“辛頓·喬姆斯基·語言學(xué)發(fā)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(xué)接受尤利西斯獎?wù)碌墨@獎感言里，對喬姆斯基提出了毫不客氣的批評：“語言學(xué)家被一個名叫喬姆斯基的人誤導(dǎo)了好幾代……他有一個偏執(zhí)古怪的理論，即語言不是學(xué)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(xué)會的。大型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)語言，不需要任何先天結(jié)構(gòu)，只是從隨機權(quán)重和大量數(shù)據(jù)開始。喬姆斯基卻仍然在說，但這并非真正的語言，這不算數(shù)，這是不對的。許多統(tǒng)計學(xué)家和認知科學(xué)家也說，永遠不可能在這樣一個大網(wǎng)絡(luò)里學(xué)習(xí)語言。喬姆斯基從來沒有提出任何一種有關(guān)語義的理論。他的理論全是關(guān)于句法的。”這篇發(fā)言引起了中國語言學(xué)界的關(guān)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?wù)聲r發(fā)表的獲獎感言》為題，發(fā)表在《當(dāng)代語言學(xué)》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(jīng)網(wǎng)絡(luò)實現(xiàn)機器學(xué)習(xí)的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”獲得諾貝爾物理學(xué)獎后，關(guān)于大語言模型和語言學(xué)發(fā)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(xué)獎；他批評了一位美國的著名語言學(xué)家，卻引發(fā)了中國語言學(xué)者的熱烈討論，反思中國語言學(xué)的問題。這形成了一個奇妙的蝴蝶效應(yīng)。我刊隨即與《當(dāng)代語言學(xué)》編輯部籌劃，聯(lián)合舉辦“大語言模型與語言學(xué)發(fā)展座談會”。10月17日，座談會在商務(wù)印書館召開，線上線下學(xué)者各陳己見。我刊特就此設(shè)多人談欄目與學(xué)界共享。

數(shù)字智能和人類智能學(xué)習(xí)語言的方式不能等同

馮志偉（新疆大學(xué)中國語言文學(xué)學(xué)院） 近來，“人工智能教父”辛頓在2024年2月19日牛津大學(xué)的羅曼斯講座中，在4月8日獲得尤利西斯獎?wù)碌难葜v中，不斷地批評喬姆斯基，指責(zé)他的語言學(xué)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(zé)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(fā)展的觀點存在著顯著的差異。

（1）語言習(xí)得機制。辛頓認為語言習(xí)得主要依賴于大語言模型的海量數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)的權(quán)重調(diào)整。他堅信人工智能系統(tǒng)通過輸入大量語言數(shù)據(jù)，就可以像人類一樣學(xué)習(xí)到語言的結(jié)構(gòu)和意義。而喬姆斯基則主張“刺激貧乏論”，認為兒童在語言習(xí)得時接受的外在的語言數(shù)據(jù)不多，受到的刺激是貧乏的。人類天生具備一種內(nèi)在的語言習(xí)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(xué)習(xí)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(xué)習(xí)程序繼續(xù)主導(dǎo)人工智能領(lǐng)域，那么人類的科學(xué)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(shù)據(jù)進行工作，實質(zhì)上只不過是一種“剽竊”。辛頓批評喬姆斯基的觀點，認為當(dāng)前的大語言模型有理解能力。辛頓強調(diào)，現(xiàn)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(fā)展表示擔(dān)憂，認為我們正處在歷史的某個關(guān)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(yīng)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(shù)據(jù)驅(qū)動和神經(jīng)網(wǎng)絡(luò)的方法，這是一種聯(lián)結(jié)主義的方法；而喬姆斯基的觀點則代表了基于規(guī)則的方法，這是一種符號主義的方法。

