133
3🎙《灯下白》EP46
嘉宾：李光华David
前AI翻译平台创业者，8年从事机器翻译、大模型翻译与企业本地化技术实践，曾参与打造面向专业翻译与出海团队的AI翻译平台LanguageX，并服务大疆、用友等大型企业客户。如今发起Vibe Coding社区，和一群翻译人、外语人及文科生探索AI时代新的产品创造方式，同时从事产品出海与企业AI转型服务，也是公众号&小宇宙「David的全景图AI」主理人。
主持人：吴熳
在得到直播讲过AI应用，在WaytoAGI北京切磋分享，代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学，AI牛马库导航科普网站 ka21.org 主理人
本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃和中关村科学城公司提供录音场地，由罗德麦克风提供录音设备。感谢中关村科学城的政策支持！
🪝本期故事
李光华大学读的是俄语语言文学。
更有意思的是，那时候的他甚至有点“反技术”。
不爱电脑，不爱手机，对复杂的软件没有什么兴趣。
毕业以后，他做翻译，在海外项目里承担大量笔译和口译工作。也正是在真正干活的时候，他发现了一件事：
翻译软件怎么能这么难用？
传统翻译工具要安装、配置记忆库，把过去的译文拆成一句原文对应一句译文，再做字符串匹配。一个学外语的文科生，甚至可能要先培训一个月，才能把工具真正用起来。
后来，他读了《乔布斯传》。
一个原本觉得技术复杂、冰冷、难用的人，第一次开始想：技术为什么不能做得更好？
这成为他后来不断向技术靠近的起点。
从人工翻译，到翻译项目管理平台；从机器翻译，到NLP；从和中科院自动化所等技术团队合作，到自己做模型；最后又做出LanguageX，把术语提取、预翻译、质量检查、润色和专业译者的工作流一起放进平台里。
他们做了五年。
模型参加WMT机器翻译比赛，产品进入大型企业客户的本地化团队。在大模型真正爆发之前，他们已经在做一件今天听起来非常AI Native的事：不是给传统软件接一个翻译API，而是让AI进入整个业务流程。
那时候，专业语料是护城河。
一个医疗领域模型、一个法律领域模型、一个言方向，都可以单独训练、单独部署。几十万句高质量平行语料、算法工程师、GPU、长期积累的行业术语，都是技术壁垒。
直到大模型来了。
李光华发现，他们最引以为傲的专业小模型，开始被一个根本不是专门为翻译训练的大模型超过。
更残酷的是，大模型不只会翻译。
它懂法律、懂医学、懂语言，还能提术语、做质检、润色、理解上下文。
过去一个团队花几年、几百万元堆出来的东西，生命周期可能只有两三年。
那一刻，他离“模型吃掉一切”比很多人都更近。
因为被吃掉的，就是自己亲手做出来的模型。
后来，他离开了公司。
他写了一篇《迟来的告别：再见LanguageX》，在文章末尾放了一个微信群二维码。
一群正在焦虑的翻译人、外语人和文科生，跟着他走了进来。
他们害怕失业，害怕翻译价格跌价，害怕客户直接把文本丢进大模型，也害怕自己不会AI、不会GitHub、更不会写代码。
李光华没有告诉他们“AI不会替代你”。
因为他亲眼见过替代是怎么发生的。
他做了另一件事：
带他们开始Coding。
💡本期你会听到
一个大学时期不爱电脑的“反技术少年”，为什么最后做了六七年NLP和机器翻译
俄语语言文学、人工翻译、机器翻译、Vibe Coding，这些看似跳跃的经历为什么其实是一条线
为什么李光华说，Vibe Coding本质上也是一种“翻译”
