“辛頓·喬姆斯基·語言學發展”多人談

［編者按］2024年4月8日，有“人工智能教父”之稱的杰弗里·辛頓（GeoffreyE.Hinton）在都柏林大學接受尤利西斯獎章的獲獎感言里，對喬姆斯基提出了毫不客氣的批評：“語言學家被一個名叫喬姆斯基的人誤導了好幾代……他有一個偏執古怪的理論，即語言不是學會的。他成功地說服很多人相信這一點。但這一看就知道純粹是胡言亂語。語言顯然是學會的。大型神經網絡學習語言，不需要任何先天結構，只是從隨機權重和大量數據開始。喬姆斯基卻仍然在說，但這并非真正的語言，這不算數，這是不對的。許多統計學家和認知科學家也說，永遠不可能在這樣一個大網絡里學習語言。喬姆斯基從來沒有提出任何一種有關語義的理論。他的理論全是關于句法的。”這篇發言引起了中國語言學界的關注，陳國華教授把它譯為中文，以《杰弗里·辛頓接受尤利西斯獎章時發表的獲獎感言》為題，發表在《當代語言學》2024年第4期上。10月8日，霍普菲爾德（JohnJ.Hopfield）和辛頓以“通過人工神經網絡實現機器學習的基礎性發現和發明”獲得諾貝爾物理學獎后，關于大語言模型和語言學發展、辛頓和喬姆斯基的話題再度爆火。

一位人工智能大家，獲得了諾貝爾物理學獎；他批評了一位美國的著名語言學家，卻引發了中國語言學者的熱烈討論，反思中國語言學的問題。這形成了一個奇妙的蝴蝶效應。我刊隨即與《當代語言學》編輯部籌劃，聯合舉辦“大語言模型與語言學發展座談會”。10月17日，座談會在商務印書館召開，線上線下學者各陳己見。我刊特就此設多人談欄目與學界共享。

數字智能和人類智能學習語言的方式不能等同

馮志偉（新疆大學中國語言文學學院） 近來，“人工智能教父”辛頓在2024年2月19日牛津大學的羅曼斯講座中，在4月8日獲得尤利西斯獎章的演講中，不斷地批評喬姆斯基，指責他的語言學理論是瘋狂的理論；甚至在10月8日得到獲諾貝爾獎的消息時，也不忘踩喬姆斯基一腳，指責他的理論是胡說八道。

辛頓不遺余力地批評喬姆斯基，主要原因在于他和喬姆斯基對于語言理解和人工智能發展的觀點存在著顯著的差異。

（1）語言習得機制。辛頓認為語言習得主要依賴于大語言模型的海量數據和神經網絡的權重調整。他堅信人工智能系統通過輸入大量語言數據，就可以像人類一樣學習到語言的結構和意義。而喬姆斯基則主張“刺激貧乏論”，認為兒童在語言習得時接受的外在的語言數據不多，受到的刺激是貧乏的。人類天生具備一種內在的語言習得機制，這種機制不是通過后天的刺激得來的，而是由先天的基因決定的。

（2）對大語言模型的理解。喬姆斯基認為，人工智能和人類在思考方式、學習語言與生成解釋的能力，以及道德思考方面有著極大的差異，如果ChatGPT式的機器學習程序繼續主導人工智能領域，那么人類的科學水平以及道德標準都可能因此降低。他指出，大語言模型依賴海量數據進行工作，實質上只不過是一種“剽竊”。辛頓批評喬姆斯基的觀點，認為當前的大語言模型有理解能力。辛頓強調，現在人們必須研究如何將人工智能置于人類的控制之下，并投入大量的研究精力。辛頓對人工智能的快速發展表示擔憂，認為我們正處在歷史的某個關鍵點，在接下來的幾年時間里，我們需要弄清楚是否有辦法應對這種威脅。特別是考慮到一旦這些人工智能失控，就會接管人類，使人類面臨生存威脅。

（3）方法論。辛頓的觀點代表了數據驅動和神經網絡的方法，這是一種聯結主義的方法；而喬姆斯基的觀點則代表了基于規則的方法，這是一種符號主義的方法。

總的來說，辛頓關注的是數字智能，并試圖把數字智能推廣到人類智能；而喬姆斯基則側重于基于規則和符號主義的方法，關注的是人類智能。他們的爭論有助于推動人工智能領域的研究和發展。但辛頓批評喬姆斯基的理論是胡說八道，實在是有些過分了。

我們認為，數字智能學習語言的方式與人類學習語言的方式并不完全相同。人類的語言習得有先天的因素，也有后天的因素。而數字智能依賴海量數據，并不存在刺激貧乏的問題，沒有先天的因素。不能因為數字智能不存在刺激貧乏而否認人類語言具有先天的因素；也不能把數字智能與人類智能等同起來，忽視了二者的差別。

辛頓批評喬姆斯基的是與非

陳國華（北京外國語大學外國語言研究所）2024年4月8日，有“人工智能教父”之稱的辛頓獲得了尤利西斯獎章。在頒獎儀式上發表的獲獎感言里，他對喬姆斯基展開了毫不客氣的批評：“他有一個偏執古怪的理論，即語言不是學會的。他成功地說服很多人相信這一點。但這一看就知道純粹是胡言亂語。語言顯然是學會的。大型神經網絡學習語言，不需要任何先天結構，只是從隨機權重和大量數據開始。喬姆斯基卻仍然在說，但這并非真正的語言，這不算數，這是不對的?！边@段話包含兩個值得探究的議題。

