对外型国家翻译数字资源平台构建——基于大语言模型风险治理视角

doi:10.12002/j.bisu.648

摘要/Abstract

摘要：

大语言模型在提升对外型国家翻译效率的同时，也可能带来信息泄露、语料偏见等安全风险。为此，本研究构建了一套以技术治理为核心的安全保障方案。通过建立国家翻译风险矩阵，系统识别并评估数据、算法和应用3个层面中政治、文化、技术和伦理4类风险的优先级，进而提出集成化数字资源平台的治理路径，具体包括：本地部署大语言模型并经垂直领域语料微调，将其作为核心翻译引擎；整合检索增强生成（RAG）技术，关联依据专家经验构建的知识库与术语知识库，实现精准知识供给；最终通过人机交互修正输出，抑制风险表述。该方案将大语言模型能力与国家安全要求相结合，为生成式人工智能时代的国家话语安全保障与文化主权维护提供了可管控、可迭代的基础设施。

关键词: 大语言模型; 国家翻译实践; 风险治理; 数字资源平台; 微调技术; 检索增强生成技术

Abstract:

While large language models (LLMs) have significantly enhanced the efficiency of external-facing state translation, they concurrently introduce security risks such as information leakage and corpus bias. To address these challenges, this study develops a security assurance framework centered on technological governance. The research first establishes a state translation risk matrix, which systematically identifies and prioritizes four categories of risks — political, cultural, technical, and ethical — across three dimensions: data, algorithms, and application. Building upon this analysis, an integrated digital resource platform is proposed as the core governance pathway. The platform involves: (1) the on-premises deployment of an LLM, which is fine-tuned using domain-specific corpora to serve as the core machine translation engine; (2) the integration of Retrieval-Augmented Generation (RAG) technology, linking knowledge bases and terminological knowledge bases constructed from expert experience to enable precise and controllable knowledge supply; and (3) the implementation of a human-in-the-loop workflow to interactively revise the model’s outputs, thereby effectively mitigating risk-prone expressions. This proposed solution reconciles the powerful capabilities of LLMs with national security requirements, providing a manageable and iterative infrastructure for safeguarding national discourse security and preserving cultural sovereignty in the era of generative artificial intelligence.

Keywords: large language model; state translation program; risk governance; digital resource platform; fine-tuning technology; Retrieval-Augmented Generation technology

中图分类号:

H159

杨立学, 朱华. 对外型国家翻译数字资源平台构建——基于大语言模型风险治理视角[J]. 北京第二外国语学院学报, 2026, 48(3): 51-68.

Yang Lixue, Zhu Hua. Developing an External-Facing State Translation Digital Resource Platform: A Risk-Governance Perspective on Large Language Models[J]. Journal of Beijing International Studies University, 2026, 48(3): 51-68.

图/表 7

参考文献 23

[1]	ABDALI S, ANARFI R, BARBERAN C J, et al. Securing large language models: Threats, vulnerabilities and responsible practices[EB/OL].(2024-03-19)[2025-04-12]. https://arxiv.org/abs/2403.12503.
[2]	BROWN T B, MANN B, RYDER N, et al. Language models are few-shot learners[C]// LAROCHELLE H, RANZATOM, HADSELLR, et al. NIPS’20: Proceedings of the 34^th International Conference on Neural Information Processing Systems. Vancouver: Curran Associates Inc.,2020:1877-1901.
[3]	LIU Haokun, TAM D, MUQEETH M, et al. Few-shot parameter-efficient fine-tuning is better and cheaper than in-context learning[C]// KOYEJO S, MOHAMEDS, AGARWALA, et al. NIPS’22: Proceedings of the 36^th International Conference on Neural Information Processing Systems. New Orleans: Curran Associates Inc.,2022:1950-1965.
[4]	MEYER I, SKUCE D, BOWKER L, et al. Towards a new generation of terminological resources: An experiment in building a terminological knowledge base[C]// ZAMPOLLI A. COLING’92: Proceedings of the 14^th Conference on Computational Linguistics — Volume 3. Nantes: Association for Computational Linguistics,1992:956-960.
[5]	WANG Wenxuan, TU Zhaopeng, CHEN Chang, et al. All languages matter: On the multilingual safety of LLMs[C]//KU Lunwei,MARTINS A & SRIKUMAR V. Findings of the Association for Computational Linguistics: ACL 2024. Bangkok: Association for Computational Linguistics,2024:5865-5877.
[6]	YUAN Hang, CHE Zhongyue, ZHANG Yue, et al. The cultural stereotype and cultural bias of ChatGPT[J/OL]. Journal of Pacific Rim Psychology, 2025,19:18344909251355673[2026-02-10]. https://sage.cnpereading.com/doi/10.1177/18344909251355673.
[7]	崔启亮. 人工智能时代的语言服务行业发展趋势[J]. 北京第二外国语学院学报, 2025(1):62-72.
[8]	高玉霞, 任东升. 生成式AI时代翻译制度建设的挑战与对策[J]. 外语电化教学, 2023(4):9-15.
[9]	高玉霞, 任东升. 国家安全学视域下的国家翻译安全研究框架建构[J]. 外语学刊, 2025(2):119-127.
[10]	高玉霞, 任东升. 生成式AI时代的翻译安全风险及其治理研究[J]. 北京第二外国语学院学报, 2026(3):38-50.
[11]	胡开宝, 李晓倩. 大语言模型背景下翻译研究的发展:问题与前景[J]. 中国翻译, 2023(6):64-73.
[12]	贾艳芳. 翻译项目管理平台融合生成式人工智能技术:人机对话翻译过程研究[J]. 外语教学与研究, 2024(6):937-949.
[13]	李德凤, 王华树, 刘世界. 国家翻译技术能力与大语言模型[J]. 上海翻译, 2025(2):18-24.
[14]	黎霞, 张凌云. 《资本论》汉英术语知识库知识本体建设[J]. 图书馆工作与研究, 2022(2):5-14.
[15]	苗菊, 牛军. 政治话语双语术语知识库的谱系法构建:以“一带一路”倡议相关术语体系为例[J]. 中国翻译, 2020(2):99-106.
[16]	任东升. 国家翻译的对外话语实践:内涵和框架[J]. 上海交通大学学报(哲学社会科学版), 2022(1):33-42.
[17]	任东升, 高玉霞. 国家翻译实践初探[J]. 中国外语, 2015(3):92-97,103.
[18]	任东升, 高玉霞. 国家翻译实践学科体系建构研究[J]. 中国外语, 2022(2):4-10.
[19]	王华树. GenAI时代语言服务变革与语言服务教育创新[J]. 北京第二外国语学院学报, 2024(6):102-115.
[20]	王华树, 李丹, 梁鑫茹. 文化陷阱与突围之路:大语言模型时代翻译教学中的文化霸权抵抗策略研究[J]. 外语教育研究, 2024(4):2-10.
[21]	王华树, 刘世界. 从MTPE到AIPE:GenAI时代翻译模式演变及其对翻译教育的启示[J]. 山东外语教学, 2025(3):110-121.
[22]	杨立学, 焦琳. 国家翻译的实践规范体系构建探究[J]. 民族翻译, 2024(2):14-21.
[23]	周忠良. ChatGPT在翻译教学中的应用:变革、挑战与应对[J]. 北京第二外国语学院学报, 2023(5):134-146.