传统翻译软件的记忆库，到底是怎样工作的
为什么一个翻译工具过去甚至需要培训一个月才能熟练使用
《乔布斯传》怎样改变他对技术和产品的理解
从Smartcat到机器翻译，他为什么越来越靠近模型
LanguageX如何把模型与专业译者的工作流结合起来
为什么专业翻译不是“把中文变成英文”这么简单
术语、格式、变量、页眉页脚和版本管理，为什么都是企业本地化里的脏活累活
大疆、用友这样的头部企业，为什么需要专业翻译项目管理系统
LanguageX为什么从一开始就不是“传统软件＋一个AI API”
不同语言、不同领域为什么需要选择不同的模型
AI如何进入术语处理、预翻译、质检、润色等整个流程
大模型出现之前，高质量专业语料为什么如此值钱
几十万句专业语料怎样训练一个垂直机器翻译模型
为什么在医疗、法律等窄领域，小模型曾经可以打败通用翻译
大模型出现之后，这套逻辑为什么突然被改写
一个参加过WMT机器翻译比赛的团队，为什么仍然遭遇大模型的降维打击
为什么大模型“不是为了做翻译”，却反而把翻译做得很好
大模型既是语言专家又是法律专家，这件事对专业翻译意味着什么
为什么过去几十万元一个语言方向的模型，如今很难再卖出去
李光华为什么最终离开自己做了多年的AI翻译平台
《迟来的告别：再见LanguageX》为什么意外变成一个新社区的起点
翻译行业真正的焦虑，不只是“会不会失业”
为什么李光华觉得“翻译的昨天，可能就是Coding的今天”
文科生做AI产品，真正卡住的为什么经常不是能力，而是恐惧
一个学哲学的人，为什么会做出“100个哲学家群聊”的产品
为什么文科生反而可能做出一些程序员想不到的软件
李光华为什么认为，文科生在AI时代最大的优势是“广度”
「全景图AI」怎样把看不过来的长文章自动变成双人播客
懂业务，又懂AI的能力边界，为什么是企业AI咨询真正值钱的地方
🔥本期金句
Web Coding对我来说也很像翻译：把一种业务需求翻译成代码。
大模型不是为了做翻译，但它读了足够多的文本以后，翻译反而做得很好。
以前我们以为专业数据和专家经验能够形成很深的护城河，后来发现通用模型会直接碾过来。
大模型既是语言专家，又可能是法律专家，这就是它相比传统翻译模型的优势。
翻译以前是一个足以安身立命的技能，现在它能够容纳的人已经少很多了。
我不会劝大家进入翻译行业，但我仍然会劝大家学外语。
翻译是一项技能，语言背后的思维和文化才是更重要的东西。
AI Coding有点像打字，它本身未必是一门大生意，但它能打开很多新的领域。
文科生的优势是广度，你得先见过，才可能想到。
很多创新不是世界上从来没有，而是这个领域原来没有。
做产品，一个是对业务理解得足够深，一个是表达和UI，这两个地方能拉开差距。
最大的产品坑，是我们把模型做得太重了。
⏱Shownotes
李光华登场：从AI翻译创业到Vibe Coding社区
“反技术少年”为什么最后做了六七年NLP
俄语语言文学毕业后，他怎样成为职业翻译
Smartcat与专业翻译软件带来的第一次产品启蒙
从人工翻译走向机器翻译
俄语、翻译、NLP、大模型与Coding，其实是一条连续路径
Vibe Coding为什么也是“把需求翻译成代码”
《乔布斯传》与一个反技术者对产品认知的改变
传统翻译记忆库：一句原文匹配一句译文
为什么机器翻译成为当时NLP最成熟的商业场景
从翻译项目管理平台走向模型
术语提取、预翻译、质量检查与润色
LanguageX：把AI模型和专业译者工作流结合起来
WMT机器翻译比赛与大型企业客户
企业出海：为什么一个Excel里也藏着复杂的本地化工程
