2026-01-06
来源：《浙江工商大学学报》2025年第5期
任东升，周忠良
（中国海洋大学 国家翻译协同创新中心，山东 青岛266100）
摘要：生成式人工智能在翻译行业中表现出广泛的应用前景，具有颠覆传统翻译模式的潜势。生成式人工智能深度介入翻译学知识生产过程，为翻译学研究提供了新路径，引发了翻译学知识生产主体、空间、方式、逻辑、模态的变革，因而改变了传统的知识生产秩序，推动了翻译学研究的观念变革和范式转型。在生成式人工智能时代，翻译学的知识迭代速率加快，量化研究发展更加深入，跨学科研究愈发便捷，人本性特征愈显重要。为推动翻译学知识体系建设，研究者需要拥有知识愿力、知识想象力和知识批判力，秉持求真向善原则，拥抱技术发挥其知识增能作用，突破思维定势推动知识创新，以反思性构建精神，妥善解决技术理性与人文价值之间的冲突，守护翻译研究的诗学使命和人文精神。
关键词：生成式人工智能；翻译学；知识生产；大语言模型
一、引言
人工智能已对科学研究产生重大影响。国外有学者在Science上提出以人工智能推动社会科学研究变革。中国科学技术部与国家自然科学基金委员会于2023年3月启动“人工智能驱动的科学研究”专项部署，强化人工智能在科学研究中的创新性应用。在此背景下，翻译学界高度关注人工智能发展。围绕生成式人工智能时代的翻译（学）问题，已有研究提出强化翻译技术教育教学改革思路[1]，构建译者素养概念框架[2]、内涵结构和译者职业发展路径[3]，剖析专业领域翻译所面临的伦理风险及解决进路[4]，检视翻译学发展面临的问题[5]。生成式人工智能将重构翻译（学）①知识生产的底层逻辑，对翻译学研究产生重大影响。鉴于此，本文以大语言模型ChatGPT和DeepSeek为例，分析生成式人工智能对翻译学知识生产的变革性作用，探讨翻译学发展趋势及其内在动力。
二、翻译学知识生产秩序的五重变革
知识生产秩序是指按照学科规范所制订的程序进行知识生产，要求学术研究各环节在学科制度的规制下有序进行，实现知识的正循环。生成式人工智能凭借大数据、算法和互联网等现代信息技术，从多个维度变革了传统翻译学知识生产秩序，使翻译研究呈现出全新的学术图景。
（一）“人类+机器”协同的知识生产主体
传统观念中，知识是人类专有产物。有学者指出，当前翻译学知识生产主体已呈现多元化趋势，翻译研究者、实践者、管理者、教育者与技术人员及翻译出版者、传播者等涉译诸方，均可在翻译学知识生产中发挥作用[6]。该观点以关系论思维将围绕翻译活动形成的人类行动者网络纳入知识生产主体范畴，强调翻译学知识生产的属人性。生成式人工智能应用于翻译，催生新型翻译知识（Translated knowledge）生产主体。ChatGPT、DeepSeek等大语言模型已超越传统搜索引擎功能，凭借对超大规模文本数据的预训练和深度学习，具备强大的人类语言理解能力[7]。指令学习和基于人类反馈的强化学习等技术使大语言模型在意图理解、语言生成和知识服务方面取得重大突破，刷新了非人类实体对人类自然语言的理解深度[8]。ChatGPT在翻译过程中，通过深度学习机制对预训练语料进行多步特征转换与表征，学习不同语言的语义结构、表达习惯和行文模式，并将习得的语言知识用于翻译实践，外显为译文的忠实性、准确性和译语表达的流利性、规范性。
从翻译学知识生产角度看，生成式人工智能基于其巨量语料和逻辑算法机制，具备强大的内容生成和知识联结能力，可辅助研究者进行学术创意、数据采集、知识图谱构建及论文写作，极大提升研究效率和质量。例如，笔者在DeepSeek中输入“如何利用DeepSeek自动判别译文的语言风格”，其回复可结合其自然语言处理能力，通过文本特征分析和机器学习模型实现精准识别译语风格，并给出基于文本特征的语言风格分析、基于预训练模型的风格分类、基于对比学习的风格匹配，以及结合规则引擎增强判别等四种方法，每种方法均附有可行的技术路径。其中，对于“基于对比学习的风格匹配”，DeepSeek指出该方法适用于缺乏标注数据的情况，具体步骤为：1）构建正负样本对，正样本是同一原文的不同风格译文，负样本是不同原文的随机配对译文；2）训练编码器，使用DeepSeek-Embedding模型计算文本相似度，使同类风格靠近，反之远离；3）进行聚类分析，使用K-means或t-SNE对译文向量聚类，自动发现风格类别。不难看出，DeepSeek提出的研究思路，场景清晰、操作性强且极具学术创意。生成式人工智能若利用得当，可成为翻译学研究的强大助手。