總的來說，辛頓關(guān)注的是數(shù)字智能，并試圖把數(shù)字智能推廣到人類智能；而喬姆斯基則側(cè)重于基于規(guī)則和符號主義的方法，關(guān)注的是人類智能。他們的爭論有助于推動人工智能領(lǐng)域的研究和發(fā)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(shù)字智能學(xué)習(xí)語言的方式與人類學(xué)習(xí)語言的方式并不完全相同。人類的語言習(xí)得有先天的因素，也有后天的因素。而數(shù)字智能依賴海量數(shù)據(jù)，并不存在刺激貧乏的問題，沒有先天的因素。不能因為數(shù)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(shù)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(xué)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?wù)?。在頒獎儀式上發(fā)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(zhí)古怪的理論，即語言不是學(xué)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(xué)會的。大型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)語言，不需要任何先天結(jié)構(gòu)，只是從隨機權(quán)重和大量數(shù)據(jù)開始。喬姆斯基卻仍然在說，但這并非真正的語言，這不算數(shù)，這是不對的。”這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(xué)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(xué)”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(jīng)過自身努力才獲得的能力，都是學(xué)會的。因此，語言當(dāng)然是學(xué)會的。但是，所有動物，受其先天生理特征的限制，其學(xué)習(xí)能力都是有限的。鳥類永遠學(xué)不會像人類那樣哺育后代，人類也永遠學(xué)不會像絕大多數(shù)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(fā)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(xué)說話，是其在嬰幼兒階段的一種本能的自發(fā)行為，只要有人不斷與他進行口頭交流，他就能學(xué)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(fā)音、意思和用法。人類學(xué)筆語，一般晚于學(xué)口語，而且不是其本能的自發(fā)行為，既需要他人刻意教授相關(guān)文字符號的寫法、讀音、意義、用法，也需要自己刻意學(xué)習(xí)這些知識。我推測，喬姆斯基看到嬰幼兒學(xué)習(xí)母語，既不需要老師像教算術(shù)那樣刻意地教，也不需要學(xué)生像學(xué)算術(shù)那樣刻意地學(xué)，為了以示區(qū)別，遂將這一過程稱為“獲得”（acquisition，中文一般譯作“習(xí)得”，英文詞義本身不含“習(xí)”）。用“語言獲得”來形容母語口語的學(xué)習(xí)，問題不大；用來指稱任何一種筆語的學(xué)習(xí)，都屬于用詞不當(dāng)。

二、究竟什么是語言，語言機器產(chǎn)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(fā)展出來的一套意思驅(qū)動（meaning-driven）、遵守常規(guī)（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(tǒng)，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(tǒng)或語符處理系統(tǒng)與他人進行的交流；那么，無論人類自身的言語產(chǎn)出或人類所發(fā)明語符處理系統(tǒng)的言語產(chǎn)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(chǎn)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(chǎn)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(chǎn)出；其次，它只是對人類的話語做出回應(yīng)，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(fēng)格。只要使用者未提出特定要求，其所輸出話語的風(fēng)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(nèi)的所有語言學(xué)家迄今遠遠無法做到的一件事，即讓機器產(chǎn)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(xué)家該怎么辦？

辛頓獲得諾獎引發(fā)的思考

李宇明（北京語言大學(xué)）霍普菲爾德和辛頓是人工智能領(lǐng)域的大師，獲得了2024年諾貝爾物理學(xué)獎。辛頓在獲獎前后多次批評喬姆斯基，說他的語言學(xué)理論誤導(dǎo)了好幾代人。辛頓2024年4月接受尤利西斯獎?wù)聲r的獲獎感言在《當(dāng)代語言學(xué)》2024年第4期刊登之后，引起了中國語言學(xué)界的較大反應(yīng)，引發(fā)了對語言學(xué)發(fā)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(xué)獎授予人工智能科學(xué)家，說明頒獎?wù)哒J識到人工智能對當(dāng)今世界發(fā)展的重要意義。的確如此，在數(shù)字時代，所謂新質(zhì)生產(chǎn)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(shù)據(jù)處理就能“學(xué)會”語言，“獲得”語言智能，這是經(jīng)驗主義、數(shù)據(jù)統(tǒng)計在語言處理上取得的輝煌成績。喬姆斯基語言學(xué)重視理性演繹，重視解釋性，重視規(guī)律的揭示，引領(lǐng)語言學(xué)從經(jīng)驗主義發(fā)展到理性主義。科學(xué)本是尋求因果關(guān)系的，而以數(shù)據(jù)驅(qū)動的大語言模型重視的是統(tǒng)計頻率，據(jù)說沒有使用語言學(xué)的規(guī)則。在語言智能研究的歷史上，規(guī)則驅(qū)動也曾是主流理念，數(shù)據(jù)驅(qū)動也曾經(jīng)身處低谷?，F(xiàn)在有不少學(xué)者預(yù)測，數(shù)據(jù)驅(qū)動將來還會遇到發(fā)展的“天花板”，語言智能需要數(shù)據(jù)與規(guī)則“雙輪驅(qū)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(xué)”，要解釋的是人類習(xí)得語言的機制；辛頓做的是語言技術(shù)，理論上也只是在“技術(shù)科學(xué)”的層面。不同路向、不同追求、不同科學(xué)層面，自然會有分歧、有批評。而且可以預(yù)見這種批評是暫時的，語言智能的發(fā)展不可能總是只采用經(jīng)驗主義路線。

