AI 翻譯：為什麼它翻不出詩的意境
這帶來兩個後果。好的一面是，它的譯文非常自然，能處理上下文、能調整語氣、能解釋典故。壞的一面是，它有一種強烈的「合理化」傾向。當原文有歧義時，它會選一個最常見的解釋；當原文有省略時，它會自動補全；當原文有文化特異性時，它會傾向用目標語言的讀者最熟悉的方式表達。這在商業文件、新聞報導、技術手冊裡是優點，在詩歌翻譯裡卻往往是致命傷。
因為詩的語言，恰恰是拒絕被合理化的語言。詩人刻意留下歧義、刻意省略、刻意斷裂、刻意用一個不常見的詞。這些「不合理」的地方，正是詩意棲身之所。AI 把它們磨平，等於把詩翻譯成了散文。
二、意境的五層結構：AI 卡在哪一層？
「意境」這個詞在中文裡被用得極濫，幾乎什麼都可以叫意境。但如果我們認真拆解，會發現它其實是好幾個層次的疊加。王國維在《人間詞話》裡說：「詞以境界為最上。有境界則自成高格，自有名句。」他講的「境界」，至少包含了景象、情感、以及兩者交融後產生的某種「言外之意」。
為了方便討論，我把詩的意境拆成五層：意象層、音韻層、典故層、留白層、情感層。這五層不是涇渭分明的，它們互相滲透、彼此加成。而 AI 在每一層遇到的困難，性質都不太一樣。
意象層：象可譯，意難譯
意象是詩最基本的單位。「明月」是一個意象，「杜鵑」是一個意象，「秋水」是一個意象。表面上看，意象最好翻：明月就是 bright moon，杜鵑就是 cuckoo，秋水就是 autumn water。詞典對得上，AI 不會出錯。
但問題在於，意象從來不是孤立的符號，它背後拖著一整條文化聯想鏈。在中文詩的傳統裡，「明月」連結著鄉愁、團圓、孤獨、時間的流逝；「杜鵑」連結著蜀帝化鳥的傳說、啼血的悲情；「秋水」連結著思念、望穿、時間的阻隔。這些聯想不是字典定義，而是千百年來無數詩人共同累積的「文化編碼」。
英文的 moon 有沒有類似的聯想？有，但鏈條完全不同。它更多連結著瘋狂（lunacy）、浪漫、夜晚的私密性。當 AI 把「明月」譯成 bright moon，它在字面上是對的，但在文化聯想上是錯位的。讀者讀到 bright moon，腦中浮現的不是「舉頭望明月，低頭思故鄉」，而可能是某首英文情歌裡的月亮。
AI 當然可以透過訓練資料學到「明月在中文詩裡常與思鄉有關」，它甚至可以在譯文裡加註解。但註解是解釋，不是翻譯。詩的意象之所以有力量，正因為它不加解釋就能擊中你。一旦需要註解，那個擊中的瞬間就已經過去了。
音韻層：詩之所以為詩的第一道門檻
如果說意象層 AI 還能靠語料勉強應付，音韻層就是它真正的死穴。
詩是聲音的藝術。這句話在中文裡尤其成立。中文是單音節語言，每個字一個音節，有聲調，天生適合對仗和押韻。唐詩的平仄、宋詞的詞牌、元曲的襯字，全部建立在聲音的規律之上。「床前明月光，疑是地上霜。舉頭望明月，低頭思故鄉。」光、霜、鄉，三個韻腳，乾淨俐落，讀起來有一種近乎生理性的舒暢。
AI 在處理這一層時，面對的是一個根本性的錯位：它處理的是 token，不是聲音。語言模型把文字切分成 token，每個 token 對應一個向量，它從向量之間的機率關係中學習語言的規律。聲調、音步、押韻，這些東西在 token 層面幾乎不存在。模型可以從訓練資料中觀察到「某些字常出現在句尾」，但這和「詩人為什麼選這個字」是兩回事。
當 AI 翻譯一首格律詩時，它通常會產出兩種結果。一種是放棄韻律，只譯意義，譯文讀起來像分行散文；另一種是勉強押韻，犧牲意義，為了湊一個韻腳，把關鍵詞換掉，把意象改掉。人類譯者也會面臨同樣的兩難，但人類譯者會為了一個韻腳重新構思整句，會冒險、會取捨、會發明新的說法。AI 則傾向選擇「最省力的解」，因為它的目標函數是機率最大化，不是詩意最大化。
