四百篇。说多不多说少不少放在翻译这件事上它意味着我用了整整两年的业余时间交出了接近九十万字的译文并且还在继续往下翻。我翻的这个系列叫 TowardsArtificialIntelligence国内读者一般叫它“迈向人工智能”。这名字听起来宏大实际内容没那么多玄乎的东西反而走的是实用路线机器学习基础概念、深度学习架构解读、强化学习实操、自然语言处理落地案例、模型评估与工程化部署偶尔穿插一些 AI 与社会的讨论。四百篇翻下来我最大的感受不是“我懂了好多 AI 知识”而是“我终于知道怎么把一个技术博客系列长期、稳定、高质量地翻译下去”。这篇文章不打算去罗列“我翻过哪四百篇”这种花名册更想聊聊这四百篇背后那些没人写、但每一个做内容翻译的人早晚都要踩一遍的坑。如果你也想系统翻译某个技术博客系列或者你只是好奇“四百篇是怎样坚持下来的”这篇应该能给你一些可落地的思路。1. 从三百篇到四百篇这个系列到底在讲什么先说清楚我翻的到底是个什么东西免得有人误以为这是个“AI 教程合集”或者“论文导读”。TowardsArtificialIntelligence 是一个更新非常频繁的技术博客特点是篇幅短、话题散、更新快文章质量参差不齐——有非常硬核的数学推导也有纯科普式的行业观察。这种“杂”恰恰是翻译时最麻烦的地方因为每一篇你都得先判断它值不值得翻、读者会不会看、有没有过时。1.1 四百篇内容全景一个真实的技术博客生态翻到四百篇之后我大致统计了一下内容分布基本可以分为五类第一类是算法原理解读占比最高大概四成。这类文章讲线性回归、决策树、支持向量机、卷积神经网络、Transformer 结构等等属于“硬知识”翻译时必须保证术语准确不能有半点含糊。第二类是工程实践约两成。比如怎么用框架搭建训练流程、怎么做数据清洗、怎么部署模型服务这类文章时效性较强框架版本一换代部分内容就过时了。第三类是行业观察与评论约两成。比如“AI 在医疗领域的应用”“自动驾驶的技术路线之争”“大模型会不会泡沫”这类。翻译这类文章最费神因为你不仅要翻译文字还要判断作者的观点是否有误导性必要时得在译注里提醒读者。第四类是论文解读约一成。这类文章是把顶会论文掰开揉碎讲通常写得比原论文好懂翻译价值很高。第五类是工具与资源盘点约一成。比如“十大强化学习库”“最好的数据标注工具”这类翻译起来轻松但时效性差过个一年半载再看容易翻车。了解这个分布有什么用用处很大。翻译不是见一篇翻一篇而是要心里有数这个系列里哪些板块值得投入精力哪些板块可以快速过。我的策略是算法原理和论文解读必翻工程实践看时效行业观察挑立场不偏激的翻工具盘点基本只保留有长期参考价值的。1.2 为什么是这个系列选型标准里的门道很多人问我AI 博客那么多为什么偏偏选了这个理由有四个都是我翻了三百多篇之后才彻底想明白的。第一个理由是这个系列的开放授权。翻译不是拿来就能发的得看版权。这个博客允许非商业转载并注明出处这是选它的硬前提。比它内容好的博客很多但授权不明的一律不碰这是做翻译的基本规矩。第二个理由是更新量足够大。翻译这行最怕“翻着翻着源站停更了”。这博客保持了非常高的更新频率四年下来积累了上千篇内容够我翻很久。四百篇只是它的一个节点不是终点。第三个理由是难度梯度合理。如果全是硬核数学推导普通人看不下去翻译也容易疲劳如果全是行业评论又缺少“干货感”。这个系列恰好是中间态八分懂的人能看懂刚入门的人也不至于被劝退。第四个理由最实际——方便校验。博客的代码和实验数据是公开的翻译时遇到理解卡壳的地方我可以直接跑一遍代码通过输出结果反推原意。这一点对翻译质量帮助极大很多术语在纯文本里怎么都看不明白一跑代码就通了。