生成式人工智能应用于翻译活动和翻译学研究，突破了传统以人为中心的翻译（学）知识生产模式。作为新型的非人类行动者，其为翻译学构建了一个异质性知识生产主体，使知识生产主体不再仅限于人类，而是由碳基生命的人和以硅基为质料的机器共同构成，从而形成新的翻译（学）知识生产主体结构序列，知识生产主体形态逐渐演化为人类、人工智能、人智协同并存。人工智能生成的硅基智慧与人类智慧或碳基智慧一样，成为翻译（学）知识体系不可或缺的部分。
（二）“现实+虚拟”联动的知识生产空间
传统翻译研究面对的是物理空间、社会空间和心理空间，分别对应与翻译相关的“物的世界”“事的世界”和“意识的世界”研究。前者关注作为物理性客观存在的翻译，研究对象包括翻译的产品、工具、语言等；中者将翻译活动作为社会事件，研究翻译活动中人与人、机构、社会、国家之间的复杂关系；后者注重翻译过程中的思维、认知、心理、伦理等认识或意识层面的问题。研究这三个“世界”所形成的话语、概念、范畴与理论，构成了翻译学的基本知识体系。
互联网、大数据和人工智能技术为人类创造了一个以数据为基础的虚拟信息空间[9]，为翻译学知识生产提供了新的可能。以大数据驱动的翻译传播研究为例，研究者可利用ChatGPT的编程功能制作爬虫工具，抓取域外网站中Belt and Road Initiative、A Community with a Shared Future of Mankind等核心国家翻译话语的相关内容，通过情感分析考察国家重要政治概念的国际传播动态；也可爬取国外社交媒体受众人口特征、网络行为、内容消费等数据，构建受众画像，为国家翻译话语的精准化、分众化传播策略提供支持；还可爬取国家翻译话语在特定域外网站的搜索排名，分析其影响因素，为国家优化搜索引擎提供决策参考。此类研究以网络数据为材料，以虚拟空间中的人、事、物为对象，采用大数据研究路径，迥异于传统翻译研究。
虚拟空间是“物的世界”“事的世界”“意识的世界”的数据化和量化呈现。作为翻译研究的“第四空间”，蕴含巨大的知识生产潜能。当数据量化万物，人类生活空间的一切事物均可在数据科学指导下实现价值挖掘[10]。虚拟空间中不同语言、模态、形式的数据，可在用户提示工程（Prompt Engineering）指引下，经由算法生成内容。理论上，大语言模型的所有数据均可能成为翻译（学）知识生产原料。在虚拟空间中开展翻译学研究，数据是核心生产资料，人工智能是生产工具，互联网既是知识赋存载体，也是知识生产媒介和平台。数据挖掘成为知识创新和生产的重要手段[11]。虚拟空间中的数智化翻译学研究与现实世界中的传统翻译学研究联动，共同构建翻译学知识版图。
（三）“具身+离身”互促的知识生产方式
关于知识起源，以笛卡尔为代表的“唯理论”者认为知识是大脑逻辑演绎的结果；以休谟为代表的“经验论”者认为知识源自人对现实经验的感知，是对客观世界的直接反映；马克思主义认为知识源于实践，接受实践检验，并可用于指导实践；具身哲学主张认知的形成和知识的产生与人的身体、身在环境、身体经验紧密相关，身体与身在世界的互动是知识生产的基本机制。无论是理性、经验、实践还是身体，这些作为知识源头的因素皆与人密切相关，体现出知识生产的属人性和具身性[12-14]。
传统翻译模式下，译者需基于自身翻译经验形成译文，生成翻译知识。译者对源语风格的感知、情感特征的判断，及翻译方法和工具的运用，均受制于自身专业认知和所处社会文化环境，因此翻译过程本质上是具身的。不同的是，ChatGPT等生成式人工智能实现了人机协同翻译，翻译过程或翻译知识生产过程体现出离身化特征。该类模型采用无监督预训练机制，可利用任意语种、领域、模态的文本数据进行训练，凭借预训练数据的易得性和广泛性，习得丰富的语言和百科知识，因此具备强大的语言处理能力和跨领域泛化能力。传统翻译活动中，译者依赖个人语言能力、专业知识和翻译经验，不借助任何机器或自动化工具完成翻译任务[15]。而ChatGPT会基于海量预训练数据，利用深度学习机制自主学习理解源语言文本，获取源文本的语义和语言结构，自动生成符合目标语表达习惯的译文。尽管其翻译行为由人类提示触发，但翻译过程中的知识加工具有自动性，无需人的介入。ChatGPT模拟人的思维模式加工数据，依据自身算法逻辑进行推理与决策，形成知识生产的程序性闭环。在这一过程中，人类译者是离身的，在语言转换和知识加工阶段处于不在场状态[16]。
