สิ่งที่ Google Translate บอกเราเกี่ยวกับไวบ์โค้ดดิ้ง

 (ingrids.space)
9 คะแนน โดย GN⁺ 2025-06-19 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • ช่วงหลังมานี้มีทั้ง ข้ออ้างที่ว่า AI จะมาแทนที่อาชีพโปรแกรมเมอร์ และเสียงโต้แย้งต่อเรื่องนี้เพิ่มมากขึ้น
  • ใช้กรณีศึกษาการพัฒนาของ Google Translate เพื่อฉายให้เห็น ผลกระทบจริงและข้อจำกัดของเครื่องมืออัตโนมัติ
  • ความต้องการแรงงานของ นักแปลและล่าม กลับเพิ่มขึ้นด้วยซ้ำ
  • การแปลด้วยเครื่องยังไม่สามารถจัดการ บริบททางวัฒนธรรม ความกำกวม และนัยละเอียดอ่อน ได้
  • เน้นย้ำว่าการเขียนโปรแกรมเองก็ต้องอาศัย งานเชิงสร้างสรรค์และการทำ abstraction คล้ายกับงานแปล เช่นกัน

สิ่งที่ Google Translate บอกเราเกี่ยวกับไวบ์โค้ดดิ้ง

ข้อถกเถียงล่าสุดเกี่ยวกับ AI และอาชีพสายโปรแกรมมิง

  • ช่วงหลังมานี้มีทั้งมุมมองว่า โมเดลภาษาขนาดใหญ่ (LLM) จะเข้ามาแทนที่โปรแกรมเมอร์ และข้อโต้แย้งว่ามันทำไม่ได้
  • ฝ่ายหนึ่งอ้างว่าเมื่อใช้ LLM สร้างเครื่องมือง่าย ๆ ได้ ก็แปลว่า โปรแกรมเมอร์ทุกคนจะตกงานในไม่ช้า
  • ขณะที่อีกฝ่ายก็มีเสียงที่ปฏิเสธประโยชน์ของเครื่องมือเหล่านี้ไปเสียทั้งหมด
  • ผู้เขียนย้ำว่าความเห็นที่แบ่งขั้วเช่นนี้จำเป็นต้องมองด้วย มุมมองที่ละเอียดมากขึ้น

พัฒนาการของแมชชีนทรานสเลชันและผลกระทบที่เกิดขึ้นจริง

  • Google Translate ก้าวหน้าอย่างมากหลังจากนำ Neural Machine Translation (NMT) มาใช้ในปี 2016
  • หลายคนเคยคาดการณ์ว่า เทคโนโลยีแปลภาษาด้วย AI จะทำให้อาชีพนักแปลและล่ามหายไป
  • แต่ในความเป็นจริง คนจำนวนมากที่พูดเช่นนั้น ไม่เคยมีประสบการณ์ทำงานแปลหรืองานล่ามมาก่อน
  • แม้จะยอมรับว่าแมชชีนทรานสเลชันมีประโยชน์ แต่คำพูดทำนองว่า “ไม่จำเป็นต้องมีล่ามอีกต่อไปแล้ว” นั้น เป็นความเข้าใจผิดเกี่ยวกับแก่นแท้ของงานแปลจริง

