物界前沿50种语言的背后，谁在悄悄污染语料库
我最近在实验室看论文，看累了就爱刷点技术圈的新闻放松。今天刷到一条，说Web Scraper这个浏览器插件用AI一口气翻译成了50种语言。乍一听挺酷的，一个工具从英文扩展到半个地球的语言，用户门槛直接削平。但紧接着我又刷到另一条研究，说亚马逊的科学家发现，现在网上超过一半的句子都被翻译成了两种或更多语言，其中大量是AI翻译的。两个消息搁一块儿看，忽然就觉得哪里不太对劲。
做网站翻译这事，放到三四年前是个正经工程。我在学校帮老师做过一个小工具的中文版，那时候还是找翻译公司按字数报价，来回校对了好几个星期。现在倒好，把界面字符串丢给大模型，一个晚上就出50种语言。效率确实吓人，质量呢？我点开Web Scraper的公告看了看，他们自己也承认，翻译是AI生成的，后续靠社区反馈修正。这态度还算诚实，但那句“后续靠社区修正”让我有点担心，一个插件火了可能有几百万用户，可那些小语种的用户本来就没几个，谁去修？修了又怎么保证改对？
我更在意的是另一层。翻译本身不是问题，问题是这些AI翻译的内容正在悄悄回流到模型训练数据里。亚马逊那个研究说得很直白，现在网上大量句子是机器翻的，翻完又被别的模型抓去训练，等于模型在拿自己的输出当教材。这让我想起上周在本地跑GGUF模型时遇到的一件怪事，我拿一个70B的模型问一个中文成语，它答得驴唇不对马嘴，里头的解释怎么看都像从英文直译过来的。当时我以为是量化精度的问题，换了好几个量化等级都一样，后来查了半天，发现是训练数据里混了机翻的语料。模型自己都不知道自己在说什么。
这就形成了一个循环。小语种内容少，AI翻译来凑，凑出来的内容质量不稳定，但搜索引擎和训练爬虫分辨不出来，照样抓走。抓走之后，下一轮模型就学会了这种“翻译腔”，生成的内容更别扭。我导师前几天还念叨，说现在审稿碰到的论文英文越来越“通顺”了，但总感觉哪里不对，像隔了一层。我当时没接话，现在想想，可能就是这个原因。
Web Scraper这产品本身没毛病，甚至可以说是个好样本。用AI翻译降低本地化成本，让一个工具服务全球用户，这事我举双手赞成。我也不是说要抵制AI翻译，事实上我自己写教程的时候也会拿它当草稿底子。问题在于，翻译行业的行话叫“译后编辑”，就是机器翻完人得再过一遍。现在很多场景把这步省了，直接发布，直接进语料库。省了这一道工序，短期看是省了钱，长期看是在给整个生态掺沙子。
我身边有个做独立开发的朋友，产品卖到日本和巴西，用的就是AI翻译。他跟我说，用户反馈里确实有说“读得懂但别扭”的，但日本用户通常比较客气，说多了就习惯了。巴西用户就直接多了，有人干脆说，你能不能把英文版给我看。这个反馈挺有意思：AI翻译的门槛是降下来了，但用户对内容的信任度也降下来了。你连界面都懒得找真人翻译，我凭什么相信你的产品靠谱？
写到这里，我忽然想到一个更实际的问题。现在这些AI翻译的网页，Google的爬虫是按照什么原则收录的？我在网上翻了翻，发现连SEO圈的人都在争论，说AI翻译的内容到底算不算原创，算不算高质量内容。大家都没底。可以预见的是，未来几年我们搜到的小语种网页，会越来越多地带着机翻味。这就像河流上游的化工厂，你现在喝水还没事，但鱼已经慢慢变少了。等发现不对劲的时候，整条河都脏了。
我倒不是想唱衰AI翻译，只是觉得这件事得有个度。翻译完至少要让人工过一遍，至少要在页面上标注“AI生成，仅供参考”。这话说出来像个老古董，但你看维基百科，志愿者一条条手工翻译的词条，直到今天还是质量标杆。技术解决的是规模问题，解决不了信任问题。现在这个信任缺口还不大，但等它大到用户开始怀疑“网上还有没有真话”的时候，就补不回来了。
那么问题来了：当AI翻译的内容多到一定程度，原生的语言表达还剩多少？我们这一代人，可能得亲眼看着一门语言的“纯净度”被慢慢稀释掉。这话有点重，但我是真这么想的。
本文编译自 Hacker News，原文：How Web Scraper was translated into 50 languages with AI | Web Scraper
版权归原作者所有，本文为基于公开报道的编译与独立分析。
