AI翻譯正在“毒害”維基百科，將弱勢語言推向滅絕

（來源：MIT TR）

四年前，當 Kenneth Wehr 開始接管格陵蘭語維基百科時，他的第一項舉措是刪掉幾乎所有內容。他認為，這是它唯一的生存機會。

現年 26 歲的 Wehr 并非來自格陵蘭——他在德國長大，但在十幾歲時訪問過這座作為丹麥自治領的島嶼后，便對它深深著迷。他曾花費數年時間，用自己的母語撰寫關于各種冷門主題的維基百科條目。

為了格陵蘭語，他甚至最終搬到哥本哈根專門學習。這門語言的使用者約有 57,000 人，主要是因紐特原住民，他們散布在北極圈內幾十個偏遠的村莊里。

格陵蘭語維基百科大約在 2003 年，即英文網站推出幾年后上線。在 Wehr 近 20 年后接手時，已有數百名維基百科貢獻者參與其中，共同撰寫了約 1,500 篇文章，總字數超過數萬。這似乎有力地證明了眾包模式的成功，正是這種模式使維基百科成為在線信息的首選來源，表明它即便在最不可能的角落也能生根發芽。

然而，問題只有一個：格陵蘭語維基百科只是一個幻象。

幾乎每一篇文章都出自那些根本不會說這門語言的人之手。如今在丹麥教授格陵蘭語的 Wehr 推測，或許只有一兩位格陵蘭人曾經貢獻過內容。但更讓他憂心的是另一件事：他注意到，隨著時間的推移，越來越多由機器翻譯生成的文章被直接復制粘貼到維基百科上。這些文章充斥著低級錯誤——從語法失誤到毫無意義的詞匯，再到更嚴重的失實信息，例如一個詞條宣稱加拿大只有 41 名居民。其他頁面有時甚至包含一串隨機字母，這是機器在找不到合適的格陵蘭語詞匯時隨意拼湊的結果。

“對于那些發布者來說，這些內容或許看起來像是格陵蘭語，但他們自己根本無從判斷，” Wehr 抱怨道。

“這些句子要么完全不通，要么有明顯錯誤，”他補充說。“AI 翻譯在處理格陵蘭語方面表現得非常糟糕。”

Wehr 所描述的困境并非格陵蘭語版本所獨有。

維基百科是繼《圣經》之后最宏大的多語言項目：它擁有超過 340 種語言版本，另有 400 種更小眾的語言版本正在開發和測試中。隨著 AI 技術的普及，許多這類小型語言版本已被自動翻譯的內容所淹沒。例如，據《麻省理工科技評論》估計，在四個非洲語言的維基百科版本中，有 40% 到 60% 的文章是未經校對的機器翻譯內容。而在對因紐特語（一種與格陵蘭語相近、在加拿大使用的原住民語言）的維基百科版本進行審查后，《麻省理工科技評論》估計，超過三分之二包含多個句子的頁面都部分采用了這種方式創建。

這正開始引發一個棘手的問題。從谷歌翻譯到 ChatGPT，AI 系統通過抓取互聯網上的海量文本來學習“說”一門新語言。對于那些使用者較少的語言來說，維基百科有時是其最大的在線語言數據庫。因此，這些頁面上的任何語法或其他錯誤，都可能污染 AI 賴以學習的“水源”。這會導致模型在翻譯這些語言時尤其容易出錯，從而形成一種語言學的惡性循環：人們繼續使用這些工具添加更多劣質翻譯的維基百科頁面，而 AI 模型則繼續從這些劣質頁面中學習。這是一個復雜的問題，但可以歸結為一個簡單的概念：垃圾進，垃圾出 (Garbage in, garbage out)。

“這些模型是建立在原始數據之上的，” Kevin Scannell 說道。他曾是圣路易斯大學的計算機科學教授，現在專注于為瀕危語言開發軟件。“它們會試圖從零開始學習一門語言的一切。沒有其他輸入，沒有語法書，沒有詞典，輸入的只有文本。”

關于這個問題的嚴重程度，目前還沒有確切的數據，部分原因是許多 AI 訓練數據是保密的，而且該領域仍在快速發展。但早在 2020 年，據估計，在用于翻譯非洲數百萬人口所使用的語言（包括馬達加斯加語、約魯巴語和紹納語）的 AI 模型中，維基百科提供了超過一半的訓練數據。2022 年，一個德國研究團隊在調查可通過網絡抓取獲得的數據時發現，對于 27 種資源匱乏的語言，維基百科是唯一易于獲取的在線語言數據來源。