传统翻译学研究同样是具身实践过程，每一环节均依赖研究者的专业知识提出问题，设计思路，收集数据，并经由严密的程序实现研究目的。生成式人工智能的引入，使翻译知识生产呈现出离身化趋势，研究者无需严格遵循传统学术路径也可获得较理想的研究效果。例如，笔者要求DeepSeek分析许渊冲、Waley和Mitchel所译《道德经》的语言风格，系统自动生成了涵盖文化负载词、隐喻密度、风格指纹等多维数据对比报告，展现出其作为“离身化”翻译研究主体的潜力。随着人工智能不断强化，其语义识解能力和认知水平将持续提升，在翻译学研究中的作用愈发重要。
（四）“必然+或然”同构的知识生产逻辑
翻译学作为一门独立学科，其知识生产遵循自上而下的制度化逻辑，以专业学者为中心的知识生产主体在学科体系内展开实践。在传统学术体制下，学者需经过长期系统的学术训练和严格的学术评价才能获得稳固的专业地位，因此知识生产的准入门槛较高。学术成果需经由论文发表或科研立项等制度化认证程序，通过严格的同行评审之后才能获得权威性，进而获准进入教育、传播和应用环节。在此过程中，知识生产的资源和平台一般由专家系统建设和控制。基于专业规范生产的翻译学研究成果，通过标准化审核固化为确定的知识形态，存储于学术期刊、图书、图书馆等知识平台上。知识生产者、生产流程、产品质量及产品去向是确定的，体现的是知识生产的必然性逻辑。
互联网、大数据技术、人工智能的广泛应用打破了专家的知识生产垄断地位。数据的易得性、互联网的普及和人工智能工具的易操作性，极大降低了翻译知识生产的专业壁垒、技术门槛和时间成本。在生成式人工智能的支持下，理论上任何人都能成为翻译知识的生产者、传播者、贡献者。即便是不懂外语的人也可轻易运用ChatGPT、DeepSeek等大语言模型生成译文并公开发布，完成翻译知识的生产和传播。生成式人工智能推动了翻译知识生产的大众化、草根化发展趋势，呈现自下而上的特征。翻译知识的生产者、传播者、受众身份及知识权威性均具有不确定性，体现出知识生产的或然性逻辑。
在传统学科架构下，研究者通过观察翻译行为、总结经验、探究过程、反思历史等方式获得知识。经验总结、社会调查、实验观察、理论思辨等方法广泛应用于翻译学研究，知识生产的方法论具有稳定性。而生成式人工智能以大数据为基础，利用系统内预置的算法从数据中挖掘或抽取知识，本质为概率推断过程。其知识生产决策过程在黑箱中完成，具有不可解释性和不确定性。用户无法预知输出内容及其准确性，知识生产机制体现出随机性。
基于或然性逻辑生产知识是人工智能的重要范式，其优势在于能有力推动知识更新。与传统注重因果逻辑链的翻译学研究模式不同，生成式人工智能更关注数据的关联性，将不同数据按一定逻辑联结后形成新知识，缺陷在于可能引发知识的客观性危机，即在虚拟空间中基于概率统计生成的知识难以准确描摹真实的翻译现象、过程和行为。由此可知，“必然+或然”并行同构方可形成健康的翻译学知识体系。
（五）“固态+流态”并重的知识生产模态
知识可分为硬知识和软知识两类。硬知识在结构、内容、价值上具有稳定性，是经专家学者认证的、结构化、系统化、被写进教科书或经典著作的知识，其特征是通常不依赖情境，具有较高的普适性；软知识在结构、内容、价值上稳定性较低，是未经专家学者整理、处于形成与完善过程中、未被写进教科书或经典著作的知识，其特征是由大众共同参与建构，碎片化程度较高，更依赖情境，普适性较低[17]。
传统翻译学研究成果基于科学方法与严谨流程构建，符合学术逻辑，有助于揭示翻译活动的规律和本质特征，对学科理论建设与实践具有指导意义，外在形态上表现出逻辑性、理论性、体系性特征。柏拉图将知识定义为“证成的真信念（Justified True Belief）”，认为构成知识的三个基本要素是真实性、信念和证成：真实性要求命题反映客观存在，信念是人对命题真实性的认同，证成则是证实命题真实性的过程。传统翻译学遵循“假设→验证”研究路径，反映了翻译学命题从信念经由证成成为知识的过程，因而此类翻译学成果属于硬知识。
