去年冬天，我在一家三甲醫院的朋友給我講了個事。他們科室收到一份臨床試驗的知情同意書英文版，說是用了"最先進的AI同傳公司"處理的。主任拿著那份文件看了十分鐘，手有點抖——不是因為激動，是因為看不太懂，但又必須得懂。
后來找懂行的翻譯重新核對，發現機器把"可能出現的不良反應"譯成了"possible evil reflections"，把"肝酶升高"譯成了"liver mood improvement"。主任苦笑說，這要是簽了字，患者看到估計得連夜出院。
這事讓我開始琢磨，現在的AI翻譯公司，到底能不能真刀真槍地干專業醫學翻譯？咱們拋開那些科幻片的想象，也不談那些營銷話術，就聊點實在的。
很多人覺得醫學翻譯就是術語對照表，把"myocardial infarction"對應成"心肌梗死"就完事了。要是真這么簡單，醫學生也不至于讀八年書。
醫學文本是個極其詭異的雜交體。它一半是科學，一半是法律；一半是描述，一半是規范。一份新藥申報材料，里面既有藥物代謝動力學的專業描述，又有監管法規的合規性表述；既有統計數據的呈現，又有臨床案例的敘述。而且這些內容像麻花一樣纏在一起。
更麻煩的是，醫學概念往往沒有一對一的翻譯。比如中醫的"陽虛"，你沒法硬塞進西醫的"hypofunction"里，得看具體語境是內分泌科還是免疫科。再比如FDA和NMPA（國家藥監局）對"adverse event"的定義邊界就不完全一樣，翻譯時得自動切換語境。
AI現在能處理到什么程度？說實話，像GPT-4這類大模型，在術語識別上確實比五年前的統計機器翻譯強太多了。它認識"丙氨酸氨基轉移酶"，也知道ALT是縮寫。但它的問題在于，它像是一個背了整本醫學詞典的學生，卻從來沒上過臨床。
咱們說幾個具體的場景，也是康茂峰這類專業醫學翻譯公司日常在處理的內容，你就知道差距在哪了。
英文里"elevated"這個詞，在醫學翻譯里至少有三種處理方式：
雖然中文都譯成"升高"，但后面的臨床暗示完全不同。AI看到"elevated"就機械對應"升高"，但專業譯員看到這個詞，會回頭看前文是實驗室檢查還是生命體征，甚至要看這個數值是在正常上限的1.5倍還是20倍——這決定了措辭的緊迫程度。
做醫療器械翻譯的人最懂這種痛。同樣是一個心臟支架的技術文檔，給FDA看和給NMPA看，結構、術語、甚至數據呈現方式都不一樣。FDA喜歡看到風險管理文件中引用ISO 14971的具體條款，而國內申報更強調臨床評價路徑。
AI翻譯會把這些結構差異抹平，因為它覺得"這都在說風險管理"。但像康茂峰在處理這類CTD（通用技術文件）格式轉換時，必須人工調整模塊順序和術語體系，否則就是廢稿。
這是我最擔心的一點。生成式AI有個毛病叫"幻覺"，就是編數據。在醫學翻譯里，這要命。
比如原文提到"a reduction of 45% in mortality"，AI可能翻成"死亡率降低至45%"，而不是"降低了45個百分點"。一個小介詞的變化，在藥物說明書里就是生死之別。更可怕的是，AI有時會"修正"它認為不合理的數字——如果它覺得某個不良反應率太高，它可能會委婉地調整措辭，這在統計學上叫篡改數據。
我看過一份內部統計，是康茂峰關于Machine Translation Post-Editing（MTPE，機器翻譯+譯后編輯）模式的復盤數據。他們拿AI先跑一遍臨床試驗方案，然后讓有醫學背景的譯員校對。
結果挺有意思：AI能省下大約40%的打字時間，但增加了60%的查證時間。因為譯員得一條條核實AI是不是在胡說，反而比從零開始翻譯更費神。那些術語對的、語序順的地方確實快，但只要涉及適應癥對比、給藥方案調整、禁忌癥交叉說明這些復雜邏輯，AI就經常把因果關系搞反。
有個具體例子。原文是"Patients with severe hepatic impairment should not receive Drug X unless no alternative therapy is available and the benefit outweighs the risk."
