上周，SlatorCon 再回到旧金山。Slator上一次在这里举办线下会议还是2019年。七年之后重新回到这里，会议讨论的话题和整个行业的气氛已经发生了很大变化。今年约有200名来自企业本地化部门、语言技术平台、语言解决方案公司、AI研究机构和投资界的代表参会。
如果说几年前语言行业讨论AI，主要还是在问机器翻译质量怎么样、大语言模型会不会取代译员，那么这次会议给我的一个明显感受是：这些问题已经逐渐退居次要位置。大家更关心的是，AI如何真正进入企业生产环境，如何与现有工作流结合，如何控制质量和风险，以及当翻译能力越来越容易获得以后，语言公司究竟还能在哪里创造价值。
Slator联合创始人Florian Faes在开幕主旨演讲中给这场会议定下了基调。他的演讲题目是“A New Market Running on Language AI”。其中有一句话给我留下了很深的印象：
Language AI has “escaped the industry.”
也就是说，Language AI已经“走出了语言行业”。
这个判断与我过去一两年对行业的观察非常一致，也与我们公司目前正在进行的一些产品开发和转型探索不谋而合。
Language AI正在从“行业工具”变成“基础能力”
过去我们讲语言技术，基本是在语言行业内部讨论。机器翻译、CAT、TMS、术语管理、翻译记忆库，主要还是翻译公司、本地化团队和职业译员使用的工具。
今天情况已经明显不同。
Florian在演讲中举了不少例子。Canva已经可以直接在内容创作过程中翻译设计内容；Asana把本地化功能做成项目管理环境中的AI teammate；客服平台可以让使用不同语言的客户和客服人员直接交流；在线会议软件也越来越多地加入实时字幕和语音翻译。很多时候，使用这些功能的人甚至没有意识到自己正在使用一个传统意义上的“翻译系统”。
这就是所谓Language AI“走出了语言行业”。
语言能力正在成为企业软件和AI应用的一项基础能力。翻译不一定需要经过本地化部门，不一定需要打开一个CAT或者TMS，也不一定需要向一家翻译公司提交项目。企业员工可能只需要按一下软件里的“Translate”按钮。
由此也产生了一种新的现象，Florian称之为 Shadow Localization（影子本地化）。企业内部正在产生大量多语言内容，但传统本地化部门可能根本不知道这些翻译在哪里发生、使用了什么模型、数据去了哪里，更谈不上统一管理术语、质量和风险。
我认为这是理解下一阶段语言行业变化非常重要的一个角度。过去我们担心的是“AI会不会抢走翻译公司的业务”，现在也许更应该问：
当语言能力无处不在以后，语言公司的价值究竟在哪里？
从LSP到LSI和LTP
Florian在演讲中介绍了Slator过去一年多逐渐形成的一套新的市场分类体系。
传统上，我们习惯把语言公司统称为LSP（Language Service Provider）。但是在今天的市场环境中，“LSP”这个概念已经很难准确说明一家公司究竟做什么。因此Slator把主要市场参与者重新划分为两类：Language Solution Integrators（LSI，语言解决方案集成商）和 Language Technology Platforms（LTP，语言技术平台）。
LTP提供模型、应用、平台、AI能力以及工作流所需要的技术基础；LSI则把这些技术与专业语言数据、工作流程和人的专业能力结合起来，为客户解决具体问题。
Florian用一句非常简单的话说明LSI的核心价值：
“They own the outcome.”
