从翻译管理到翻译智能
本地化技术花了二十年时间来组织翻译工作。下一个挑战是理解每一个翻译决策背后的上下文。
二十多年来，本地化技术一直聚焦于一个核心运营挑战：如何大规模管理翻译。
翻译管理系统帮助组织用结构化工作流程取代了电子表格、电子邮件线程、分散的供应商和手动文件交换。它们集中管理多语言内容，协调译者和审校人员，维护术语，复用以往译文，并跟踪各市场的交付情况。
这是一次重要的演进。翻译变得更容易管理、衡量，并整合到更广泛的内容运营中。RWS 将翻译管理描述为协调人员、流程和技术，以高效且一致地跨语言翻译内容。
但是，本地化所处的环境已经发生了变化。
现代组织不再只是翻译已完成的文档或偶尔发布的产品版本。他们持续本地化不断变化的界面、营销活动、帮助中心文章、新手引导流程、定价页面、法律信息、设计系统和客户沟通内容。内容分布在代码仓库、设计工具、内容管理系统、支持平台和营销应用程序���创建。
因此，挑战不再仅限于管理翻译工作。
更大的挑战是理解每一个翻译决策背后的上下文。
这是从翻译管理到翻译智能的转变。
翻译管理旨在组织生产
传统的本地化工作流通常遵循相对清晰的顺序。源内容进入系统，任务被分配，译员生成目标语言内容，审校人员予以批准，随后完成的译文返回给请求方团队。
翻译记忆支持复用先前已批准的内容。术语数据库提高一致性。工作流规则可自动分配、审批和交付。集成减少了在系统之间手动传输文件的需要。
这些功能仍然很有价值。它们解决了通过受控流程处理多语言内容的运营问题。
然而，他们主要是在翻译任务已经定义之后才进行操作。
他们可以向译员展示类似句子之前是如何翻译的，但他们并不总是解释为什么会作出那样的选择。他们可以提供一个已批准的术语，但未必能判断该术语是否适用于这个特定的界面、功能、受众或市场。
比如考虑一个简短的源字符串：
立即升级
正确的翻译可能取决于文本是出现在按钮上、电子邮件主题中、定价页面上，还是账户通知里。它可能指的是订阅方案、软件版本、权益或服务等级。它可能需要遵循已批准的营销活动文案，符合严格的界面限制，或者在特定市场中使用不同的语气。
这句话很简单。这个决定却不简单。
传统系统可以将字符串路由给合适的人，但它并不总能重建出准确翻译所需的完整产品和业务上下文。
工作流程是集中的，但知识是分散的
在大多数组织中，本地化所需的知识分散在许多系统中。
产品行为可能记录在问题跟踪系统中。最新的界面可能存在于 Figma 中。技术限制可能只体现在源代码里。品牌指导可能保存在演示文稿或文档中。市场偏好可能隐藏在审阅者评论里。法律要求可能存储在单独的政策仓库中。
然后，译者需要根据不完整的证据来重构含义。
这是传统模式的核心局限之一：翻译流程可能是集中式的，但围绕这项工作的知识却不是。
随着产品和内容团队加快节奏，这一差距的代价也会越来越高。产品文案在发布前可能会多次变更。营销活动在运行期间也可能会更新。支持内容会根据客户行为不断演进。团队越来越期望本地化能够持续运作，而不是作为下游的制作阶段。
然而，支持性上下文通常仍然需要手动处理。
截图添加不一致。描述会过时。译员向产品团队询问澄清。审校人员反复解释同样的市场偏好。重要的更正仍然被困在评论中，而没有改进未来的工作。
该组织可能已经实现了内容流转的自动化，而知识的流转基本上仍未改变。
AI 让翻译更快，但不一定更准确
生成式 AI 已改变了多语言内容的经济模式。
翻译现在可以在几秒内完成。模型可以针对不同语气重写内容，生成替代版本，遵循术语说明，并处理比早期系统多得多的上下文信息。
但流畅性不应与正确性混为一谈。
AI 生成的翻译可能听起来自然，却误解了产品、选用了错误的已批准术语、违反了界面约束，或者未能保留源消息的意图。
研究表明，机器翻译的质量不仅取决于句子层面的流畅性。文档上下文、领域知识、话语、术语和预期用途都可能影响译文是否合适。
随着 AI 输出变得越来越令人信服，这种区别变得更加重要。