由生成式人工智能生成知识，快速且无需复杂严谨的专业论证过程，但缺乏人的证成环节，因此处于未完成状态。这类知识常为临时或应急场景下的产物，随用随取、用后即弃，表现出临时性、情境性特征，缺乏系统结构与恒常价值。以DeepSeek为例，其输出是基于大数据与算法对用户提示做出的自动化响应。对于同一个问题，提问的语言策略或时间不同，产出的结果也会有所差异，知识生成过程对语境依赖程度极高，呈现出软知识的典型特征。
此外，在互联网和人工智能技术支持下，知识以数据化、数字化、信息化形态呈现，存储于硬盘、手机、互联网等移动工具或虚拟空间，不再拘泥于传统纸质载体。传统知识的固态形态被打破，表现出更高的软度和流动性，使知识的传播更加便利。随着生成式人工智能在翻译学知识生产中的广泛应用，软知识在翻译学知识版图中的占比和作用日益增大。因此，有必要建立一种新的知识观，接纳主流知识类型之外的多元知识体系，正视知识的开放性、相对性、流动性和不确定性。
三、翻译学知识生产的四大趋势
生成式人工智能的深度介入将革新翻译学的知识观念，重塑学术研究生态。未来知识迭代速率加快，定量研究、跨学科研究将更加繁荣，同时翻译学的人本性特征愈显重要。
（一）知识更新迭代更迅速
知识生命周期是指知识从产生、成长到消亡的过程，是描述知识演进和迭代的历史维度和时间向量。知识的生命周期可划分为知识产生、获取、整合、传播、应用、创新、老化七个阶段[18]，也有学者将知识生命周期划分为初生、成长、成熟、衰退四个时期，描述知识的生产形成、理解掌握、应用创造、价值消减的过程[19]。
在传统翻译学研究模式中，知识的发现与生成往往需要研究者经历实践、观察、分析、思考、抽象的过程，知识价值由学术共同体评判，知识的应用、发展和扬弃是漫长的螺旋式发展过程。传统模式下知识创新所必需的漫长积累过程，现在可通过具备海量大数据的生成式人工智能或插入承载巨量数据的芯片或移动硬盘即可实现瞬间完成，其知识容量和知识生产潜力远超人力。现有的大数据技术手段可瞬间为人类知识生产提供超大规模乃至无限量的基础知识。生成式人工智能在交互中解析用户需求，并依循其算法规则和决策模型挖掘庞大数据中的知识关联，整合后自动生成内容。在此过程中，知识因需而生、即生即用，表现出流程极简化特征。
如前所述，生成式人工智能所生产的软知识流动性强、稳定性低、更新迭代快。其基于知识库和逻辑规则（算法）的计算与表征系统，可实现知识的生产、存储、搜集、运算、生成、匹配和推荐等，加速甚至重构知识生命周期[20]。未来，生成式人工智能将以人类无法企及的速度与方式扩展、使用和创建知识，实现知识生产速度指数级提升，大幅提高翻译知识量级，为翻译学知识创新和涌现奠定坚实基础。
（二）量化研究发展更深入
量化研究是翻译学的重要方法，广泛应用于翻译心理、翻译过程、翻译认知、翻译传播效果、翻译教育教学研究。语料库、实验、社会调查是翻译学常用的量化方法。在以社会调查为方法的量化研究中，因受限于人力物力，样本规模往往是有限的；在语料库驱动的翻译研究中，研究者同样面临样本语料的规模限制问题。传统的量化研究所凭借的“小数据”或局部数据，可能存在代表性差、主观性强、规范性低等问题，如在翻译语言特征研究中，文本类型分布不均可能影响结论的准确性与普适性。
大数据时代，数据已成为与劳动力、土地、技术等并列的生产要素[21]。随着互联网、云计算、大语言模型等现代信息和人工智能技术的迭代升级，数据获取、储存与分析的技术不断突破，基于大数据的翻译学知识生产已成为现实。人工智能驱动的翻译学研究采用研究条件设定下整体性、全局性的大数据，可克服“小数据”量化研究的缺陷，使研究结果更加客观、科学。在信息空间中，一切皆可通过数据表征，以往无法量化、统计、分析的涉译因素现以数据形态存在，成为翻译学知识生产的潜在质料。研究者获取数据更加便捷，为翻译事件、过程、传播和译者行为等全景式研究提供了条件。可以预见，利用生成式人工智能依靠大数据进行专业知识生产将成为翻译学研究的重要路径。
此外，传统量化研究对研究者的技术要求较高。如，语料库翻译学研究需要研究者掌握语料库建设、语料标注、数据统计与分析的工具、方法和技术，门槛较高。如今，研究者可借助ChatGPT自动编程功能开发数据统计分析工具，较轻松地实现量化研究目的；同时，ChatGPT可作为重要的学习辅助工具，帮助研究者掌握量化研究工具的使用方法，例如辅助自主学习Python可视化和数据分析技术，提高量化研究能力。总之，生成式人工智能有助于打破翻译学量化研究的技术壁垒，降低准入门槛，为推动量化研究模式下的翻译学知识生产提供更为便利的条件。