0.5B小模型是怎样被训练出来的
多语言、多版本、多供应商，为什么需要TMS管理平台
2021年起步，LanguageX怎样进入头部企业
为什么训练过模型的团队，更容易真正理解AI Native翻译系统
AI不是只负责翻译，而是进入整个业务流程
头部企业真正购买的，是AI理解与行业Know-how
大模型时代之前，专业语料为什么是一种稀缺资产
通用翻译和垂直行业模型的差异
每个客户的翻译工作流为什么都不完全一样
创业CEO的另一面：每天站会与战斗状态
随性的人，为什么进入了一个极度严谨的行业
他最快乐的阶段，其实是产品0到1
WMT有优势的小模型，为什么依然输给了大模型
“通用打败垂直”：大模型带来的降维打击
语言专家＋法律专家：大模型为什么天然占优
DeepL、传统机器翻译与一个时代的黄昏
离开翻译创业后，他为什么开始带文科生Coding
《迟来的告别：再见LanguageX》与社区的第一批成员
翻译人的焦虑：降价、订单减少与AI替代
“翻译的昨天，就是Coding的今天”
带翻译人学习AI转型，本质上是在分享自己走过的路
社区成员都做出了什么产品
文科生AI Coding最难的一关：对技术的恐惧
为什么社区一定要保持多元
“100个哲学家对话”：文科生会做出什么奇怪又有趣的软件
李光华自己最喜欢的小产品：钢笔字自动装裱
「全景图AI」：把看不过来的文章变成双人播客
长文本如何自动变成一段几十分钟的音频
为自己的孩子做英语和背诗小产品
企业AI咨询：帮助老客户少踩已经踩过的坑
懂业务＋懂AI边界，为什么比单纯会工具更重要
文科生在AI时代真正的优势：广度
“你得先见过，才有可能提出这个问题”
快问快答：ChatGPT、Codex与Cursor
最值钱的产品经验：业务深度与UI表达
最大的产品坑：把自己的翻译模型做得太重
几百万元研发、两三年生命周期，值不值
过去一个语言方向几十万元，为什么现在模型卖不动了
科技只领先一年够不够？什么才是长期价值
大模型还没吃完的地方：格式与行业里的脏活累活
还会不会劝年轻人进入翻译行业
不会劝你做翻译，但仍然建议你学外语
未来一年：希望自己和社区朋友做出更好的产品
AI Coding不是终点，它是一种打开新世界的基础能力
📖故事摘要
李光华大学学的是俄语语言文学。
如果只看起点，很难想象这个人后来会训练机器翻译模型、做AI平台，再带着一群文科生开始Coding。
更有意思的是，他年轻时甚至并不喜欢技术。
那个年代，他接触到的专业翻译软件非常重。安装、配置、建立术语库和翻译记忆库，每一个步骤都充满技术门槛。
所谓翻译记忆库，是把曾经翻译过的内容处理成“一句原文对应一句译文”，以后遇到相同或相似句子，再从数据库中匹配出来。
今天回头看，这个方法甚至显得有些原始。
但在当时，它已经是专业翻译生产力的重要组成部分。
毕业后，李光华进入真实的翻译业务。他参与海外项目，既做笔译也做口译，并管理团队。在工作过程中，他逐渐接触Smartcat等海外云端翻译平台，也参与过它们在中国的本地化。
做得越深，他越清楚一个事实：
翻译未来最大的变量，不是项目管理软件，而是机器翻译本身。
于是，他开始接近NLP。
他调研中科院自动化所、大学实验室和不同机器翻译团队，开始尝试把模型与人工翻译流程结合起来。
一开始是翻译。
后来是术语。
一个专业项目里，同一个术语必须从头到尾保持一致。模型需要先从文件里提取术语，再确定译法，形成术语表，然后进行预翻译。
翻译结束后，还要检查标点、括号、错别字、漏译和格式，再对语言进行润色。
慢慢地，他们发现：