如果你也想找类似的系列翻译我的建议是别光看内容好坏先确认三点授权是否允许翻译发布、更新频率是否稳定、内容密度是否支撑长期输出。这三点比文章本身的好坏重要得多。2. 翻译流程分几步从选文到发布的完整流水线四百篇翻译不是靠一股热情堆出来的它必须变成一条可重复执行的流水线。我花了大概两个月的时间打磨这套流程之后每一篇的翻译时间从最初的四五个小时压缩到了稳定的一到两小时。2.1 选文与去重先决定“翻什么”再动手流程最前端是选文。这个环节容易被低估其实翻译精力浪费九成都是因为选文没做好。我的做法是每周固定抽出半小时把博客近一周的新文章全部扫一遍按三个维度打分专业价值、受众需求、时效风险。专业价值看它有没有硬知识增量受众需求看评论区有没有人讨论时效风险看框架版本和技术是否容易过时。综合得分高的文章进入备选清单然后我再用“三天冷却法”筛一遍——放三天再问自己“这篇还值得翻吗”如果答案是犹豫就直接放弃。用这个标准筛完之后真正值得翻的大概只有总量的三成。一开始我以为这是浪费后来才意识到翻译资源是在做“精品化”而不是“全量搬运”这个认知转变很关键。去重也是这个环节的重头戏。博客偶尔会围绕同一主题写好几篇观点高度相似。我把所有已翻文章维护了一个主题标签库新文章进来先比对标签如果已有同主题翻译就不翻或者只在原有译文里补更新。2.2 术语管理的功劳账一个长期维护的平行语料表四百篇翻下来我最大的资产不是译文本身而是一张不断增长的术语对照表。这张表最开始只是个 Excel 文件里面记录的是 AI 领域的常规词machine learning 是机器学习deep learning 是深度学习reinforcement learning 是强化学习。翻到一百多篇时表里开始出现大量“次常用术语”比如 automated machine learning 自动机器学习、inverse reinforcement learning 逆强化学习、model distillation 模型蒸馏、attention mechanism 注意力机制。再到三百篇以后表里的内容已经变成了一批“我给出独特译法”的词条比如某些英文表达即使直译很顺我也会根据上下文语境选择合适的译法。为什么术语表这么重要因为 AI 领域有个特殊的坑同一个英文词在不同语境下译法可能完全不同。“bias”在讨论算法时是“偏差”在讨论社会问题时是“偏见”在讨论硬件时可能指“偏置”错了读者一眼就能看出来。我维护这张表的方法是每次翻译遇到不确定的术语先查表表里没有就查论文和权威教材的译法确定后立刻回填。这个过程看着慢实际是在省后面的时间。现在翻新文章百分之八十的术语都能直接命中不用重复查证。2.3 排版与发布处理代码、公式、链接的固定动作翻译最花时间的不是文字本身而是那些“非文字”的东西。代码块、数学公式、超链接、图片每一样都有对应的动作。代码块的处理原则是“不翻译、但注释”。代码里的变量名、函数名、类名一律保留原文只把代码里的注释和字符串翻译成中文。这样做的原因是保持代码可直接运行读者复制粘贴就能复现实验。有些博客还放了伪代码这些我会在译注里加一句“以下为伪代码理解思路即可”避免有人真拿去当可运行代码用。数学公式更麻烦。TowardAI 的文章虽然不算重度数学但涉及损失函数、概率推导时还是会有公式。我的做法是公式文本全部保留原样但在公式下方补一段中文说明解释每个符号的含义。这是因为很多读者看公式的困难不在公式本身而在于不知道符号代表什么。比如见到 γ有人知道是学习率衰减因子有人一头雾水译注就是干这个事的。超链接的处理分两种源站内部的文章链接保留原文链接方便追根溯源引用外部论文的链接统一标注为“参考文献”不做打开处理。