語言學(xué)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(xué)引向?qū)δ鸽u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(xué)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(chǎn)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(xué)概括。語言學(xué)需要反思，需要開疆拓土，不能老在舒適區(qū)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(xué)，提升語言學(xué)的水平和影響力。而且也將促使語言學(xué)為語言智能的發(fā)展做出應(yīng)有貢獻，提升語言學(xué)的學(xué)科穿透力。值得關(guān)注的是，當(dāng)前語言學(xué)的社會應(yīng)用場域已經(jīng)十分狹窄，主要有語言教學(xué)（特別是外語教學(xué)）、翻譯、社會語言規(guī)劃等。如果能夠在語言數(shù)據(jù)、語言智能等領(lǐng)域找到作用域，也當(dāng)為語言學(xué)開辟一方現(xiàn)代生活的應(yīng)用場域。

親知是人腦語言學(xué)習(xí)的起點

陳保亞（北京大學(xué)中文系）基于辛頓反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)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(jīng)獲得了一套可以生成自然語言文本的規(guī)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(fā)展的重要性，猶如自然語言符號系統(tǒng)的出現(xiàn)對人類發(fā)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(fā)現(xiàn)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(shù)學(xué)模型的可行性，因為大語言模型本質(zhì)上是不斷調(diào)整參數(shù)權(quán)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(zhì)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(xué)習(xí)方式，而不是基于經(jīng)驗學(xué)習(xí)的親知學(xué)習(xí)方式?；谘灾膶W(xué)習(xí)模式需要以大數(shù)據(jù)和超強運算這樣一種強儲算能力為基礎(chǔ)。相比之下，人類學(xué)習(xí)依賴的是弱儲算能力，必須還原出規(guī)則。人類的強項在于從親知和言知的互動中還原規(guī)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(zhì)料”的經(jīng)驗，由此類推出“布鞋、木鞋、草鞋”等都是質(zhì)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(zhì)料+鞋”的組合規(guī)則。

大語言模型證實了規(guī)則隱藏于分布，但人工神經(jīng)網(wǎng)絡(luò)黑箱如何提取規(guī)則還不清楚。人工神經(jīng)網(wǎng)絡(luò)是模仿動物神經(jīng)網(wǎng)絡(luò)而設(shè)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(xué)習(xí)的獨特機制。目前還沒有辦法有效區(qū)分動物神經(jīng)網(wǎng)絡(luò)和人腦神經(jīng)網(wǎng)絡(luò)。大語言模型并非像辛頓所說的那樣揭示了人腦語言學(xué)習(xí)機制，但是為理解人腦神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)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(tǒng)的起源、演化和運轉(zhuǎn)為中心。親知活動是人類語言習(xí)得的起點，也是人類不斷進行創(chuàng)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(fā)展出類似真人的生物屬性，能夠在親知和言知互動的基礎(chǔ)上完成自然語言學(xué)習(xí)，將進一步提供一個從人工神經(jīng)網(wǎng)絡(luò)認識人腦神經(jīng)網(wǎng)絡(luò)的有效窗口。無論是現(xiàn)在的物理神經(jīng)網(wǎng)絡(luò)還是將來的生化神經(jīng)網(wǎng)絡(luò)，都為認識人腦語言機制提供了窗口。

這是語言統(tǒng)計技術(shù)的勝利，也是語言天生理論的失敗

袁毓林（澳門大學(xué)人文學(xué)院中國語言文學(xué)系） 語言學(xué)素來跟諾貝爾獎沒有瓜葛。今年的諾貝爾物理學(xué)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(wǎng)友一臉懵：“憑人工智能的成績怎么拿物理學(xué)獎呢？”而且，在貌似無關(guān)的語言學(xué)界也掀起不小的風(fēng)波。雖然從瑞典皇家科學(xué)院的授獎理由“表彰他們通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器學(xué)習(xí)的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”上，看不出這跟語言學(xué)有一丁半點兒的關(guān)系；但是，敏銳的語言學(xué)家從諾獎官網(wǎng)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(xué)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(xué)習(xí)之父”乃至“人工智能教父”的辛頓，已經(jīng)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(shù)字智能會取代生物智能嗎？》（2024年2月19日，牛津大學(xué)）中說：“喬姆斯基曾說語言是天賦而非學(xué)會的，這很荒謬?！粋€沒有先天知識的大型神經(jīng)網(wǎng)絡(luò)僅僅通過觀察數(shù)據(jù)就能實際學(xué)習(xí)語言的語法和語義，……”。的確，辛頓領(lǐng)導(dǎo)他的團隊成功地把誤差反向傳播算法引入多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，開啟了深度學(xué)習(xí)的爆發(fā)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(chǔ)。這次辛頓的獲獎，表明了國際權(quán)威學(xué)術(shù)機構(gòu)對他在人工智能領(lǐng)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(guī)模語料統(tǒng)計的語言技術(shù)的勝利，也是喬姆斯基語言天生理論的失敗。因為，根據(jù)語言天賦論及與其相應(yīng)的普遍語法理論，人類語言是受到十分繁復(fù)和抽象的規(guī)則（原則與參數(shù)）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(tǒng)計分析來學(xué)會的。但是，現(xiàn)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?wù)骂C發(fā)儀式（2024年春，都柏林大學(xué)學(xué)院）上說，喬姆斯基誤導(dǎo)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(xué)家，2023年末訪問澳門大學(xué)，在談到喬姆斯基語言學(xué)理論和大語言模型時，也語重心長地對我說：“他把語言學(xué)的方向帶偏了?！痹捝僖舛?，發(fā)人深省。