AI不应该只是“把一句中文变成一句英文”。
它应该进入整个专业翻译流程。
后来，他们做出LanguageX。
这个平台的用户不是偶尔翻一句话的普通人，而是企业里的出海、本地化和专业翻译团队。
例如一家大型企业要把网站、产品说明、软件界面和文档同步到十几个国家，面对的根本不是“翻译准不准”这么简单。
一个Excel表格里，可能同时存在文本、变量、代码、参数和数字。哪些可以翻译，哪些必须锁死；不同页面如何保持术语一致；版本更新以后哪些译文需要重新同步；内部团队怎样管理外部供应商——这些才是真实业务。
所以LanguageX越来越“重”。
但这些脏活累活，也逐渐形成了护城河。
尤其是在大模型出现之前。
那时候，高质量专业语料非常值钱。
李光华和团队有多年人工翻译积累，可以把大量专业译文整理成一句对一句的平行语料，再针对医疗、法律等不同领域微调模型。
一个语言方向一个模型。
几十万句高质量语料，就可能明显提高一个垂直领域的翻译表现。
他们参加WMT机器翻译比赛，也得到过行业专业机构的认可，产品最终进入大疆、用友等大型客户的内部本地化流程。
这个团队并不是后来看到ChatGPT火了，才给传统软件套上一层AI。
他们从一开始就在和模型打交道。
这也让他们很早形成了一种今天被称为AI Native的产品逻辑。
同一段内容，不同语言、不同专业领域，可以选择不同的模型；翻译之前用AI处理术语，翻译之后再用AI做质量检查和润色；项目完成后的专业数据又可以继续回到系统，帮助模型进一步适应行业。
从业务到数据，再从数据回到模型，是一个闭环。
在大模型爆发之前，这条路线看起来几乎无懈可击。
直到大模型出现。
李光华发现了一件残酷的事：
自己做了很多年的小模型，正在迅速失去优势。
这件事甚至有些反常识。
照理说，一个针对医疗、法律等领域精细训练过的模型，拥有大量专业语料，应该比一个什么都学的通用模型更专业。
在一段时间里，也确实如此。
但当模型规模继续扩大，情况发生了改变。
大模型根本不是为了翻译而生。
它只是读了海量文本。
可最后，它翻译得很好。
更麻烦的是，大模型不只会语言。
让传统翻译模型处理一份法律文件，模型需要解决的是语言问题；而大模型本身可能同时拥有大量法律知识。
它既像语言专家，也像法律专家。
原本需要几个专门模型分别完成的术语处理、翻译、质量检查和润色，它也可以逐渐统一完成。
专业小模型多年构筑起来的优势，被模型能力的一次跃迁迅速压平。
过去，为企业部署一个垂直领域、一个语言方向的模型，可以卖几十万元。
五种语言，就是五个模型。
算法工程师、GPU、语料处理与持续训练，背后都是实实在在的成本。
一个模型可能投入数百万元研发。
但它真正领先的时间，也许只有两三年。
当DeepSeek一类强大的通用模型可以直接部署，并覆盖多个语言时，客户不再愿意为五个独立机器翻译模型买单。
李光华后来总结，这也是自己做产品踩过最大的坑：
把模型做得太重。
但这个“坑”又不能简单说是错误。
如果没有当年的模型能力，他们不可能进入WMT这样的比赛，也不可能获得头部企业客户的信任，更不可能真正理解模型。
它只是一个非常典型的技术时代悖论：
你必须投入，才能获得领先。
可你刚刚获得的领先，下一代技术可能马上就会把它抹平。
最终，李光华离开了自己做了多年的翻译平台。
他写了一篇文章：
《迟来的告别：再见LanguageX》。
文章末尾，他随手留下一个微信群二维码。
很多人进来了。
他们大多是翻译、外语或者文科背景，也是最早感受到大模型冲击的一群人。
过去，翻译可以是一门足以安身立命的专业技能。
