AI翻译中的性别偏见：技术中立还是结构性复制？_服务软件

1. 【翻译】透过现象看本质：技能结构解释了在电子游戏表现中掌握技能的性别差异

2. 写了一个翻译的 skill，开源，推荐试用，效果我测试下来还可以的。使用方法很简单，安装后，只要说：> 翻译 {文件路径}或者快速翻译，速度最快，质量会差一些> 快速翻译 {文件路径}或者精翻，质量最好，时间长一些，token也会消耗更多> 精翻 {文件路径}如果配合 baoyu-danger-x-to-markdown skill 可以翻译 X 上的 Article，输入推文 url 就好，配合 baoyu-url-to-markdown 则可以根据 url 翻译文章内容长文会自动分块，分块后能并行翻译，速度还可以，并且能保证分块后的翻译术语一致性。可以定制化一些自己的术语表。项目地址：github.com/JimLiu/baoyu-skills 网页链接安装方式：网页链接---我做 AI 翻译这件事，前前后后折腾了快两年。从最早手写提示词，到现在用 Agent 自动分块、并行翻译、审校润色，中间踩了不少坑，也攒了不少经验。最近把这些经验沉淀成了一个可复用的翻译 Skill。先说说翻译这个场景为什么比看上去要复杂。提示词本身很简单，“把这段话翻译成中文”谁都会写。但要做成一个通用的 Skill，你得考虑：输入千奇百怪，有人贴一句话，有人丢一篇万字长文，还有人给个 Markdown 文件；每个人常用的语言对不一样；有时候只想快速看个大意，有时候要求翻译质量必须高；太长的内容模型处理不了或者效果变差，需要分块，分块了又不好保证前后一致。这些问题不是一次想清楚的，是一轮轮迭代踩出来的。我用 AI 翻译的三个阶段第一个阶段是推理模型出来之前。那时候翻译质量全靠提示词，角色设定、语气要求、术语表，能塞的都塞进去。我应该是最早公开提出用“两步翻译”和“三步翻译”来提升翻译质量的。两步翻译就是先直译再意译，原理类似推理链，让模型先老老实实把原文意思对上，再用更自然的方式重新表达。效果确实好，但费 Token。三步翻译多了一个中间的审校环节，先直译，再审校找问题，最后意译，效果更好，但上下文占用很大。第二个阶段是推理模型出来之后。有了推理能力，不需要我手动设计推理链了，模型自己会“想”。这时候翻译提示词的核心变成了一个词：“重写”。不是让模型“翻译”，而是让它用目标语言重写这段内容。“翻译”这个词会让模型惦记着原文的每个字，“重写”给了它更大的自由度去处理隐喻、重组句式。这个思路转变带来的质量提升很明显。第三个阶段是 Agent。到了 Agent 时代，翻译工作流可以做得更精细。之前所有决策都是我做的：要不要分块、分多大、用什么术语表、翻译质量够不够好。现在很多决策可以交给 Agent，但关键节点由人来确认。具体来说，我的 Agent 翻译工作流是这样的：1. Agent 先分析要翻译的文章，找出专业术语、文化隐喻、读者可能不理解的背景知识，保存成分析文件2. 根据分析结果和提示词模板，生成翻译提示词，也保存成文件3. 如果文章太长，用脚本按 Markdown 结构分块4. 多个 subagent 并行翻译，每个负责一块5. 翻译完合并，再做整体校对所有中间结果都保存成文件。分析报告、翻译提示词、每个分块的原文和译文、审校意见，全部保存成文件。为什么要这么做？因为翻译是个迭代过程。某一块翻得不好，可以单独重翻，不用从头来。提示词有问题，可以直接改文件，不用重新跑分析。从串行到并行：一个关键转折最开始分块翻译是串行的。一个 subagent 按顺序翻译所有块，上一块的结果带到下一块，保持上下文连贯。问题很明显：慢。十个块要一个接一个翻，而且上下文越来越长，可能会爆。如果截断之前的内容，又没法用 prompt cache，成本反而更高。改成并行翻译就面临另一个问题：术语不统一。前面翻成"强化学习"，后面变成"增强学习"，读者会懵。解法是把一致性的保障从"运行时上下文"转移到"预先分析"。在翻译之前，Agent 已经分析好了全文的术语、翻译策略、风格要求，全部写在提示词文件里。每个 subagent 拿到的是同一份提示词文件，术语决策已经固化在里面了。十个块十个 subagent 并行执行，速度提升好几倍，一致性由共享的提示词文件保证。提示词文件的演进提示词怎么传给 subagent，这件事改了好几版。最开始是让 subagent 自己去读分析文件，自己理解。效果不稳定，每个 subagent 理解出来的东西不一样。然后改成主 agent 读取分析文件，把所有上下文整合成一个完整的 prompt 传给 subagent。好了一些，但 prompt 里什么都有，包括分块列表，subagent 看到十个块的列表会困惑，因为它只需要翻一个块。最后拆成两部分：共享上下文（术语表、翻译原则、背景信息）保存成文件，任务指令（翻译哪个文件、保存到哪里）作为调用参数传入。每个 subagent 读同一个提示词文件，但收到不同的任务指令。把提示词保存成文件还有一个好处：它本身成了可追溯的中间产物。翻译完觉得风格不对，打开提示词文件一看，发现是分析阶段遗漏了某个术语，直接改文件重跑翻译就行。当然还有一个重要原因是 Agent 很擅长读写处理文件。整个 Skill 的创建和迭代过程是这样的：1. 在 Claude Code 里用 skill-creator，直接把想法说出来，生成初始版本2. 用生成的版本去翻译真实文章，不是测试用例，是真的要用的内容3. 读翻译结果，找出不满意的地方4. 把问题反馈给 Claude Code，让它改进 Skill5. 再翻译，再检查，循环往复这个过程中，人的角色是质量判官和方向指挥。你要能判断翻译好不好，要能说清楚哪里不好，但不需要自己去写提示词细节。比如我发现串行翻译太慢，不是我去改并行逻辑，而是告诉 Agent"改成并行"，然后它自己去处理并行带来的一致性问题。比如我发现隐喻翻译生硬，不是我去写"遇到隐喻请意译"这样的规则，而是给它两版翻译让它自己总结规律。它总结出来的规则比我写的更系统、更全面。

