ترجمهٔ انسانی، ماشینی و AI چه تفاوتی دارند؟

تا همین چند سال پیش، وقتی از «ترجمه» حرف می‌زدیم، معمولاً تصویر مترجم، چند تا فرهنگ لغت و یه متن می‌اومد جلوی چشممون، ولی الان ابزارهایی مثل Google Translate، DeepL و مدل‌های هوش مصنوعی هم وارد فرایند ترجمه شده‌ن.

همهٔ این‌ها می‌تونن متنی رو از یه زبان به زبان دیگه برگردونن، ولی روش کارشون و نقشی که توی فرایند ترجمه دارن یکسان نیست.

بیایین از اول شروع کنیم.

اصلاً ترجمه یعنی چی؟

فرض کنید توی یه داستان با این جمله روبه‌رو می‌شیم:

اگه ترجمه فقط جایگزین کردن کلمه‌ها بود، احتمالاً باید یه چیزی می‌نوشتیم توی مایه‌های: به من یک استراحت بده!

اما بسته به موقعیت، منظور گوینده می‌تونه چیزی نزدیک به این‌ها باشه:

پس مترجم قبل از اینکه بپرسه «معنی این کلمه چیه؟»، باید سؤال مهم‌تری بپرسه:

«این جمله اینجا چه معنایی داره؟»

برای جواب دادن به همین سؤال ساده، ممکنه لازم باشه شخصیت‌ها، جمله‌های قبل و بعد، لحن، موقعیت و حتی فرهنگ مبدأ رو در نظر بگیریم.

برای همینه که ترجمه رو نمی‌شه صرفاً جایگزینی واژه‌های دو تا زبان دونست.

ترجمهٔ انسانی چیه؟

توی ترجمهٔ انسانی، مترجم فقط معنی کلمه‌ها رو پیدا نمی‌کنه، بلکه مدام در حال فهمیدن و انتخاب کردنه.

مثلاً با کلمهٔ انگلیسی light روبه‌رو می‌شه. این کلمه می‌تونه بسته به جمله به «نور»، «روشن»، «سبک» و مفهوم‌های دیگه اشاره کنه.

مترجم با دیدن خود کلمه تصمیم نمی‌گیره، بلکه جمله و موقعیت رو می‌بینه و بعد معادل مناسب رو انتخاب می‌کنه.

همین مسئله توی سطح پیچیده‌تر دربارهٔ طنز، کنایه، اصطلاح، لحن و ارجاعات فرهنگی هم وجود داره.

برای همین ممکنه دو مترجم حرفه‌ای یه جمله رو به دو شکل متفاوت ترجمه کنن و هر دو ترجمه قابل‌دفاع باشن. همیشه یه «جواب مخفی و یگانه» وجود نداره که انگار مترجم فقط قراره همون رو پیدا کنه.

ترجمهٔ ماشینی چیه؟

Machine Translation یا MT یعنی استفاده از یه سیستم کامپیوتری برای ترجمهٔ خودکار متن از یه زبان به زبان دیگه.

Google Translate و DeepL نمونه‌های شناخته‌شده‌ای از این نوع ابزارها هستن.

سیستم‌های ترجمهٔ ماشینی در طول زمان خیلی تغییر کرده‌ن. روش‌های قدیمی‌تر، مثل Rule-Based Machine Translation (RBMT) یا ترجمهٔ ماشینی مبتنی بر قواعد، بیشتر به قواعد زبانی و واژه‌نامه‌ها متکی بودن. بعد Statistical Machine Translation (SMT) یا ترجمهٔ آماری بر اساس الگوهای آماری در متن‌های ترجمه‌شده توسعه پیدا کرد. نسل‌های جدیدتر عمدتاً از شبکه‌های عصبی استفاده می‌کنن؛ به این رویکرد Neural Machine Translation (NMT) یا ترجمهٔ ماشینی عصبی می‌گن.