一千字多少钱，靠积累语言能力和行业经验，一个人可以长期生活。
但大模型来了以后，简单订单被直接吃掉，剩下的订单价格继续下降。
过去也许需要八个翻译完成的项目，现在模型先跑一遍，只需要留下一个人做检查。
问题不是“翻译会不会完全消失”。
而是一个行业还能容纳多少人。
李光华没有给这群人讲“AI只是工具，不会替代人”。
因为他本人刚刚从一个被大模型剧烈改变的行业里走出来。
他更想告诉他们：
我只是比你们先多走了两步。
现在，我把这条路再走一遍给你们看。
于是，这个微信群慢慢变成了一个Vibe Coding社区。
文科生第一次打开GitHub，往往会害怕。
满屏英文、代码、仓库、命令行，看起来像另一个世界。
但李光华发现，他们真正的困难很多时候并不是“学不会”。
而是不敢开始。
AI Coding改变了这件事。
他们不再需要先学几年计算机基础，才能第一次把自己的想法做成产品。
有人把自己的翻译工作做成术语工具；有人把长文章转成播客；有人做心理疗愈产品；还有一位学哲学的人，做出了“100个哲学家”。
用户可以和苏格拉底、柏拉图等不同哲学家聊天，还可以把他们拉进一个群，让不同哲学传统共同讨论一个现代问题。
甚至让“哲学家们”发朋友圈，用他们自己的视角评价今天的生活。
这不是传统软件世界最常见的产品。
但恰恰因为开发者来自哲学，而不是计算机，他才会想到这种东西。
李光华越来越相信，文科生在AI时代真正重要的优势不是“更会写Prompt”，而是广度。
学外语的人读过文学、接触过不同文化、不同人物和故事；做翻译的人又因为职业原因，不断进入新的行业和会议现场。
他们未必在每一个领域都足够深，但他们见过很多世界。
而创新经常不是凭空创造一个世界上从未出现过的东西。
只是把A领域已经存在的东西，第一次搬到B领域。
前提是：你得先见过。
AI自己也很广。
但如果一个人从未经历过、从未观察过、从未产生过那个问题，他甚至不知道该让AI往哪里走。
这也是为什么李光华如今做企业AI服务时，最看重的不是工具熟练度。
而是两件事：
他懂业务，也懂AI能力的边界。
一个企业告诉他，有一个大型游戏需要处理几千个术语；一个本地化团队不知道应该选什么模型；一个传统翻译公司不知道自己的流程该不该被AI重构。
这些问题真正需要的，不是再介绍十个AI工具。
而是有人曾经在这个业务里走过一遍，知道坑在哪里，也知道模型能走到哪里。
李光华自己的生活，也重新回到了“做东西”的状态。
他小时候练书法，就给自己做一个钢笔字自动装裱的小产品；孩子需要学英语，就想给孩子做英语学习工具；看不过来大量AI文章，就做「David的全景图AI」，自动把长文章改写成主持人与专家的双人对话，再合成为几十分钟的音频，在路上听。
这些东西不一定都是商业项目，有些甚至“没什么用”。
但在他看来，AI Coding越来越像一种基础能力。
就像打字。
学打字本身不是一门生意。
但会打字之后，你可以写小说、做表格、发邮件、经营公司。
Coding也一样。
它真正有价值的地方，不是“我会写代码”。
而是以前一个文科生脑子里存在多年、却永远没有能力实现的想法，现在第一次有机会变成一个真实的东西。
故事绕了一大圈，又回到了翻译。
李光华曾经把中文翻译成俄语。
后来把人工翻译流程翻译成机器模型。
现在，他做的事情，是帮助更多普通人把脑子里的需求，翻译成代码。
工具一直在变，那个在不同世界之间搭桥的人，没有变。
💬听众互动
如果AI Coding已经像打字一样，把“做软件”的门槛大幅降低，你过去十年里有没有一个一直想做、却因为不会技术而搁置的东西？
如果现在可以把它做出来，你最想先做什么？
