人工智能时代下语言学研究的理念与取径（文/郑伟 尹嘉怡）

语言与人工智能

1956年，“人工智能”（artificial intelligence，简称“AI”）这一概念在美国达特茅斯会议上被正式提出，在此之后的近七十年里，人工智能已经由一个新生领域迅速成长为21世纪的时代主题之一。人工智能的出现和崛起伴随着计算机科学各领域的高速发展，短短几十年间，它们共同打造了这个时代的特殊行为方式，甚至塑造了带有鲜明时代特征的思维模式。如今，弱人工智能阶段结下的硕果使得人们对于强人工智能时代的到来充满了幻想。然而，拥有心智的强人工智能可能不会如期而至，通往通用人工智能的道路尚不明晰，其中最关键的原因就是人类对于自身智能和心智的了解还十分有限。

另一方面，在人类对于自身智能的探索中，语言问题始终是其核心之一。就目前的知识水平而言，我们认为语言不但是人区别于其他动物的“高级”行为，更是人的思维工具，同时还是人反观自身心智（mind）的窗口。只有人类了解清楚自身的运行方式，机器对人的模拟才能有据可依。达特茅斯夏季人工智能研究项目提案中曾明确表示，（人工智能）这项研究是在这样一个假设的基础上开展的，即假设学习的每一个方面或智能的任何其他特征原则上都可以被精确地描述，从而使得机器可以模拟它。因此，无论是为了赋予机器智能，还是为了探索人类自身，语言始终是人类的重要课题之一。

要对人工智能下一个精准的定义，无疑是有点困难的。人工智能在短短几十年间经历了高速发展，它从机器模拟人类智能这一设想出发，经过数学、计算机科学、生理学、认知科学、语言学等学科的推动，发展为横跨多个研究领域、遍布各个应用场景的一项技术。

人工智能的概念往往会伴随其自身发展水平以及人类的期望发生变化。起初，人工智能的目标是使计算机使用语言，形成抽象的概念，解决人类的各种问题，以及提升自身。如今看来，机器语言的发展已经较为成熟，计算机提取和分析信息的能力也大大提升，机器学习的效果有所提高，计算机针对特定任务的表现也令人惊喜。但是，这些成果在今天大多被归结为计算而非智能。人工智能在上一阶段取得的成果往往很快被排除在人工智能的新定义之外，这一现象被称为“人工智能效应”。因此，对于“计算机所表现出的智能”这一议题，当下存在两种大相径庭的理解：一种认为人工智能指的是一个系统正确地解释外部数据，从这些数据中学习，并通过灵活的适应使用这些学习来实现特定目标和任务的能力，即弱人工智能；另一种则认为人工智能可以达到与人类拥有同等或超越人类智慧的水平，即强人工智能，又名通用人工智能。在前者的含义中，人工智能只能实现人类智能的部分内容；而后者则认为人工智能最终可以复现甚至超越人类智能。目前人工智能领域的成果与工作都属于弱人工智能，而强人工智能仅仅是一个颇具科幻色彩的愿景。当然，强人工智能的到来对于人类来说无疑是充满吸引力的。当被问及人工智能的目标是否是人类水平的智能时，人工智能之父麦卡锡（John McCarthy）对此表示认同，他说道：“最终的努力是制造出能解决问题并且达成世界和人类的目标的计算机程序。”这意味着人工智能还有很长的路要走。

人工智能的进步与人类对自身智能的认识的增长是密不可分、相辅相成的。作为启蒙人工智能的天才设想，图灵机的形象也启发了人类对于自身心智构造的想象。在对信息的处理过程中，人脑和计算机都可以通过符号进行表征，进一步进行逻辑推理和计算。基于这一符号主义的思想，人工智能一路高歌猛进，最终在模拟人的计算推理能力上取得了重大突破。2017年，人工智能机器人阿尔法围棋（AlphaGo）战胜了围棋世界冠军。在涉及大规模计算和推理的任务中，人工智能已经可以实现比人脑更出色的性能。然而，正好像日行千里的飞机并不等同或者优于鸟类，同样地，在智能的其他方面，人工智能的表现甚至不如一个孩童。当符号主义带来的狂欢逐渐落幕，近年来人工智能重新将视线投向联结主义（connectionism），即另一副人类心智构造的理论形象，这也带来了当前以深度人工神经网络为代表的新一轮人工智能发展浪潮。

此外，基于行为主义和控制论的另一派从人工智能与外部环境的交互这一角度出发，也在探索着心智的来源。总之，无论从哪个方向推进人工智能，其目标都是更多地将人类智能迁移到人工智能上，其中的关键就在于人类对于心智这一黑箱的解密。可以说，人工智能的形象是变化的，而人工智能的目标是永恒的。