在維基百科內容質量低劣的情況下，這可能會產生嚴重后果——它可能會將地球上最脆弱的語言推向懸崖，因為后代將開始對它們失去信心。

“維基百科的狀況將反映在這些語言的 AI 模型中，” 挪威特羅姆瑟大學的計算語言學家 Trond Trosterud 說。多年來，他一直在就劣質維基百科版本可能帶來的危害發出警告。“我很難想象這會沒有后果。當然，維基百科的地位越主導，情況就會越糟。”

負責任地使用

自誕生之初，自動化就已融入維基百科。機器程序維持著平臺的運作：它們修復損壞的鏈接、修正格式錯誤，甚至糾正拼寫。還有一支機器人大軍，它們通過將河流、城市或動物的名稱填入固定句式，來生成簡短的條目。總體而言，它們使平臺變得更好。

但AI 是另一回事。任何人只需幾次點擊，就能用它造成巨大的破壞。

相比許多其他網站，維基百科在應對 AI 時代的到來方面做得更好。它沒有像社交媒體那樣被 AI 機器人或虛假信息所淹沒，并在很大程度上保留了早期互聯網時代的純粹性。維基百科開放、免費，任何人都可以使用、編輯和引用，它由它所服務的社群來運營，公開透明且易于使用。但社群驅動的平臺，其生死存亡取決于社群的規模。英語維基百科取得了巨大成功，而格陵蘭語版本則走向衰落。

“我們需要優秀的維基百科貢獻者。這一點人們習以為常，但這并非理所當然，” Amir Aharoni 說道，他是維基百科語言委員會的志愿者成員，該委員會負責監督語言版本的開設與關閉。“如果你負責任地使用機器翻譯，它可以是高效且有用的。不幸的是，你不能指望所有人都這么做。”

Trosterud 研究了小型維基百科版本用戶的行為，他表示，AI 賦能了一個他稱之為“維基百科劫持者”的子群體。這些用戶的范圍很廣——從天真的青少年創建關于自己家鄉或喜愛的 YouTuber 的頁面，到善意的維基百科人，他們認為通過創建少數族裔語言的文章是在以某種方式“幫助”這些社群。

“如今他們的問題在于，他們手握谷歌翻譯這個武器，” Trosterud 說。他補充道，這讓他們能夠炮制出比以往任何時候都更長、更以假亂真的內容：“以前，他們的武器只有詞典。”

這實際上將破壞行為工業化了——受影響最嚴重的是那些脆弱的語言，因為 AI 對它們的翻譯通常最不可靠。原因有很多，但一個重要因素是在線可用的源文本數量相對較少。有時，模型難以識別一種語言，因為它與其他語言相似；有時則是因為某些語言，包括格陵蘭語和大多數美洲原住民語言，其結構特點使其不適用于大多數機器翻譯系統的工作方式。（Wehr 指出，格陵蘭語是一種粘著語，即通過在詞根上附加前綴和后綴來構詞。因此，許多詞匯具有極強的語境特異性，能夠表達在其他語言中需要用一整個句子才能說明的復雜概念。）

谷歌在三年前大規模擴展其翻譯服務前發布的一項研究發現，資源匱乏型語言的翻譯系統質量普遍低于資源充足型語言。研究人員發現，他們的模型常常會錯誤翻譯跨語言的基本名詞，包括動物和顏色的名稱。（谷歌在給《麻省理工科技評論》的一份聲明中寫道，它“致力于為其支持的所有 249 種語言達到高質量標準”，并“通過嚴格測試和改進其系統，特別是針對那些網絡公開文本資源有限的語言”。）

維基百科自身提供了一個名為“內容翻譯”(Content Translate) 的內置編輯工具，允許用戶將文章從一種語言自動翻譯到另一種語言——其初衷是通過保留原文的參考文獻和復雜的格式來節省時間。但它依賴于外部機器翻譯系統，因此也深受其他機器翻譯工具的弱點所困擾——維基媒體基金會表示，這是一個難以解決的問題。是否允許使用該工具由每個語言版本的社群自行決定，一些社群已決定禁用。值得注意的是，英語維基百科已基本禁止使用該工具，聲稱約 95% 使用“內容翻譯”創建的文章未達到可接受標準，需要大量額外修改。不過，至少可以輕易判斷該程序是否被使用過，因為它會在維基百科的后端添加一個標簽。