ความแตกต่างระหว่างนักแปลมนุษย์กับการแปลด้วยเครื่อง

  • งานจริงของ นักแปลและล่าม ไม่ได้มีแค่การเปลี่ยนคำศัพท์และไวยากรณ์เท่านั้น แต่ให้ความสำคัญกับ การทำความเข้าใจบริบท การคลี่คลายความกำกวม และความไวต่อวัฒนธรรม
  • ตัวอย่างเช่น แม้นอร์เวย์จะเป็นภาษาที่คล้ายภาษาอังกฤษ แต่ด้วย ความต่างทางวัฒนธรรม เช่น วิธีใช้ถ้อยคำสุภาพ ทำให้แมชชีนทรานสเลชันไม่สามารถถ่ายทอดความหมายที่ละเอียดอ่อนได้ครบ
    • คำว่า “Jeg vil ha potetene(ขอมันฝรั่ง)” ในภาษานอร์เวย์ หากแปลตรงตัวเป็นอังกฤษจะฟังดูหยาบ แต่ในการสนทนาจริงจำเป็นต้องแปลตามความหมายให้สอดคล้องกับบริบท
    • Google Translate ไม่สามารถจัดการนัยที่ละเอียดอ่อนแบบนี้ได้
  • ในทางปฏิบัติ หากใช้แต่การแปลด้วยเครื่องใน บทสนทนาประจำวันหรือสถานการณ์ทางการ ก็อาจทำให้เกิดความเข้าใจผิดได้
  • สำหรับภาษาอย่างญี่ปุ่นที่ไวยากรณ์และบริบทต่างจากภาษาอังกฤษมาก การแปลด้วยเครื่องอาจ สื่อความหมายผิดหรือสร้างประโยคที่ผิดไวยากรณ์ ได้

วิธีใช้งานแมชชีนทรานสเลชันในโลกจริง

  • นี่ไม่ได้หมายความว่า Google Translate เป็นเครื่องมือที่ไม่ดี
  • ตัวอย่างการใช้งานที่เป็นประโยชน์คือ ใช้เป็นตัวช่วยเมื่อ ผู้ใช้เข้าใจบริบททางภาษาและวัฒนธรรมอยู่แล้ว และต้องการขัดเกลาสำนวน
  • ตัวอย่างสถานการณ์ เช่น “ฉันรู้อยู่แล้วว่าต้องการจะพูดอะไร แต่อยากดูว่ามีวิธีพูดให้เป็นธรรมชาติมากกว่านี้ไหม”
  • นักแปลมนุษย์ เองก็ผสาน AI เข้าไปในเวิร์กโฟลว์การทำงานด้วย
  • บทบาทของผู้เชี่ยวชาญมนุษย์คือ ประเมินผลลัพธ์ที่ AI เสนอ และปรับให้เข้ากับบริบทและจุดประสงค์

ความคล้ายคลึงกันระหว่างการเขียนโปรแกรมกับงานแปล

  • โดยแก่นแท้แล้ว โปรแกรมเมอร์ก็มีบทบาทคล้าย ‘นักแปล’ คือการแปลงความต้องการของมนุษย์ที่กำกวมและซับซ้อน ให้เป็นภาษาที่ตายตัวซึ่งคอมพิวเตอร์เข้าใจได้
  • การเขียนโปรแกรมคือการทำงานเชิงสร้างสรรค์ที่แปลง ความกำกวมและบริบททางวัฒนธรรม ของมนุษย์ให้เป็น ภาษาที่ชัดเจน สำหรับคอมพิวเตอร์
  • เดิมทีภาษาโปรแกรมมี abstraction อยู่มาก จึงมีอุปสรรคในการเข้าถึงสูงกว่าการแปลด้วยเครื่อง แต่จากพัฒนาการของเครื่องมือ AI ในช่วงหลัง อุปสรรคนั้นกำลังลดลง
  • แต่ AI ยังไม่ถึงระดับที่จะเข้าใจบริบทและความซับซ้อนได้อย่างสมบูรณ์จนมาแทนที่ได้

แนวโน้มในอนาคต

  • สักวันหนึ่ง AI อาจ จัดการได้แม้กระทั่งบริบทและความกำกวม แต่ในตอนนี้ข้อจำกัดยังชัดเจน และยังต้องใช้เวลาอีกมาก
  • แม้เครื่องมือ AI จะพัฒนาอย่างรวดเร็ว แต่ ประเด็นจริยธรรมและการใช้งานเครื่องมืออย่างรับผิดชอบ ก็ยังคงเป็นเรื่องสำคัญ

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-06-19
ความคิดเห็นจาก Hacker News