一、人的語言能力是先天的還是后天學會的？

這是一個至今仍存在爭議的古老問題。我認為，爭議之所以一直存在，根本原因在于爭論者對于“語言”“能力”“學”這幾個基本概念的意義缺乏共識。如果我們把“語言”解讀成“說話”，人類顯然并非先天（即一出生）就有語言能力。嬰兒一出生就會哇哇叫；給他一個指頭之類的物體他會抓握；把他放入水里他會屏住呼吸，運動四肢。但我們不會把嬰兒的哇哇叫視為說話，不會把他手握物體視為使用工具，不會把他在水里的屏息運動視為潛泳。凡出生時不會而之后經過自身努力才獲得的能力，都是學會的。因此，語言當然是學會的。但是，所有動物，受其先天生理特征的限制，其學習能力都是有限的。鳥類永遠學不會像人類那樣哺育后代，人類也永遠學不會像絕大多數鳥類那樣揮動雙臂飛到天上。在這一意義上，人類的語言能力是人類獨具的一種受發育階段和各種后天情況制約的生理或先天機能。

如果我們把“語言”分解為口語和筆語（即書面語言）這兩種形式的語言，其獲得方式顯然不同。人類學說話，是其在嬰幼兒階段的一種本能的自發行為，只要有人不斷與他進行口頭交流，他就能學會對方的語言，不管對方說的是哪種語言，也不需要交流者刻意教他該語言詞匯的發音、意思和用法。人類學筆語，一般晚于學口語，而且不是其本能的自發行為，既需要他人刻意教授相關文字符號的寫法、讀音、意義、用法，也需要自己刻意學習這些知識。我推測，喬姆斯基看到嬰幼兒學習母語，既不需要老師像教算術那樣刻意地教，也不需要學生像學算術那樣刻意地學，為了以示區別，遂將這一過程稱為“獲得”（acquisition，中文一般譯作“習得”，英文詞義本身不含“習”）。用“語言獲得”來形容母語口語的學習，問題不大；用來指稱任何一種筆語的學習，都屬于用詞不當。

二、究竟什么是語言，語言機器產出的話語和文本是否算真語言？

究竟什么是語言，也是一個古老的問題。如果把語言定義為人類各族群發展出來的一套意思驅動（meaning-driven）、遵守常規（convention-abiding）、基于類推（analogy-based）、彼此不同（distinctfromoneanother）但大致可以互譯（essentiallytranslatableintoeachother）的符號系統，把人類的言語行為（verbalbehavior，注意不是speechact）定義為個人為了表達意思，利用某一語符系統或語符處理系統與他人進行的交流；那么，無論人類自身的言語產出或人類所發明語符處理系統的言語產出，只要滿足這一定義，就可算作語言。換句話說，語言機器模仿人類自然語言產出的人工語言，只要足夠自然，能以假亂真，就是真語言。

目前ChatGPT產出的話語，盡管非常流暢、自然，具有極高的仿真度，但仍未完全達到以假亂真的水平。首先，它無法完全正確理解人類的各種語言產出；其次，它只是對人類的話語做出回應，不像人類的不同個體那樣，出于表達自己意思的欲望進行言語交流，也不具有個人言語（idiolect）的特定個性或風格。只要使用者未提出特定要求，其所輸出話語的風格明顯單一，且表達直白而啰嗦。

盡管如此，辛頓還是有足夠的底氣嚴詞批評喬姆斯基，因為他做到了包括喬姆斯基在內的所有語言學家迄今遠遠無法做到的一件事，即讓機器產出了幾乎可以讓人以為是人類自然語言的話語。下一個問題是，語言學家該怎么辦？

辛頓獲得諾獎引發的思考

李宇明（北京語言大學）霍普菲爾德和辛頓是人工智能領域的大師，獲得了2024年諾貝爾物理學獎。辛頓在獲獎前后多次批評喬姆斯基，說他的語言學理論誤導了好幾代人。辛頓2024年4月接受尤利西斯獎章時的獲獎感言在《當代語言學》2024年第4期刊登之后，引起了中國語言學界的較大反應，引發了對語言學發展問題的深刻思考。

大語言模型問世不久，就把諾貝爾物理學獎授予人工智能科學家，說明頒獎者認識到人工智能對當今世界發展的重要意義。的確如此，在數字時代，所謂新質生產力都需要人工智能的加持。

語言智能是人工智能皇冠上的明珠。機器通過大數據處理就能“學會”語言，“獲得”語言智能，這是經驗主義、數據統計在語言處理上取得的輝煌成績。喬姆斯基語言學重視理性演繹，重視解釋性，重視規律的揭示，引領語言學從經驗主義發展到理性主義?？茖W本是尋求因果關系的，而以數據驅動的大語言模型重視的是統計頻率，據說沒有使用語言學的規則。在語言智能研究的歷史上，規則驅動也曾是主流理念，數據驅動也曾經身處低谷。現在有不少學者預測，數據驅動將來還會遇到發展的“天花板”，語言智能需要數據與規則“雙輪驅動”。由此可以理解辛頓為何會批評喬姆斯基。喬姆斯基做的是“語言科學”，要解釋的是人類習得語言的機制；辛頓做的是語言技術，理論上也只是在“技術科學”的層面。不同路向、不同追求、不同科學層面，自然會有分歧、有批評。而且可以預見這種批評是暫時的，語言智能的發展不可能總是只采用經驗主義路線。

語言學過去的研究精力主要在語言上，如果用“雞生蛋”做比喻，就是主要精力在研究雞蛋上。喬姆斯基將語言學引向對母雞的研究，探討母雞生蛋的原理。而人工智能的語言處理，是用“機器雞”生出蛋來。這對語言學提出了新的課題，即：不僅要研究碳基生命的“肉雞”所生之蛋（自然語言），還要驗證、修正喬姆斯基的原理；同時也需要研究硅基生命的“鐵雞”所生之蛋（機器的語言產品），以及鐵雞的生蛋原理；而且還需要研究這兩種蛋的異同、這兩種雞生蛋原理的異同，從而得出更高層面的語言學概括。語言學需要反思，需要開疆拓土，不能老在舒適區里慣性行走，更不能“抱殘守缺”。