其他的 AI 程序則更難監控。盡管如此，我采訪過的許多維基百科編輯都表示，一旦他們的語言被添加到主流在線翻譯工具中，他們就會注意到質量低劣、很可能是機器翻譯的頁面數量相應激增。

一些使用 AI 翻譯內容的維基百科貢獻者偶爾會承認他們并不會說目標語言。他們可能認為自己是在為小語種社群提供可供修改的“草稿”，這本質上是在效仿那些在更活躍的維基百科版本中行之有效的模式。

然而，一旦充滿錯誤的頁面在小語種中被創建出來，通常是不會有一支龐大的、懂這門語言的專家隊伍來隨時準備改進它們的。這些版本的讀者很少，有時甚至沒有一個固定的編輯。

20 多歲的加拿大教師 Yuet Man Lee 表示，他曾使用谷歌翻譯和 ChatGPT 的混合工具，將他為英語維基百科寫的幾篇文章翻譯成因紐特語，他覺得這能為一個小社群做出貢獻是件好事。他說，他在其中一篇文章中加了備注，說明這只是一個粗略的翻譯。“我當時沒想過會有人注意到這篇文章，”他解釋說。“如果你在那些小眾的維基百科上發布內容——大多數時候根本沒人會看。”

但與此同時，他也表示，他仍然覺得“也許有人會看到并修正它”——他補充說，他曾想過 AI 系統生成的因紐特語翻譯在語法上是否正確。自他創建那篇文章以來，沒有任何人動過它。

在溫哥華教授社會科學的 Lee 十年前開始在英語維基百科上編輯條目。他說，熟悉更活躍的維基百科的用戶可能會陷入一種他稱之為“大維基百科式傲慢”的心態：當他們嘗試為小版本做貢獻時，他們會想當然地認為別人會來修正他們的錯誤。有時這確實行得通。Lee 說，他之前曾為韃靼語（一種主要在俄羅斯由數百萬人使用的語言）維基百科貢獻過幾篇文章，其中至少有一篇后來被修正了。但相比之下，因紐特語維基百科則是一片“貧瘠的荒原”。

他強調自己的初衷是好的：他想為一個加拿大原住民語言的維基百科增加更多文章。“我現在覺得這可能是一個壞主意。我沒有考慮到我可能在促成一個遞歸循環，”他說。“我只是出于好奇和好玩，想把內容發布出去，而沒有認真思考后果。”

“徹底，完全沒有未來”

維基百科是一個由理想主義驅動的項目。編輯工作可能吃力不討好，需要花費數周時間與匿名的、身份不明的人爭論，但奉獻者們投入了大量無償勞動，因為他們致力于一項更崇高的事業。正是這種奉獻精神，驅動著我采訪過的許多小語種編輯。他們都擔心，如果垃圾內容繼續出現在他們的頁面上，后果將不堪設想。

26 歲的農業規劃師 Abdulkadir Abdulkadir 在尼日利亞北部一條繁忙的公路邊，通過一通信號不穩的電話與我交談。他說他每天花三個小時，用他的母語富爾富爾德語（一種主要由薩赫勒地區的牧民和農民使用的語言）處理維基百科條目。“但工作量太大了，”他說。

Abdulkadir 認為，富爾富爾德語維基百科迫切需要正常運作。他一直建議將其作為偏遠村莊農民為數不多的在線資源之一，為他們提供關于哪些種子或作物最適合他們田地的信息，并且是用他們能理解的語言。“如果你給他們一篇機器翻譯的文章，” Abdulkadir 告訴我，“那很可能會‘輕易地傷害他們’，因為信息很可能沒有被正確翻譯。”

例如，谷歌翻譯顯示富爾富爾德語中“一月”的意思是“六月”，而 ChatGPT 則說是“八月”或“九月”。這些程序還暗示，富爾富爾德語中“收獲”的意思是“發燒”或“安康”等其他可能性。

Abdulkadir 說，他最近被迫修正了一篇關于豇豆的文章，這是一種在非洲大部分地區至關重要的經濟作物，因為他發現那篇文章幾乎無法閱讀。

Abdulkadir 表示，如果有人想在富爾富爾德語維基百科上創建頁面，他們應該手動翻譯。否則，“任何讀你文章的人都無法獲得最基本的知識，”他告誡這些維基百科貢獻者。盡管如此，他估計仍有大約 60% 的文章是未經校對的機器翻譯。Abdulkadir 告訴我，除非 AI 系統的學習和部署方式發生重大改變，否則富爾富爾德語的前景堪憂。“老實說，情況會很糟糕，”他說。“徹底，完全沒有未來。”