图片的处理稍微特殊一点图片里的文字没法翻译我就在图注里把关键信息用中文复述一遍。这招在图表类图片上特别好用读者不用放大英文原图也能理解意思。3. 最难啃的硬骨头AI 术语翻车现场与化解思路聊完流程来聊聊内容层面的硬核难点。翻译 AI 文章和翻译文学、法律文本最大的不同在于你面对的不是一种“从 A 语言到 B 语言”的转换而是“从英文技术思维到中文技术思维”的转换。很多英文里自然而然的东西硬翻过来会变成中文读者看不懂的翻译腔。3.1 “鹦鹉学舌”生成式 AI 翻译的长文崩溃实录先借一个近期很火的说法来展开当你知道对方是一只鹦鹉你还会听它说话吗在机器翻译这件事上我确实有过这种体验。我做过一个对照实验把博客里一篇完整文章分别交给通用在线翻译工具和人工翻译然后对比结果。在线翻译的结果表面上看非常流畅术语大部分也对但你细读就会发现它只是在“鹦鹉学舌”——把英文的表层结构搬运到了中文却没有理解上下文之间的逻辑关系。举一个印象很深的例子。原文写的是“The model is trained on a large corpus, which enables it to generalize well across domains.”在线翻译给的是“模型在大规模语料上进行训练这使它能够在各个领域之间很好地泛化。”语法完全正确但中文读者读到“各个领域之间”会觉得别扭因为这里说的是“跨多个领域”而不是“领域之间”。就是这种细微的差别暴露出机翻“形似而神不似”的问题。这种现象在短句上不明显一旦遇到长难句机翻的崩溃概率急剧上升。比如原文用了一个很长的定语从句来定义某个概念在线翻译会把从句里的修饰成分全部堆到中心词前面形成一个四五层嵌套的定语中文读者根本没法顺畅读下去。我处理这类句子的固定方法是“拆长句”把所有从句拆成独立短句然后按逻辑顺序重新排列。中文短句天然比英文长句易读没有必要保留英文的句式结构。那机翻就完全不能用吗也不是。我的用法是把它当成“初翻草稿”只用来快速理解原文大意绝不直接使用它的输出。这就像请了一个不会深度思考的实习生能帮你把生肉变成半熟但真正入口之前必须自己重新加工。3.2 机器学习概念的归化与异化之争技术术语翻译一直有两派思路一派主张“归化”把术语译成中文里自然顺口的说法另一派主张“异化”保留英文原词或者直译以维持和英文文献的对应关系。这两派的争论在 AI 翻译里表现得尤其明显。我个人的立场是不要在这两派里二选一而是按使用场景分层处理。第一层是已经通行的官方翻译比如 machine learning 机器学习、artificial intelligence 人工智能、natural language processing 自然语言处理这些没有讨论空间直接沿用。第二层是学界有共识但还没完全统一的翻译比如 transfer learning有人叫迁移学习有人叫转移学习主流是前者我统一用迁移学习但在首次出现时会在括号里保留英文原词。第三层是存在争议的翻译比如 negative sampling有博主译成负采样也有译成负例采样。我倾向于“负采样”因为中文里“负例”和“正例”是一对但“负采样”和“正采样”是一对语境更清晰。第四层是最麻烦的英文原词在中文里找不到完全对应的词硬译会误导。比如 “overfitting”早期有人译成“过拟合”后来也有人译成“过度学习”。前者更贴近统计建模本质后者更口语化我选前者但会在译注里解释“这是指模型在训练数据上表现得过好导致在新数据上表现变差”。我的经验是术语选择不要追求唯一标准答案而是追求“读者能在最短时间内建立正确认知”。只要这个目标达到了归化还是异化都可以接受。3.3 人工智能偏见先有术语偏见后有技术偏见说到偏见很多人第一时间想到的是算法歧视、训练数据偏见这些。