آیا هوش مصنوعی مترجم انسانی را بازنشسته می‌کند؟

علیرضا خانجان در این نشست با اشاره به نظریه‌های توسعه به موضوع انطباق جوامع با تحولات فناوری پرداخت و گفت: کشورها بر اساس شاخص‌های کیفی و کمی به توسعه‌یافته، در حال توسعه و توسعه‌نیافته تقسیم‌بندی می‌شوند، اما در سال‌های اخیر، شاخص سرعت انطباق و سازگاری با تغییرات فناوری به معیاری مهم تبدیل شده است.
وی افزود: بر این اساس کشورها به دو دسته تند و کند تقسیم می‌شوند. مقاومت در برابر پدیده‌های نوین اغلب به دلیل تهدید منافع شخصی یا صنفی رخ می‌دهد، اما کاهش هزینه و افزایش کیفیت فناوری‌های جدید این مقاومت‌ها را درنهایت می‌شکند.
خانجان با ذکر مثال عکاسی دیجیتال، این روند را در صنعت ترجمه نیز قابل تسری دانست و گفت: ورود ابزارهای هوش مصنوعی به بازار ترجمه، اگرچه تهدیدهایی دارد، اما بیش از هر چیز یک فرصت است.
او با بیان داستانی تخیلی از یک پزشک ایرانی که در یک نمایش علمی خارج از کشور با خطای ترجمه گوگل ترنسلیت مواجه می‌شود، بر اهمیت دخالت انسان در ترجمه‌های ماشینی تأکید کرد و گفت: یک اشتباه زبانی کوچک می‌تواند به خطای حرفه‌ای جدی تبدیل شود. آمار استفاده از سرویس‌هایی مانند گوگل ترنسلیت در سال ۲۰۲۵ به بیش از یک میلیارد نفر رسیده، که نشان‌دهنده نفوذ گسترده این ابزارها است.

وی در پاسخ به این پرسش که «آیا عصر مترجمان انسانی به پایان رسیده یا خیر» اشاره کرد: ما در آستانه همکاری انسان و ماشین قرار داریم، نه جایگزینی کامل. هوش مصنوعی یک انقلاب در ترجمه نیست، بلکه انقلابی در علم است، زیرا مانع بزرگ انتقال دانش و اشتراک‌گذاری یافته‌های علمی را از بین برده است.

خانجان سپس به تاریخچه ترجمه ماشینی پرداخت و گفت: ترجمه ماشینی از سال ۱۹۵۰ با پروژه‌ای قاعده‌محور آغاز شد و سه نسل را پشت سر گذاشته است. نسل اول (۱۹۵۰ تا ۱۹۹۰) مبتنی بر قواعد دستوری و واژگانی بود و ترجمه‌هایی تحت‌اللفظی و غیرطبیعی تولید می‌کرد. نسل دوم (۱۹۹۰ تا ۲۰۱۵) با استفاده از روش‌های آماری و یادگیری ماشینی، ترجمه‌های بهتری ارائه داد، اما همچنان معادل‌گزارشی واژه‌به‌واژه انجام می‌شد. نسل سوم (از ۲۰۱۶ به بعد) با بهره‌گیری از شبکه‌های عصبی و یادگیری عمیق، جمله را به صورت یکپارچه درک و بازتولید می‌کند، مشابه فرآیند ترجمه انسانی.

او همچنین به ارائه مثال‌هایی از ترجمه جملات مختلف به بهبود کیفیت در هر نسل پرداخت و ادامه داد: در نسل سوم، ترجمه به سطحی طبیعی و نزدیک به انسان رسیده، حتی گاهی افزوده‌هایی دارد که نشان از درک بافت دارد، اما هوش مصنوعی در حوزه عواطف، احساسات و فرهنگ ضعف دارد، زیرا از زبان می‌آموزد، نه از فرهنگ.

در بخش دیگری از این نشست مهناز مقدسی در ضرورت بررسی جامع ترجمه مبتنی بر هوش مصنوعی به ایراد سخن پرداخت. وی گفت: هوش مصنوعی در بسیاری از حوزه‌های زندگی نفوذ کرده و به ضرورتی مانند تلفن همراه تبدیل شده است. ما باید بدانیم ترجمه مبتنی بر هوش مصنوعی چیست، نقاط قوت و ضعف آن کدام است، و چگونه می‌توان از آن بهره برد.
وی افزود: ابزارهایی مانند چت جی‌پی‌تی، دیپ‌ال و گوگل ترنسلیت کاربردهای گسترده‌ای دارند، اما هر یک نیز ویژگی‌های خاص خود را دارند. دسترسی رایگان و سریع، کمک به یادگیری زبان، دقت بالا در ترجمه متون اطلاع‌محور مانند متون علمی، حقوقی و پزشکی و… از مزایای آن است. در متونی که محتوا بر سبک ارجحیت دارد، هوش مصنوعی عملکرد درخشانی دارد.
او همچنین به ضعف‌های هوش مصنوعی نیز پرداخت و گفت: در متون ادبی، فرهنگی یا طنز، هوش مصنوعی به دلیل عدم درک ظرایف فرهنگی و عاطفی، اغلب دچار خطا می‌شود. همچنین مسئله تنوع زبانی مانند تفاوت نوشتار و محاوره، هنوز چالشی بزرگ است.