3. 许钧：翻译基本问题再审视——面对AI技术挑战的思考

4. 翠湖边，七点到十一点，四个小时的畅聊，让旦哥和这位20年未见面的幼儿园、小学、初中都在一起的同学更了解、鼓励、尊重、敬佩彼此。我们聊彼此博士攻读的方向、研究的课题和遇到的困难，我们聊生活、聊工作、聊好久未见过的另外的同学。最重要是聊AI时代下，我们所面临的、所需要解决的、所要学会的。旦哥也把自己对AI时代下，作为专业翻译如何面对的方式方法分享于他。这也是旦哥在旦哥在清迈大学汉泰翻译研究生教育课堂上主题为「汉泰翻译人才需求解读」分享的：“在AI时代下，作为专业翻译，我们的角色变了，由“初翻者”变成了“审校&把关者”，我们要持开放心态，不惧怕且要反利用AI，让我们工作效率更高。AI翻译机器不会取代专业翻译，而是会用AI的专业翻译会取代不会用AI的专业翻译。” 昆明·昆明翠湖公园

5. 缓解AI技术焦虑？这本《AI翻译实战手册》教你突破翻译困境

6. 专利翻译的饭碗，在AI时代还保得住吗？

7. 赠书｜生成式 AI 时代的翻译新范式：王华树新作深度解读 AIPE

8. 昨天听到某人说了这样一句话：“一个女孩子还说脏话！”其实这句话可以有两种理解方式：1️⃣女孩子不应该口吐芬芳，应该循规蹈矩——>性别歧视（女性）2️⃣女孩子口吐芬芳太让人惊讶了，因为普遍素质较高（反之，如果是男的就正常）——>性别歧视（男性）咱就说，能不能抛开这些陈旧观念以及刻板印象？

9. #吃土少女晚安# “现在这个时候你在想，没错，这个游戏存在性别歧视，它就是有性别歧视。我为什么不上网发表一下意见呢？好吧，你如果这么做了就会经历以下状况：典型反应一，‘这是游戏啊，我的天啊，为什么要把性别歧视、政治或任何其他事情卷进来呢？我的天啊！’典型反应二，‘我的天啊，但说真的性别歧视并不重要。’典型反应三，‘我的天啊，这只是讽刺而已啦，省省吧，在这游戏里男人就跟女人一样坏啊，天啊天啊！”——TED演讲《游戏中的性别歧视》晚安，世界。