典故層：訓練資料裡的黑洞
詩的另一個特徵是高度濃縮。一首四句的絕句，可能塞進了兩三個典故、四五處互文。典故是文化記憶的壓縮包，詩人用一個詞，就召喚出一整段歷史、一整個故事、一整套情緒。
李商隱的《錦瑟》是極端的例子：「莊生曉夢迷蝴蝶，望帝春心托杜鵑。滄海月明珠有淚，藍田日暖玉生煙。」四句詩，四個典故，每一個都指向一整套文化記憶。莊周夢蝶講的是物我之辨，望帝化鵑講的是哀怨與寄託，鮫人泣珠講的是淚與美的轉化，藍田玉煙講的是可望不可即。
AI 當然知道這些典故。你問它《錦瑟》的典故出處，它能答得頭頭是道。但知道典故，和知道詩人為什麼在這個位置用這個典故，是完全不同的能力。李商隱用這些典故時，它們的情緒重量、它們之間的張力、它們和「錦瑟無端五十弦」之間的呼應，這些東西存在於詩的結構裡，而不是存在於典故的百科詞條裡。
更麻煩的是互文性。一首詩往往在和另一首詩對話，在回應、在反諷、在致敬。這種「詩與詩之間」的關係，是訓練資料裡最難捕捉的部分。AI 能統計出某個詞在唐詩中出現的頻率，但它很難判斷這個詞在某一首詩裡，是正用還是反用，是實寫還是虛寫。
留白層：AI 的「補全強迫症」
中國詩美學裡有一個核心概念，叫「留白」。畫留白，詩也留白。不說的比說出來的重要，沒寫的比寫出來的動人。
王維的《鹿柴》是教科書級的例子：「空山不見人，但聞人語響。返景入深林，復照青苔上。」整首詩沒有一個字直接寫「孤獨」，但讀完你會覺得整座山都是孤獨的。它也沒有一個字寫「時間」，但夕陽返照、青苔明滅，時間的流動全在畫面裡。這就是留白：詩人把最重要的東西放在了字句之外。
AI 的運作方式，恰好和留白相反。語言模型的訓練目標是預測下一個 token，它被獎勵的是「補全」。你給它一個不完整的句子，它會自動填上最可能的詞；你給它一個模糊的意象，它會傾向把它明確化。這在對話、寫作、問答裡都是優點，但在詩歌翻譯裡，它會把詩人刻意留下的空白全部填滿。
比如「空山」這個詞，AI 很可能翻成 empty mountain。empty 是一個明確的形容詞，它把「空」鎖定在「空無一物」的意思上。但中文的「空」在這裡至少有兩層意思：一層是物理上的空曠，一層是佛學意義上的空性。而且「空山」的「空」不是「沒有」，是「無人打擾的、自成一個世界的」。這些層次，empty 一個詞裝不下。人類譯者可能會用 secluded、deserted、quiet、empty 等不同詞，甚至會選擇不直接翻「空」，而是用整句的節奏去營造那個空的感覺。AI 通常會選最常見的那個對應詞，然後把其他可能性關掉。
情感層：沒有身體，就沒有痛感
最根本的一層，是情感。
AI 可以辨識「悲傷」「喜悅」「孤獨」這些情緒標籤，也可以生成聽起來很有情感的文字。但它沒有身體，沒有經歷過離別、衰老、失去、愛而不得。它不知道「執手相看淚眼」是什麼感覺，不知道「十年生死兩茫茫」是什麼重量，不知道「夕陽無限好，只是近黃昏」為什麼會讓人悵然。
這不是玄學。在翻譯實踐中，情感層的差異會具體表現在詞語的輕重選擇上。同樣是「愁」，李煜的「問君能有幾多愁」是綿長的、巨大的、向內坍塌的；李清照的「只恐雙溪舴艋舟，載不動許多愁」是具體的、有重量的、幾乎可以秤量的。一個好的譯者會為這兩種愁選擇不同的英文詞、不同的句法、不同的節奏。AI 則傾向用同一個 sad 或 sorrow 打發掉，因為在它的向量空間裡，這兩個「愁」的距離不夠遠。