也就是：他们对最终结果负责。
我非常认同这个判断。
过去我们经常讨论翻译公司将来应该成为“技术公司”还是继续做“服务公司”。现在看来，这个问题本身可能就不太准确。未来很多成功的语言公司既不会成为纯粹的软件公司，也不会继续停留在传统的人工服务模式，而会成为技术、语言数据、工作流和专业人员的整合者。
不要与基础模型竞争，而要找到自己的价值层
Florian在演讲中还展示了一张Language AI Stack。最底层是大型科技公司和前沿AI实验室开发的Foundation Models；往上是针对特定语言、行业和任务优化的专业模型和语言数据；再往上是Applications、Platforms和Workflows；最上层则是面向客户具体业务目标的Managed Solutions。
几年前，行业里还有人在认真讨论语言服务公司是不是应该自己训练大语言模型。今天再看，这个问题已经有些不合时宜。Florian在现场也开玩笑说，在AI公司动辄投入数百亿美元的今天，再回头看这种想法，多少有点“What a cute thought”。
对于绝大多数语言公司来说，我们没有必要，也没有能力与基础模型公司正面竞争。
真正值得投入的，是模型之上的部分：专业语言数据、术语和知识、模型选择和适配、应用开发、工作流设计、系统集成、质量验证以及专业人员在关键节点的介入。
模型越来越强、越来越便宜，并不必然意味着语言公司的价值越来越低。关键在于，我们处在价值链的哪一个位置。
一个正在收缩的市场，和一个快速增长的市场
Slator公布的市场数据也值得注意。
根据其估算，2025年全球语言解决方案和AI市场约为308.5亿美元，同比下降2.7%。其中LSI约258亿美元，下降5.1%；与此同时，LTP已经达到约50亿美元，增长接近20%，市场占比也从前一年的13%提高到16%。
这组数字很好地解释了我们今天看到的行业现象：语言市场并没有消失，但是钱正在从传统服务向技术、平台、应用和自动化流动。
这里还有一个容易被忽略的问题。Florian特别指出，营业收入下降并不一定意味着利润下降。过去大量需要人工完成的低利润率工作，现在通过AI减少人工投入以后，项目收入可能下降，但生产成本可能下降得更多，因此利润率反而有可能改善。
这意味着未来衡量一家语言公司的经营状况，可能不能只看营业额、字数或者项目数量，还要看它通过技术创造了多少效率，以及每一美元收入背后需要投入多少人工。
AI的下一站不是“翻译”，而是整个工作流
Slator的调查显示，AI在大型语言公司的应用已经基本走过试验阶段，进入了 systemic adoption（系统性采用）。特别是年收入5亿美元以上的大型语言企业，AI已经广泛进入日常生产流程。
但是另外一个数字更加值得关注。目前企业客户感受到的Language AI主要收益仍然是降低成本和缩短交付时间，只有6%的受访者认为最大的影响来自workflow automation，包括任务分配、审批和流程整合。
在我看来，这个数字恰恰说明真正大规模的变化可能才刚刚开始。
目前很多公司的AI应用仍然停留在“用AI翻译”：过去由人翻译，现在让AI先翻，然后人工修改。但是下一阶段可能完全不同。AI不仅完成翻译，还可以理解文件、选择模型、调用术语库和TM、进行自动QA和质量判断、决定哪些内容需要人工介入、自动分派任务并完成最终交付。
AI改变的不再只是翻译这个动作，而是整个语言生产流程。
从“模型有多聪明”转向“系统是否可靠”
如果说Florian的开幕演讲提供了一张行业变化的“大地图”，那么当天其他发言给我的感受，是大家已经开始在这张地图上寻找更加具体的位置。
Salesforce全球化与本地化副总裁Teresa Marshall介绍了他们利用AI Agent发现产品中RTL（从右到左语言）问题的实践：Agent可以发现问题、提出修改并提交pull request，再由工程师审批。关键是，这个Agent并不是一个可以随意行动的“万能AI”，而是在明确的权限范围内工作。
Scale AI的Emily Xue则从另一个角度谈到企业AI部署。她关注的不只是模型在benchmark上能拿多少分，而是实际部署中的可靠性、人工监督成本以及系统能否识别低置信度结果。eBay的实践同样把TM、AI判断和置信度结合起来，再决定哪些内容需要进入人工语言专家环节。Slator在会后总结中把这些案例归结到一个非常明显的趋势：AI应用正在从实验走向可控、可规模化的企业部署。
我认为这里发生了一个很重要的转变。
过去我们经常问：“AI翻译准确率是多少？”
以后更重要的问题可能是：
系统知不知道自己什么时候可能错？
如果AI能够可靠地处理90%的内容，同时准确识别另外10%自己没有把握或者风险较高的内容，并把这些内容交给专业人员，那么这个系统在商业上可能比一个号称“95%准确率”但不知道自己在哪里犯错的系统更有价值。
因此，Human-in-the-loop不会消失，但人的位置会改变。人不一定继续平均地参与每一个字、每一句翻译，而会更多出现在AI不确定、风险较高或者客户需要专业责任背书的节点上。
这也与我们公司一直强调的理念很接近：AI Everywhere. Humans Where It Counts.