  • มีความเห็นเห็นด้วยกับประเด็นที่ว่างานของนักแปลและล่ามมีส่วนที่ Google Translate ตามไม่ทันในเรื่องการเข้าใจบริบท การคลายความกำกวม และการรับมือกับความอ่อนไหวทางวัฒนธรรม แต่หากให้พรอมป์ต์กับ LLM อย่างเหมาะสม ก็สามารถเลียนแบบความสามารถเหล่านี้ได้ค่อนข้างดี ผู้แสดงความคิดเห็นซึ่งมีประสบการณ์แปลภาษาญี่ปุ่น-อังกฤษเน้นว่า LLM มีความสามารถด้านการแปลสูงกว่ามาก และได้สร้างระบบแปลเองด้วย Claude Code โดยผสาน LLM หลายตัวเข้าด้วยกัน ระบบจะถามตัวเลือกจากผู้ใช้ก่อน เช่น วัตถุประสงค์ของการแปล การปรับให้เข้ากับวัฒนธรรมหรือไม่ และจะใส่คำอธิบายประกอบหรือไม่ จากนั้นจึงส่งพรอมป์ต์ที่สอดคล้องกันไปยังสามโมเดล (OpenAI, Anthropic, Google) เพื่อสร้างฉบับร่างที่รวมผลแปลของทั้งหมด แล้วค่อยเกลาหลายรอบ ผลทดสอบสั้น ๆ พบว่าดีกว่าโมเดลเดี่ยวอย่างชัดเจน เหนือกว่า Google Translate มาก และให้ผลลัพธ์ระดับนักแปลมืออาชีพชั้นนำ อย่างไรก็ตาม งานล่ามโดยเฉพาะล่ามแบบเผชิญหน้าเป็นอีกกรณีหนึ่ง และในการแปลทั่วไปที่บุคลิกหรืออัตลักษณ์ของนักแปลมนุษย์ไม่ได้สำคัญมาก ก็เริ่มรู้สึกว่ามนุษย์แข่งขันได้ยากขึ้นเรื่อย ๆ

    • กำลังวิจัยการแปลด้วย LLM อย่างจริงจังในแอปเพื่อการเรียนรู้ของตน nuenki.app โดยคัดเลือกโมเดลชั้นนำหลายตัวให้แปลแยกกัน แล้วใช้โมเดลสุดท้ายในบทบาท “กรรมการตัดสิน” เปรียบเทียบและรวมคำแปลเพื่อคัดเลือกฉบับที่ดีที่สุด เป็นเครื่องมือโอเพนซอร์สที่สามารถ ลองใช้ได้ และเผยแพร่งานวิจัยไว้ ที่นี่
    • หลังได้ยินเรื่องระบบที่ส่งข้อความให้หลายโมเดลซ้ำ ๆ เพื่อผ่านกระบวนการแก้ไข-ตรวจทาน-ขัดเกลา ก็ทิ้งความเห็นไว้อาลัยล่วงหน้าให้กับการใช้ไฟฟ้าทั่วโลก
    • จากประสบการณ์ตรงที่ญี่ปุ่น ยิ่งตระหนักว่าการให้บริบทเพิ่มเติมระหว่างการแปล ความเป็นไปได้ที่จะถามต่อ และความสามารถในการอนุมานจากข้อความนั้นสำคัญมากเพียงใด ทุกวันมักมีคำถามเกี่ยวกับสำนวนภาษาญี่ปุ่นในบริบทเฉพาะหรือวิธีถ่ายทอดให้เหมาะกับสื่อแต่ละแบบ และคิดว่ารูปแบบการสนทนาเช่นนี้น่าจะทำให้เป็นอัตโนมัติได้มากขึ้นผ่าน custom instructions
    • ชี้ปัญหาของการแปลด้วย LLM ว่าหากระบบตัดสินว่าหัวข้อที่แปลขัดต่อนโยบายการใช้งาน ก็อาจปฏิเสธการแปลแม้บริบทจะเหมาะสมเพียงใด เช่น แค่มีเนื้อหาเกี่ยวกับศาสนาก็อาจถูกจำกัด
    • ถามถึงวิธีจัดการแปลข้อความที่ยาวเกิน context window ปกติ หากแบ่งข้อความออกเป็นหลายส่วน ก็ต้องใส่สรุปของส่วนก่อนหน้าไว้ในแต่ละช่วง และยังลังเลว่าควรละเอียดแค่ไหนจึงจะเหมาะสม