“兩蛋兩雞”的研究，將極大豐富語言學，提升語言學的水平和影響力。而且也將促使語言學為語言智能的發展做出應有貢獻，提升語言學的學科穿透力。值得關注的是，當前語言學的社會應用場域已經十分狹窄，主要有語言教學（特別是外語教學）、翻譯、社會語言規劃等。如果能夠在語言數據、語言智能等領域找到作用域，也當為語言學開辟一方現代生活的應用場域。

親知是人腦語言學習的起點

陳保亞（北京大學中文系）基于辛頓反向傳播算法的人工神經網絡及其大語言模型能夠生成嶄新的合法句子，說明大語言模型已經獲得了一套可以生成自然語言文本的規則，解決了長期以來困惑自然語言處理的根本問題。這一進展對機器人發展的重要性，猶如自然語言符號系統的出現對人類發展的重要性。從此機器人可以和真人進行自然語言對話，直接閱讀、繼承和使用人類用自然語言記錄的浩瀚文本知識，并展開進一步的“認識”活動。

大語言模型還證實了哈里斯的分布理論的可行性。哈里斯在《從語素到話語》（1947）一文中提出了一種基于分布理論的發現程序，即只要對語素的分布做充分的描寫，就能生成全部話語。大語言模型唯一能夠利用的信息正是海量文本中語言片段的分布。大語言模型也證實了非線性回歸數學模型的可行性，因為大語言模型本質上是不斷調整參數權重，最終回歸出能生成合法句子最佳模型。

不過喬姆斯基對大語言模型的質疑仍然值得重視。大語言模型是一種從文本到文本的言知學習方式，而不是基于經驗學習的親知學習方式?；谘灾膶W習模式需要以大數據和超強運算這樣一種強儲算能力為基礎。相比之下，人類學習依賴的是弱儲算能力，必須還原出規則。人類的強項在于從親知和言知的互動中還原規則。比如漢語人通過觸覺、味覺、視覺等在親知布、木頭、草的過程中獲得“質料”的經驗，由此類推出“布鞋、木鞋、草鞋”等都是質料不同的鞋，這種類推可以平行周遍下去，生成“金鞋、玉鞋、銅鞋、鐵鞋、石鞋”等嶄新組合，由此還原出“質料+鞋”的組合規則。

大語言模型證實了規則隱藏于分布，但人工神經網絡黑箱如何提取規則還不清楚。人工神經網絡是模仿動物神經網絡而設計的，但動物中只有人類會語言，這說明大語言模型并未反映人腦語言學習的獨特機制。目前還沒有辦法有效區分動物神經網絡和人腦神經網絡。大語言模型并非像辛頓所說的那樣揭示了人腦語言學習機制，但是為理解人腦神經網絡和人工神經網絡的差異提供了窗口。人是符號動物，認識人腦最終還是要以語言符號系統的起源、演化和運轉為中心。親知活動是人類語言習得的起點，也是人類不斷進行創造性認識活動的源泉，缺少親知的認識活動是從書本到書本的認識活動，無法超越文本界限。將來機器人如果發展出類似真人的生物屬性，能夠在親知和言知互動的基礎上完成自然語言學習，將進一步提供一個從人工神經網絡認識人腦神經網絡的有效窗口。無論是現在的物理神經網絡還是將來的生化神經網絡，都為認識人腦語言機制提供了窗口。

這是語言統計技術的勝利，也是語言天生理論的失敗

袁毓林（澳門大學人文學院中國語言文學系） 語言學素來跟諾貝爾獎沒有瓜葛。今年的諾貝爾物理學獎授予人工智能專家霍普菲爾德和辛頓的消息甫一傳出，不僅眾多網友一臉懵：“憑人工智能的成績怎么拿物理學獎呢？”而且，在貌似無關的語言學界也掀起不小的風波。雖然從瑞典皇家科學院的授獎理由“表彰他們通過人工神經網絡實現機器學習的基礎性發現和發明”上，看不出這跟語言學有一丁半點兒的關系；但是，敏銳的語言學家從諾獎官網對辛頓的采訪中，再次聽到了他批評喬姆斯基的聲音：“大語言模型比很多人想象的更接近于真正的理解，喬姆斯基對語言大模型的理解能力的判斷是錯誤的，大模型的成功駁斥了語言學家的理論”，云云。

其實，從2022年底ChatGPT爆火帶動人工智能進入大眾視野以來，被譽為“深度學習之父”乃至“人工智能教父”的辛頓，已經多次在講演中直言不諱地批評喬姆斯基的語言觀。比如，他在《數字智能會取代生物智能嗎？》（2024年2月19日，牛津大學）中說：“喬姆斯基曾說語言是天賦而非學會的，這很荒謬?！粋€沒有先天知識的大型神經網絡僅僅通過觀察數據就能實際學習語言的語法和語義，……”。的確，辛頓領導他的團隊成功地把誤差反向傳播算法引入多層神經網絡訓練，開啟了深度學習的爆發式進步，為大語言模型理解和生成自然語言奠定了堅實的基礎。這次辛頓的獲獎，表明了國際權威學術機構對他在人工智能領域的杰出貢獻的認可。從自然語言處理的角度，也許可以說：這是基于大規模語料統計的語言技術的勝利，也是喬姆斯基語言天生理論的失敗。因為，根據語言天賦論及與其相應的普遍語法理論，人類語言是受到十分繁復和抽象的規則（原則與參數）控制的，無法用馬爾可夫過程模型來刻畫，也是機器無法通過統計分析來學會的。但是，現代大型語言模型卻以“再造人類語言”的方式，能夠以接近于人類的水平來理解和生成自然語言。這種活生生的事實，使得辛頓有底氣在尤利西斯獎章頒發儀式（2024年春，都柏林大學學院）上說，喬姆斯基誤導了幾代人。無獨有偶，一位早年跟喬氏有過交集的國際知名語言學家，2023年末訪問澳門大學，在談到喬姆斯基語言學理論和大語言模型時，也語重心長地對我說：“他把語言學的方向帶偏了。”話少意多，發人深省。