（三）跨学科研究愈发便捷
人工智能逐渐发展强化，将具备更高阶的认知能力、行动能力和社会交往能力。强人工智能作为译者，表现出更高级的文化认知能力、情感感知能力、人机-机机交往能力，呈现出更强的类人性、主体性和创造性。未来，人工智能深度参与翻译活动将成为行业常态，翻译活动将呈现与传统翻译模式截然不同的行业图景，推动学界重新审视翻译的本质、过程、方法、功能等基本问题。在未来的翻译学知识生产中，人工智能兼具“方法”与“对象”身份：作为方法，发挥其数据挖掘、信息提取、建模分析与学术写作等方面的科研助手作用，凸显其知识生产的工具性价值。随着人工智能与其他技术不断集成、融合，所形成的高维能力足以改变翻译学知识生产的技术逻辑和整体生态；作为研究对象，人工智能被视为翻译活动和翻译学知识生产主体进行研究，考察其扮演的角色和影响。例如，围绕ChatGPT等大语言模型的翻译主体作用，可开展人工智能翻译语言、认知、行为、伦理等跨学科议题研究。
跨学科是指超越一个已知学科边界而进行的涉及两个或两个以上学科的学术研究活动[22]。翻译学具备显著的跨学科特性，已跨越人文科学（如翻译哲学）、社会科学（如社会翻译学）和自然科学（如机器翻译研究）三大领域。然而，传统跨学科研究受限于学科间的知识壁垒、话语体系与研究范式差异，多集中于修辞学、哲学、传播学等近缘学科，与人工智能、大数据、神经科学等远缘学科的融合仍较有限。跨学科研究要求研究者具备完备的跨学科知识体系，现有成功案例大多源于具备其他学科背景，或从其他学科跨入翻译学领域的研究者。
生成式人工智能将极大推动翻译学跨学科研究的发展。首先，以大语言模型为代表的人工智能具备卓越的知识联结与整合能力，可在提示工程引导下，为跨学科研究提供理论和方法启示。其次，研究者可借助其知识图谱功能，快速梳理目标领域的知识脉络、重点文献、学科分布与发展态势等，掌握该研究领域知识发展的宏观图景，完成跨学科研究所必需的知识储备。此外，ChatGPT作为百科全书式的智能工具，可与电脑、手机等负载工具构成泛在式知识供给平台，突破时空限制为研究者提供知识服务。在生成式人工智能支持下，构建学科基本知识体系的难度已显著降低[23]，跨学科研究的知识壁垒逐渐消解。因此，未来翻译学研究将进一步拓展跨学科边界，与社会科学尤其是自然科学的融合更加紧密，远缘跨学科知识生产更加丰富。
（四）人本性特征愈加突出
翻译学在方法论上兼具人文主义和科学主义两种研究范式。人文主义主张从人和社会文化角度研究翻译，强调主体、历史与社会环境因素在翻译学研究中的重要意义，主要采用整体的、定性的、阐释学的研究方法；科学主义提倡借鉴自然科学研究理路，通过量化、实证、实验等手段揭示翻译活动的科学规律，常用方法包括数学建模、统计学分析和实验观察等。
生成式人工智能介入翻译学知识生产后，研究者可凭借大语言模型的大数据和算法进行知识生产，呈现出更加显著的科学主义范式特征。大数据时代对数据相关性的分析代替了对因果关系的分析[24]。研究者通过挖掘数据之间的相关关系探寻翻译活动规律，弱化逻辑推导和因果链条，转而强调知识的相关性。然而对因果关系的阐释和揭示是透视翻译本质的重要内容，离不开人的能动性。例如，DeepSeek可以抓取国家政治文献译本语言的文体特征，呈现商业机构译者与国家机构译者的翻译语言风格差异，表明译语风格与译者身份密切相关，但究竟为何不同的译者身份会影响译语风格，则需要研究者通过社会、文化、心理等多重视角作出解释。
生成式人工智能为翻译学知识生产开辟了新的逻辑路径，为描述翻译现象、揭示翻译规律提供了新的可能，但其生产的知识仅为翻译学知识体系的一个面向。翻译（学）本质上是人的活动，具有社会性、文化性、历史性。在语言文化转换过程中，只有人类译者能对语言承载的情感、心理、价值进行具身解码，准确识解隐喻性政治文化信息，语境化处理关涉政治立场、意识形态、道德伦理的敏感信息，从元认知层面解决跨文化交际问题。对翻译理论、审美、伦理等层面的探讨，均依赖人的逻辑思维、情感体悟、价值判断及意识形态，这也是翻译学人文主义研究的意义所在。坚守人本性不仅是翻译实践成功的基础，也是翻译学存在的价值基石和伦理底线。