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

（1）基于統(tǒng)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(guān)主張與研究范式，有沒有把語言學(xué)的方向帶偏？

學(xué)術(shù)的激烈交鋒會促進科技的深入發(fā)展

孫茂松（清華大學(xué)計算機科學(xué)與技術(shù)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(jīng)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(xué)或技術(shù)大師們的行事常態(tài)。譬如，國際語音識別領(lǐng)域的先驅(qū)、美國工程院院士杰利內(nèi)克（FrederickJelinek）1988年曾經(jīng)放過一句“絕”話：“每當(dāng)我解聘一位語言學(xué)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(xué)術(shù)態(tài)度上的鮮明性，背后的原因也許是缺乏學(xué)術(shù)洞見和深度。

目前發(fā)生的一個振聾發(fā)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(shù)成就，是目前為止包括喬姆斯基理論在內(nèi)的全部語言學(xué)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(jīng)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(guān)語義的理論。他的理論全是關(guān)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(xùn)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(yù)測”，一是機器的“自監(jiān)督學(xué)習(xí)”。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(yù)測”就與“所羅門諾夫歸納”密切相關(guān)。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(chuàng)“人工智能”這個概念）的主要參加者之一，1964年發(fā)表了長篇論文《歸納推理的形式理論》，對相關(guān)問題進行了數(shù)學(xué)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(guān)系，構(gòu)成了“下一個詞預(yù)測”策略的形式化基礎(chǔ)。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(shù)，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(xí)得裝置”（languageacquisitiondevice）是一個合理、嚴肅的科學(xué)假設(shè)（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(wěn)妥些）。辛頓說：“大型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)語言，不需要任何先天結(jié)構(gòu)，只是從隨機權(quán)重和大量數(shù)據(jù)開始?！痹谖铱磥恚S機權(quán)重的“大型神經(jīng)網(wǎng)絡(luò)”或可類比成喬姆斯基的“語言獲得裝置”，沒有這個預(yù)設(shè)的“大型神經(jīng)網(wǎng)絡(luò)”，大規(guī)模語言學(xué)習(xí)（訓(xùn)練）是無法完成的。此外，大語言模型在性能表現(xiàn)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(dāng)下需要抓緊進行的一個基礎(chǔ)研究問題是，盡快揭示出深藏于大語言模型之內(nèi)的“第一性原理”。近兩年國內(nèi)外已經(jīng)有一些大語言模型與腦科學(xué)、認知科學(xué)交叉的研究工作，如最近MIT發(fā)表的論文《概念幾何：稀疏自編碼器特征結(jié)構(gòu)》。大語言模型的結(jié)構(gòu)及其所有參數(shù)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(xué)者相信，把大語言模型的內(nèi)在機制及其動力學(xué)搞清楚了，會深切啟發(fā)并有力推動腦科學(xué)、認知科學(xué)的相關(guān)研究（包括人腦中的語言習(xí)得裝置究竟是怎樣的）。

因此，辛頓同喬姆斯基之間學(xué)術(shù)上激烈的“君子之爭”是件好事兒，會引發(fā)我們的思考并促使相關(guān)研究走向更加深刻。最后的結(jié)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(xí)得裝置”的研究和認識會更加具體化，而這反過來又會啟發(fā)我們設(shè)計乃至重構(gòu)更加有效的大語言模型。

人工智能給語言學(xué)研究帶來重大挑戰(zhàn)和機遇

徐 杰（澳門大學(xué)人文學(xué)院） 當(dāng)代人工智能突飛猛進，日新月異。這無疑給包括當(dāng)代語言學(xué)在內(nèi)的學(xué)術(shù)事業(yè)帶來了深遠影響。在語言學(xué)方面，這些影響有的是挑戰(zhàn)，有的是機遇。