从生产问题转向治理问题
XTM CEO Lorcan Malone在会上提出的另一个判断也很值得注意：随着AI能力成熟，本地化正在越来越多地从一个 production challenge（生产问题）转变成governance challenge（治理问题）。Slator会后的总结也把企业AI部署、AI Agent、speech-to-speech translation以及不断变化的本地化格局列为本次会议的核心议题。
这与前面提到的Shadow Localization实际上是一回事的两个方面。
当每一个企业软件都有Translate按钮以后，企业真正的问题已经不是“有没有翻译工具”，而是哪些内容可以完全自动处理，哪些需要审核；什么模型可以使用，什么数据不能发送给外部模型；谁制定术语和风格规则；出现错误以后谁负责。
这意味着传统本地化部门的角色也必须发生变化。
Florian建议本地化负责人首先应该把企业内部的language activity“画出来”：哪些部门正在产生多语言内容，使用什么软件，采用什么AI，以及哪些内容具有较高风险。在此基础上，再把术语库、风格指南、TM以及语言专家的能力提供给企业不同部门，而不是把这些资源锁在传统TMS里面。
未来优秀的本地化经理可能不再只是“管理翻译项目的人”，而越来越像是企业内部的Language AI治理者和解决方案设计者。
Voice AI开始进入真实业务场景
这次会议还有一个我特别关注的方向，就是Voice AI，因为它与我们多年来从事的口译业务，以及最近开发的LinguaStage/Classroominterpreter/VoCo等产品非常接近。
Slator的会议总结提到Automated Health Systems采用Krisp speech-to-speech translation的案例。原计划只是进行有限试点，但实际运行以后，由于电话排队消化速度明显加快，很快扩大了使用范围。与此同时，讨论中反复出现的并不只是底层语音模型，而是定制词典、延迟、安全、边缘处理和实际业务流程。
这也印证了我在开发相关产品过程中的一个体会：
实时语音翻译真正的产品，并不是把ASR+翻译+TTS三个API简单连接起来。
基础模型只是起点。真正决定它能不能在会议、医疗、客服、培训和活动现场使用的，是音频质量、延迟、术语、字幕呈现、语言频道、安全、人工兜底以及整个交付流程。
因此，随着语音模型越来越成熟，专业语言公司的机会可能反而会更加清晰：不是去制造另一个语音基础模型，而是把这些能力变成客户真正能够使用的解决方案。
模型之外，你究竟有什么？
会议中的投资讨论也让我印象很深。随着基础模型和开发工具越来越容易获得，快速做出一个AI产品MVP已经不像两年前那么困难。Slator会后的总结提到，投资人越来越关注模型之外的“harness”——围绕模型建立的数据、工具、记忆、工作流和业务逻辑。
这对语言行业尤其值得思考。
过去一两年，借助大模型API和Vibe Coding，一个人甚至几天就可以做出一个看起来不错的AI翻译应用。但能够做出一个产品，与能够建立一家有长期竞争力的企业，是两件完全不同的事情。
当所有人都可以买到同样的模型以后，你究竟有什么是别人没有的？
答案可能越来越不是“我的模型比你的模型好”，而是你的专业数据、客户关系、行业知识、语言资源、质量体系，以及经过长期实践形成的工作流。
这些变化，与我们正在做的事情不谋而合
听完这一天的会议，我有一个很强烈的感受：会上描述的很多变化，与我们过去一年在公司内部进行的探索几乎在同一个方向上。
我们并没有试图自己训练一个大模型，而是越来越多地思考：如何利用已经非常强大的基础模型，结合二十多年积累的语言服务经验、专业人员和客户场景，把它们变成真正可以使用的产品和工作流。
比如我们开发的BabelBee，尝试的并不是简单增加一个“AI翻译按钮”，而是探索一种介于传统CAT与纯AI翻译之间的新型工作空间：让AI承担越来越多的翻译和质量检查工作，同时保留术语、TM、风格指南以及必要的人工控制。
我们最近开发的LinguaStage则是另一个方向。它面向会议、活动和专业音视频场景，把AI语音识别、实时翻译、多语言字幕、语音输出和现场交付结合起来。这里真正需要解决的，也不是某一个模型能不能翻译，而是如何把多个技术组件组织成一个专业活动现场能够稳定使用的完整解决方案。
此外，我们还在探索证件翻译、AI质量检查以及其他一些Language AI应用。回过头来看，这些产品看起来各不相同，背后的逻辑其实是一致的：不与基础模型竞争，而是在模型之上建立应用、工作流和专业服务，并在必要的地方让人介入，对最终结果负责。
这与Florian所描述的LSI角色高度吻合。
“翻译基本解决了”以后，我们做什么？
会议最后，LILT CEO Spence Green提出了一个颇有冲击力的说法：“Translation is basically solved.”