此外，在生成式人工智能时代强调坚守翻译（学）的人本性，源于人类智能与机器智能在翻译（学）活动中发挥作用的本质性差异。人工智能生产的知识是既成的，是其仿拟人类神经网络运作机制在既有数据上依据算法对人的提示进行被动响应的结果。不具有人的意向性和原创能力，不能输出未经输入的东西，其生成的知识不过是输入程序和输入数据的逻辑结果。换言之，其过程更近似于“知识生成”而非“知识创造”。翻译学知识的创新性生产，仍须依靠具有自我意识、反思能力和创新能力的人来完成。因此，生成式人工智能的介入不仅不会削弱人的主体地位，反而使其作用愈发重要。
四、推动翻译学知识体系构建的三种动力
面对翻译学知识生产新趋势，研究者有必要培育并强化知识愿力、知识想象力和知识批判力，以增强翻译学知识生产的目标指向性、内容创新性和价值可靠性。
（一）知识愿力
愿力本是佛学概念，“愿”指发自内心的愿意和对事业的愿景，“力”是实现“愿”的意志力、推动力和执行力。愿力是通过坚定发愿所产生的力量，能够引导人实现目标。知识愿力是人在知识生产、创新和应用过程中表现出的持久意志力和价值驱动力，具有求实、向善、笃行三个特征，分别指向知识主体的认知追求、伦理自觉与实践韧性。
ChatGPT等生成式人工智能可一键生成内容，但其生产的知识往往碎片化、一次性、颗粒度小，使其引发的知识涌现不同于传统知识生产模式，不利于翻译学知识体系化构建。因此，研究者需具备知识愿力，以明确的目标导向性推动翻译学研究，主动设定相关知识生产议程，在新学术生态中发现新现象、提出新问题、构建新知识，避免成为知识的被动接受者。
生成式人工智能缺乏内在价值判断能力[25]，仅服从算法目标函数，其参与翻译学知识生产可能导致学术伦理问题。首先，ChatGPT翻译的内容是基于基底语料进行概率统计的结果，缺乏传统知识共同体的同行评议机制，可能传播未经证成的内容，存在知识安全与合法性风险。其次，非专业用户借助AI可绕过译者直接实现知识的异语迁移，一方面推动了翻译知识生产的草根化、民主化，另一方面削弱了专业译（学）者的文化调适价值和翻译理论阐释权，冲击翻译学知识的权威性。此外，人工智能可能存在意识形态风险、伦理风险和信息安全风险[26-30]。ChatGPT的训练数据以英文为主，可能易形成基于英美意识形态的价值观念体系，形成文化偏见，强化西方文化霸权。研究者必须强化学术伦理自觉，秉持求真向善原则，应对知识生产中的伦理挑战，妥善调和技术理性与人文价值之间的张力。
算法、数据和算力“三位一体”构成的人工智能是新质生产力数据化发展的推动力[31]，翻译学知识生产亦然。尽管生成式人工智能极大提升了翻译学知识生产速率，但知识的易得性可能导致研究者对机器形成路径依赖，满足于“快知识”，对“慢知识”的生产和创新缺乏动力。鉴此，翻译学研究者需检视生成式人工智能对翻译研究学术范式的负面影响，提高抗逆韧性，对抗机器的算法惰性，巩固并提升人在知识生产中的主体地位。
（二）知识想象力
知识想象力是突破传统学科认知框架，通过跨学科联想、批判性质疑与可能性探索，生成新概念、新视角、新方法或新范式的学术认知能力，其特征表现为超越性、联结性和预见性，分别对应突破既有专业认知，结构化汇整分散于不同领域的知识节点，以及识别、预见尚未显见的学术问题和趋势。
生成式人工智能深度介入翻译学知识生产，为翻译研究发挥学术想象力提供了广阔空间。在传统观念中，翻译是原文到译文的单向线性转换过程，翻译活动主体是人或以人为实践主体的机构。传统翻译过程研究，无论是译者行为，还是翻译心理、认知、伦理等，皆以人为中心。在生成式人工智能营构的新型翻译业态中，翻译成为一种人机协同的数据计算行为，先由人工智能以概率统计形式形成译文，后由人审校。在此过程中，机器与人类共同扮演了知识的跨语生产者角色。可以预见，将人工智能视为翻译学知识生产主体，在拓展翻译主体概念的同时，将引发一系列亟待思考的问题：人工智能作为翻译主体的判断标准是什么？其翻译决策过程是概率统计行为，还是拟主体行为？人类译者与人工智能是工具论意义上的主从关系，还是主体论意义上的联合共生关系？人工智能的翻译权益由谁享受、如何保护？人工智能的知识偏误、文化霸权、价值观偏见等翻译安全问题的责任主体是谁？回答这些问题，需要发挥想象力，结合人机协同的翻译过程，融汇人工智能、计算科学、法学、伦理学、哲学等多个学科知识，进行跨学科研究。