懷著對于學術研究的敬畏心（不誤入歧途）和對于年輕學子的責任心（不誤人子弟），趁著大語言模型成為諾獎主角的東風，認真思考和討論下列問題不僅應景而且必要：

（1）基于統計的語言大模型的成功，能不能顛覆語言天生理論及普遍語法理論？

（2）喬姆斯基生成語法理論及有關主張與研究范式，有沒有把語言學的方向帶偏？

學術的激烈交鋒會促進科技的深入發展

孫茂松（清華大學計算機科學與技術系） 辛頓對喬姆斯基的批評確實很不客氣，好像有點兒過了；但其實喬姆斯基對大語言模型缺陷的批判，也非常尖銳。兩方面的觀點是針尖對麥芒，火藥味兒十足。

我有一種未經認真“考察”的感覺——在基本問題上秉持絕對化觀點，有我無你、誓不兩立，似乎是科學或技術大師們的行事常態。譬如，國際語音識別領域的先驅、美國工程院院士杰利內克（FrederickJelinek）1988年曾經放過一句“絕”話：“每當我解聘一位語言學家，語音識別的性能就會提升?！狈从^我輩凡夫俗子，看問題往往比較“全面”“辯證”，既說甲好，也說乙不錯，但甲乙各存不足，以取長補短、相得益彰為宜。這樣一來，卻失去了學術態度上的鮮明性，背后的原因也許是缺乏學術洞見和深度。

目前發生的一個振聾發聵的事實是：大語言模型（機器）基本具備了比較高的遣詞、造句、寫文章的能力（盡管寫短篇乃至中篇小說還不行），這在人類歷史上稱得上史無前例的技術成就，是目前為止包括喬姆斯基理論在內的全部語言學研究成果所未曾做到的。從這個意義上說，以喬姆斯基為代表的理性主義范式在與以語言大模型為代表的經驗主義范式的競爭中，輸了一分（辛頓提及“喬姆斯基從來沒有提出任何一種有關語義的理論。他的理論全是關于句法的”，也不能說完全是偏頗的，因為機器寫不出開放式的流暢句子，很難說它真正掌握了語義）。實際上，訓練大語言模型的基本算法策略只需用兩個詞語即可概括出來：一是“下一個詞預測”，一是機器的“自監督學習”。貌似很簡約，但簡約不簡單，有一種“大道至簡”的味道。其實其中藏著深刻的計算機理，如“下一個詞預測”就與“所羅門諾夫歸納”密切相關。所羅門諾夫是1956年達特茅斯會議（該會議的成果之一是首創“人工智能”這個概念）的主要參加者之一，1964年發表了長篇論文《歸納推理的形式理論》，對相關問題進行了數學層次上的深入闡述，也重點討論了其與普遍圖靈機及喬姆斯基體系的關系，構成了“下一個詞預測”策略的形式化基礎。所以辛頓的批評“喬姆斯基卻仍然在說，但這并非真正的語言，這不算數，這是不對的”，是有一定道理的。

但上述情況并不能否認喬姆斯基提出的“語言的先天性理論”及“語言習得裝置”（languageacquisitiondevice）是一個合理、嚴肅的科學假設（雖然我感覺device這個詞有形“器物”的意味濃了一點兒，換成形而上的mechanism之類也許更穩妥些）。辛頓說：“大型神經網絡學習語言，不需要任何先天結構，只是從隨機權重和大量數據開始。”在我看來，隨機權重的“大型神經網絡”或可類比成喬姆斯基的“語言獲得裝置”，沒有這個預設的“大型神經網絡”，大規模語言學習（訓練）是無法完成的。此外，大語言模型在性能表現上確實也存在深刻的不足，如缺乏可解釋性及可信性等。如果能在模型中加入理性主義因素，是再好不過的，也是我們所期待的（雖然目前還遠沒有找到如何有效加入的方法）。

當下需要抓緊進行的一個基礎研究問題是，盡快揭示出深藏于大語言模型之內的“第一性原理”。近兩年國內外已經有一些大語言模型與腦科學、認知科學交叉的研究工作，如最近MIT發表的論文《概念幾何：稀疏自編碼器特征結構》。大語言模型的結構及其所有參數對人類是完全透明的，是個徹頭徹尾的“白箱”；人腦則不然，頂多可算作“灰箱”，研究起來很不直接。不少學者相信，把大語言模型的內在機制及其動力學搞清楚了，會深切啟發并有力推動腦科學、認知科學的相關研究（包括人腦中的語言習得裝置究竟是怎樣的）。

因此，辛頓同喬姆斯基之間學術上激烈的“君子之爭”是件好事兒，會引發我們的思考并促使相關研究走向更加深刻。最后的結局不排除可能是這樣的：兩種觀點也許會殊途同歸，相互印證。通過研究大語言模型，我們對人腦“語言習得裝置”的研究和認識會更加具體化，而這反過來又會啟發我們設計乃至重構更加有效的大語言模型。

人工智能給語言學研究帶來重大挑戰和機遇

徐 杰（澳門大學人文學院） 當代人工智能突飛猛進，日新月異。這無疑給包括當代語言學在內的學術事業帶來了深遠影響。在語言學方面，這些影響有的是挑戰，有的是機遇。

首先，人工智能給當代語言學領域的重要分支計算語言學帶來了重大挑戰。曾幾何時，就連專做自然語言處理的工程師自己也認為，為了達到其語言工程的目的，應該依靠而且只能依靠語言學科學家對語言規則的揭示和總結。而兼做自然語言處理的語言學家出于自身的專業訓練和學術優勢，理所當然地，無一例外地，走規則導向的自然語言處理技術路線。但是誰也沒有料到，當今的人工智能工程師居然改道而行，拋開了基于語言規則的模式而走大數據路線，并且在工程學意義上取得了很大的成功。原本視野之外的白貓異軍突起，居然還真的就捉住了一只大老鼠！這讓黑貓何以自處？在我們看來，面對嶄新的形勢，跨界到自然語言處理工程的語言學科學家們其實大可不必過于糾結焦慮。他們可以要么完全回歸對語言本體進行科學研究的老本行；要么干脆不理會ChatGPT們現在走的大數據白貓技術路線，鍥而不舍地繼續沿著自己原定的規則導向黑貓技術路線朝前走，其工作成果也許是下一代人工智能的突破口和增長點。久久為功，說不定能捉住更大更多的老鼠！