10. 王华树王少爽王巍巍 | 智译未来：大语言模型如何重塑翻译教育——智能时代翻译教育创新三人谈

11. 《全球翻译技术发展报告（2023—2026）》

12. 赠书｜《智能翻译导论：技术与应用》上市：大模型时代，翻译的变与不变

13. 2025年翻译技术八大研究热点

14. 盘点一周AI大事(5月3日)｜Google上线AI口语陪练 Google IO即将发布Gemini 4和Veo 4 Gemini上线原生文件生成 Google推出AI衣柜 Google翻译上线AI口语陪练 Claude 接入50多款创作软件，能直接操作Photoshop修图、做海报，接管Blender建模，用Ableton创作音乐英伟达开源全模态模型Nemotron 3 Nano Omni 研究员训练出复古大模型talkie KAIKAKU发布食品大模型Epicure 研究员开源突破性智能体协作框架Recursive MAS Moonlake上线Blender智能体Moonlake 3D Agent #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

15. 文献研读｜AI-MT翻译真的可靠吗？医疗、法律等场景中的隐性风险

16. 女性组织向游戏业不公宣战，如何推动行业改善性别平等？

17. 基于眼动追踪的交互式与静态机器翻译译后编辑认知加工机制研究

18. 2025年人工智能翻译技术热词榜

19. 把同声传译戴在脸上，亮亮视野AR翻译眼镜Hey2体验

20. 大语言模型与神经网络机器翻译的“巅峰对决”与深刻启示

21. 自动化LQA：AI赋能翻译与本地化质量保障

22. 书海撷萃 |《人工智能时代翻译技术研究》——解码AI时代语言服务的变革与进阶之路

23. 顶级教育资源入场券，谷歌联手斯坦福给全球孩子做的免费AI启蒙神器，带孩子零代码做数据清洗、模型训练、偏见消除 #ai #学习 #谷歌 #斯坦福 #教育

24. 洁世一 #蓝色监狱# b漫又在搞上不得台面的篡改小动作了原文：【理解ってんだよそんなこたぁ痛いほど】正确翻译：【那种事我当然理解了（理解到）深切疼痛的地步】原作强调的是理解到【痛】，程度很深很深结果b漫故意弱化乱翻译成“不用你说我也清楚的很” ⚠️332话投诉文案：漫画《蓝色监狱》最新第332话存在明显的翻译错误，第17页右下角的台词“理解ってんだよそんなこたぁ痛いほど”，正确翻译应为【那种事我当然理解了理解到深切疼痛的地步/理解到感到痛楚的地步】，现在的版本【不用你说我也清楚的很】是完全错误、和原文强调的【痛】无关的翻译。该错误已经影响到了读者阅读漫画，没能传达作者想要表达的感情，同时也会让读者对哔哩哔哩漫画的专业性产生质疑，麻烦请工作人员及时更正翻译错误，基于日文原版台词进行翻译而不是自创台词，非常感谢！

25. 王宏娥：翻译的“主体”之辨——人机关系的哲学审视与未来演进

26. 热点追踪 | XTM推出智能译后编辑，赋能本地化自动化审校

27. 智能翻译学：AI 时代翻译技术教育的新范式

28. 【讲座回顾】杨洸｜人机传播中的性别偏见意识及提示词的纠偏机制研究

29. AI性别议题回答，为何总爱“站队” - 哔哩哔哩

30. 郭佳楠阮氏福来 | 人工智能时代算法性别歧视及其多元化治理【2026年第1期】

31. DeepSeek的选择性失明——大型语言模型中性别刻板印象的“逻辑选择性失调”现象 - 哔哩哔哩

32. 无性别的AI为何也会产生性别偏见？（长期使用AI发现的一些问题）

33. 大语言模型在临床推理中的性别偏见问题 - 哔哩哔哩

34. 当AI输入法把“她”认成“他”，我们该警惕什么？

35. 论文52 | 人工智能时代翻译技术的伦理挑战与应对策略

36. AI真的存在性别偏见吗？一个实验告诉你答案

37. AI偏见测试认知和类型（1）

38. 文献研读 | 算法在市场中传播的性别偏见：消费者的协同作用

39. ILO：生成式 AI、职业隔离与职场性别平等-机遇与挑战并存的全球图景

40. 德理进化服务集团：大语言模型放大共情性别刻板印象

41. “AI不是中立的”：最新研究揭露算法背后的种族与性别偏见

42. ChatGPT也会”歧视”？——AI的偏见到底是谁的错

43. AI偏见不是技术问题，是你没设对标准

44. 智能的崛起：AI与大模型时代（15）——AI与偏见

45. 这年头，连AI都在“重男轻女”?

46. AI 偏见研究：从定义到解决方案的全面分析

47. AI的“隐形偏见”：解密数据偏见（Bias）

48. 文献研读 | 为何我们对算法歧视更“宽容”？自由意志信念与拟人化的作用

AI翻译中的性别偏见：技术中立还是结构性复制？

精选参考来源