生成式人工智能的参与为翻译学构建了一种全新的知识生产格局，其在知识生产主体、机制、生态、伦理等诸多方面呈现出迥异于传统知识生产模式的特征，为拓展翻译学研究疆域，建设翻译学学科体系、学术体系和话语体系提供了无限可能。同时需明确，翻译活动本质上是人类主导的跨语文化实践，建基于此的翻译学必然反映这一本质属性。因而无论知识生产生态如何变革，翻译学的人文属性始终不变。从表面的知识生产机制看，ChatGPT是“有问必答”的内容生产者，其基底语料的丰富性和广域性，为形成富有想象力的内容奠定了基础，但这一过程始终在人的引导下进行，人的知识想象力起着决定性作用。在生成式人工智能时代，人的知识想象力始终是守护翻译学研究诗学使命和人文精神的核心能力。
（三）知识批判力
知识批判力是对知识的科学性和价值性进行系统反思与评估的能力，强调在生产、理解和应用知识时保持独立思考，辨别其真实性、局限性和潜在偏见。生成式人工智能的主要功能是执行人的指示，其知识生产行为反映人的意志，服务于人的需求[32]，接受人的规训，所生产知识的准确性和安全性需要人来核验。人工智能与人类的最大差异在于其不具备人的意向性，无法进行自主的、有意识的行动。DeepSeek的知识生成结果由预置算法规则和预训练语料决定，基底语料的来源、范围、深度决定了其生成内容的质量。在专业性较强的领域，若预训练语料质量较差，生成内容易出现事实错误与概念误用等问题。此外，生成式人工智能还存在泄露隐私、滥用数据、输出偏见等法律或伦理问题。尽管生成式人工智能显著降低了知识生产成本，提高了知识的可供性和易得性，但也易导致人对机器产生路径依赖，引发机器知识霸权，侵蚀人的知识生产主权。长期依赖生成式人工智能可能导致知识获取渠道单一化、专业视野窄化，不利于构建系统的翻译学知识体系，而缺乏丰富的知识蕴藏最终会削弱人的知识创新与涌现能力。因此，有必要强化反思精神，警惕人机知识生产关系的异化。
翻译是一种跨语言社会文化实践，人类在具身翻译活动中形成了对翻译本质、过程、功能的整体性认识。经由生成式人工智能获得的翻译学知识是算法逻辑加工的结果，本质上为二手材料，缺乏人类身体及知识经验的在场。长期依赖此类工具，可能使翻译学知识生产陷入技术构建的量化的、数据的虚拟世界中，导致知识生产者脱离现实，引发其专业认知与翻译实践关系断裂的风险。因此，面对生成式人工智能带来的各种翻译新问题，翻译学研究者需强化“批评翻译学”[33]思维，跳出既有框架，探索和试验新的知识生产可能性。生成式人工智能使翻译学知识供给更加充裕，然而作为结果的知识不如作为过程和能力的知识重要。求知过程中形成的知识策略能力、规划能力、管理能力、鉴别能力等，无不与研究者批判精神的培育密切相关。因此，在生成式人工智能成为知识生产重要工具乃至主体的语境下，更需强化人的独立知识实践能力。
五、结语
人工智能集成了大数据、算法、互联网和现代信息技术，推动了物理世界、人类社会、虚拟社会的有机联结，形成了知识生产的“三界同构”效应，为翻译学研究提供了新路径，推动了翻译学研究的观念变革和范式转型，促使我们重新审视翻译知识的本质和价值。为推进翻译学知识体系建设的结构性转型，研究者需培育与强化“三力”：知识愿力要求以自觉开放的心态拥抱新技术，积极投入人工智能驱动的翻译学知识生产，充分发挥技术的学术增能潜力；知识想象力要求打破思维定势，从技术角度在本体论、方法论、认识论、价值论等多层面大胆创新，积极拓展翻译学研究疆域；知识批判力要求秉持反思性构建精神审视知识的科学性和价值性，同时警惕人工智能的知识安全和知识伦理问题。将三者贯穿于翻译学研究过程，有助于更好地应对生成式人工智能时代的机遇与挑战，推动翻译学研究走向更加丰富、多元且深刻的未来。
①在本文中，翻译学知识（Translatology Knowledge）是以翻译学学科建设为指向的、反映翻译学作为一个学术研究领域的知识（Knowledge about and of Translation Studies as a Discipline），及有关翻译或反映翻译活动的知识（Knowledge about and of Translation），翻译知识是经由翻译生成的知识（Translated Knowledge），是翻译行为的结果。
参考文献：
[1]周忠良.ChatGPT在翻译教学中的应用：变革、挑战与应对[J].北京第二外国语学院学报，2023（5）：134-146.