首先，人工智能給當(dāng)代語言學(xué)領(lǐng)域的重要分支計算語言學(xué)帶來了重大挑戰(zhàn)。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(yīng)該依靠而且只能依靠語言學(xué)科學(xué)家對語言規(guī)則的揭示和總結(jié)。而兼做自然語言處理的語言學(xué)家出于自身的專業(yè)訓(xùn)練和學(xué)術(shù)優(yōu)勢，理所當(dāng)然地，無一例外地，走規(guī)則導(dǎo)向的自然語言處理技術(shù)路線。但是誰也沒有料到，當(dāng)今的人工智能工程師居然改道而行，拋開了基于語言規(guī)則的模式而走大數(shù)據(jù)路線，并且在工程學(xué)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(xué)科學(xué)家們其實大可不必過于糾結(jié)焦慮。他們可以要么完全回歸對語言本體進行科學(xué)研究的老本行；要么干脆不理會ChatGPT們現(xiàn)在走的大數(shù)據(jù)白貓技術(shù)路線，鍥而不舍地繼續(xù)沿著自己原定的規(guī)則導(dǎo)向黑貓技術(shù)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(xué)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(shù)據(jù)處理能力，給包括語言學(xué)在內(nèi)的所有學(xué)科的科學(xué)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(xiàn)代語言學(xué)研究，在目前階段主要體現(xiàn)在兩個方面。其一是助力語言數(shù)據(jù)的收集和整理，語言學(xué)領(lǐng)域有許多分支學(xué)科對語言樣本和語料有很高的依賴性。計量語言學(xué)，語言類型學(xué)，比較語言學(xué)，語料庫語言學(xué)，等等，它們的成效主要取決于收集語言數(shù)據(jù)的范圍、數(shù)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(shù)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(shù)據(jù)，還可以對這些數(shù)據(jù)進行初步的分類、整理和分析。其二是助力語言學(xué)數(shù)據(jù)的收集和整理。語言學(xué)是一門古老而嶄新的學(xué)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(xué)者很快會發(fā)現(xiàn)，自己一入門就被淹沒在各種理論、各類學(xué)說、似是而非的觀點以及對同一類語言現(xiàn)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(shù)據(jù)和深度學(xué)習(xí)技術(shù)就可以進來，對相關(guān)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(xué)者很快站到學(xué)術(shù)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(zhàn)是對當(dāng)代語言學(xué)領(lǐng)域的一個分支學(xué)科計算語言學(xué)和一種研究范式，也就是對單一語種表面現(xiàn)象的收集、觀察、整理和分析的重大挑戰(zhàn)；而對本體語言學(xué)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(xué)規(guī)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(fā)包給機器，人類語言學(xué)家則可以集中精力和智慧于理論探索和解釋，中國語言學(xué)整體事業(yè)極有可能在較短時間內(nèi)實現(xiàn)跨越式發(fā)展，由現(xiàn)在的對單一語種的現(xiàn)象描寫轉(zhuǎn)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(xué)語言學(xué)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(guān)的關(guān)鍵性批評意見：（1）“語言顯然是學(xué)會的”；（2）“大型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)語言，不需要任何先天結(jié)構(gòu)，只是從隨機權(quán)重和大量數(shù)據(jù)中開始學(xué)習(xí)”；（3）“喬姆斯基從來沒有提出任何一種有關(guān)語義的理論，他的理論都是關(guān)于句法的”。同時，他聲稱他所設(shè)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(guān)于語義的理論，他的理論都是關(guān)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(jié)構(gòu)》中就曾強調(diào)：“形式特征和語義特征之間存在對應(yīng)關(guān)系，這一事實不能忽視。這種對應(yīng)關(guān)系應(yīng)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(fā)現(xiàn)，這兩個領(lǐng)域之間顯然存在頗具普遍意義的一些關(guān)系……我們應(yīng)該樂意看到語法將語言的句法框架獨立表現(xiàn)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(xué)研究》。語義學(xué)家海姆（Heim）和克拉策（Kratzer）也撰有《生成語法中的語義學(xué)》，從邏輯語義角度為喬姆斯基的語義理論提供了系統(tǒng)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(guān)系的系統(tǒng)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(tǒng)。

再看第二點：“大型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)語言，不需要任何先天結(jié)構(gòu)，只是從隨機權(quán)重和大量數(shù)據(jù)中開始學(xué)習(xí)”。這一結(jié)論可能反映了大語言模型工作的大部分事實，即隨機權(quán)重和海量數(shù)據(jù)在機器學(xué)習(xí)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(xí)得母語，并且不管每個人接觸的語言環(huán)境差異多大，數(shù)據(jù)量差異有多大，其句法構(gòu)造方面的語言能力發(fā)展進程及語法完備程度卻幾無差異，這就是所謂語言習(xí)得的柏拉圖問題。它與機器基于海量數(shù)據(jù)存儲與訓(xùn)練的“豪華刺激”機制完全不同。