  • ยกตัวอย่างว่าการแปลด้วยเครื่องเป็นเครื่องมือที่มีประโยชน์ แต่ยังไม่ถึงขั้นแทนที่ผู้เชี่ยวชาญทั้งหมดได้ เครื่องมือช่วยเขียนโค้ดด้วย AI ก็น่าจะคล้ายกัน และคงต้องมีการก้าวกระโดดทางเทคโนโลยีครั้งใหญ่อีกครั้ง จึงจะทำให้ความกังวลว่าเหล่าผู้เชี่ยวชาญเดิมจะหายไปทั้งหมดกลายเป็นจริง หลายปีมานี้มีการคาดการณ์ว่า AI ด้านรังสีวิทยาจะมาแทนคนโดยสมบูรณ์ แต่ในความเป็นจริงความต้องการวินิจฉัยภาพกลับเพิ่มขึ้น และแม้ AI จะช่วยเพิ่มประสิทธิภาพ ก็ไม่เคยทำให้ต้องใช้คนน้อยลง ตรงกันข้ามกลับยิ่งขาดแคลนรังสีแพทย์หนักขึ้น

    • เมื่อตอนเริ่มเรียนภาษาญี่ปุ่นเมื่อ 15 ปีก่อน Google Translate ยังแปลแม้แต่ประโยคพื้นฐานไม่ได้ดีนัก แต่ปัจจุบันสามารถสร้างผลลัพธ์ใกล้เคียงเจ้าของภาษาจากประโยคซับซ้อนที่ตนเขียนเองได้ และเมื่อให้เจ้าของภาษาตรวจร่วมกันก็ได้รับความเห็นว่า “ยังไม่สมบูรณ์ แต่ดีมากและสื่อความหมายชัดเจน” ทุกวันนี้นอกจากเอกสารอ่อนไหวมากอย่างสัญญากฎหมาย ก็รู้สึกตรงไปตรงมาว่าอนาคตของนักแปลมืออาชีพค่อนข้างมืดมน
    • กล่าวถึงกรณีบทความ NYT เกี่ยวกับ AI ด้านรังสีวิทยา ปัจจุบันส่วนใหญ่ยังใช้ CNN ขนาดเล็กจากยุคก่อนกลางทศวรรษ 2010 และคนทั่วไปมักคิดว่า “AI” = ChatGPT แต่สถาปัตยกรรมเบื้องหลังจริง ๆ ยังเป็นรูปแบบที่เก่ามาก ยังไม่แน่ชัดว่าหากนำ AI รุ่นใหม่อย่างทรานส์ฟอร์เมอร์มาใช้ในรังสีวิทยาจะดีขึ้นแค่ไหน แต่ก็ค่อนข้างมั่นใจว่าน่าจะทำให้ประสิทธิภาพสูงขึ้น

  • ประเด็นที่ว่างานแปลแตกต่างจากที่จินตนาการไว้ ทำให้นึกถึงกรณี “การทำให้เข้าท้องถิ่น (localization)” ในภาพยนตร์ Pixar เช่น ฉากโต๊ะอาหารที่เด็กโลกตะวันตกไม่ชอบบรอกโคลี ในเวอร์ชันญี่ปุ่นถูกเปลี่ยนเป็นถั่วเขียวซึ่งเป็นสิ่งที่เด็กญี่ปุ่นไม่ชอบ

    • แสดงความสงสัยว่ากรณีการแปลให้เป็นถั่วเขียวนั้นเป็นเรื่องจริงหรือไม่ พร้อมเห็นว่าการได้สัมผัสวัฒนธรรมอื่นและเรียนรู้ความแตกต่างผ่านหนังต่างประเทศเป็นเรื่องที่ดี จึงน่าเสียดายหากการทำ localization ทำให้ความแตกต่างนั้นหายไป
    • มีม ‘Brock’s jelly filled donuts’ จาก Pokémon (ของเดิมคือ ‘โอนิกิริ’ แต่ในเวอร์ชันอเมริกาแปลเป็นโดนัท) ลิงก์ที่เกี่ยวข้อง