在尼日利亞的另一端，Lucy Iwuala 為伊博語（一種在該國東南部有數百萬人使用的語言）維基百科做貢獻。“傷害已經造成了，”她告訴我，同時打開了最近創建的兩篇文章。兩篇都是通過維基百科的“內容翻譯”工具自動翻譯的，里面錯誤百出，她說讀下去會讓她頭疼。“有些術語甚至根本沒被翻譯，還是英語，”她指出。她認出創建這些頁面的用戶名是一個慣犯。“這個人甚至用了伊博語里不存在的字母，”她說。

三年前，出于對伊博語正被英語取代的擔憂，Iwuala 開始定期為維基百科做貢獻。這種擔憂在許多活躍于小語種版本的人中很常見。“這是我的文化，這是我的身份，”她告訴我。“這才是核心：確保你不會被抹去。”

如今作為一名英語和伊博語之間的專業翻譯，Iwuala 說，造成最大破壞的用戶是那些缺乏經驗的人，他們將 AI 翻譯視為快速提升伊博語維基百科影響力的方式。她發現自己經常要在她組織的線上編輯松，或通過電子郵件向各種出錯的編輯解釋，結果可能恰恰相反，這會趕走用戶：“你會感到沮喪，然后不想再訪問這個地方。你只會放棄它，然后回到英語維基百科。”

夏威夷大學的夏威夷語助理教授 Noah Ha?alilio Solomon 也表達了同樣的擔憂。他報告說，夏威夷語維基百科上某些頁面約有 35% 的詞語是無法理解的。“如果這就是將要存在于網絡上的夏威夷語，那它帶來的壞處將遠大于好處，”他說。

幾十年前曾一度瀕臨滅絕的夏威夷語，在原住民活動家和學者的努力下，正在經歷一場復興。在維基百科這樣一個廣泛使用的平臺上看到如此拙劣的夏威夷語，令 Ha?alilio Solomon 感到不安。

“這很痛苦，因為它讓我們想起我們的文化和語言曾無數次被盜用，”他說。“我們為了語言復興，一直在艱難地向上攀登。這絕非易事，而這種現象會增加額外的障礙。人們會認為這就是夏威夷語的準確呈現。”

所有這些維基百科錯誤所帶來的后果可能很快就會顯現。毫無疑問已經吸收了這些頁面作為訓練數據的 AI 翻譯器，現在正被用于制作充斥錯誤的 AI 生成書籍，這些書籍面向各種語言的學習者，如因紐特語和克里語（加拿大原住民語言），以及曼島語（馬恩島上的一種小型凱爾特語言）。其中許多書籍已在亞馬遜上架銷售。“那完全是胡說八道，” 蒙特利爾魁北克大學的語言學家 Richard Compton 在評價一本他審閱過的、號稱是因紐特語入門手冊的出版物時說。

AI 非但沒有讓少數族裔語言變得更容易接觸，反而正在為這些語言的學生和使用者創造一個不斷擴大的雷區。“這簡直是打臉，” Compton 說。他擔心，在加拿大那些為了將傳統傳承下去而與歧視進行了艱苦斗爭的社群中，希望學習語言的年輕一代可能會求助于像 ChatGPT 這樣的在線工具或亞馬遜上的短語手冊，結果只會讓事情變得更糟。“這是欺詐，”他說。

與時間賽跑

根據聯合國教科文組織 (UNESCO) 的數據，每兩周就有一種語言被宣布滅絕。但是，運營維基百科的維基媒體基金會是否有義務保護其平臺上的語言，這是一個懸而未決的問題。當我與該基金會的高級總監 Runa Bhattacharjee 交談時，她說，決定什么樣的內容應該存在于他們的維基百科上，取決于各個社群自己。“最終，責任確實在于社群，他們需要確保沒有破壞行為或不希望的活動，無論是通過機器翻譯還是其他方式，”她說。Bhattacharjee 補充說，通常只有在收到具體投訴后，才會考慮關閉一個版本。

但如果沒有活躍的社群，一個版本又如何能被修復，甚至如何能有人提出投訴呢？

Bhattacharjee 解釋說，維基媒體基金會在這種情況下扮演的角色是維護維基百科平臺，以防有人前來復興它：“我們提供的是一個讓他們成長和發展的空間。這就是我們的定位。”