در ادامه نشست خانجان بخش دوم سخن خود را ارائه کرد. او با ارائه مثال‌های عملی از ترجمه متون فرهنگی و ادبی، بر این ضعف‌ها تأکید کرد. او جمله «He has a heart of gold» را مثال زد که توسط هوش مصنوعی به «او قلبی از طلا دارد» ترجمه شد، در حالی که معادل فرهنگی آن در فارسی می‌تواند «خوش‌طینت» یا «دلش پر از مهر است» باشد. وی گفت: این خطاها ناشی از سوگیری فرهنگی ابزارهای هوش مصنوعی است که عمدتاً بر داده‌های انگلیسی تمرکز دارند و فرهنگ‌های دیگر را به خوبی نمایندگی نمی‌کنند.

خانجان همچنین به موضوع «مهندسی دستور ترجمه» پرداخت و ادامه داد: کیفیت خروجی هوش مصنوعی به شدت به نحوه درخواست ما بستگی دارد. اگر دستورات دقیق، هوشمندانه و هدفمند باشد، ترجمه بسیار بهبود می‌یابد. به عنوان مثال، به جای گفتن «این جمله را ترجمه کن»، باید مشخص کنیم که متن برای چه مخاطبی، با چه سبکی و در چه بافتی ترجمه شود. مثلاً برای یک مجله فرهنگی با زبان شاعرانه یا برای متون حقوقی با دقت بالا.
وی با ذکر مثال دیگری از اصطلاح «rocket science» که در ترجمه ساده به «کار سخت نیست» ترجمه می‌شود، اما با دستور دقیق‌تر می‌توان به «آپولو هوا کردن» رسید، بر اهمیت طراحی مرحله‌ای دستورات تأکید کرد.
او گفت: برای متون طولانی، بهتر است فاز به فاز پیش رفت و پس از هر مرحله، بازخورد داد تا هوش مصنوعی یاد چطور به مقصود نهایی شما نزدیک شود. ما می‌توانیم ترجمه‌های درست، اعم از ترجمه خودمان یا دیگران را در پلتفرم‌های هوش مصنوعی به اشتراک بگذاریم. پایگاه داده زبانی فارسی در مقیاس جهانی بسیار ضعیف است و این وظیفه ماست که آن را تقویت کنیم. این یک مسئولیت ملی برای تمام فارسی‌زبانان، از ایران تا تاجیکستان و افغانستان است.

خانجان همچنین تجربه شخصی خود در ترجمه بیت معروف حافظ «دوش دیدم که ملائک در میانه زدند…» را به این صورت شرح داد: هوش مصنوعی ابتدا خطای فاحشی در ترجمه داشت، اما با دستورات دقیق‌تر و درخواست ترجمه در قالب شعر انگلیسی، ترجمه‌ای قابل قبول ارائه داد. این نشان می‌دهد که هوش مصنوعی می‌تواند به عنوان دستیاری قدرتمند عمل کند، اما خروجی خام آن هرگز نقطه پایان نیست.

در بخش پایانی، سخنرانان به موضوع «پسا ویرایش» (Post-Editing) پرداختند. خانجان گفت: پسا ویرایش مرحله‌ای ضروری پس از ترجمه ماشینی است که در آن مترجم انسانی متن را بازبینی، اصلاح و بهینه می‌کند. این کار باعث می‌شود ترجمه نهایی دقیق، روان و قابل اعتماد باشد. پسا ویرایش هنر تبدیل ترجمه درست به ترجمه عالی است. زیرا هوش مصنوعی در معادل‌گزارشی فرهنگی، طنز و کنایه اغلب خطا می‌کند.

وی مزایای پسا ویرایش را صرفه‌جویی در زمان و هزینه، افزایش بهره‌وری و کاهش خطاها برشمرد، اما هشدار داد: این کار نیازمند تمرکز بالا، دانش تخصصی و آگاهی از ویرایش است. تنها مترجمان حرفه‌ای می‌توانند این کار را به خوبی انجام دهند.

مقدسی نیز در این زمینه گفت: برای کاربران عمومی، خروجی خام هوش مصنوعی می‌تواند خطرآفرین باشد، به ویژه در متون حساس مانند بروشورهای پزشکی یا اسناد حقوقی. بنابراین، بازبینی انسانی ضروری است.
او از حضار خواست تا با مسئولیت‌پذیری، به بهبود داده‌های هوش مصنوعی از طریق بازخورد کمک کنند.

خانجان در پایان بر ریسک‌های بزرگ استفاده از هوش مصنوعی تأکید کرد: این ریسک‌ها را می‌توان به این صورت دسته بندی کرد؛ ۱) تحلیل مهارت‌های زبانی و تحلیلی نسل جوان که با اتکای بیش از حد به ماشین، تمرین عملی را کنار می‌گذارند. ۲) همگون‌سازی فرهنگی و تحمیل سلطه فرهنگی غرب به دلیل سلطه داده‌های انگلیسی. ما باید با بازخورد دادن و مشارکت در پروژه‌های متن‌باز، پایگاه داده زبان فارسی را تقویت کنیم.