我理解他的意思当然不是翻译已经完美，更不是译员已经没有价值，而是今天把一份普通文件输入AI系统，几秒钟以后得到一份相当不错的译文，这件事情本身已经越来越不困难。会议讨论因此不断转向另一个关键词：verification——验证。
这实际上把整天会议中的很多话题串了起来：有人谈可靠性，有人谈置信度，有人谈风险分级，有人谈Agent的权限边界，有人谈人工审核。
看似不同的问题，其实都指向同一个变化：
语言行业正在从“生产语言”逐渐转向“管理、验证和交付AI产生的语言结果”。
我认为，这可能是未来几年理解行业变化的一条重要主线。
我们已经身处这个新市场
Slator预计，未来几年整个语言市场仍将保持约2%的年增长，但市场内部结构会发生很大的变化。到2031年，LTP可能占整个市场约一半，甚至更多，而LSI的市场份额则会明显下降。
这个预测最终是不是恰好50%，我认为并不重要。真正重要的是它揭示的方向：当翻译能力越来越便宜、越来越容易获得，甚至成为各种软件的标准功能以后，“能够翻译”本身将不再是一种稀缺能力。
真正稀缺的会逐渐变成另外一些东西：知道什么场景应该采用什么技术，知道怎样把不同模型和工具连接起来，拥有专业数据和成熟的工作流，知道什么时候可以相信AI、什么时候必须让专业人员介入，以及最重要的——有人愿意为最终结果承担责任。
参加完这次SlatorCon，我最大的感受并不是又出现了什么更强的翻译模型，而是整个行业讨论AI的方式已经发生了变化。两三年前大家还在比较机器翻译、大模型和人工翻译谁的质量更好；今天大家谈得更多的是AI Agent、工作流、可靠性、风险分级、企业治理和最终业务结果。Slator自己在会后的总结中，也把会议概括为从AI的“promise and hype”转向已经得到验证、可以真正部署的能力。
这也让我对我们公司目前的方向更加确定。我们没有能力，也没有必要去做下一个基础大模型。我们真正应该做的是站在二十多年语言服务经验的基础上，把成熟的AI能力拿过来，与语言数据、译员和专家资源、客户场景以及专业工作流程重新组合，逐渐从一家以人工服务为主的传统语言公司，转向产品与服务结合、AI与专业人员协同的语言解决方案公司。
如果说过去语言公司的核心资产是“有多少译员、能翻多少语言”，那么未来更重要的问题可能是：
你能够把哪些AI能力组织起来？你掌握什么专业数据和工作流？你知道什么时候可以相信AI、什么时候必须让人介入？最终，谁愿意对结果负责？
从这个意义上说，Slator所说的 “A New Market Running on Language AI”并不是一个关于遥远未来的预测。
我们已经身处其中。
本文首发于精艺达翻译公司总经理韦忠和个人公众号【译思】，专注于语言服务的行业实践、动态和趋势，以及个人观察和思考，欢迎关注。更多内容，请浏览：https://www.langinsights.com