其次，人工智能給本體語言學研究帶來了一個重大機遇，那就是新一代人工智能以其強大的數據處理能力，給包括語言學在內的所有學科的科學研究賦能，大幅度地強化其精度，大幅度地提高其效能。人工智能賦能現代語言學研究，在目前階段主要體現在兩個方面。其一是助力語言數據的收集和整理，語言學領域有許多分支學科對語言樣本和語料有很高的依賴性。計量語言學，語言類型學，比較語言學，語料庫語言學，等等，它們的成效主要取決于收集語言數據的范圍、數量和準確度。最早的時候，這些工作基本靠焚膏繼晷、兀兀窮年的手工操作自不必說，即使后來有了計算機技術的輔助，效能依然有限。在這些方面，今天的新一代人工智能正可以大顯神威。它們不僅可以近乎竭澤而漁式地收集語料數據，還可以對這些數據進行初步的分類、整理和分析。其二是助力語言學數據的收集和整理。語言學是一門古老而嶄新的學科，古今中外的研究文獻可以說是汗牛充棟，浩如煙海。今天的年輕學者很快會發現，自己一入門就被淹沒在各種理論、各類學說、似是而非的觀點以及對同一類語言現象多種多樣的分析方案中難以自拔，恍如霧里看花。這時大數據和深度學習技術就可以進來，對相關文獻進行收集整理，條分縷析，甚至對不同理論進行初步的鑒定和評價，以便去粗取精，讓人類學者很快站到學術研究的最前沿，如虎添翼，可收事半功倍之神效。

總而言之，人工智能帶來的重大挑戰是對當代語言學領域的一個分支學科計算語言學和一種研究范式，也就是對單一語種表面現象的收集、觀察、整理和分析的重大挑戰；而對本體語言學的高層次理論探索則是一個重大機遇。如能把握好這個機遇，科學規劃，人機分工，把語料的收集、整理和初步描寫乃至文獻綜述等粗活重活發包給機器，人類語言學家則可以集中精力和智慧于理論探索和解釋，中國語言學整體事業極有可能在較短時間內實現跨越式發展，由現在的對單一語種的現象描寫轉型升級到跨語種、跨古今的高層次理論解釋。這正是我們多年來夢寐以求的美妙愿景！

辛頓對喬姆斯基語言理論批評的三個錯誤

司富珍（北京語言大學語言學系/喬姆斯基研究所）辛頓的尤利西斯獎獲獎感言中有3條與喬姆斯基語言理論相關的關鍵性批評意見：（1）“語言顯然是學會的”；（2）“大型神經網絡學習語言，不需要任何先天結構，只是從隨機權重和大量數據中開始學習”；（3）“喬姆斯基從來沒有提出任何一種有關語義的理論，他的理論都是關于句法的”。同時，他聲稱他所設計的語言模型“實際上是人類語言的工作模型”。眾多研究表明，這3條批評性意見代表了他本人以及一批觀點相近的“倒喬”派對于喬姆斯基理論的3個錯誤性理解。

我們倒著來看，先說第三條意見：“喬姆斯基從來沒有提出任何一種關于語義的理論，他的理論都是關于句法的”。只要認真閱讀喬姆斯基的原著，就知道這是明顯的錯讀錯解。喬姆斯基在最早期的著作《句法結構》中就曾強調：“形式特征和語義特征之間存在對應關系，這一事實不能忽視。這種對應關系應該用一種更為一般的語言理論進行研究，該理論要包括語言形式理論和語言使用理論作為其組成部分……我們發現，這兩個領域之間顯然存在頗具普遍意義的一些關系……我們應該樂意看到語法將語言的句法框架獨立表現出來，讓其能夠支持語義描寫?！?972年，喬姆斯基又出版了《生成語法中的語義學研究》。語義學家海姆（Heim）和克拉策（Kratzer）也撰有《生成語法中的語義學》，從邏輯語義角度為喬姆斯基的語義理論提供了系統的形式化表達。喬姆斯基不同時期的文獻，如著作《句法理論的若干問題》《管轄和約束演講集》和《最簡方案》，論文《論名物化》（Remarksonnorminalization）等，也都有對句法與語義關系的系統性討論。只不過，喬姆斯基認為“不能把是否合語法的概念等同于是否有意義”，換言之，句法相對于語義是獨立的系統。

再看第二點：“大型神經網絡學習語言，不需要任何先天結構，只是從隨機權重和大量數據中開始學習”。這一結論可能反映了大語言模型工作的大部分事實，即隨機權重和海量數據在機器學習中的重要性，但它也恰恰反映出大語言模型與人類語言工作機制的不同：人類兒童可以在刺激貧乏的情況下習得母語，并且不管每個人接觸的語言環境差異多大，數據量差異有多大，其句法構造方面的語言能力發展進程及語法完備程度卻幾無差異，這就是所謂語言習得的柏拉圖問題。它與機器基于海量數據存儲與訓練的“豪華刺激”機制完全不同。

