人类语言具有能产性、移位性、任意性、反思性、文化传递性和双重结构等独特特征，经历了从语音到文字的发展历程，文字可以更稳固地传递知识与文化。随着技术的迭代升级，承载语音、文字的工具愈发便利。

人工智能研究主要分为符号学派、连接学派和行为学派三大流派。其中，符号学派认为人工智能源于数理逻辑，连接学派认为人工智能源于仿生学，行为学派认为人工智能源于控制论。当前的生成式人工智能主要源于连接学派的思想和方法，同时融合了符号学派和行为学派的方法。

算法、数据、算力是人工智能的三大要素，算法提供方向，数据提供“燃料”，算力提供“加速引擎”。数据（语料）为模型提供海量学习素材，是模型丰富知识储备、开展大规模训练的基础，直接影响模型性能。现阶段的生成式人工智能是一种基于算法的知识媒介，是“知识渊博的认知平庸者”。

语料库（Corpus）是系统化收集、整理并以电子形式存储的自然语言文本集合，主要应用于语言研究、自然语言处理和语言教学等领域。语料库具有真实性、检索性、标注性、规模化等特点，可根据内容、功能、标注层次、文本来源等维度进行分类。

构建语料库的基本流程包括确定目标和结构、收集语料数据、预处理、标注与对齐、验证与分析、发布与维护等。常用的语料采集、语料清洗、语料对齐、语料检索与分析工具如下图所示。更多相关工具，请点击链接查看：https://corpus-analysis.com/。

在翻译实践中，TMX（Translation Memory eXchange）是一种基于XML（eXtensible Markup Language, 可扩展标记语言）标准的文件格式，用于在不同计算机辅助翻译（Computer-Aided Translation, CAT）工具间交换翻译记忆（Translation Memories）数据。TMX可实现存储、更新、共享、资源复用等功能，具有格式统一、工具兼容性强、可扩展性强、可复用知识等优势。

术语库（Terminology Database）是以术语条目为核心单位，系统记录专业术语及其语种、定义、上下位关系、用途、领域标签等信息的结构化语料资源库。术语库具有专业性、标准化、支持多语种、机器可读性等特点。根据语言种类，可分为单语术语库、双语术语库和多语术语库；根据使用目的，可分为翻译术语库、研究型术语库和企业术语库；根据专业领域，可分为通用术语库和专门术语库。

常用术语提取、管理工具以及翻译项目中的术语管理流程如图所示。

TBX（TermBase eXchange）是用于术语数据交换的开放式XML标准格式，详细内容可参见ISO30042:2019 Management of terminology resources — TermBase eXchange (TBX)。TBX最初由本地化行业标准协会（Localization Industry Standards Association, LISA）开发，用于促进翻译和术语管理工具之间的数据互通。其本质是一种结构化语法规范，使术语库可以在不同系统间准确、一致、安全地传输和共享。TBX主要有术语条目标准化、多语言支持、语义信息丰富、兼容性强、可扩展性强等优势。

Token是大语言模型用于理解和生成语言的基础单位。分词（Tokenization）是大语言模型训练的关键步骤——模型会把用户输入的信息拆分并对应至相应ID编号，转化为模型可理解的数字语言。

在语料库建设中，大语言模型可赋能语料收集与清洗、语言识别与分类、分词与分句、双语对齐、语言标注、术语提取、元数据生成、语料扩展与仿写、语料检索优化、质量评估与审校等环节。

在术语库建设中，大语言模型可赋能术语识别与提取、术语标准化、术语对生成、定义与注释编写、术语分类与组织、术语一致性检查、术语扩展与更新、术语元数据补充、术语多模态应用、用户接口与交互等环节。

根据译文原创程度，翻译实践可分为三个层面，一是复用型翻译，即通过技术工具调用已有的权威翻译资源，也就是复用翻译资源；二是改善型翻译，即根据翻译语境需求对已有译文进行筛选和改进，也就是优化翻译资源；三是生成型翻译，即翻译此前未被翻译过的内容，也就是创新翻译资源。在具体操作上，这三个层面的翻译实践需要译员进行不同程度的智力投入，涉及译员的搜索能力、决策能力和管理能力，即“查”“选”“管”能力。

大语言模型存在“幻觉”，其输出的内容不一定真实可靠。为提升输出内容准确性，可通过检索增强生成（Retrieval-Augmented Generation, RAG）技术减少大语言模型“幻觉”。

检索增强生成广泛应用于问答系统、智能客服、知识管理、教育辅导等场景，是一种结合了信息检索与生成式人工智能的技术架构，主要由检索器（Retriever）和生成器（Generator）组成，其核心思想是在模型生成回答之前，先从外部知识库中检索相关信息，再将这些信息输入模型中，以提升回答的准确性、可控性和事实性。检索增强生成能够有效减少模型“幻觉”，增强输出内容的事实性与可追溯性，且具备更新成本较低，可适配多语言、多领域任务等优势。百度AI搜索、知乎直达、天工等均使用了该技术架构，可连接平台知识库。

大赛相关链接