车机本地化远非文本翻译那么简单。本演讲将聚焦中国车企出海时面临的独特困境：当中文作为源语言时，如何避免 “二次翻译” 造成的周期损耗与语义偏差？我们将拆解车机本地化测试的全流程，介绍不同的测试场景。并展示不同语种在UI布局、RTL适配及语音识别中的真实“踩坑” 案例。此外，还会从安全、交互、生态等五个维度，剖析车机本地化与传统APP本地化的本质区别。帮助听众建立一套从 “救火式” 翻译到 “系统性” 测试的完整认知。
车机本地化远非文本翻译那么简单。本演讲将聚焦中国车企出海时面临的独特困境：当中文作为源语言时，如何避免 “二次翻译” 造成的周期损耗与语义偏差？我们将拆解车机本地化测试的全流程，介绍不同的测试场景。并展示不同语种在UI布局、RTL适配及语音识别中的真实“踩坑” 案例。此外，还会从安全、交互、生态等五个维度，剖析车机本地化与传统APP本地化的本质区别。帮助听众建立一套从 “救火式” 翻译到 “系统性” 测试的完整认知。
在 UI 设计中关注国际化的必要性
在国际化设计时需要关注哪些方面
如何做国际化设计来减少未来的本地化问题
如何利用 AI 来做国际化设计
作为文档团队，通常是“背锅侠”，声量帮助。我们如何找到破局之道？通过结构化转型和AI内容创作重构手册开发流程。支持本地化和全球业务，提升团队核心价值。富媒体转型，提升团队产出价值和客户满意度。在不同的节点，我们做了什么规划与探索！分享我们团队的转型之旅 ，给其它探索中的团队一些启发。
错误信息是软件与用户沟通的关键触点，其表达质量直接影响问题解决效率和用户满意度。然而，传统的错误信息管理存在系统性问题：开发者使用技术术语编写，用户难以理解；内容分散在代码各处，缺乏统一管理；多语言翻译质量不稳定，术语不一致；用户查找和获取信息路径复杂低效。这些痛点本质上反映了技术内容管理体系的缺失。
本演讲提出一套系统化方法论，覆盖错误信息完整生命周期：
• 内容设计：建立用户中心的信息架构和写作标准，将技术语言转译为可理解、可操作的用户语言
• 智能生产：利用AI自动识别代码中的错误源，结合上下文智能生成符合技术写作规范的友好表述
• 专业本地化：构建领域术语库和翻译记忆库，确保多语言内容的准确性和一致性
• 高效交付：通过智能知识库实现自然语言查询和个性化诊断建议
该方法论已通过实践验证，可为技术传播团队提供可落地的智能化转型参考。
北京信息科技大学在《技术传播校企合作指南》团体标准指导下在以下几个方面取得了喜人的进展：1） 教育合作。信息科大创办了全国首个技术传播微专业，面向各专业本科生。课程建设方面，校内技术传播类课程覆盖翻译专业本科、MTI研究生、全校通识选修、微专业等四个层次；聘请行业导师共同开发课程和实验室。2） 研究合作。学校承接企业订单式研究项目；3）增值合作。学校参加行业标准制定，并开展咨询活动。4）管理合作。学校举办行业交流论坛，搭建行业和教育界交流的平台。 技术传播行业与高校的合作还面临一些问题，本发言也进行了一些梳理。
英伟达的技术文档体系，是其构建 CUDA 生态壁垒、实现产品与开发者高效连接的核心竞争力。本次演讲将深度拆解英伟达官网文档的 架构设计、写作逻辑、创作工具与发布体系，揭示其如何通过标准化、模块化、场景化的文档，降低开发者门槛、强化技术话语权。在此基础上，对比国内 AI 芯片企业的文档现状，剖析硬件性能追赶之外，技术文档与生态体系的关键差距与追赶路径，为国产芯片的生态突围提供可落地的参考。
技术写作者常常耗费大量时间在重复性任务上，例如从缺陷跟踪系统中提取信息、跨平台重新编排内容格式，以及让文档与多个系统保持同步。模型上下文协议（MCP）是一个用于将AI助手连接到企业工具的开源标准，它为此提供了一个实用的解决方案。