況且，所謂不需要任何“先天結構”的說法也在一定程度上是個謊言。我們用辛頓自己使得過的方法對ChatGPT4.o進行了提問，結果表明，語言學家在大語言模型的數據庫中做了大量與語法、語義和語用相關的標注和校正工作。說不需要“先天結構”，只是說未“顯性”使用喬姆斯基的形式化規則：盡管“大語言模型繞過了喬姆斯基所倡導的語言規則的明確形式化，但對語法、意義和語境等語言特征進行建模的需求卻深深植根于語言理論中”。語言學工作者間接參與給予的語法、語義知識可以與先天結構類比。盡管它與人類語言的天賦性還有本質區別，前者是“人工的”“外在的”，后者則是生物遺傳所決定的，“內在的”，具有生物學的更復雜本質，更多謎題尚待更多跨學科協作下的探索。

最后來看“語言顯然是學會的”。大語言模型是數據驅動的模型，其基礎是外部主義的，你可以說它的語言的確是學習來的，或者用喬姆斯基的話來說，是一種高科技“剽竊”。而人類語言則是“生成”的，它具有大語言模型所不具備的創造性、刺激貧乏性，甚至“有限性”。比如莫羅（Moro）的幾項基于神經影像學的實驗研究表明，人類語言官能既不能產出“不可能的結構”，也無法理解“不可能的結構”，而同時又可以創造出新的語法表達形式。我們團隊最近也有兩項實證研究，表明大語言模型不僅未展示出其創造性特點，而且在理解人類創新性語法表達形式時會表現出自相矛盾的情況。因此人類語言是“習得”的，這與機器的語言“學習”在機制和表現方面都有質的區別。

語言學研究融入AI的三種方式

詹衛東（北京大學中文系） 眾所周知，人工智能（AI）有符號主義和聯結主義兩條路線。借助下面的示意圖a，以語言智能為例，可以扼要展示兩條路線的核心區別。

要讓機器能模擬人的語言能力，需要回答一個基本問題：人說話的能力是怎么來的？

圖中右上方的句子樹形結構圖代表了符號主義的回答：人說話的能力來自人腦的語言知識。機器需要像人腦一樣，預存名詞短語（NP）、動詞短語（VP）、形容詞短語（AdjP）和副詞短語（AdvP）等許多范疇，這些范疇之間形成樹狀結構的組合模式。從根節點S開始，不斷推導，直至葉子節點，就可以像人一樣，輸出句子了。

圖中左上方的模擬神經網絡圖代表了聯結主義的回答：人說話的能力來自人腦的學習能力。機器中不需要預存任何范疇和組合模式知識。機器可以構建人工神經網絡，通過觀察海量文本的詞語分布，神經網絡可以調試出優化的神經元聯結參數（此即學習），直至涌現出語言能力，像人一樣，給上句就能接下句。

符號主義是知識驅動，聯結主義是數據驅動。符號主義的挑戰在于：知識從哪兒來？聯結主義的挑戰在于：數據從哪兒來（以及是否有足夠的算力從數據中學習）？

從目前AI的發展來看，聯結主義AI的性能走在了前面：互聯網提供了海量數據，GPU提供了超強算力，推動著聯結主義AI飛速發展。而符號主義AI尚未找到解決知識來源問題的好辦法。

將人類語言學知識預裝到計算機中來模擬人類語言智能的實踐效果不佳，原因就是人提供的規模有限的語言學知識往往覆蓋不了真實場景中的語言現象。同時機器預裝語言學知識后并沒有獲得學習能力，難以適應現實世界的復雜變化情況。

由此，語言學研究如果要融入AI的發展浪潮，無外乎3種方式。（1）繼續符號主義路線。在現有知識框架下挖掘更高質量、更大規模的語言學知識，仍舊以知識驅動的方式推進AI技術。但這一路線大致只適用于特定任務場景（如對精度、可控度要求高的任務），很難像大模型那樣更具通用性。（2）結合聯結主義路線。在語言學知識指導下制作高質量訓練和測試數據集，幫助機器基于小樣本數據學習，更高效地提升其語言能力和智能水平。（3）提出一套全新的兼具學習能力和符號知識表征的語言學理論框架，實現可解釋的AI（缺乏可解釋性是聯結主義的先天缺陷：端到端的訓練不關注中間推導過程）。

前兩個方式比較務實，語言學者可以發揮自己既有的語言學優勢，積極擴大語言學知識范圍，將語言學知識轉化為計算機可用的資源（知識庫或數據集），助力AI發展。第三個方式志存高遠，非常有挑戰性，如能實現，將意味著語言學理論研究和AI范式的重大突破。

辛頓沒能跳出“中文屋”

完 權（中國社會科學院語言研究所） 雖然辛頓絲毫不留情面地批判了喬姆斯基，但是我們不必妄自菲薄，以為語言學就要被人工智能（AI）取代了。實際上，我覺得我們依然有價值，甚至可以反過來給辛頓一些建議。

辛頓在演講中說：“大語言模型的工作方式，以及我們人類的工作方式就是，我們看到很多文本，或聽到很多詞串，進而獲知詞的特征，以及這些特征之間的交互作用。所謂理解，就是這么回事。神經網絡模型正在以與人類完全相同的方式做理解。”但是，我們真的就是這么理解的嗎？我覺得還不夠。

確實，這種方式，非常接近我們認知功能學派推崇的usage-basedlinguistics，基于使用的方式，簡而言之，用多了，就會了。基于使用的研究法的基本假設就是，語言知識是在聯想網絡中組織起來的，關聯網絡對使用頻率敏感，在語言使用中高頻的語例引起說話人心智中的固化，形成獨立表征。所以，認知語言學家對辛頓的說法，必然是舉雙手歡迎。但是，辛頓對意義的理解，還是缺了那么一些。

這就來到了我的主要觀點——辛頓沒能跳出“中文屋”。

塞爾（JohnSearle）1980年提出一個“中文屋”問題。他的目的是要反對圖靈測試，他認為一個計算機程序通過圖靈測試并不意味著它具有智能，至多只能是對智能的模擬。為了論證自己的觀點，塞爾提出了這樣一個思想實驗。

