布置翻译任务、评估作业，学生被动接受[12]。张威(2025)的调查显示，翻译专业学生认为翻译教学无法适应人工智能挑战的比例最高(68%)。他们表示，目前翻译教学和课堂活动依然是传统的教师个体讲授与主观评价为主，语料库和人工智能等现代技术因素很少体现[1]。在实际的教学过程中，学生受限于词汇量、查询速度，处理千字原文可能耗时数小时，同时，教师精力有限，难以对每位学生的每一次练习都进行细致批改，最终导致教学效率低下，难以提高翻译水平。笔者曾做过调查，只有不到70%的同学认为自己提高了实际翻译水平[13]。
进入人工智能时代，AI可在数秒内生成初稿，极大地解放了学生的生产力，使其能将精力从基础的“查字典、组句子”中释放出来，聚焦于更高层次的文本分析、风格对比和策略选择。且AI可以对学生译文进行即时初步分析，指出潜在的语法错误、搭配不当、术语不统一等问题。这种即时反馈机制能够帮助学生迅速定位问题，形成“试错–反馈–修正”的高效学习闭环。虽然AI翻译过程本身是一个复杂的“黑箱”，但通过对比分析原始文本、AI译文和权威参考译文，教师可以引导学生逆向探析AI的“翻译逻辑”。例如，可以设计任务让学生观察AI如何处理日语的省略主语、被动句式或惯用谚语，从而反思语言转换的规律与陷阱。这使得抽象的翻译理论变得更加具体、可感知。
当然，AI也不是万能的，最大的挑战在于学生可能产生“AI万能”的错误认知，形成“一键生成、一键提交”的学习惰性。这将导致其自身基础的语法、词汇分析能力、篇章构建能力得不到有效锻炼，长此以往，翻译技能的核心——语言转换能力与文本处理能力——必将“空心化”。当遇到需要深度创造性、文化敏感度或AI无法处理的模糊文本时，学生将束手无策。同时，AI译文并非绝对正确，缺乏鉴别能力的学生，全盘接受AI译文，无异于饮鸩止渴。在AI面前，传统教师的知识权威性受到部分消解。当学生能轻易获得“标准答案”时，教师的角色价值需要重新定位。同时，传统的“以终为始”的评价方式(即将学生最终译文与参考译文比对给分)已无法有效衡量学生在翻译过程中的思考、抉择和对AI工具的运用能力，评价体系亟待革新。
4. 笔译理论与实践类课程定位与转型
面对上述挑战，笔译教学的目标需要从培养一个会翻译的人，转向培养一个会驾驭翻译的人。核心是实现从“技能传授型”向“素养生成型”的范式转型。
4.1. 教学目标转型
传统教学目标聚焦于学生能否独立产出符合某种翻译理论(如“信、达、雅”等。)的译文。新范式下，目标应转变为培养学生三大核心素养：
1) 高阶翻译策略能力：指超越语言层面，能够进行文本类型分析、翻译策略选择(如异化与归化、全译与摘译)、文化价值判断等的能力。AI提供的是一种可能，而人类需要判断这是否是最佳可能。
2) 人机协同的操控能力：指掌握与AI高效协作的“元技能”。这包括通过撰写精准、有效的提示词，引导AI生成更高质量的初稿；以及AIPE能力，即能以AI译文为基石，进行高效、精准的修改、优化和再创造。
3) 深度人文与跨文化思辨能力：要求译者不仅理解语言，更能洞察语言背后的历史脉络、社会风俗、审美情趣和价值观念。学生需要能够识别AI在文化传递上的“失真”，并赋予译文以温度和深度。
4.2. 教师身份转型
教师的核心工作不再是讲授知识点，而是设计能激发学生深度思考、促进人机协同的学习任务和项目。例如，设计一个“文化负载词翻译”项目(见附录A1)，让学生分组，一组纯人工翻译，一组利用AI辅助翻译，最后进行对比答辩，由教师引导学生深入讨论两种模式的优劣。
教师需要主动学习和掌握主流AI翻译工具的特点、优势和局限，并指导学生如何根据不同文本类型(科技、文学、商务等)选择合适的工具，以及如何利用高级功能(如术语库、记忆库)提升AI翻译效果。
教师要不断追问学生：“为什么AI会这样翻译？”“这个译文的问题在哪里？”“如果让你来改进，你会从何处着手，为什么？”通过问题链，点燃学生的思辨火花，使其从被动的知识接收者，变为主动的意义建构者。
4.3. 评价转型
1) 过程性数据纳入考核：评价不应只看最终提交的译文，还应考察学生在翻译过程中的行为数据。例如，可以记录学生提交的AI初稿、修改过程、最终版本，并要求学生附上一份“翻译反思报告”，阐述其对AI初稿的评价、修改的理由、遇到的困难以及解决策略。这份报告比译文本身更能反映其真实水平。
2) 能力导向的多维评价：评价项目应进行细分，设置多个维度：
AI译文鉴别与批判能力(30%)：对一份AI译文中错误(语言、文化、逻辑)的识别数量与质量。
人机协同改写与优化能力(40%)：基于AI初稿进行修改，最终成稿的质量提升度。