但在翻译工作里还存在一种更容易被忽视的“术语偏见”——译者的用词习惯会潜在地影响读者对技术的理解。举个例子。“state-of-the-art”这个词在 AI 文章里出现频率极高直译是“最先进的”很多译者为了显得正式也会译成“最新技术”或“当前最优”。但我翻了三百篇之后开始意识到这个词还有一个容易被忽略的语境很多作者用 state-of-the-art 是在描述“当前公认的最佳成绩”而不是“最新的技术”。把两者混为一谈会误导读者以为“最新”等于“最好”事实上很多最新方法的效果并不如旧方法稳。再比如 “stochastic” 这个词直译是“随机的”。它在机器学习里指的是“基于概率的”语义很精确。但中文里“随机”容易被理解成“任意、随意”这就造成了一种偏见让读者觉得随机梯度下降是一种“碰运气”的算法。实际上它是有严格数学定义的只是每次用少量样本估计梯度方向。为了消除这种偏见我习惯译成“随机概率性”或者直接保留英文。更隐蔽的是文化语境偏见。西方作者在举例时习惯用英语世界的名字、地名、社会习惯直译之后中文读者会有隔阂。我的处理方式是保留原文事实但在译注里用一句话解释背景。比如原文提到“像在明尼苏达州冬天开车一样困难”中文读者对明尼苏达的冬天没有直观概念我就在译注里补一句“当地冬季气温常低于零下二十度”。这样就消除了因文化背景缺失造成的理解偏见。4. 质量保证靠什么四层校对机制与反馈闭环翻译质量不是“一遍译完”就结束的四百篇的经验告诉我质量是靠一套可重复执行的校对机制撑起来的。我用四层机制每一层解决不同的问题。4.1 初翻、自检、通读、抽查四层质量防线逐层说。第一层是初翻。这一层要求快不允许在单个句子上恋战。遇到不确定的术语先标黄遇到逻辑不通的长句先记录不要为了一个词卡断整篇思路。我的原则是初翻阶段的产出只是“半成品”后面还有三层等着修正这时候过度纠结等于把校对工作提前了效率很低。第二层是自检重点解决“漏译”和“误译”两类问题。漏译是常见错误因为 AI 文章常有大量插入语和从句看漏一行很容易。我自检的方法是逐句对照原英文和译文确保每个句子都有对应。误译则靠“反向回译”把译文再翻译回英文看信息和态度是否和原文一致。这个方法对发现“自以为懂了但实际理解偏了”的情况特别有效。第三层是通读重点解决“中文是否读得通”。我要求自己把译文当作一篇原创中文来读不看英文原文只看中文是否自然、流畅、没有翻译腔。这一层是唯一的“审美的活儿”也是四层里最依赖语文功底的一层。很多技术人员的翻译翻出来意思对但读起来别扭就是因为跳过了这一步。第四层是抽查。我每隔十篇会把之前翻过的文章随机抽两三篇重读重点检查术语是否统一、注释风格是否一致、链接是否失效。这个环节呼应了“质量是系统性的不是单篇性的”这个观点能及时纠正系统性偏差。4.2 外部反馈怎么收集、怎么过滤噪声个人校对再仔细也会有盲区。四百篇里有一部分译文发布后收到了读者的反馈这些反馈对质量提升至关重要但需要一套分辨真伪的结构。我的原则是读者反馈只看两类——事实类指正和体验类描述。事实类指正指的是“你这里的术语译错了”或“这个公式排版乱了”这种具体指正。只要事实核对属实一律接受并当场修正。体验类描述指的是“这部分我读起来有点卡”或“这段的背景信息看不懂”。这类反馈不提供具体修正建议但很有价值因为它暴露了我容易忽略的阅读门槛。处理方式是把“让读者卡壳的地方”记录下来在下一次翻译同类内容时提前预判。剩下的反馈全部忽略观点类争论、喜好类评价、要求加更催更之类。不是说这些对我不重要而是它们不是质量反馈混在一起会干扰判断。有段时间我特别在意评论区的每一条声音后来学会把反馈分类处理之后翻译节奏稳多了。