DeepL CEO Jarek Kutylowski：DeepL如何借助AI打造翻译巨头
摘要
DeepL的突破口，来自2017年神经网络范式重置之际进入翻译领域，当时此前的方法几乎都必须推倒重来。 Jarek Kutylowski表示，专业化让DeepL得以采用兼顾原文忠实度与母语表达的架构。DeepL使用预训练模型，在此基础上投入大量算力和精心整理的多语言数据，而不是从零开始训练一切。
DeepL的优势既来自研究，也来自系统工程，Kutylowski估计两者“大概五五开”。 由于当时无法获得足够的GPU算力，DeepL在2017年开始自建数据中心和软件框架；随着NVIDIA DGX系列和Blackwell推出，算力成本大幅上升。公司增长和收入来源都与算力需求相关，而继续增加GPU最终也意味着需要“更多研究员，基本上就是更多脑子”。
翻译质量仍然有价值，因为每一次改进都可能打开更高价值、风险更敏感的工作流。 给同事发一封非正式邮件可以容忍瑕疵，但把合同或条款发布到20种语言中会带来法律风险；减少律师助理的后期编辑，能产生“非常高的投资回报”。因此，DeepL会注入文档上下文、术语和客户信息，而不是为数十万客户分别训练模型。
AI将“大幅减少”完全由人工翻译的内容，但Kutylowski预计，在合规要求较高的生命科学和金融工作流中，人类仍会保留。 DeepL使用数千名译员进行训练、反馈和质量保证，但“不是用于生产，也不是用于推理”。模型在避免普通疏漏方面，某种意义上已经比人更可靠、更准确，但仍不具备人类水平的意图理解能力，在含糊、残缺或异常短的源文本上可能失误。
语音翻译是DeepL较新的市场，眼下产品优先级是降低延迟，而不是保留说话者的声音风格。 Kutylowski在日本发现，相比等待口译，翻译后的客户对话已经“非常接近”亲自参与交流。语音识别错误和对话语法增加了输入难度，而公司术语和专有名词仍是质量关键；实时翻译可能扩大国际商务中的参与范围。
随着通用LLM持续进步，DeepL的防线必须从句子转换上移到企业工作流。 Kutylowski希望模型理解审核流程、此前的AI译文和后续人工修改，再将这些信号反馈给模型。战略难题在于，面对一个高度横向的产品，如何挑出价值最高的工作流，而不是平均加深每一种翻译场景。
精读
上游暂未提供，后续同步将继续补齐。