當然，你可以反駁：AI 可以透過閱讀大量文學作品，學會「愁」的各種用法。沒錯，它確實能學會。但「學會描述」和「經歷過」之間，隔著一條無法跨越的鴻溝。這條鴻溝不是技術問題，是存在論問題。而詩，恰恰是最靠近這條鴻溝的語言形式。
三、五個死結：AI 翻詩的具體失敗模式
前面談的是結構性的限制，接下來我們把鏡頭拉近，看看 AI 在實際翻譯一首詩時，具體會卡在哪些地方。我把它歸納成五個「死結」。
死結一：機率平均化，磨平了歧義
詩的力量，很大一部分來自歧義。「滄海月明珠有淚」的「淚」，是鮫人的淚，是珠的淚，還是詩人的淚？「藍田日暖玉生煙」的「煙」，是玉氣，是日光，還是某種不可言說的東西？這些問題沒有標準答案，而正是「沒有標準答案」讓詩活了下來。
AI 的生成機制決定了它必須選一個。當它生成譯文時，它是在一個機率分布上取樣，最可能的詞會被優先選中。這意味著，它會把多義壓縮成單義，把模糊固定成明確，把複調變成獨白。譯文讀起來很清楚，但那個「說不清」的部分不見了。而詩的魅力，往往就在那個說不清的地方。
死結二：韻律與意義的兩難
押韻是一個約束滿足問題：在有限的詞彙裡，找到既能表達意義、又能押韻、又能維持節奏的組合。AI 完全有能力解決約束滿足問題，但它解決的方式和人類不同。人類譯者會為了押韻重新構思整句，甚至改變句子的重心；AI 則傾向在既有譯文的基礎上做局部替換，選一個「還算說得通」的韻腳。
結果就是，AI 的押韻譯文往往有一種「湊」的味道。韻是押上了，但那個韻腳像是貼上去的，不是長出來的。詩的韻律應該是意義的自然延伸，而不是意義的裝飾品。
死結三：文化預設的錯位
翻譯中有兩個經典策略：歸化（domestication）和異化（foreignization）。歸化是把原文改造成目標語言讀者熟悉的樣子，異化是保留原文的陌生感。詩的翻譯通常需要更多的異化，因為詩的價值有一部分就在它的「異」。
AI 的傾向剛好相反。因為它的訓練目標是流暢、自然、像人話，所以它會不自覺地歸化。它會把「斷腸」譯成 heartbroken，把「江湖」譯成 rivers and lakes 或 martial world，把「氣」譯成 energy 或 vital force。這些譯法都「對」，但都少了那個畫面感、身體感、文化厚度。人類譯者有時會選擇保留陌生感，甚至故意用一個不那麼順的詞，讓讀者停下來。AI 不會讓讀者停下來，它會讓讀者一路滑順地讀完，然後什麼也沒留下。
死結四：風格的不可複製
每個詩人都有自己的「指紋」。李白的飄逸，杜甫的沉鬱，李商隱的朦朧，李清照的婉約，蘇軾的曠達。這些風格不是貼在詩後面的標籤，而是滲透在每一個字、每一個斷句、每一個意象選擇裡的東西。
AI 可以模仿風格標籤。你讓它寫一首「李白風格」的詩，它能寫出個樣子。但翻譯不是模仿風格，翻譯是讓另一種語言裡長出一個對應的風格。這需要譯者對兩種語言的節奏、對詩人的意圖、對詩的整體結構有極深的把握。AI 能複製表面的特徵，複製不了風格背後的「必要性」——為什麼這個詩人非用這個詞不可，為什麼這個斷句非這樣斷不可。
死結五：評價標準的錯位
最後一個死結，是評價標準的問題。機器翻譯的評估指標，如 BLEU、METEOR、COMET，本質上都是在衡量「譯文和參考譯文有多像」。這套標準在技術文件、新聞報導上很有效，但用在詩上完全失效。
因為好的詩譯，往往「不像」任何既有的譯文。它可能偏離原文的句法，可能改動意象的順序，可能用一個從來沒人用過的詞。龐德翻譯唐詩，很多地方「不忠實」，但那些譯文成了英文詩歌的一部分。AI 被訓練成「像人類譯者」，但偉大的翻譯，是「成為另一個詩人」。這兩件事，在不同的維度上。