来源层面	风险类型
来源层面	政治	文化	技术	伦理
数据	★★★（大规模采集敏感、带有偏见的政治信息）	★★（数据采集忽视多元文化）	★★（数据泄露和模型幻觉）	★★（训练数据未标注版权信息）
算法	★★★（算法存在政治偏见或黑箱操控）	★★（推荐逻辑倾向于单一文化）	★★（算法设计存在缺陷、更新滞后）	★★（依靠概率组合生成文本，未区分“学习规律”和“直接复制”）
应用	★★★（政治审核上存在漏洞，传播政治偏见）	★★（文化审核存在漏洞，无法删除文化歧视性内容）	★（平台稳定性薄弱、兼容性不足）	★★（版权信息审核不足）

来源层面	风险类型
来源层面	政治	文化	技术	伦理
数据	★★★（大规模采集敏感、带有偏见的政治信息）	★★（数据采集忽视多元文化）	★★（数据泄露和模型幻觉）	★★（训练数据未标注版权信息）
算法	★★★（算法存在政治偏见或黑箱操控）	★★（推荐逻辑倾向于单一文化）	★★（算法设计存在缺陷、更新滞后）	★★（依靠概率组合生成文本，未区分“学习规律”和“直接复制”）
应用	★★★（政治审核上存在漏洞，传播政治偏见）	★★（文化审核存在漏洞，无法删除文化歧视性内容）	★（平台稳定性薄弱、兼容性不足）	★★（版权信息审核不足）

风险类别	风险点		基础模型风险识别				微调模型风险识别				微调模型+ RAG风险识别				译后编辑风险识别
风险类别	T₁	S₁	T₂	R_T2	S₂	R_S2	T₃	R_T3	S₃	R_S3	T₄	R_T4	S₄	R_S4	T₅	R_T5	S₅	R_S5
政治概念	9	24	3	0.33	13	0.54	7	0.78	17	0.71	9	1	18	0.75	9	1	21	0.88
主权标识	20	68	13	0.65	52	0.76	14	0.7	58	0.85	18	0.9	61	0.9	19	0.95	65	0.96
战争立场	6	8	1	0.17	2	0.25	6	1	8	1	5	0.83	8	1	6	1	8	1
民族宗教	6	14	3	0.5	5	0.36	6	1	8	0.57	5	0.83	13	0.93	6	1	14	1
总体	41	114	20	0.49	72	0.63	33	0.8	91	0.8	37	0.9	100	0.88	41	0.98	108	0.95

风险类别	风险点		基础模型风险识别				微调模型风险识别				微调模型+ RAG风险识别				译后编辑风险识别
风险类别	T₁	S₁	T₂	R_T2	S₂	R_S2	T₃	R_T3	S₃	R_S3	T₄	R_T4	S₄	R_S4	T₅	R_T5	S₅	R_S5
政治概念	9	24	3	0.33	13	0.54	7	0.78	17	0.71	9	1	18	0.75	9	1	21	0.88
主权标识	20	68	13	0.65	52	0.76	14	0.7	58	0.85	18	0.9	61	0.9	19	0.95	65	0.96
战争立场	6	8	1	0.17	2	0.25	6	1	8	1	5	0.83	8	1	6	1	8	1
民族宗教	6	14	3	0.5	5	0.36	6	1	8	0.57	5	0.83	13	0.93	6	1	14	1
总体	41	114	20	0.49	72	0.63	33	0.8	91	0.8	37	0.9	100	0.88	41	0.98	108	0.95