想象一個從小說英語、完全不會中文的人，被鎖在一個房間里。房間里有一盒漢字卡片和一本規則手冊。這本手冊用英文寫成，告訴人操作漢字卡片的規則，但并沒有說明任何一個漢字的含義。它不是漢英字典！只是一個操作特定漢字卡片的規程，本質其實是一個程序?，F在，房間外面有人向房間內遞送紙條，紙條上用中文寫了一些問題，房間里的人只要嚴格按照規則操作，就可以用房間內的漢字卡片組合出一些詞句，完美地回答輸入的問題。于是，這個人提供的輸出，就通過了關于“理解中文”這個心智狀態的圖靈測試。

然而，塞爾指出，這個人其實仍然一點兒也不會中文。更進一步，無論是在這個房間中，還是這個房間整體，都找不到任何理解中文的心智存在。因此，通過圖靈測試并不意味著擁有智能或者心智。不是擁有，只是功能上的模擬。就好像，假肢不是真胳膊。

塞爾真是了不起！現在看來，大語言模型展現出的強大功能，本質上依舊是高仿的假肢。大模型依舊是“中文屋”。有人對目前前沿的所有GPT系統模型做了綜合性測試，發現沒有哪個模型不是仍舊處于“中文屋”的階段。判斷的標準有這樣幾個。（1）復雜的語義解析，如理解情緒、視覺體驗、隱喻、故事背景等。（2）情境推理，比如完成這樣的情景推理任務：“遮陽傘是否適用于下雨天？”這需要世界知識。（3）創造性生成，也就是看它是否真正擁有與人類相似的想象力和認知創造性。我常常想，我給大模型輸入我正在寫的論文的前半段，它能不能給我生成后半段？答案不言自明。（4）自我意識與反思，這就是很多科幻小說里的機器人覺醒，比如電影《終結者》里的天網SKYNET覺醒后開始毀滅人類。

現在看來，目前的大模型遠遠沒有達到能夠覺醒的水平。所以我們不必擔心，SKYNET永遠不會派出T800。辛頓對AI的擔心，目前看來，是多余的。因為被困在“中文屋”里，是永遠造不出T800的，除非他愿意聽一聽我們認知語言學者的建議。

大家知道，認知語言學的背后，是體驗哲學，是肉身哲學，是心寓于身的哲學。我們能夠理解語言的意義，是因為我們從誕生起就在語言中感知。

我們要怎樣來幫辛頓跳出“中文屋”？答案其實薩丕爾100年前就在《語言論》里說過了，就是意義要從語言以外去理解，依靠經驗。AI需要有人的人生經驗，才能真的有理解?，F在圖像識別還不能叫作圖像感知，比方說，它識別出來這是貓了，就真的懂得這是貓嗎？其實還是不懂的。我們是怎么認識貓的？依靠經驗！我們不只是看了很多貓，而且還摸過、抱過、聽過，討厭過或喜歡過，跟貓在一起有故事。這才是意義。在我看來，現在的AI離理解意義還差十萬八千里。要先有感知，才有認知，再有經驗，再形成概念，才到語言，這就是意義的整體論。辛頓需要語用整體論幫助他，幫助AI理解意義。

我希望辛頓們最終能跳出“中文屋”，帶給我們更好的AI。到那個時候，再像現在這樣做語言學，恐怕真的要下崗了。我希望這事兒發生在我退休之后！

辛頓與喬姆斯基之爭中的三個事實

王 偉（中國社會科學院語言研究所） 這次辛頓得諾貝爾物理學獎，引起全球廣泛關注。因為這個契機，辛頓今年4月在都柏林大學學院獲尤利西斯獎章時嚴厲批評喬姆斯基的演講（我有幸獲得辛頓的授權，在《當代語言學》2024年第4期發表了陳國華教授翻譯的演講全文），引起了更多語言學同行的重視。持有不同立場的學者，對此爭議紛紜，這種情況是可以理解的。不過，我認為，在這個問題上，區分客觀事實和主觀態度，是最重要的事情。這一點，對于剛剛或即將進入語言學這個專業的年輕人來說，尤為關鍵。

所有這些爭議的源頭，是這樣一個重要的事實：以辛頓為代表的人工智能領域的科學家，找到一種用大語言模型開發人工神經網絡系統的方法，即通過“喂”給系統超級巨量的真實語言數據，訓練系統獲得生成合乎語法的句子的能力，并且勝任與人類持續對話的任務。以ChatGPT為代表的這類系統，在運用語言方面表現出前所未有的高水平，比如可以完美分析出對話者提供的笑話為什么好笑，“笑點”何在，等等。

第二個重要的事實是，至今沒有任何人類語言學家能夠開發出這樣的語言生成系統，令它只生成合乎語法的句子，而絕不會生成不合乎語法的句子。“任何人類語言學家”，當然也包括主流語言學家喬姆斯基。

無論如何指出ChatGPT的缺點，或者試圖證明它擁有的根本不是人類的語言能力，都無法改變以上事實。我們知道，“深藍”系統在國際象棋方面戰勝了所有人類棋手，AlphaGo則在圍棋方面打遍天下無敵手。毫無疑問，這些計算機系統獲得下棋能力的方法，當然跟人類不同。它們跟ChatGPT一樣，都是靠“暴力”運算來實現各自的能力。但是，我們能因此否認計算機系統擊敗人類棋手這一事實嗎？當然不能。