四、實例拆解：四首詩，四種失敗
理論說得再多，不如看例子。以下我挑四首詩，分別代表四種不同的翻譯困難，並說明 AI 在處理它們時常見的失敗模式。為了避免針對特定模型，我不逐一引用某個工具的輸出，而是描述 AI 譯文常見的傾向。
例一：李白《靜夜思》——最簡單的詩，最難的留白
「床前明月光，疑是地上霜。舉頭望明月，低頭思故鄉。」這首詩幾乎是所有唐詩英譯的入門題。它字面簡單，沒有典故，沒有生僻詞，按理說 AI 應該輕鬆拿下。
但正是這首詩，暴露了 AI 最深的問題。AI 的譯文通常會把「疑是」譯成 seems like 或 as if，把「舉頭」譯成 raise my head，把「低頭」譯成 lower my head，把「思故鄉」譯成 think of my hometown。每一個對應都正確，但整首詩讀起來就是不對。
問題出在節奏和留白。「舉頭望明月，低頭思故鄉」這兩句，動詞的順序、視角的轉換、從外到內的過渡，全部壓在十個字裡。它沒有連接詞，沒有過渡句，兩個動作直接並置，中間的因果關係留給讀者自己補。AI 往往會加上連接詞，會把「思故鄉」展開成更完整的描述，因為它覺得這樣更清楚。但一清楚，那個「舉頭」和「低頭」之間的空白就沒了。而故鄉之所以讓人思念，正是因為它不在眼前。AI 把這個「不在」翻譯成了「在」，詩就死了。
例二：王維《鹿柴》——空山的「空」翻不出來
「空山不見人，但聞人語響。返景入深林，復照青苔上。」這首詩的難點在「空」和「返景」。
AI 通常會把「空山」譯成 empty mountain。這個譯法在字面上沒錯，但它把「空」鎖定在「空無」的意思上。中文的「空山」不是「沒有東西的山」，而是「遠離塵囂的、自成一個世界的山」。它有一種安靜，一種自足，一種近乎禪意的空靈。empty 這個詞沒有這些層次。
「返景」更麻煩。它指的是夕陽返照的光，是黃昏時分光線斜射入林的那種景象。AI 很可能譯成 returning light 或 evening sunlight，意思到了，但那種光線在林中移動、明滅、最後落在青苔上的動態不見了。整首詩的精髓，就是那個「復照青苔上」——光又回來了，照在青苔上，時間在這一刻停住。AI 的譯文往往把這句處理成一個靜態的描述，失去了那個「復」字裡蘊含的時間感。
例三：李商隱《錦瑟》——典故與歧義的雙重迷宮
「錦瑟無端五十弦，一弦一柱思華年。」開篇就是一個問題：錦瑟為什麼是五十弦？「無端」是什麼意思？是埋怨，是困惑，還是某種說不清的惆悵？整首詩都在這種不確定性裡展開。
AI 面對《錦瑟》，通常會做兩件事：一是把典故解釋清楚，二是把歧義選定一個方向。它會告訴你莊周夢蝶是什麼故事，望帝化鵑是什麼傳說，然後用一個相對明確的英文句子把這些典故串起來。譯文讀起來像一篇優美的散文，但它已經不是《錦瑟》了。
因為《錦瑟》的力量，恰恰在於它不解釋。李商隱沒有告訴你這些典故是什麼意思，他只是把它們並置在那裡，讓它們互相碰撞。那種碰撞產生的情緒，是無法被「解釋」出來的。AI 把它解釋了，等於把一首詩變成了一篇導讀。導讀有意義，但導讀不是詩。
例四：佛洛斯特《未行之路》——選擇的歧義
把鏡頭轉向英文詩。羅伯特·佛洛斯特的《未行之路》結尾是英語詩歌裡最有名的句子之一：
Two roads diverged in a wood, and I—
I took the one less traveled by,
And that has made all the difference.