برای کاربر اما تجربه بسیار ساده‌ست:

متن رو وارد می‌کنیم → ترجمه رو دریافت می‌کنیم

این سیستم‌ها می‌تونن توی خیلی از متن‌ها خروجی بسیار روانی تولید کنن، ولی روان بودن جمله به‌تنهایی تضمین نمی‌کنه که تمام معنای متن مبدأ درست منتقل شده باشه. پژوهش‌های ترجمهٔ ماشینی هم همچنان خطاهایی رو بررسی می‌کنن که توشون خروجی از نظر زبانی طبیعی به نظر می‌رسه، ولی کاملاً به متن مبدأ وفادار نیست.

پس AI چه فرقی داره؟

اینجا یه نکتهٔ مهم وجود داره:

ترجمهٔ ماشینی خودش یکی از کاربردهای هوش مصنوعیه، پس از نظر فنی، قرار دادن «Machine Translation» و «AI» به‌عنوان دو چیز کاملاً جدا دقیق نیست.

امروزه توی گفتگوهای روزمره منظورمون از «ترجمه با AI» معمولاً استفاده از مدل‌های زبانی بزرگ یا LLMها، مثل ChatGPT، برای کمک به ترجمه‌ست.

تفاوت کاربردی رو می‌شه خیلی ساده دید.

به یه موتور ترجمه معمولاً می‌گیم:

این متن را ترجمه کن.

اما با یه مدل زبانی وارد گفتگو می‌شیم:

این جمله را با توجه به پاراگراف قبلی ترجمه کن.

یا:

سه معادل برای این عبارت پیشنهاد بده و تفاوتشان را توضیح بده.

یا:

لحن نویسنده در این پاراگراف چطور است؟

یا حتی:

من این جمله را این‌طور ترجمه کرده‌ام. ایراد احتمالی ترجمه‌ام چیست؟

یعنی AI علاوه بر تولید ترجمه، در بخش‌هایی از فرایند فکر کردن دربارهٔ ترجمه هم به مترجم کمک می‌کنه.

یه جمله، سه رویکرد

یه مثال ساده رو در نظر بگیریم:

فرض کنین یکی داره می‌گه:

اگه فقط ظاهر جملهٔ دوم رو ببینیم، ممکنه به همچین معادلی برسیم:

از نظر معادل‌یابی واژگانی عجیب نیست، ولی توی این موقعیت منظور گوینده درخواست تکرار جمله نیست. گوینده داره با حرف نفر قبلی موافقت می‌کنه.

بنابراین بسته به لحن و شخصیت، شاید مناسب‌تر باشه این‌طوری ترجمه کنیم:

اینجاست که تفاوت رویکردها روشن‌تر می‌شه.

یه سیستم ترجمهٔ ماشینی باید از الگوهایی که یاد گرفته تشخیص بده فلان عبارت توی فلان بافت اصطلاحیه.

از یه LLM، علاوه بر ترجمه، می‌شه بپرسیم:

چرا این عبارت اینجا معنای تحت‌اللفظی ندارد؟

و مترجم انسانی می‌تونه همهٔ این پیشنهادها رو ببینه. شخصیت، سبک اثر و جمله‌های قبل و بعد رو در نظر بگیره و در نهایت تصمیم بگیره کدوم بیان توی ترجمهش مناسب‌تره.

این مثال همچنین نشون می‌ده چرا توجه به بافت (Context) اهمیت زیادی داره.

هر کدوم کجا به کار میان؟

پاسخ ثابتی برای همهٔ متن‌ها وجود نداره.

اگه فقط می‌خواین مفهوم کلی یه پیام ساده رو سریع بفهمین، یه موتور ترجمه ممکنه تمام چیزی باشه که نیاز دارین.

اما هر چی متن وابسته‌تر به بافت، اصطلاح، لحن، دانش تخصصی، شخصیت‌پردازی یا فرهنگ باشه، مسئله پیچیده‌تر می‌شه.