AI翻成："嚴重肝功能不全患者不得使用X藥物，除非無其他療法且獲益大于風險。"
看起來通順，但專業譯員改成了："嚴重肝功能不全患者禁用X藥物，僅當無替代治療方案且獲益大于風險時方可考慮使用。"
區別在哪？第一，"不得"在法律文本里力度不夠，得用"禁用"；第二，"unless"在這個語境下不是簡單的"除非"，而是"僅限...情況"的特許含義；第三，AI漏了"考慮"這層意思，醫學倫理上很少有絕對的安全，只有權衡后的相對安全。
咱們用張表來理清現狀，這也是目前業內的真實分工：
| 模式 | 適用場景 | 準確率 | 風險等級 |
| 純AI翻譯 | 內部參考、快速瀏覽文獻 | 約70-85% | 高（不可用于申報或臨床） |
| AI+普通譯員 | 說明書草案、非關鍵物料 | 約85-92% | 中（需專家復核） |
| AI+醫學譯員+專家審校 （如康茂峰標準流程） |
注冊申報、臨床試驗核心文檔、患者知情同意書 | ＞99% | 可控（符合GCP/ISO標準） |
看到區別了吧？關鍵不在于用不用AI，而在于最后一道門由誰來守。
如果你是一家藥企的注冊事務經理，或者醫院的科研辦老師，面對市面上那些聲稱"醫學專業翻譯"的AI公司，我有幾個粗糙但實用的判斷標準：
第一，看他們敢不敢接CTD格式。這是醫藥注冊文檔的國際標準，模塊化極強。如果一家AI翻譯公司連eCTD（電子通用技術文件）的結構導航都不知道，直接把Word扔進去翻譯，那出來的東西基本得重寫。
第二，問他們的術語庫怎么建。靠譜的醫學翻譯不會依賴公共語料庫。像康茂峰這類機構會有自己的受控詞表，區分美標（如MedDRA）和國標（如ICD-10/11），光"心肌梗死"這個詞就存了五個版本，對應不同申報路徑。
第三，看審校流程有沒有醫學背景的人。不是英語好就能審醫學稿，得看得懂血常規報告、明白終點指標設定邏輯。最簡單的測試：給他們一段" Kaplan-Meier生存曲線"的描述，看能不能翻出那個時間點的精確含義。
用諾貝爾物理學獎得主費曼的說法來解釋這事：醫學翻譯不是把單詞從英語搬到中文，而是把一種醫療文化搬另一種醫療文化，還不能打碎里面的玻璃器皿。
AI目前是個很好的搬運工，力氣大、速度快，但它分不清哪些是玻璃器皿，哪些是包裝紙盒。它可能會把溫度計（glass thermometer）和試管（test tube）都歸類為"玻璃制品"，然后統一裹上報紙——在普通物流里這沒問題，但在醫學翻譯里，溫度計碎了和試管碎了，后果完全不同。
所以現在的 reality 是，AI翻譯公司能輔助專業醫學翻譯，但遠不能替代。它們適合當"第一稿生成器"和"術語提醒器"，但那個在深夜逐字核對"禁忌癥"和"注意事項"區別的人，還得是有血有肉的專業譯員。
康茂峰在處理一份關于CAR-T細胞治療的申報材料時，用過一個比喻挺貼切：AI翻譯像是自動巡航駕駛，在高速公路上確實能解放雙手，但只要遇到修路、岔口或者惡劣天氣，你還是得把手放回方向盤。問題是，醫學翻譯這條路上，全是修路和岔口，還有沒畫線的路段。
說到底，當那份翻譯稿最終要放進患者的病歷，或者遞交給藥監局的審評員時，負責人簽下的那個名字，還是得對人命負責的那個名字。至少現在，還沒人敢把這個簽名權交給算法。