  • เห็นด้วยกับบทความในหลายส่วน แต่ชี้จุดที่น่าเสียดายข้อหนึ่ง เช่น ตรรกะที่ว่า “แม้ในโลกที่ไม่มี Google Translate ก็มีคนไม่มากนักที่จะเรียนภาษาญี่ปุ่นหรือจ้างนักแปลอยู่ดี” หากนำไปใช้กับสภาพแวดล้อมการพัฒนา SW ก็อาจหมายความว่าผู้ใช้ส่วนใหญ่ของ “แอปคุณภาพต่ำที่สร้างด้วย AI” เดิมทีก็ไม่ได้สนใจการพัฒนาซอฟต์แวร์อยู่แล้ว ดังนั้นเรื่องนี้อาจไม่ได้ทำให้งานของนักพัฒนา SW ลดลงมากนัก แต่การพัฒนาซอฟต์แวร์มีคุณลักษณะที่ต่างออกไปโดยพื้นฐาน เช่น ขนาดของโอกาสทางธุรกิจและต้นทุน จึงเป็นไปได้ว่า AI จะส่งผลต่ออุปสงค์งานนักพัฒนาเดิมจริง

    • ในทางกลับกันก็คิดว่าการแพร่หลายของ AI อาจสร้างงานใหม่เพิ่มขึ้นได้ หากผู้ใช้สร้าง SW ได้ด้วยตนเอง ก็จะยังมีงานให้ผู้เชี่ยวชาญเข้ามาขัดเกลา ขยายระบบ และเสริมความปลอดภัยต่อไปเรื่อย ๆ พร้อมยกอุปมา “ขบวนช้าง”
    • กล่าวถึงว่า Google Translate มีประโยชน์มากสำหรับผู้เริ่มต้น แต่ยังแทนระดับนักแปลมืออาชีพไม่ได้ แม้ตนเองจะมีภาษาญี่ปุ่นเพียงระดับต้น ก็พบหลายกรณีที่ต้องเข้าใจบริบทท้องถิ่นจึงจะเห็นความหมายจริง และในช่วง 15 ปีที่ผ่านมาให้ความรู้สึกว่าพัฒนาการหลักคือความเร็วที่เพิ่มขึ้นมากกว่าคุณภาพ ฟีเจอร์แปลภาพแบบ OCR เรียลไทม์ก็ดูเหมือนจะไม่ได้พัฒนาเองแต่ได้มาจากการซื้อแอปหนึ่งมา (Magic Lens?) ส่วนการเขียนโค้ดอัตโนมัติบนฐาน LLM ก็มองว่าอาจอยู่ในระดับ “ค่อนข้างดีแต่ขาดอะไรไปนิด” แบบนี้ต่ออีกสัก 10 ปี
    • เหตุผลที่สมเหตุสมผลที่สุดที่คนเขียนโค้ดตัวจริงรู้สึกถูกคุกคามจาก AI คือการเพิ่มผลิตภาพอย่างมากจาก AI อาจนำไปสู่การลดจำนวนตำแหน่งงานจริง ๆ เป้าหมายไม่ใช่การเขียนโค้ดเอง แต่คือ “งานที่เสร็จสมบูรณ์และใช้งานได้” ดังนั้นแม้คุณภาพจะลดลงบ้าง ถ้าจำนวนคนลดได้ นี่แหละคือความต่างที่สำคัญ
    • มีความเห็นว่า AI art กับการสร้างโค้ดด้วย AI ต่างกันโดยแก่นแท้ เป้าหมายของศิลปะคือตัวศิลปะเอง และขนบทางวัฒนธรรมรวมถึงการมีอยู่ของศิลปินเป็นหัวใจ แต่การพัฒนา SW ไม่ได้มีจุดหมายที่ตัวโค้ดเอง หากแต่อยู่ที่การได้ผลลัพธ์ที่ต้องการ (แอป) จึงอาจทำให้ความจำเป็นของมนุษย์ลดลงได้ เปรียบเทียบกับความเปลี่ยนแปลงบทบาทของจิตรกรหลังการเกิดขึ้นของการถ่ายภาพ กับการที่พนักงานกดลิฟต์ถูกแทนที่ด้วยปุ่มกด
    • แสดงมุมมองเชิงสงสัยต่อโฆษณาแนว “AI” เช่น เครื่องมือสร้างเว็บไซต์ด้วย AI