況且，所謂不需要任何“先天結(jié)構(gòu)”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(jié)果表明，語言學(xué)家在大語言模型的數(shù)據(jù)庫中做了大量與語法、語義和語用相關(guān)的標注和校正工作。說不需要“先天結(jié)構(gòu)”，只是說未“顯性”使用喬姆斯基的形式化規(guī)則：盡管“大語言模型繞過了喬姆斯基所倡導(dǎo)的語言規(guī)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(xué)工作者間接參與給予的語法、語義知識可以與先天結(jié)構(gòu)類比。盡管它與人類語言的天賦性還有本質(zhì)區(qū)別，前者是“人工的”“外在的”，后者則是生物遺傳所決定的，“內(nèi)在的”，具有生物學(xué)的更復(fù)雜本質(zhì)，更多謎題尚待更多跨學(xué)科協(xié)作下的探索。

最后來看“語言顯然是學(xué)會的”。大語言模型是數(shù)據(jù)驅(qū)動的模型，其基礎(chǔ)是外部主義的，你可以說它的語言的確是學(xué)習(xí)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(chuàng)造性、刺激貧乏性，甚至“有限性”。比如莫羅（Moro）的幾項基于神經(jīng)影像學(xué)的實驗研究表明，人類語言官能既不能產(chǎn)出“不可能的結(jié)構(gòu)”，也無法理解“不可能的結(jié)構(gòu)”，而同時又可以創(chuàng)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(chuàng)造性特點，而且在理解人類創(chuàng)新性語法表達形式時會表現(xiàn)出自相矛盾的情況。因此人類語言是“習(xí)得”的，這與機器的語言“學(xué)習(xí)”在機制和表現(xiàn)方面都有質(zhì)的區(qū)別。

語言學(xué)研究融入AI的三種方式

詹衛(wèi)東（北京大學(xué)中文系） 眾所周知，人工智能（AI）有符號主義和聯(lián)結(jié)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(qū)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(jié)構(gòu)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(yù)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(jié)構(gòu)的組合模式。從根節(jié)點S開始，不斷推導(dǎo)，直至葉子節(jié)點，就可以像人一樣，輸出句子了。

圖中左上方的模擬神經(jīng)網(wǎng)絡(luò)圖代表了聯(lián)結(jié)主義的回答：人說話的能力來自人腦的學(xué)習(xí)能力。機器中不需要預(yù)存任何范疇和組合模式知識。機器可以構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，通過觀察海量文本的詞語分布，神經(jīng)網(wǎng)絡(luò)可以調(diào)試出優(yōu)化的神經(jīng)元聯(lián)結(jié)參數(shù)（此即學(xué)習(xí)），直至涌現(xiàn)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(qū)動，聯(lián)結(jié)主義是數(shù)據(jù)驅(qū)動。符號主義的挑戰(zhàn)在于：知識從哪兒來？聯(lián)結(jié)主義的挑戰(zhàn)在于：數(shù)據(jù)從哪兒來（以及是否有足夠的算力從數(shù)據(jù)中學(xué)習(xí)）？

從目前AI的發(fā)展來看，聯(lián)結(jié)主義AI的性能走在了前面：互聯(lián)網(wǎng)提供了海量數(shù)據(jù)，GPU提供了超強算力，推動著聯(lián)結(jié)主義AI飛速發(fā)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(xué)知識預(yù)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(guī)模有限的語言學(xué)知識往往覆蓋不了真實場景中的語言現(xiàn)象。同時機器預(yù)裝語言學(xué)知識后并沒有獲得學(xué)習(xí)能力，難以適應(yīng)現(xiàn)實世界的復(fù)雜變化情況。

由此，語言學(xué)研究如果要融入AI的發(fā)展浪潮，無外乎3種方式。（1）繼續(xù)符號主義路線。在現(xiàn)有知識框架下挖掘更高質(zhì)量、更大規(guī)模的語言學(xué)知識，仍舊以知識驅(qū)動的方式推進AI技術(shù)。但這一路線大致只適用于特定任務(wù)場景（如對精度、可控度要求高的任務(wù)），很難像大模型那樣更具通用性。（2）結(jié)合聯(lián)結(jié)主義路線。在語言學(xué)知識指導(dǎo)下制作高質(zhì)量訓(xùn)練和測試數(shù)據(jù)集，幫助機器基于小樣本數(shù)據(jù)學(xué)習(xí)，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(xué)習(xí)能力和符號知識表征的語言學(xué)理論框架，實現(xiàn)可解釋的AI（缺乏可解釋性是聯(lián)結(jié)主義的先天缺陷：端到端的訓(xùn)練不關(guān)注中間推導(dǎo)過程）。