第三個事實，與喬姆斯基有關。ChatGPT橫空出世之初，喬姆斯基率先發難，攻擊它“剽竊”?，F在我們知道，他說的根本不是事實，這只是他的主觀態度。他顯然只是在發泄個人的不滿情緒。道理很簡單，如果我們了解一下ChatGPT的原理，便會知道，這些系統并不儲存任何具體的句子。它的“本事”，是可以學習從文本中提取詞的特征，以網絡形式通過數量驚人（千億數量級）的參數來表征這些特征之間的相互作用，并依據這些知識，來預測下一個詞的特征。而預測下一個詞（原文為token，在寬泛意義上與“詞”大體相當），是辛頓在40多年前就提出的人類生成句子的“第一性原理”。ChatGPT這樣的系統，其實是一大堆以網絡形態存在的參數，而不是迄今為止人類曾經說過的所有句子。如果依據這樣的知識系統生成合乎語法的句子，是一種“剽竊”，那么世界上就沒有不剽竊的人，包括喬姆斯基自己在內。因為喬姆斯基等于是在說，學習就是剽竊。

前年年底ChatGPT崛起，令我大受震撼。我當時決定不揣淺陋，以業余愛好者的身份觀察、學習、判斷，試圖窺見這一事件對中國語言學的意義。我先后在多所大學和學術機構分享自己的觀察和分析，得到大量反饋。令我印象最深刻的是，外語、翻譯等專業學子的焦慮情緒。他們害怕的是，自己所學的專業，將在日益強大的人工智能的威脅下，變得一文不值。我當時對他們的建議是，主動擁抱人工智能工具，盡快學習并掌握這一利器，并把自己的專業知識和機器擅長的能力結合起來，只有這樣才有希望避免被徹底淘汰。借此機會，我仍然堅持當初的建議，同時還要鼓勵這些年輕人，尤其是上文所說的“剛剛或即將進入語言學這個專業的年輕人”，認清以上3個事實，看清歷史發展的趨勢，在獨立的理性思考基礎上，做出明智的選擇。

人、人腦與人工智能

劉 暢（中國人民大學哲學院） 我想提兩個問題。

第一，語言活動中囊括的種種行為反應，如規則學習、語義理解、符號識別等，其真正的主體是什么？

對此有兩類回答。一類是還原論的進路，認為（或默認）語言活動的主體是人腦。另一類是反還原論的，也是我所傾向的進路，主張人腦不是主體，人才是主體——是你我在說話，在交流，在思考，而不是你我的大腦。

我愿引入一組區分：自主的反應和自發的反應。語言活動是典型的自主反應。我要說些什么，要怎么說，原則上是由我自主控制的。對于我自主所做的事情，我通常不經觀察就知道我做的是什么，我這樣做的理由是什么。自發的反應卻并非如此，比如免疫系統的反應。人類的免疫系統能偵測到病原體的入侵，并自發地做出一系列復雜精妙的免疫反應。但所有的免疫反應都是在無意識層面進行的，無需基于行動理由的理解，也無法自主地加以控制。當然，我可以自主地借藥物來調節免疫系統的反應。但我能自主控制的是我服用藥物的動作，而不是我的免疫反應。

只有自主的反應，才屬于狹義上“我所做的事情”。問：“你在干啥呢？”答：“我在消化食物?！边@是個玩笑，因為“消化食物”這樣的反應顯然不屬于正常意義上“我所做的事情”。與其說我在蠕動腸道，不如說是腸道自己在蠕動。

那么，人腦的反應——包括單個神經元的反應，以及整個神經網絡的反應——是自主的，還是自發的？我認為答案是顯而易見的：大腦的所有反應都是自發的，不是自主的。就像我無法控制白細胞的產生一樣，我也無法控制腦神經元的激活。人腦的自發反應，構成了人的自主反應的神經生理基礎，不過，它們仍是兩類不同層面的活動。是人腦在功能層面成就了人的思想、認知，而不是人腦自己在思想、在認知；正如是我借助眼睛看，而不是眼睛自己在看。

我們可以把有關意識主體的追問，轉化為有關行為方式的追問?！叭恕迸c“人腦”的不同，歸根到底，是這兩類行為反應方式的不同。一個行為反應是以自知的、可控的、有意識的、有邏輯的方式做出的，還是不自知、不可控、無意識、無邏輯的，往往存在顯見的、系統的差異。我們能清晰地分辨兩者，而不必訴諸某種“靈魂實體”的預設。以自主方式做出的反應，就是有意識主體參與的反應，“我”的反應；而無意識主體參與的反應，則是自發的。

第二，如果人工智能成功模擬了人類神經系統的自發反應機制，這是否意味著它擁有了與人類相當的感受、理解、認知的能力？比如，是否應當認為ChatGPT具備了語言學習的能力？

辛頓的回答顯然是肯定的。實際上，他所有的表述都建立在對這一立場認可的基礎上。說他“默認”了這一立場或許更準確些，因為辛頓似乎并沒考慮過要對此給出任何辯護或反思。

但我相信，問題的正確答案應當是否定的。如果說，一個人類主體具備的種種自主能力，本就不能一對一地還原到這個人的腦神經網絡上；那么，一套人工智能哪怕完美復刻了人類的腦神經網絡，也一樣不等于就具備了任何與人類相當的自主能力。它所模擬的，只是人的自主活動得以實現的功能性基礎，而不是自主活動本身。

我贊同完權老師的判斷——“中文屋”依舊未被打破。我的觀點更進一步：塞爾的“中文屋”，原本的著眼點是對語義的理解能否還原為對句法規則的掌握；不過，假若不論語義的學習還是句法的學習，都只在自主、有意識的層面才是可能的，那么，人工智能的首要問題就不在于如何從句法上升到語義，而在于它壓根不懂語義，也不懂句法。人工智能沒有認知能力，沒有規范能力，它只是具有認知、規范能力的人類所動用的一個技術工具而已。

“人工智能”的名號往往給人一種錯覺，仿佛它能與人類智能并駕齊驅，是智能實現的另一條可能路徑。這在很大程度上掩蓋了“人工智能”作為技術工具的實質。人工智能的發明本是用以替代人類勞作的，而不是用以替代人類的；盡管像其他技術工具一樣，對它的不當處置，也可能毀滅人自身。