跨文化调适与创意再表达能力(20%)：在处理文化难点时，展现出的超越AI的创造性解决方案。
团队协作与沟通能力(10%)：在小组项目中，与成员合作、讨论AI策略的表现。
5. 结论与余言
人工智能时代的到来，挑战的本质不在于技术本身，而在于我们如何审视和定义“翻译能力”的核心要义。本文以笔译理论与实践课程为例，通过对AI利弊的辩证分析，明确主张翻译教学必须进行一场从技术到理念的范式转型。
这场转型的核心，是从教会学生“如何翻译”，转向培养学生“为何如此翻译”、“如何评价机器翻译”以及“如何借助机器翻译创造出更好作品”的综合素养。
值得一提的是，笔译理论与实践类课程与计算机辅助翻译类课程的侧重点应当是不同的。在人工智能时代，前者应当增加对人工智能、机器翻译对翻译行业的影响的讨论；引入批判性思维，帮助学生判断技术生成文本的质量和适用性；强调人类译者的创造性、文化敏感度与逻辑判断在技术环境中的不可替代性，始终应当强调人的作用。而后者，将神经机器翻译(NMT)与后编辑技能纳入核心训练；教授利用大型语言模型(LLM)辅助术语提取、风格调整等；引入自动化质量检测工具(如QA check)与数据预处理技巧；强调与云平台、团队协作流程的整合。概言之，前者重视理解与评估，后者重视应用与优化。
当然，这一范式的实施对教师、教材、教学资源和评价机制都提出了更高的要求。教师需持续学习新技术，更新教育理念；教材需动态更新，融入AI案例；学校也要提供相应的软硬件辅助。
最后，本研究是基于概念构建和单一课程类型的初步探讨，且未经过长期的跟踪对照实验检验，其普适性有待进一步验证。该模型在不同课程类型(如专门翻译、具体的行业翻译)、不同教育层次(本科/研究生)中的具体应用与调整，以及如何应对AI带来的学术诚信挑战等则是未来研究的方向。
附 录
A1. 文化负载词翻译项目示例
文化负载词翻译 ——中日高等教育对比 |
阶段 |
人工翻译组 |
AI翻译组 |
一、知识积累及分组 |
课堂讲解或布置阅读材料，明确文化负载词概念、分类、翻译难点及常用策略。给定介绍中、日高等教育的材料各一份，找出其中的文化负载词，分析翻译难点(如中日高等教育学制、模式不同带来的翻译问题)。由师生协调分组，形成4人左右的团队(偶数)，人工、AI组各一半。准备完成中译日、日译中翻译练习。 |
二、翻译实践 |
只能使用传统工具(词典、百科全书、学术文献、语料库、网络)和自身知识进行翻译。要求详细记录查找过程、选择的策略及原因。 |
必须使用指定的AI翻译工具(如ChatGPT、DeepL Pro、DeepSeek、豆包等)，结合基础工具进行翻译。 |
记录详细的翻译过程说明和理由陈述(选择的策略、面临的挑战、解决的思路)，形成一份简要的翻译实践报告。 |
三、对比分析与答辩 |
逐条比较翻译结果、翻译策略差异，评估整体翻译质量。分析AI在哪类词上表现最差，在哪些环节效率提升最高。分析人工翻译最大的优势及困难等。 |
四、成果评估与展望 |
1根据评分标准为各小组的翻译实践报告打分。 2基于人工组和AI组的对比，提出在类似任务中最优的人机协同模式(比如：AI初筛提供选项 > 人工判断筛选 > 人工修改润色 > AI风格化校对 > 人工最后把关)。 |
五、教师作用 |
引导学生挖掘深层原因：不止于“谁翻得好”，要追问“为什么会有这种差异？(AI模型的知识边界？训练数据的文化偏见？人类的理解与创造性？)”。 联系理论与实践：将学生遇到的困难和获得的感悟上升到翻译理论、跨文化传播理论、AI局限性理论层面进行阐释。在讨论后，清晰地总结出关于文化负载词翻译的独特性、人机协同中各自的角色定位、AI时代的翻译能力新要求等核心结论。 |
A2. 小组报告多维量规
人工翻译组 |
AI组 |
译文准确性与问题自查能力(30%)：译文的初始质量和发现、修正自身错误的能力。 |
AI译文鉴别与批判能力(30%)：对一份AI译文中错误(语言、文化、逻辑)的识别数量与质量。 |
译文的精进与润色能力(40%)：独立或通过人工方式对译文进行多次打磨、优化，使之达到高水平的专业质量。 |
人机协同改写与优化能力(40%)：基于AI初稿进行修改，最终成稿的质量提升度。 |
跨文化调适与创意再表达能力(20%)：在处理文化难点时，展现出创造性解决方案。 |
跨文化调适与创意再表达能力(20%)：在处理文化难点时，展现出的超越AI的创造性解决方案。 |
团队协作与沟通能力(10%)：在小组项目中，与成员合作、讨论翻译策略的表现。 |
团队协作与沟通能力(10%)：在小组项目中，与成员合作、讨论AI策略的表现。 |