前兩個方式比較務(wù)實，語言學(xué)者可以發(fā)揮自己既有的語言學(xué)優(yōu)勢，積極擴大語言學(xué)知識范圍，將語言學(xué)知識轉(zhuǎn)化為計算機可用的資源（知識庫或數(shù)據(jù)集），助力AI發(fā)展。第三個方式志存高遠，非常有挑戰(zhàn)性，如能實現(xiàn)，將意味著語言學(xué)理論研究和AI范式的重大突破。

辛頓沒能跳出“中文屋”

完 權(quán)（中國社會科學(xué)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(xué)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?nèi)祟惖墓ぷ鞣绞骄褪?，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(jīng)網(wǎng)絡(luò)模型正在以與人類完全相同的方式做理解?！钡?，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(xué)派推崇的usage-basedlinguistics，基于使用的方式，簡而言之，用多了，就會了?；谑褂玫难芯糠ǖ幕炯僭O(shè)就是，語言知識是在聯(lián)想網(wǎng)絡(luò)中組織起來的，關(guān)聯(lián)網(wǎng)絡(luò)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(xué)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(guī)則手冊。這本手冊用英文寫成，告訴人操作漢字卡片的規(guī)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(guī)程，本質(zhì)其實是一個程序。現(xiàn)在，房間外面有人向房間內(nèi)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(guī)則操作，就可以用房間內(nèi)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(guān)于“理解中文”這個心智狀態(tài)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(xiàn)在看來，大語言模型展現(xiàn)出的強大功能，本質(zhì)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(tǒng)模型做了綜合性測試，發(fā)現(xiàn)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(fù)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(wù)：“遮陽傘是否適用于下雨天？”這需要世界知識。（3）創(chuàng)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(chuàng)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(jié)者》里的天網(wǎng)SKYNET覺醒后開始毀滅人類。

現(xiàn)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(dān)心，SKYNET永遠不會派出T800。辛頓對AI的擔(dān)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(xué)者的建議。

大家知道，認知語言學(xué)的背后，是體驗哲學(xué)，是肉身哲學(xué)，是心寓于身的哲學(xué)。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(jīng)驗。AI需要有人的人生經(jīng)驗，才能真的有理解?，F(xiàn)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(jīng)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(xiàn)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(jīng)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(xiàn)在這樣做語言學(xué)，恐怕真的要下崗了。我希望這事兒發(fā)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(xué)院語言研究所） 這次辛頓得諾貝爾物理學(xué)獎，引起全球廣泛關(guān)注。因為這個契機，辛頓今年4月在都柏林大學(xué)學(xué)院獲尤利西斯獎?wù)聲r嚴厲批評喬姆斯基的演講（我有幸獲得辛頓的授權(quán)，在《當(dāng)代語言學(xué)》2024年第4期發(fā)表了陳國華教授翻譯的演講全文），引起了更多語言學(xué)同行的重視。持有不同立場的學(xué)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(qū)分客觀事實和主觀態(tài)度，是最重要的事情。這一點，對于剛剛或即將進入語言學(xué)這個專業(yè)的年輕人來說，尤為關(guān)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(lǐng)域的科學(xué)家，找到一種用大語言模型開發(fā)人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的方法，即通過“喂”給系統(tǒng)超級巨量的真實語言數(shù)據(jù)，訓(xùn)練系統(tǒng)獲得生成合乎語法的句子的能力，并且勝任與人類持續(xù)對話的任務(wù)。以ChatGPT為代表的這類系統(tǒng)，在運用語言方面表現(xiàn)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(xué)家能夠開發(fā)出這樣的語言生成系統(tǒng)，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(xué)家”，當(dāng)然也包括主流語言學(xué)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(tǒng)在國際象棋方面戰(zhàn)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(tǒng)獲得下棋能力的方法，當(dāng)然跟人類不同。它們跟ChatGPT一樣，都是靠“暴力”運算來實現(xiàn)各自的能力。但是，我們能因此否認計算機系統(tǒng)擊敗人類棋手這一事實嗎？當(dāng)然不能。