[2]王少爽，骆潇洋.GenAI时代的智能翻译素养：现实基础、学术理据与概念框架[J].外语教学，2025（1）：59-65.
[3]杨艳霞，陈莹，魏向清.生成式智能时代的人机协同翻译素养研究[J].上海翻译，2025（1）：39-45.
[4]王华树.生成式AI翻译技术在法律翻译中的伦理风险研究[J].甘肃政法大学学报，2025（1）：1-12.
[5]胡开宝，李晓倩.大语言模型背景下翻译研究的发展：问题与前景[J].中国翻译，2023（6）：64-73.
[6]蓝红军.“后理论时代”翻译学的知识生产[J].中国外语，2016（5）：20-27.
[7]任文.生成式人工智能时代的翻译实践与翻译教育：从工具行为到交往行为[J].中国翻译，2024（6）：48-57.
[8]张洪忠，黄民烈，张伟男，等.ChatGPT的技术逻辑、社会影响与传播学未来[J].江西师范大学学报（哲学社会科学版），2023（2）：24-31.
[9]王俊秀.ChatGPT与人工智能时代：突破、风险与治理[J].东北师大学报（哲学社会科学版），2023（4）：19-28.
[10]孟天广.智能治理：通用人工智能时代的治理命题[J].学海，2023（2）：41-47.
[11]金立，王丹.归纳与人工智能的双向驱动——基于对ChatGPT的考察[J].福建论坛（人文社会科学版），2023（7）：64-75.
[12]林华敏.话语与感受性之意向性——论列维纳斯的“绝对经验”[J].安徽大学学报（哲社版），2024（3）：31-40.
[13]涂良川.“生成式人工智能”逼近通用智能的哲学叙事——ChatGPT追问智能本质的哲学分析[J].东北师大学报（哲学社会科学版），2023（4）：40-47.
[14]刘伟.“塞尔问题”与经典人工智能意向性的重构[J].河北学刊，2024（4）：85-91.
[15]王少爽，骆潇洋.生成式人工智能时代的智能翻译素养：现实基础、学术理据与概念框架[J].外语教学，2025（1）：59-65.
[16]周忠良，任东升.GenAI时代翻译学知识生产范式的多维检视[J].山东外语教学，2025（3）：133-141.
[17]王竹立.再论面向智能时代的新知识观——与何克抗教授商榷[J].远程教育杂志，2019（2）：45-54.
[18]顾小清，郝祥军.从人工智能重塑的知识观看未来教育[J].教育研究，2022（9）：138-149.
[19]王红.浅析图书馆、博物馆、档案馆的馆际合作及实现[J].图书情报工作,2011（S1）：352-353.
[20]郑世良.基于知识生命周期理论的大学学科发展研究——兼论应用型本科院校的学科发展策略[J].科技管理研究，2012（8）：137-140.
[21]王齐齐.论政府数据开放的权利基础[J].安徽大学学报（哲社版），2024（3）：127-134.
[22]蓝红军.译学方法论研究[M].北京：外语教学与研究出版社，2019：150.
[23]周彦每.人工智能语言的哲学认知基础及学科知识发展维度[J].内蒙古社会科学，2024（4）：107-113.
[24]韩东屏.未来的机器人将取代人类吗?[J].华中科技大学学报（社会科学版），2020（5）：8-16.
[25]刘煜洲，蓝江.数字时代下的算法理性与算法权力——对算法权力中人的处境的再思考[J].内蒙古社会科学，2024（1）：107-114.
[26]刘震，崔曦元.信息传播全过程的人工智能意识形态风险分析[J].浙江工商大学学报，2024（5）：34-43.
[27]张旭芳.生成式人工智能的算法安全风险及治理路径[J].江西社会科学，2024（8）：90-100.
[28]张新平，白朴.信与不信：通用人工智能信任危机的理论反思与机制再造[J].内蒙古社会科学，2024（5）：194-203.
[29]周旅军，吕鹏.人工智能中的性别不平等与算法规制——基于文化堕距视角的分析[J].学海，2024（4）：95-104.
[30]燕连福，秦浦峰.生成式人工智能赋能思想政治教育的价值、问题与对策[J].广西社会科学，2023（9）：201-206.
[31]任保平，豆渊博.数据、算力和算法结合反映新质生产力的数字化发展水准[J].浙江工商大学学报，2024（3）：91-100.
[32]刘方喜.三大运动与社会智力：通用人工智能理论科学建构[J].福建论坛（人文社会科学版），2024（8）：59-72.
[33] 肖薇，徐金佳慧.批评译学视角下《韩非子》核心概念“势”的英译比较研究[J].安徽大学学报（哲学社会科学版），2023（2）：48-57.