伊納里薩米語，一種僅在芬蘭北部一個偏遠社群使用的語言，是人們如何善用維基百科的典范。四十年前，這門語言正走向滅絕；當時只有四個孩子會說。他們的父母創建了伊納里薩米語言協會，作為挽救語言的最后努力。這些努力奏效了。如今，已有數百名使用者，多所學校使用伊納里薩米語作為教學媒介，維基百科上更有 6,400 篇文章，每一篇都由流利的使用者進行過審校。

這個成功案例凸顯了維基百科確實可以為小而堅定的社群提供一個獨特的工具，以促進他們語言的傳承。“我們不關心數量，我們關心質量，” 伊納里-薩米語言協會的成員 Fabrizio Brecciaroli 說。“我們正計劃將維基百科用作書面語言的資料庫。我們需要為年輕一代提供可以使用的工具。讓他們能夠以數字化的方式使用伊納里薩米語，這很重要。”

這一舉措非常成功，以至于維基百科已被整合到伊納里薩米語學校的課程中，Brecciaroli 補充道。他會接到老師打來的電話，請求他撰寫從龍卷風到薩米民間傳說等各種主題的簡單頁面。維基百科甚至提供了一種將新詞引入伊納里薩米語的方式。“我們總是在創造新詞，” Brecciaroli 說。“年輕人需要用它來談論體育、政治和電子游戲。如果他們不確定怎么說，現在他們會去查維基百科。”

維基百科是一項宏偉的智力實驗。伊納里薩米語的例子表明，只要給予最大程度的關注，它在小語種中也能奏效。“最終目標是確保伊納里薩米語能夠存活下去，” Brecciaroli 說。“伊納里薩米語沒有谷歌翻譯，這或許是件好事。”

這或許是真的——盡管像 ChatGPT 這樣的大型語言模型可以將短語翻譯成傳統機器翻譯工具不支持的語言。Brecciaroli 告訴我，ChatGPT 在伊納里薩米語方面的表現并不好，但其質量因你提出的要求而異；如果你用該語言提問，答案會充滿芬蘭語詞匯甚至它自己發明的詞。但如果你用英語、芬蘭語或意大利語提問，然后要求它用伊納里薩米語回答，它的表現會更好。

有鑒于此，盡可能多地創作高質量的在線內容，成為了一場與時間的賽跑。“ChatGPT 只需要大量的詞匯，” Brecciaroli 說。“如果我們不斷輸入好的材料，那么遲早我們會得到好的輸出。這就是希望。” 這個想法得到了多位語言學家的支持——即有可能終結“垃圾進，垃圾出”的循環。（OpenAI 沒有回應置評請求。）

盡管如此，整體問題很可能會持續惡化，因為許多語言不像伊納里薩米語那樣幸運——它們的 AI 翻譯器很可能會在越來越多 AI 垃圾的基礎上進行訓練。不幸的是，Wehr 對他心愛的格陵蘭語的未來似乎遠沒有那么樂觀。

自從刪除了格陵蘭語維基百科的大部分內容后，他花了好幾年時間試圖招募使用者來幫助他復興它。他登上了格陵蘭的媒體，也在社交媒體上發出了呼吁。但他沒有得到太多回應，他說這令人心灰意冷。

“格陵蘭沒人對此感興趣，也沒人愿意貢獻，”他說。“這完全沒有意義，所以它應該被關閉。”

去年年底，他開始申請，要求維基百科語言委員會關閉格陵蘭語版本。在數十名維基百科官僚之間展開了數月的激烈辯論；一些人似乎對一個表面上看起來健康的版本竟會陷入如此多的問題感到驚訝。

然后，本月早些時候，Wehr 的提議被接受了：格陵蘭語維基百科將被關閉，所有剩余的文章將被移至維基百科孵化器，那里是新語言版本進行測試和構建的地方。語言委員會引述的原因之一是 AI 工具的使用，這些工具“頻繁產生可能歪曲該語言的無意義內容”。

但一切可能已經太遲了——格陵蘭語的錯誤似乎已經固化在機器翻譯器中。如果你讓谷歌翻譯或 ChatGPT 做一件像用標準的格陵蘭語數到 10 這樣簡單的事，兩個程序都無法做到。

原文鏈接：https://www.technologyreview.com/2025/09/25/1124005/ai-wikipedia-vulnerable-languages-doom-spiral/