یه قرارداد حقوقی، مقالهٔ پزشکی، دیالوگ یه رمان و پیام کوتاه یه دوست همه‌شون «متن» هستن، ولی خطای ترجمه توشون اهمیت یکسانی نداره و تصمیم‌های مترجم هم از یه جنس نیستن.

حتی ارزیابی خودکار ترجمه‌های غیرتحت‌اللفظی، ازجمله توی متون ادبی، هنوز چالش‌های قابل توجهی داره. پژوهش‌های جدید نشون می‌دن که حتی استفاده از LLM برای سنجیدن کیفیت چنین ترجمه‌هایی محدودیت‌هایی دارن.

پس سؤال بهتر این نیست که:

«کدام روش بهترین است؟»

بلکه اینه:

«برای این متن، با این هدف و این میزان حساسیت، به چه ابزار و چه میزان بررسی انسانی نیاز دارم؟»

چرا ترجمهٔ AI خیلی خوب به نظر می‌رسه، ولی ممکنه اشتباه باشه؟

این شاید یکی از مهم‌ترین نکاتی باشه که حین کار با AI باید بدونیم.

ما معمولاً خطایی رو راحت‌تر تشخیص می‌دهیم که ظاهر بدی داره:

«او دیروز رفتن به فروشگاه.»

مشخصه که مشکلی وجود داره.

اما تصور کنین دارین ترجمه‌ای رو می‌خونین که کاملاً روان، خوش‌ساخت و قانع‌کننده‌ست، فقط یه مشکل کوچیک داره:

نویسنده اصلاً چنین چیزی نگفته.

مدل ممکنه بخشی از معنا رو تغییر بده، چیزی اضافه کنه یا توی یه شرایطی محتوایی تولید کنه که پشتوانهٔ کافی توی متن ورودی نداره. به چنین رفتارهایی معمولاً Hallucination می‌گن.

مطالعات روی NMT و LLMها نشون داده‌ن که مسئلهٔ hallucination توی ترجمه واقعاً وجود داره و حتی نوع خطاهای مدل‌های زبانی و سیستم‌های NMT متفاوتن.

پس:

روان بودن ≠ درست بودن

آیا AI جای مترجم رو می‌گیره؟

شاید این معروف‌ترین سؤال این حوزه باشه، ولی برای کار عملی مترجم سؤال مفیدتری وجود داره:

AI کدام قسمت از کار من را می‌تواند بهتر یا سریع‌تر انجام دهد و کدام تصمیم‌ها هنوز نیازمند بررسی من هستند؟

AI می‌تونه مثلاً چند معادل پیشنهاد بده، یه اصطلاح رو توضیح بده، دربارهٔ ساختار جمله کمک کنه، ترجمه‌های مختلف رو مقایسه کنه یا نقاط مشکوک یه ترجمه رو برای بررسی بیشتر مشخص کنه.

حتی پژوهش‌هایی وجود دارن که نشون داده‌ن LLMها توی بعضی شرایط می‌تونن توی ارزیابی ترجمه عملکرد مفیدی داشته باشن. در عین حال، نتایج پژوهش‌ها یکدست نیست و مطالعات دیگه‌ای محدودیت‌ها و عدم‌اعتمادپذیری اون‌ها رو توی بعضی از ارزیابی‌ها نشون داده‌ن.

پس استفادهٔ حرفه‌ای‌تر از AI این نیست که بگیم:

«ترجمه کن و نتیجه را تحویل بده.»

بلکه می‌شه AI رو وارد یه فرایند کنیم که انسان همچنان خروجی رو بررسی و درباره‌ش تصمیم‌گیری می‌کنه.

به این رویکرد معمولاً Human-in-the-loop می‌گن.

یه روش ساده برای استفاده از ابزارهای ترجمه

برای استفاده از MT یا AI لازم نیست فرایند پیچیده‌ای طراحی کنیم. یه قاعدهٔ ساده می‌تونه کمک زیادی کنه:

۱. اول متن رو بفهم.