本次分享将通过一个真实案例——自动化生成发布说明——来介绍MCP。我们将探讨MCP是什么、它是如何工作的，以及为什么技术文档人员应该关注它。通过一个实际的演示，我们将剖析实施基于MCP的自动化所涉及的关键决策：在现有服务器与构建自定义服务器之间如何选择、如何平衡自动化与人工审核，以及如何衡量实际节省的时间与投入的精力。
与会者将了解到如何针对自己的重复性任务评估MCP的应用价值，在哪里可以找到现成的MCP服务器，以及如何迈出利用AI实现文档自动化的第一步。
生成式AI的兴起正在从根本上重新定义内容策略的边界与价值。传统的”规划→创建→分发→管理”内容闭环虽然框架依然适用，但其内核已发生深刻变革：从”制造文档”转向”构建智能内容生态系统”，从服务”人类阅读”转向兼顾”机器理解与调用”。这不是对现有内容策略的简单补充，而是一次范式级的重塑。
本议题将深入探讨如何构建“智能内容生态系统”，不仅要让知识在人机协作中持续增值，更要实现内容团队从单纯的信息传播者向智能决策支撑者的价值跃迁。对于从业者而言，掌握这一新逻辑意味着从执行者升级为企业知识基础设施的架构师。
AI 正在极大地放大外部世界：信息更多、分析更快、选项更多。但一个反直觉的后果正在出现：为什么用了 AI，决策反而更难？人们也越来越害怕做决策？
当 AI 可以同时给出多个“看起来都合理”的答案时，传统依赖外部分析、数据与模型的决策方式开始失效。外部系统已经无法再替人完成真正的取舍。这意味着一个关键转变正在发生：AI 的出现，正在把决策从“向外寻找答案”，推回到“向内完成判断”。换句话说，AI 不是决策的对手，而是终于把决策的最后责任，重新交还给人。这意味着，当AI 把外在部分做到极致，反而促使人们在升级决策角色：从外在信息与环境的决策分析者，转变成对齐内在价值观、目的、意义的首席决策管。
而首席决策官要做的事情是：当选项趋近无限、效率极高，真正决定结果的，不再是掌握了多少信息，而是是否清楚：你为什么而选？你愿意为哪一个决策方向承担代价？你在犹豫的背后，是理性权衡，还是内在回避？
本议题聚焦 AI 时代决策者面临的真实卡点，探讨为什么决策难度正在从技术层面，转移到人的认知、心理与身份层面，并引入 Purpose-driving Decision Making（目的导向决策）视角。帮助听众理解：当 AI 把外部做到极致，真正不可回避的，是人类内部决策能力的升级，决策必须回到一个‘整体的人’身上完成最后的判断。决策不是只有外部信息，而是人在复杂环境中的整合判断。
听众将带走的，不是更多工具或模型，而是一种更清晰的决策视角：在 AI 提供支持的同时，如何完成那些只有“人”才能完成的关键取舍。
制造型企业验证工作长期面临隐性经验随人流失、纸质模式难以支撑知识复用的困境。本演讲以制药设备验证数字化转型实践为案例，阐述如何运用SECI知识转化模型，将分散的验证经验系统性地沉淀为可复用的显性资产，构建覆盖验证全生命周期的知识管理体系。
演讲将完整呈现从现状诊断、系统架构设计到知识运营的方法论路径，重点剖析SECI四阶段在验证场景中的映射规律，以及Know-What/Know-How/Know-Why/Know-Whom四维知识图谱的搭建框架。通过跨行业对照，展示制药、医疗器械、精密制造等领域验证工作的适配应用。
听众将收获一套验证工作数字化转型的知识转化方法论，了解关键实施步骤、系统集成策略与风险管控要点，掌握可复用的验证知识资产沉淀框架，为技术传播与知识管理实践提供可落地的转型路径。
中国技术传播领域专家和决策者的行业盛事
微信公众号：