明显的语法错误很容易识别。细微的产品错误则不然。一句话可能读起来完全通顺，却传达了错误的操作、错误的确定性程度，或用户与产品之间错误的关系。
因此，重要的问题并不仅仅是 AI 是否能够翻译。
关键在于系统是否能够为合适的模型或人员提供正确的证据、说明、约束和组织知识。
这就是翻译智能的作用。
什么是翻译智能？
翻译智能是将产品、品牌、语言、市场和审校人员知识转化为更优本地化决策的基础设施。
翻译管理协调工作。
Translation Intelligence 可提升工作的推理质量。
Translation Intelligence 系统应帮助确定：
- 这段内容的含义是；
- 出现的位置；
- 适用于谁；
- 适用哪些产品、品牌、语言和市场规则；
- 之前类似内容是如何处理的；
- 翻译具有多大风险；
- 以及在需要人工判断时。
这代表本地化技术发挥更广泛的作用。
传统平台会组织文件、翻译记忆、术语表、工作流和参考资料等资产。智能系统还会连接截图、产品文档、设计组件、源代码元数据、审核者反馈、市场偏好、内容表现和历史质量数据。
目标不是将所有公司信息收集到一个大型资料库中，而是在做出翻译决策时检索并应用相关信息。
对于产品标签，这可能意味着最新的截图、组件名称、批准的术语以及字符限制。对于活动标题，这可能意味着目标受众、品牌定位、本地市场预期以及以往的创意反馈。
翻译智能使上下文从可选变为可操作。
如在What Is Translation Intelligence?中所探讨的，翻译本身正变得更容易生成。更困难且更具防御性的能力，是理解哪些知识应当影响结果。
从工作流自动化到智能调查
传统工作流自动化遵循预定义规则。
当出现新内容时，创建翻译任务。当翻译完成时，分配审核。当收到批准时，将内容返回到源系统。
这减少了协调工作，但它并没有探究翻译需要什么��
更智能的系统可以检查源内容，识别相关功能，检索支持性截图，查找术语规则，搜索历史决策，检测歧义，选择合适的模型或审阅者，并在交付前评估结果。
这是 AI 代理变得尤为有价值的地方。
不用等待本地化团队手动整理信息，agents 可以从已连接的系统中收集上下文，并直接在翻译工作流中提供这些信息。
代理人可能有助于回答：
- 这段内容出现在哪里？
- 这个功能是做什么的？
- 适用哪种术语？
- 以前是否已更正过类似表述？
- 内容是否包含变量或界面约束？
- 翻译可以自动化吗？
- 是否需要法律、创意或市场审核？
在 Hyperlocalise，我们认为这一调查层是我们看待下一代本地化平台演进方式的核心组成部分。
系统不应仅仅处理翻译任务。它还应帮助理解这些任务。
从静态资产到自我演化的知识
翻译记忆和术语表保留了宝贵的语言知识，但它们通常被维护为相对静态的资源。
产品会变化。品牌语言会演进。新功能会引入新概念。市场团队会形成偏好。审核者会反复进行更正，而这些更正可能永远不会成为正式指南。
翻译智能系统应从此活动中学习。
当审核人员持续用一个术语替换另一个术语时，系统应识别出这种模式。当某个短语会因产品功能不同而被译为不同内容时，系统应保留这种区分。当模型在特定内容类型或语言对上反复表现不佳时，工作流应进行调整。
目标不是将每一次编辑都转化为一条普遍规则。
有些反馈适用于全局。有些只适用于某个市场、活动、功能或内容类型。智能本地化基础设施必须理解这种作用范围。
这将把审阅者反馈从孤立的修正转变为可重复使用的组织知识。
系统不会一遍又一遍地解决同一个问题，而是在每次获得批准的决策后变得更加明智。
从统一工作流到基于风险的编排
传统翻译工作流程通常会对大量内容采用相同的流程。
每个字符串都可能通过相同的模型、翻译、审核和批准流程，无论其业务重要性或语言复杂性如何。
但并非每个翻译都承担相同的风险。
具有强历史匹配的导航标签可能适合自动化。发射活动可能需要创意改编。受监管的声明可能需要法律审查。高可见度的入职流程可能需要市场验证。
