Translation in the Age of AI Agents: الترجمة في عصر الذكاء الاصطناعي

فؤاد  بوسطوان

doi:10.33705/1111-019-001-001

المؤلفون

فؤاد بوسطوان جامعة شيكاكو، الولايات المتحدة الأمريكية

DOI:

https://doi.org/10.33705/1111-019-001-001

الكلمات المفتاحية:

وكلاء الذكاء الاصطناعي، الترجمة الآلية، النماذج اللغوية الكبيرة، الترجمة الوكيلة، العربية، الفرنسية، التحقق، الإنسان في الحلقة

الملخص

تشهد وظيفة الترجمة تحولا جوهريا مع ظهور النماذج اللغوية الكبيرة ووكلاء الذكاء الاصطناعي. فبعد أن كانت الترجمة الآلية تركز أساسا على تحويل الجمل من لغة إلى أخرى، أصبحت اليوم قادرة على أن تتحول إلى سير عمل ذكي يعتمد على الفهم السياقي، واسترجاع المعرفة، واستخدام الأدوات، والتحقق من المصطلحات، ومراجعة الجودة. يوضح هذا المقال أن وكلاء الترجمة المدعومين بالنماذج اللغوية الكبيرة يمثلون نقلة نوعية في مجالات حساسة مثل الدپـلوماسية، والعلوم، والهندسة، والقانون، والطب، والأعمال. وتزداد أهمية هذا التحول بسببـ عدم التوازن اللغوي في محتوى الويب، حيث تهيمن اللغة الإنـػــليزية على نسبة كبيرة من المواقع، بينما تمثل الفرنسية والعربية نسبا أقل بكثير، مما يؤثر في كمية المعرفة المتاحة للنماذج الذكية. لذلك، لا يكفي أن يكون وكيل الترجمة طليقا لغويا، بل يجب أن يكون موثوقا، ومؤسسا على معرفة متخصصة، وقادرا على طلب مراجعة بشرية عندما ترتفع المخاطر. كما يناقش المقال أهمية التقييم المستمر، سواء من خلال الإنسان في الحلقة، أم من خلال أدوات تقييم آلية مثل : (ProofAgent Harness)؛ لضمان جودة الترجمة، ودقتها، وسلامتها في السياقات عالية الحساسية.

المراجع

[1] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., and Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems. https://arxiv.org/abs/1706.03762

[2] Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems. https://arxiv.org/abs/2005.14165

[3] Meta AI. (2022). No Language Left Behind: Open-source models for translation across 200 languages. https://ai.meta.com/research/no-language-left-behind/

[4] Bapna, A., Caswell, I., Kreutzer, J., Firat, O., van Esch, D., Siddhant, A., Niu, M., Baljekar, P., et al. (2022). Building Machine Translation Systems for the Next Thousand Languages. arXiv:2205.03983. https://arxiv.org/abs/2205.03983

[5] Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems. https://arxiv.org/abs/2005.11401

[6] Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., and Cao, Y. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629. https://arxiv.org/abs/2210.03629

[7] Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Zettlemoyer, L., Cancedda, N., and Scialom, T. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems. https://arxiv.org/abs/2302.04761

[8] Bousetouane, F. (2025). Agentic Systems: A Guide to Transforming Industries with Vertical AI Agents. arXiv:2501.00881. https://arxiv.org/abs/2501.00881

[9] Singh, A., Ehtesham, A., Kumar, S., Khoei, T. T., and Vasilakos, A. V. (2025). Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG. arXiv:2501.09136. https://arxiv.org/abs/2501.09136

[10] W3Techs. (2026). Usage statistics of content languages for websites. Accessed June 13, 2026. https://w3techs.com/technologies/overview/content_language

[11] Taguchi, C., Mai, S., Kurabe, K., Sakai, Y., Agyei, G., Eslami, S., and Chiang, D. (2025). Languages Still Left Behind: Toward a Better Multilingual Machine Translation Benchmark. arXiv:2508.20511. https://arxiv.org/abs/2508.20511

[12] Bousetouane, F. (2026). ProofAgent Harness: Open Infrastructure for Adversarial Evaluation of AI Agents. arXiv:2605.24134. https://arxiv.org/abs/2605.24134

[13] ProofAgent. (2026). ProofAgent Harness: Open-source infrastructure for adversarial AI agent testing. https://www.proofagent.ai/harness