无可否认的是，人类这一物种与自然界其他产物的最大区别就是人类是有意识的。人可以调动思维协调自身的感知与外部世界互动，并对这些经验进行加工，产生记忆、智力、想象、情感、语言等能力。正如同笛卡尔（René Descartes）所经历的那样，他无法怀疑他自己作为一个有自我意识的存在正在思考，我们也无时无刻处在思考之中。自从发现自身的这些机制起，人就一直在尝试着定义和描述它们。但相比于描述物理世界中其他作为客体的存在，对人的精神层面的要素、结构、运作方式等进行描述是更加困难的。在科学尚未建立的年代，先哲们多采用“心灵”（soul）一词来概括人的这种机制，是否拥有心灵这一属性也被认为是判断物体有无生命的依据。随着人进一步探索自身的心理状态和思维活动，“心智”（mind）一词在心理学中被广泛接受。对于心智的研究包括与认知相关的部分，例如意识、思维、记忆、想象、推理、语言等能力。人的注意、感觉、情绪、情感、潜意识等属性也是心理学关注和研究的对象。

当年麦卡锡选择“人工智能”这个名称来命名这一新生学科，但比起“心智”这一广泛的概念，“智能”几乎不关注人的知觉、情绪、潜意识、情感等部分，而是着眼于人类心智中理性的部分，这种西方的理性主义传统在人工智能的进程中也得到了彰显。智能的概念还包含着进化主义的色彩，即人类的心智能力同其他能力一样，是人类在漫长的进化进程中获得的，因此，可以假设机器也能够获得这种能力，甚至能够循着人类进化的轨迹，通过模仿人的结构和行为以获得智能。据戴维斯（Randall Davis）的观点，与本能和刺激—反应关联相比，智能行为具有以下特征：（1）预测；（2）对变化的反应；（3）意向性的行动；（4）推理。除意向性问题外，目前人工智能已经基本具备了预测、对变化作出反应以及推理的能力，但我们依然不能承认人工智能已经具备了全面的智能，其中的缘由就包括意向性问题难以得到解决。塞尔（John Searle）认为：“意向性是某些心理状态和事件的特征，它是心理状态和事件（在以下这些词的特殊含义上）指向、关于、涉及或表现某些其他客体和事态的特征。”意向性是比意图、意识更为基础的结构，意图只是意向性的一种，并非所有的意向状态都是有意识的。也就是说，人类的行动都处于意向状态中，即使机器实现了多种智能行为，但它仍然是由人操控的，其行动并不具有意向性。但是，就人的意向性从何而来这一问题我们还无从下手。

除了上述对于智能行为本身研究的困难，随着人工智能技术的广泛应用以及人工智能的升级需要，现今对于所谓“智能”的构想中已经包含了心智的其他部分。除了高性能计算外，人工智能的发展前景中大量涉及其对人类心智中其他部分的理解，例如机器感知、情绪识别、语义理解以及人机交互的各类情景。可以预见，未来对于人类智能的研究将会继续深入，人工智能的质变也将取决于我们对心智的突破性认识。作为人类恒久而又强烈的疑问，心智问题是当代所有学科共同面对的课题。

笛卡尔的贡献之一，是提出了人类心理与动物心理比较的可能性，并正确地认识到，人类“拥有能够表现发射性的理性思维的创造性语言”，同时也把“语言看作人类一种独有的天生的能力”。思维使得人在与世界的互动中具有独特性。它使得人类在与世界互动、获得经验时具有自我意识，也使得人可以采取相较于动物更有灵活性的行动。最重要的是，思维使人能够运用语言。在人类心智的各个组成部分中，语言具有无可替代的特殊地位。语言是我们组织和建构自身心智其他成分的工具。通过语言，心智的其他部分得以显现，人类得以传递感受、表达思想。在个体和其他个体的交流中，语言是重要的媒介。最后，语言在社群中的广泛使用使得语言成为一种建构社会文化、形成社会经验、塑造社会思维方式的力量。正是基于对人类语言的观察和思考，1710年莱布尼茨（G. W. Leibniz）提出建立一种人工的普遍语言的设想，这种由符号和数理逻辑建构起来的语言比自然语言更为简洁和明确。这一构想在日后随着计算机的诞生和发展衍生成为程序语言。因此，我们可以将程序语言看作人类自然语言的一个变种。对于机器来说，程序语言的出现赋予了它进行逻辑思维的工具。与人类语言的性能和表现类似，程序语言使计算机能够组织和调用内部的各个要素，同时它使得计算机可以反馈信息处理的结果，机器与机器之间也可以传递信号，最终在计算机领域形成特定的运作模式和文化。程序语言已经发展成熟，成为了计算机的基本组成部分之一。从使用机器语言到产出逻辑思维结果来看，如今人工智能确实已经了达到了多种和人近似的表现。除了上文提到超出人类的计算表现，语音识别、机器翻译以及各类人工智能终端产品中的人机交互都仿佛显示了人工智能可以成功理解和模拟人的行为。