第三個事實，與喬姆斯基有關(guān)。ChatGPT橫空出世之初，喬姆斯基率先發(fā)難，攻擊它“剽竊”。現(xiàn)在我們知道，他說的根本不是事實，這只是他的主觀態(tài)度。他顯然只是在發(fā)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(tǒng)并不儲存任何具體的句子。它的“本事”，是可以學(xué)習(xí)從文本中提取詞的特征，以網(wǎng)絡(luò)形式通過數(shù)量驚人（千億數(shù)量級）的參數(shù)來表征這些特征之間的相互作用，并依據(jù)這些知識，來預(yù)測下一個詞的特征。而預(yù)測下一個詞（原文為token，在寬泛意義上與“詞”大體相當(dāng)），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(tǒng)，其實是一大堆以網(wǎng)絡(luò)形態(tài)存在的參數(shù)，而不是迄今為止人類曾經(jīng)說過的所有句子。如果依據(jù)這樣的知識系統(tǒng)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(nèi)。因為喬姆斯基等于是在說，學(xué)習(xí)就是剽竊。

前年年底ChatGPT崛起，令我大受震撼。我當(dāng)時決定不揣淺陋，以業(yè)余愛好者的身份觀察、學(xué)習(xí)、判斷，試圖窺見這一事件對中國語言學(xué)的意義。我先后在多所大學(xué)和學(xué)術(shù)機構(gòu)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(yè)學(xué)子的焦慮情緒。他們害怕的是，自己所學(xué)的專業(yè)，將在日益強大的人工智能的威脅下，變得一文不值。我當(dāng)時對他們的建議是，主動擁抱人工智能工具，盡快學(xué)習(xí)并掌握這一利器，并把自己的專業(yè)知識和機器擅長的能力結(jié)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(dāng)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(xué)這個專業(yè)的年輕人”，認清以上3個事實，看清歷史發(fā)展的趨勢，在獨立的理性思考基礎(chǔ)上，做出明智的選擇。

人、人腦與人工智能

劉 暢（中國人民大學(xué)哲學(xué)院） 我想提兩個問題。

第一，語言活動中囊括的種種行為反應(yīng)，如規(guī)則學(xué)習(xí)、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(qū)分：自主的反應(yīng)和自發(fā)的反應(yīng)。語言活動是典型的自主反應(yīng)。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(jīng)觀察就知道我做的是什么，我這樣做的理由是什么。自發(fā)的反應(yīng)卻并非如此，比如免疫系統(tǒng)的反應(yīng)。人類的免疫系統(tǒng)能偵測到病原體的入侵，并自發(fā)地做出一系列復(fù)雜精妙的免疫反應(yīng)。但所有的免疫反應(yīng)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(dāng)然，我可以自主地借藥物來調(diào)節(jié)免疫系統(tǒng)的反應(yīng)。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(yīng)。

只有自主的反應(yīng)，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(yīng)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(yīng)——包括單個神經(jīng)元的反應(yīng)，以及整個神經(jīng)網(wǎng)絡(luò)的反應(yīng)——是自主的，還是自發(fā)的？我認為答案是顯而易見的：大腦的所有反應(yīng)都是自發(fā)的，不是自主的。就像我無法控制白細胞的產(chǎn)生一樣，我也無法控制腦神經(jīng)元的激活。人腦的自發(fā)反應(yīng)，構(gòu)成了人的自主反應(yīng)的神經(jīng)生理基礎(chǔ)，不過，它們?nèi)允莾深惒煌瑢用娴幕顒?。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(guān)意識主體的追問，轉(zhuǎn)化為有關(guān)行為方式的追問。“人”與“人腦”的不同，歸根到底，是這兩類行為反應(yīng)方式的不同。一個行為反應(yīng)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(tǒng)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(yù)設(shè)。以自主方式做出的反應(yīng)，就是有意識主體參與的反應(yīng)，“我”的反應(yīng)；而無意識主體參與的反應(yīng)，則是自發(fā)的。

第二，如果人工智能成功模擬了人類神經(jīng)系統(tǒng)的自發(fā)反應(yīng)機制，這是否意味著它擁有了與人類相當(dāng)?shù)母惺?、理解、認知的能力？比如，是否應(yīng)當(dāng)認為ChatGPT具備了語言學(xué)習(xí)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(chǔ)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(yīng)當(dāng)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(jīng)網(wǎng)絡(luò)上；那么，一套人工智能哪怕完美復(fù)刻了人類的腦神經(jīng)網(wǎng)絡(luò)，也一樣不等于就具備了任何與人類相當(dāng)?shù)淖灾髂芰ΑＫM的，只是人的自主活動得以實現(xiàn)的功能性基礎(chǔ)，而不是自主活動本身。

我贊同完權(quán)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(guī)則的掌握；不過，假若不論語義的學(xué)習(xí)還是句法的學(xué)習(xí)，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(guī)范能力，它只是具有認知、規(guī)范能力的人類所動用的一個技術(shù)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(qū)，是智能實現(xiàn)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(shù)工具的實質(zhì)。人工智能的發(fā)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(shù)工具一樣，對它的不當(dāng)處置，也可能毀滅人自身。