線上研討會重點回顧：生成式 AI 對全球內容的影響

生成式人工智慧 (GenAI) 與大型語言模型 (LLM) 技術到底是什麼？GenAI 及 LLM (像是 ChatGPT) 會為翻譯與本地化帶來什麼衝擊？您又能如何運用 LLM，推動全球內容工作流程更上一層樓？

Lionbridge 的產品暨開發團隊主管 Vincent Henderson，在生成式 AI 與大型語言模型研討會系列的第一場會議中，便針對上述這些問題提出他的看法，並進行了更深入的探討。

如果您錯過了這次線上研討會，歡迎自行選擇時間觀看研討會的影片。 

時間不夠看完整場研討會？可以先閱讀本文，了解 Vincent 在線上研討會談論的一些議題。

什麼是生成式 AI，什麼又是大型語言模型？

生成式 AI 與 LLM 都是人工智慧 (AI) 引擎，這些引擎從網際網路龐大的語料庫學習了人類撰寫文本的方式。因此只要提供輸入資料，它們就能根據自己的訓練內容，以最可能的接續文字完成整段文本。

這些技術以新 AI 為基礎，運用它們從龐大資料中所知的一切，來判斷最適合輸出的內容。

判斷什麼是最可能接續前文的輸出文字，這種能力雖然看來平凡又瑣碎，但事實上卻是非常複雜的工作。在接收到輸入文本時，模型要能全面性地解析文本，找出它在整個語言地圖中最適切的歸屬，才能產出輸出文本。也就是說模型要能判斷出提示和訓練語料庫中最重要的元素，以及該注意哪些地方。

也因此，LLM 也展現了一種不可思議的能力，可以產出看來像是人類所創作的文字內容。這個技術似乎能夠理解我們的意圖，並像我們一樣地思考與行事。

為何 LLM 會對翻譯造成如此大的衝擊？

要了解 ChatGPT 這類 LLM 對翻譯與本地化為什麼大有助益，就得先探討使用神經機器翻譯 (NMT) 進行自動翻譯的一些挑戰。

時至今日，有許多公司會仰賴機器翻譯 (MT)，這種高度專業化的大型語言模型經過最佳化，最適合用來處理一連串的文字並判斷相應的翻譯。對於使用常見 MT 引擎的公司來說，這類引擎的產出結果雖然差強人意，但可以透過使用數以萬計的相關資料來訓練和微調引擎，進而改善輸出成果。

但這些工作所費不貲，而使用 MT 引擎的企業必須持續在每次展開新措施時 (例如新產品上市或行銷工作)，判斷他們是否值得花費心力重新訓練引擎。

相反地，LLM 引擎由於原本就已具備極為龐大廣泛的知識，所以僅需幾個範例就能了解公司的期望，同時還能將學得的知識應用在新的工作上。也因此，您不必提供大量特定任務相關的資料對模型進行訓練，也能藉由更加精簡的情境感知提示獲得所需的翻譯結果。

然而，在撰寫本文時，具有這些功能的 LLM 承受了沉重的市場需求壓力，同時也難以應付與消化大規模本地化龐大的內容量。雖然這種情況未來會解決，但到底何時能實現，卻還是未定之數。

LLM 或 MT 引擎哪一個的翻譯表現更好？

在初始翻譯的表現上，LLM 與 MT 引擎又有何差異？Lionbridge 以一個英文句子，比較了主流 MT 引擎與 GPT 模型在英譯簡中、英譯西和英譯德的翻譯品質。

一般而言，GPT 的表現還比不上目前最優異的 MT 引擎。但 LLM 就快要迎頭趕上了。如圖 1 所示的這個例子，GPT-4 在英譯簡中這個語言組合上，表現便略勝於 Yandex MT 引擎。

LLM (例如 GPT) 與主流 MT 引擎在其他方面的比較如何？

字彙、文法與正確性

如果沒有明確指示，LLM (例如 GPT) 所產出的翻譯往往會比主流 MT 引擎產出的結果更有本土化色彩。這種做法可能會與專業譯者的做法大相逕庭，有時更會被視為是錯誤。此外，GPT 有時也會自創或編造新詞或新的表達方式，這也是譯者會避免的做法。

讓 LLM 使用特定的術語並不難，只需要求它們這麼做就行了。但另一方面，要讓 MT 引擎納入術語則得花費更多心力，包括訓練 MT 引擎，或是在 MT 引擎之上建置上層架構，將術語引進結果或來源中。但這種方式通常會產生搭配詞或一致性方面的問題。