قبل از هر چیزی بدون متن دربارهٔ چیه و قراره چه چیزی منتقل کنه.

۲. ببین مشکلت چیه.

معنی یه کلمه رو نمی‌دونی؟ ساختار جمله مبهمه؟ دنبال معادل می‌گردی؟ دربارهٔ لحن مطمئن نیستی؟

۳. ابزار مناسب رو انتخاب کن.

گاهی یه فرهنگ لغت کافیه، گاهی موتور ترجمه و گاهی گفت‌وگو با AI کمک بیشتری می‌کنه.

۴. فکر نکن خروجی جواب نهاییه.

اون رو با متن اصلی و بافت مقایسه کن.

۵. خودت انتخاب کن.

پیشنهاد ابزار می‌تونه نقطهٔ شروع باشه، نه الزاماً تصمیم نهایی.

۶. آخرش ترجمه رو مستقل از متن مبدأ بخون.

آیا معنای متن حفظ شده؟ آیا فارسیش طبیعیه؟ آیا لحن و اصطلاحات توی طول متن یکدستن؟

حرف آخر

ترجمهٔ انسانی، ترجمهٔ ماشینی و مدل‌های زبانی لزوماً رقیب هم نیستن که یکی از اون‌ها بخواد بقیه رو حذف کنه. هر کدوم قابلیت‌ها و محدودیت‌های متفاوتی دارن.

برای مترجم امروز، شاید مهارت مهم این باشه که بدونه چه زمانی خودش تصمیم بگیره، چه زمانی از ابزار کمک بگیره و چجوری بفهمه پیشنهادی که ابزار ارائه کرده واقعاً مناسب متنه یا نه.

به زبون ساده:

ابزار می‌تونه پیشنهاد بده، ولی انتخاب آگاهانه هنوز بخش مهمی از ترجمه‌ست.

بازبینی انسانی در یک پروژهٔ واقعی

هر روشی را برای تهیهٔ پیش‌نویس انتخاب کنید، سنجیدن آن در برابر متن مبدأ و اصلاح انتخاب‌های زبانی با مترجم است. راهنمای شروع کار با واژه‌چین نشان می‌دهد چگونه در فضای کار، متن اصلی و ترجمه را کنار هم ببینید، پیوند بندها را بررسی کنید و برای بازبینی یادداشت بگذارید؛ این راهنما ادعایی دربارهٔ قابلیت ترجمهٔ AI در محصول ندارد.

اگر می‌خواهید این تفاوت نقش‌ها را در تصمیمی مشخص تمرین کنید، راهنمای بررسی پیشنهاد دستیار در ترجمهٔ کتاب سه مثال آموزشی برای سنجیدن اصطلاح، لحن و معنا دارد.

منابع

1. Guerreiro, N. M., Voita, E., & Martins, A. F. T. (2023). Looking for a Needle in a Haystack: A Comprehensive Study of Hallucinations in Neural Machine Translation. Proceedings of EACL 2023, 1059–1075.

2. Guerreiro, N. M., Alves, D. M., Waldendorf, J., Haddow, B., Birch, A., Colombo, P., & Martins, A. F. T. (2023). Hallucinations in Large Multilingual Translation Models. Transactions of the Association for Computational Linguistics (TACL).

3. Kocmi, T., & Federmann, C. (2023). Large Language Models Are State-of-the-Art Evaluators of Translation Quality. Proceedings of the 24th Annual Conference of the European Association for Machine Translation, 193–203.

برای مطالعهٔ بیشتر

4. Wilks, Y. (2009). Machine Translation: Its Scope and Limits. Springer.

5. Hendy, A., Abdelrehim, M., Sharaf, A., Raunak, V., Gabr, M., Matsushita, H., Kim, Y. J., Afify, M., & Awadalla, H. H. (2023). How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation.

6. Mohamedamin, A. Q. (2026). Human Translation vs. Machine Translation: Evaluating the Role of AI in Modern Translation Practice. Journal of the College of Languages.