  • แม้ไม่มีหลักฐานทางสถิติ แต่รู้สึกว่าเพื่อนนักแปลรอบตัวกำลังเจองานหายไปแทบหมดจริง ๆ และบรรยากาศนี้รุนแรงขึ้นอย่างรวดเร็วหลังการมาของ LLM ทั้งในฟอรัมของนักแปล กลุ่ม Facebook และ เธรด Reddit นี้ ต่างเต็มไปด้วยปฏิกิริยาในแง่ลบ แม้ผลลัพธ์จากผู้เชี่ยวชาญจะยังดีกว่ามาก แต่ตลาดส่วนใหญ่ยกเว้นงานอ่อนไหวบางประเภทก็แทบหายไปแล้ว จึงกังวลว่าคงแนะนำเส้นทางอาชีพนักแปลให้ลูกได้ยาก

    • แม้แต่ทีมแปลมืออาชีพก็พบว่า LLM ทำให้คนคนเดียวรับงานแทนหลายคนได้ และคุณภาพก็ดีขึ้นแบบเทียบกับระบบแปลอัตโนมัติเดิมไม่ได้เลย หากมีผู้ตรวจทานเพียงคนเดียว LLM ก็สามารถแปลแล้วปรับโทนหรือภาษาถิ่นให้ละเอียดตามต้องการได้ ซึ่งทุกวันนี้ทำได้ดีมากอยู่แล้ว

  • ชี้ว่างานแปลไม่ว่าจะโดยคนหรือเครื่อง มีปัญหาตรงที่ยากจะตรวจสอบได้ด้วยตัวเองว่าผลลัพธ์ถูกต้องหรือไม่ สุดท้ายจึงต้องเลือกว่าจะเชื่อผลแปลไปเลย หรือจะเชื่อคนมากกว่าเครื่องหรือกลับกัน ซึ่งโดยทั่วไปก็มักเชื่อมนุษย์มากกว่า แต่ก็เคยมีประสบการณ์ที่นักแปลแปลแบบขอไปทีแล้วมีคนอื่นมาบอกเช่นกัน เรื่องนี้คล้ายกับ vibe coding (การสร้างโค้ด) ตรงที่ผู้ใช้มักตัดสินความถูกต้องของผลลัพธ์ได้ยาก จึงยังต้องการความเชี่ยวชาญที่ตรวจสอบได้

    • เหตุผลที่เชื่อเครื่องน้อยกว่า กลับเป็นเพราะเรารับรู้ถึงความแม่นยำของมันไม่มากพอ เช่น การคำนวณที่ชัดเจนอย่างการคูณนั้น คนกลับเชื่อเครื่องคิดเลขมากกว่านักคณิตศาสตร์ เป็นจิตวิทยาแบบเดียวกัน
    • มีความเห็นว่าวิธีหนึ่งในการตรวจสอบผลแปลด้วยเครื่องคือใช้ “การแปลวนกลับ (A->B->A)” แม้ไม่สมบูรณ์แบบ แต่ก็เพิ่มความเชื่อมั่นได้พอสมควร
    • ในแง่หนึ่งเราสามารถนำผลลัพธ์ไป “ใช้งานจริง” ได้ เช่น ถ้าเป็นโค้ดก็รันดู ถ้าเป็นคำแปลก็ลองใช้ในบริบทจริง ซึ่งช่วยให้มีตัวชี้วัดระดับหนึ่งว่าถูกต้องเพียงใด