由於 GPT 的語言意識非常高，因此很少會發生例如前後用語一致性等語言方面的錯誤，而且通常可以應要求自我修正。

大型語言模型還有哪些其他的應用？

來源或目標分析及改善

LLM 可說多才多藝。您不但可以利用 LLM 改善目標文本，也可以利用它們改善來源文本。此外，還可進行許多種分析，像是瀏覽頻率、數量與時間長短等量化分析，以及質性評估與自動改善。您也可以要求 LLM 以特定方式執行工作，產出您所需的結果。

您可以使用 ChatGPT：

• 將複雜的術語簡化，或為了增進可讀性和可譯性而改寫內容
• 在不改變意義的情況下將冗長的句子縮短，增進可讀性和可譯性

妥善運用 LLM，可以讓內容更容易閱讀，更方便目標對象理解。而改善來源文本並減少字數，更有助降低您的本地化成本。

譯後編修和語言品管

您可以像要求專業譯者的處理方式，要求 LLM 為翻譯進行譯後編修。而 LLM 能做好譯後編修的工作嗎？一項分析便發現，它能把將句子修飾至定稿品質 (也就是編輯距離) 所花費的心力，從 48% 大幅降低到 32%。另外，它也能找出例如多餘的空格等錯誤、建議更好的用字遣詞，以及透過改寫改善目標文本。

像 Lionbridge 等語言服務供應商可以提供什麼支援，協助客戶應用生成式 AI 並打造更上層樓的內容工作流程？

生成式 AI 將會徹底改變多語言內容的工作流程。而 Lionbridge 能提供與這些變革相關的服務。

多語言內容生成服務

LLM 生成多語言內容的能力，無疑是自翻譯記憶庫 (TM) 問世以來對本地化產業最大的衝擊。

如何讓 LLM 從無到有地生成多語言內容？首先，提供資訊給 LLM，接著要求它產出衍生內容，並從頭開始生成多語言內容。

在詢問 LLM 有關真實事物時，它們很容易會產出所謂的幻覺內容；但公司可以要求 LLM 根據您的既有資料來生成產品說明、推特貼文以及其他素材，進而避免生成幻覺內容。

在以往，全球內容工作流程只要是基於兩種不同的工作流程：一個是於在地製作內容的流程，另一個則是全球製作內容的流程。在使用 LLM 時，您並不是先僱用寫作人員以來源語言撰寫內容，然後再展開本地化流程來製作衍生內容，而是以您所需的所有語言產出衍生內容，然後再由各個語言 (包括您的國家/地區語言) 的譯後編修人員對文本進行譯後編修。

Lionbridge 擁有龐大的譯者群，因此更能勝任這項工作：根據生成的多語言內容提供多語言譯後編修服務。

支援客戶的多語言生成式 AI 措施

要使用 LLM 生成多語言內容，就需要進行提示工程，但這個過程不但耗時，而且往往得在錯誤中反覆嘗試。協助公司建置合適的提示，是本地化產業新興的一種服務，也是 Lionbridge 能從旁協助的領域。

Lionbridge 具備後端開發能力，可協助客戶更簡便地使用 AI，以及規劃用以做為範例和提示的內容類型，進而使客戶能自行執行多語言生成式 AI 措施。

多語言資產的最佳化

GPT 可以修改語言資產，例如翻譯記憶庫 (TM) 和文體風格規則等。

Lionbridge 的一個客戶希望能以比過往更為經濟實惠的方式，依據他們的要求調整語氣和文體風格，因此我們便使用 GPT-4，將客戶的整個法文翻譯記憶庫 (TM) 修改為非正式用語。

本地化工作流程的改進

這個範疇是藉由運用 LLM，從而更輕易、更快速地以更低廉的成本進行譯後編修，最終讓整個翻譯工作流程更有效率、更具成本效益。

本地化工作流程的改進，也使得公司更有可能達成無譯不做的目標。

概要總結：未來的展望

LLM 將會嚴重衝擊本地化，隨著時間過去，工作流程將會被抹平。

企業將不再會採用多個不同的在地與全球工作流程，而是能夠定義內容目標、規劃內容，然後立即以多種語言生成內容。

新科技的出現往往會引發憂慮，使人們害怕有些工作會因此消失，但 Lionbridge 並不擔心 LLM 可能會讓語言服務供應商 (LSP) 或譯者需求走入歷史。

使用 LLM 生成多語言內容的公司，依舊會需要請領域相關專家來審閱機器輸出的內容。對機器翻譯來說，就是所謂的譯後編修，但未來對這類工作，則可能會有其他的稱呼。

如要深入了解生成式 AI 並透過展示參考實例，歡迎立即觀看線上研討會。

與我們聯絡

若想了解 Lionbridge 如何使用最新技術協助您以卓越的效率滿足全球內容需求，歡迎立即與我們聯絡。