4.3 三份值得长期维护的“翻译资产”翻到两百篇的时候我意识到真正有价值的不只是译文本身而是围绕翻译沉淀下来的三份“资产”。现在我把它们看作比四千篇译文更宝贵的东西。第一份是术语对照表。前面已经讲过了这份表记录了术语、译法、应用场景、首次遇见文章、备注等多个字段。它的价值在于让术语决策从“拍脑袋”变成“有据可循”。翻到四百篇时表里已经积累了两千多条术语几乎覆盖了 AI 领域的主流表达。第二份是翻译风格指南。这份文档记录的是一系列格式和风格决策标题层级怎么安排、代码块怎么处理、注释用什么格式、公式怎么排版、链接怎么标注。它存在的意义是让所有译文看起来像一个连贯的整体而不是四百篇各自为政的散沙。第三份是成分库记录原文里所有出现的人名、论文、数据集、工具库、会议缩写以及它们对应的中文译法和简要背景。有了这份库翻译新技术类内容时能快速确认哪些是已有背景知识哪些是第一次出现需要补充译注。这三份资产不是一次性建成的而是在翻译过程中慢慢积累的。我建议大家从一开始就建哪怕只有几十条也要搭好骨架。越往后越香因为你不再从零开始。5. 常见问题与排查技巧实录最后分享一些我在实际翻译过程中反复遇到的问题以及对应的排查和解决技巧。这些问题有些是纯技术性的有些则是“翻译之外的事”但任何一个都可能让四百篇计划中途夭折。5.1 翻译中断与长期主义四百篇这件事最难的不是技术翻译最难的真的不是技术。术语可以查句子可以琢磨但一个系列几百篇的翻译是对自律和耐力的考验。我的经验是“固定轨道法”每天的某个时间段固定分给翻译比如晚上十点到十一点半。时间一到就坐在电脑前打开当天的文章不做其他事情。坚持两周之后身体和大脑会自动形成节奏到了那个点自然进入工作状态这个方法是整个翻译项目里最不可替代的“基础设施”。比固定时间更重要的是“小步快跑”的节奏不要一天翻三篇然后休息一周而要每天都翻半篇或一篇。翻译的连贯性依赖记忆中断三天术语和内容的衔接成本就会上升相当于每天都在支付额外的“遗忘税”。还有一个特别现实的坑电脑里的翻译文件一定要每天备份。我有过因为没有备份、重装系统后丢掉好几篇翻译稿的惨痛经历。从那之后我养成了每天同步到两个不同位置的习惯宁可重复备份也不能丢稿。5.2 六条避坑经验速查表下面六条是我最想对后来者说的用表格列出来方便对照使用。坑位表现预防与解决过度直译译文意思对但读起来“不像中文”通读阶段抛开原文只按中文习惯改写成自然表达术语不统一同一概念在不同文章里译法不同从第一篇开始就建立术语表每次翻译前先查表跳过选文翻译了大量收益极低的文章严格按打分机制选文宁缺毋滥忽略版权声明译文发布后面临授权风险翻译前务必核实源站授权明确是否禁止翻译转载预见性不足辛苦翻完的文章技术已经过时留意文章中的框架版本和时效标签优先翻耐久度高的过度注重速度追赶发布数导致质量崩盘中途加入“迟延校对”流程优先保证每篇质量不设发布时限这些坑我几乎全部踩过一遍有些还不止一次。撞上并不可怕可怕的是踩了坑却不记录、不修正下一次继续踩。每次踩坑之后我都会把坑位总结起来回填到风格指南里边踩边建体系后面踩坑的频率反而越来越低。回到开头说的那句话四百篇是什么水平放在整个互联网的翻译世界里其实不算什么惊人的数字。但对我来说它证明了一件更底层的事——一个普通人在不吃老本、不靠灵感的前提下只要把流程搭对、把标准定清、把心态稳住是可以把一个看似无穷无尽的长期项目稳稳推进下去的。如果硬要给一点建议我会说别把目标定成“我要翻完它”而是定成“我今天要翻好一篇”。前者是焦虑的来源后者是行动的起点。技术文章翻译这行确实辛苦但看到一篇篇原本只有英文读者才能看懂的内容变成中文读者轻松就能读懂的资料那个满足感是真的会上瘾。