  • อ้างความเห็นที่ว่า AI ในอนาคตอาจไม่ใช่ว่าจะจัดการบริบทและความกำกวมแบบมนุษย์ไม่ได้ แต่ถึง AI จะก้าวหน้าเพียงใด ก็ยังรู้สึกว่ายากจะทดแทนความช่ำชองของนักพัฒนารุ่นเก๋าที่ผ่านประสบการณ์แก้ปัญหา service outage ตอนตี 2 มามากมาย แม้ยินดีต้อนรับ vibe coder ที่ช่วยสร้างบรรยากาศที่ดี แต่สุดท้ายก็คงยังไม่อาจรีแฟกเตอร์โค้ดขนาดใหญ่แบบเลกาซีได้ลำพัง

  • อธิบายว่างานที่นักแปลทำจริงนั้นมีหลายอย่าง เช่น “การแปลสำนวน”, “การอธิบายการอ้างอิงทางวัฒนธรรม (ศิลปะ ประวัติศาสตร์ อาหาร ฯลฯ)”, “การตีความและถ่ายทอดคุณค่าทางวัฒนธรรมของแต่ละประเทศ (เสรีภาพ ความหลงใหล ความยืดหยุ่น ฯลฯ) ให้สอดคล้องกับบริบท”, “การปรับโทนคำแปลให้เข้ากับรูปปากนักแสดงในการพากย์”, และ “การสร้างสรรค์ประโยคที่งดงาม (Artful prose)” ซึ่งเป็นส่วนที่ต้องการความละเอียดอ่อนแบบมนุษย์มาก จึงมองว่า LLM คงท้าทายพื้นที่เหล่านี้ได้ไม่ง่ายนัก

  • มีข้อเสนอแนะเกี่ยวกับข้อจำกัดและคุณภาพที่ถดถอยของ Google Translate โดยเฉพาะฟีเจอร์แปลใน Chrome ที่มักตรวจภาษาจีนตัวเต็มผิดเป็นภาษาญี่ปุ่นจนเกิดข้อผิดพลาดร้ายแรง อดีตเคยทำงานได้ดี แต่ช่วงหลังกลับถอยหลังลงทั้งที่แทบไม่มีอะไรเปลี่ยนแปลง สร้างความไม่พอใจมาก และสิ่งที่น่าหงุดหงิดที่สุดคือผู้ใช้ไม่มีทางแก้ความผิดพลาดนั้นได้เองเลย

    • มีความเห็นว่านี่ไม่ใช่ปัญหาของ Google Translate เอง แต่เป็นปัญหาของโมเดลภายในเครื่องของ Chrome ที่ใช้ตรวจจับภาษาก่อนแปล พร้อมให้ข้อมูลเกี่ยวกับโมเดลภายในเครื่องดังกล่าว CLD3
    • มีคนเสนอว่าควรแยกรหัสตัวอักษรตามภาษาใน Unicode ให้ชัดเจนตั้งแต่ต้น เพราะโครงสร้างปัจจุบันดูทำให้ LLM สับสนเมื่อเรียนภาษาจีนกับภาษาญี่ปุ่นร่วมกัน อีกทั้งโครงสร้างไวยากรณ์ก็กลับด้านกันและความสัมพันธ์ของส่วนขยายก็แตกต่างกันจึงยิ่งทำให้งง
    • สุดท้ายคาดว่าเมื่อในไม่ช้าจะมี LLM ที่เร็ว ราคาถูก และคุณภาพดีพอ ก็จะมาแทนเอนจินเดิมของ Google Translate และยังมองว่าตลอด 1 ปีหลังมานี้ Google คงไม่ได้ทุ่มเวลาให้เอนจินแปลแม้แต่ชั่วโมงเดียว

  • มีการแชร์เรื่องเล่าจากความล้มเหลวของการแปลด้วยเครื่องด้วยเช่นกัน: กรณีแปลผิดชวนขำจาก OSNews