翻译智能使工作能够根据上下文、置信度和影响进行路由。
系统可以确定是否重用已批准的翻译、生成新的建议、比较多个输出、引入专家，或将内容升级以进行进一步审核。
这创建了一个更有效的人在回路模型。
语言学家和市场专家会花更少的时间检查可预测的内容，而将更多时间用于需要文化判断、战略解读或责任承担的决策。
这也是下一代 CAT 体验的方向：不是将人类从本地化中移除，而是为他们提供更好的上下文、更相关的推荐，以及更清晰地了解他们的专业知识何处真正发挥作用。
从质量保证到持续评估
在传统工作流程中，质量保证通常发生在流程接近结束时。
审校人员会检查译文、进行修正并批准最终内容。工作已交付，但这些修正背后的推理未必会实质性影响未来的工作流程。
Translation Intelligence 将评估贯穿整个流程。
在翻译开始之前，系统可以评估是否具备足够的上下文。在生成过程中，它可以检查术语、格式、数字、变量和长度限制。在生成之后，它可以评估含义、语气、一致性以及是否适合目标市场。
一旦人工审核员做出决定，系统就可以将生成的输出与已批准的结果进行比较，并确定发生了哪些变化。
随着时间的推移，这会为如下问题提供证据：
- 哪些模型在每种语言和内容类型上表现最好？
- 哪些产品领域最容易产生歧义？
- 哪些术语规则被反复违反？
- 哪些市场需要更多人工参与？
- 哪些上下文来源对质量影响最大？
- 自动化可以在哪些方面安全地增加？
- 哪些情况下应继续要求人工审核？
这将本地化质量提升到超越检查单个输出的层面。
它变成了一个持续学习系统。
翻译智能正在改变本地化团队的角色
从翻译管理转向翻译智能不仅仅是技术上的变化。它也改变了本地化职能的角色。
在传统模式下，本地化通常被视为一项下游服务。产品、营销或支持团队创建内容，将其提交翻译，然后等待多语言输出。
在智能模型下，本地化成为组织全球决策基础设施的一部分。
它连接了产品、工程、设计、营销、法律、支持以及本地市场知识。它揭示了源内容在哪些地方存在歧义、术语在哪些地方会引起混淆、自动化在哪些地方可靠，以及人工专业知识在哪些地方能创造最大的价值。
因此，本地化团队不再只负责协调项目和供应商。
他们越来越负责设计多语言决策如何被制定、评估、治理和改进。
这需要在知识管理、AI 治理、上下文工程、质量评估、系统集成以及基于风险的工作流设计方面具备更强的能力。
语言专业能力仍然至关重要。但它会嵌入到更广泛的智能层中。
翻译管理并不会消失
不应将翻译智能理解为翻译管理系统的替代品。
组织仍然需要项目协调、权限、术语、翻译记忆、工作流控制、集成和报告。这些仍然是基础能力。
变化的是平台的预期角色。
上一代本地化技术的重点是高效地推动内容通过流程。
下一代还必须将知识带入这一过程，指导决策，评估结果，并从人类反馈中学习。
翻译管理要求：
我们如何组织和交付多语言内容？
翻译智能要求：
我们如何确保每个人类和 AI 系统都具备做出正确本地化决策所需的知识？
全球组织将需要两者。
本地化的下一个时代
随着翻译变得更快、更自动化，竞争优势将不再仅仅来自生成多语言文本。
它将来自对含义的理解。
最强大的本地化系统将了解内容如何与产品、受众、市场、品牌以及组织先前的决策相联系。它们会自动检索相关上下文，选择性地应用这些上下文，持续评估输出，并通过人工审核不断改进。
这就是本地化行业正在发生的转变。
从管理文件到理解内容。
从存储翻译到从决策中学习。
从自动化交接到自动化调查。
从静态语言资产到自我演化的知识。
从翻译管理到翻译智能。
Hyperlocalise 正在通过AI 代理、下一代 CAT 体验以及一个自我演进的上下文引擎来构建这一未来，旨在帮助全球团队以更少的人工调查产出更优质的翻译。
下一代本地化软件将不仅仅管理翻译。
这将使组织在跨市场沟通方面更加智能。