“难道你不就是把它上传到 ChatGPT 吗？”

AI 能力与发展轨迹

• 许多人认为翻译和编程已经到达或接近一个“临界点”，LLM 往往更快、更便宜，而且对许多任务来说“足够好”。
• 也有人强调，当前系统并不可靠，容易出现事实和上下文错误，本质上并不是预言机。
• 关于外推也存在争论：一些人看到快速、复合式的进步将导致广泛替代；怀疑者则警告不要假设进步会线性或无限持续，也不要忽视局部极大值。

翻译质量与使用场景

• 普遍认为 AI 非常适合非正式或个人用途的翻译：网页、供个人理解的文档、快速抓取大意。
• 也有人强烈反对，认为专业、高风险或艺术性的翻译（文学、诗歌、细腻对话、法律/技术文档、界面文本）仍然需要人类来处理语气、文化背景、一致性和“声音”。
• 有人声称 AI 相比糟糕的人类译者提高了下限；也有人表示，随着廉价机器输出泛滥，平均质量反而下降了。
• 例子既有糟糕的人类翻译，也有糟糕的机器翻译；共识是上下文和风险程度很重要。

经济与劳动影响

• 翻译者报告市场正在萎缩，价格也承受下行压力；软件开发者、呼叫中心、配音演员等行业也出现类似担忧。
• 有几种观点认为，许多角色会从“生产”转向对 AI 输出的审核/监督，不过薪资和需求也可能随之减少。
• 也有人强调，社会可以选择如何部署 AI；推动裁员和“变得烂化”的是利润动机，而不只是能力本身。

专家、信任与 AI “废料”

• 反复出现的主题是：人们会信任 AI 在其他领域的表现，却会在自己熟悉的领域看到它的缺陷，这呈现出一种带有 AI 色彩的 Gell-Mann Amnesia / 邓宁-克鲁格 模式。
• 一些人警告不要过度自信：AI 输出看起来权威，但可能悄悄出错，从而增加专家的审查负担。
• 少数人报告说，通过协调多个代理并把代码几乎当作一次性用品，他们获得了巨大的生产力提升；但在高风险系统上工作的其他人则看到的收益要少得多。

质量、成本与“足够好”

• 许多人预计，只要便宜得多、速度快得多，组织就会接受较低质量，尤其是在用户很难判断质量的情况下。
• 也有人坚持认为，仍会存在一些利基场景——高风险、审美性强或受监管的领域——在这些地方，仍然需要经过认证的人类工作。