這三行的歧義在於：最後那句「And that has made all the difference」，是慶幸，是遺憾，還是兩者皆有？佛洛斯特自己說過，這首詩是在嘲弄一個朋友，那位朋友總是後悔自己沒走另一條路。但詩一旦寫成，就不只屬於詩人了。讀者可以讀出慶幸，也可以讀出反諷，也可以讀出某種說不清的悵然。
AI 翻譯這首詩時，通常會選一個方向。它可能把「made all the difference」譯成「造就了一切不同」，語氣偏正面；也可能譯成「改變了一切」，語氣中性。無論哪一種，它都把那個歧義壓縮了。而中文譯者處理這首詩時，往往會在「差異」和「差別」之間斟酌，會在句子的輕重上做文章，會讓最後一行讀起來既像結論又像嘆息。這種細膩的拿捏，AI 目前還做不到。
五、AI 做不到，但可以幫忙：人機協作的翻譯工作流
說了這麼多 AI 的不足，並不代表我們應該把 AI 拒於門外。事實上，AI 在詩歌翻譯的流程裡，可以扮演一個很有價值的角色——只要我們清楚它的位置。
AI 適合做的三件事
第一，生成初稿與變體。同一個句子，AI 可以快速生成五種、十種不同的譯法。這些譯法大多不會直接可用，但它們可以作為刺激，幫助譯者跳脫自己的慣性。有時候，AI 的一個不完美的譯法，反而會讓你想到一個更好的說法。
第二，處理註釋與背景資料。詩歌翻譯往往需要大量的背景研究：典故出處、歷史語境、詩人生平、版本差異。這些工作 AI 可以做得又快又好。譯者可以把精力集中在真正的翻譯決策上，而不是耗在資料搜集。
第三，回譯檢查。把譯文再翻回原文語言，看看意義有沒有走偏。這是一種粗糙但有效的檢查方式，AI 可以在幾秒鐘內完成。它不能保證譯文優美，但可以幫你抓出明顯的誤譯。
人類譯者必須守住的四道關
第一道，決定什麼不能譯。有些東西是翻譯的邊界，硬譯只會兩敗俱傷。好的譯者知道什麼時候該保留原文、什麼時候該加註、什麼時候該承認「這個無法翻譯」。
第二道，決定哪裡要冒險。詩的翻譯需要冒險。有時候要犧牲字面意義去保節奏，有時候要犧牲流暢度去保留陌生感。這些決定沒有公式，只能靠譯者的判斷。
第三道，決定聲音。譯文讀起來應該是什麼聲音？快的、慢的、重的、輕的、亮的、暗的？這個問題 AI 無法回答，因為它沒有「聲音」的概念。
第四道，承擔選擇的責任。翻譯是一種寫作，寫作就有責任。譯者要為自己的每一個選擇負責，要向原文負責，也要向讀者負責。AI 不會負責，它只會生成。
六、結語：詩在翻譯中失去的，正是它存在的理由
班雅明在《譯者的任務》裡說過一個很有意思的觀點：翻譯不是為了複製原文的意義，而是為了讓「純語言」在兩種語言的碰撞中閃現一下。翻譯不可能完美，但正因為不可能完美，它才值得做。
詩的翻譯尤其如此。它是一場註定會失去一些東西的旅程，但正是那些「失去」，讓我們看清楚詩究竟是什麼。如果一首詩可以完美地被翻譯，那它就只是一則資訊；它之所以是詩，正因為它有某種東西拒絕被搬運、拒絕被複製、拒絕被機率平均化。
AI 讓翻譯變便宜了。這是好事。日常的、資訊性的、功能性的翻譯，AI 已經做得夠好，甚至比多數人做得更好。但這也意味著，「好翻譯」變得更貴了。當機器可以量產流暢的譯文，真正稀缺的，是那種願意停下來、願意冒險、願意為一個詞斟酌三天的翻譯。
所以，回到最初的問題：AI 為什麼翻不出詩的意境？
因為意境不在它的目標函數裡。它被訓練成預測最可能的詞，而詩往往選擇最不可能但最動人的詞。它被訓練成補全空白，而詩的力量在於留白。它被訓練成流暢，而詩有時需要停頓。它沒有身體，沒有記憶，沒有鄉愁，沒有經歷過任何一次離別。
這不是技術不夠發達的問題，而是兩種完全不同的事情。AI 可以幫我們翻譯世界，但詩是我們用來翻譯自己的語言。這件事，暫時還得我們自己來。
如果你對這個題目有不同看法，或者你自己也嘗試過用 AI 翻譯詩，歡迎到雅寶社區 · 頂客論壇的 AI 趨勢版塊分享你的實驗。也許你會在留言裡發現，人類讀者對「什麼是好翻譯」的直覺，比任何評估指標都更敏銳。那本身，就是一件很有詩意的事。