但是，当我们从另一个角度理解人的语言与机器的语言，进而探讨人工智能是否能获得思维能力时，人工智能的“进化”或许并不十分顺利。笛卡尔假设人类心灵中有一种内在语言，这区别于不同族群所使用的特定的语言，这是人类特有的心智属性。从这一观点来看，语言并不只是人为的产物，它是根植于人类这一物种的特有的机制和能力。这种人类语言“内在主义”（internalist）的观念在乔姆斯基（Noam Chomsky）那里得到了继承，进而影响至今。乔姆斯基将这种人类特有的能力称为“语言官能”（language faculty）。他还区分了语言能力（linguistic competence）和语言运用（linguistic performance），语言能力是内化语言规则所形成的认知能力，语言运用则是一个人调用语言能力的外在表现。儿童可以理解一句从未听过的话并快速习得，人在日常的语言使用中也可以创造和运用各种“不合文法”的口头禅。随着互联网和人工智能深入我们的日常生活，人类的语言运用中惊人的创造力也回应了海德格尔（Martin Heidegger）对于“语言机器”的担忧。1957年，海德格尔就可以进行思考和翻译的机器展开讨论，他认为语言机器从“机器的能量和功能中已经规整并限定了我们语言的可能使用方式”。

目前我们看到的是，计算机和互联网的发展非但没有限制人类的语言运用，它们反而给使用网络语言的流行文化提供了一片沃土。同时，一个人可以一边使用程序语言与机器交流，一边和身边的人轻松地对话，这证明了人类对于符号的操纵能力远远高出机器的能力。我们认为，当前的主要议题应该是机器对自然语言的存储、理解以及反馈，而非担心人类特有的“诗的语言”的消亡。

总之，人的自然语言难以被计算机完全“习得”，一方面是由于人类语言运用所产出的语言事实是海量的、复杂的、不完全受规则限制的；另一方面，人的语言能力的内部结构和生理基础尚不明确。由于心智对人来说仍然是一个巨大的谜团，因此，当下人工智能学科的性质仍然是智能化机器建造的工程学科与对人类智能计算建模的经验学科。我们认为，未来很长一段时间，机器语言需要学习的仍然是人类自然语言中可以被符号化、形式化、结构化的部分，其目标是提升性能和表现，而非模仿人的方方面面。

语言是介于人类思想与外部世界中间的一扇窗，也是人类认识心智和改造世界的锁钥。可以说，对语言的发问和求索是有关整个人类历史最重要的主题之一。在人类对语言的探索过程中，语言学与人工智能从不同的观察视角和研究路径出发。在这条道路上，这两个学科对彼此的进程也产生了深刻的影响。

语言的系统研究并非始于对心智的好奇。起初，语言对人来说是一套约定俗成的规范。随着语言材料的大量积累，19世纪的历史比较语言学开始系统地对语言展开研究，并从中发现了不同语言之间的发生学关系，语言的共性（universal）研究开始浮现。在那些被观察到的语言事实中，一部分是符合规范的、稳定的，而另一部分是随意的、多变的。“现代语言学之父”索绪尔（F. D. Saussure）将人类语言活动中的这两者定义为语言（langue）和言语（parole）。他将语言看作一个独立的系统，大力倡导从共时（synchronic）角度分析语言系统内部要素的关系和规律。索绪尔一反历史比较语言学之研究传统，抛弃了“言语、外部、历时、实体”等研究对象，力主以“语言、内部、共时、形式”为中心建立起现代语言学理论。自此，结构主义学派对于语言系统内部的分析描绘出了人类语言的成分、结构和关系。这一时期对于语言的关注，无疑使人获得了观察和理解语言的新视角，在不同的地域和种族内，语言系统如同初始设置一样伴随着人类存在。

20世纪50年代，随着人工智能、认知心理学等学科逐步建立与发展，人们对心智的好奇心被重新唤醒。在语言问题上，人也不仅仅满足于对语言事实的描写和分析，开始更关心语言究竟从何而来、又何以至此。乔姆斯基是这一转向的代表人物，他坚定地将其理论基点定位于“语言与心智”的关系上，这从其专著《语言与心智》中可见一斑。他的名言“语言是心智的窗口”是这一立场的具体反映。乔姆斯基力图描绘人类语言能力中的规则，他将之命名为普遍语法（universal grammar）。普遍语法并不是规则的集合，相反地，它讨论了人类语言中“有限规则的无限使用”，即语言的生成性。对于生成性的解释，乔姆斯基受到了图灵（Alan M. Turing）的启发。图灵在心智的计算理论上的一个重要贡献就是清晰地提出了递归函数理论用以刻画心智的计算操作，这对乔姆斯基的影响无疑是巨大的。递归性的发现使得我们能够理解人类语言的生成性。由此可见，计算理论的发展也极大地启发了人类对于语言和心智的理解。蕴藏在句法背后的，不仅仅是一套规则，而是无穷的动态性和创造性。直到今天，人工智能模拟和学习人的语言，不仅仅带来了各种人工智能技术及产品，更重要的是它向人类展示了它们所拥有的自然语言的潜力与深度。在机器与人的竞赛中，它可以在计算这一单元远胜人类，却无法成功应对来自语言的挑战。从这个角度来说，未来人工智能在自然语言分析方面的努力仍然有着漫长的道路要走。

虽然转换生成语法学派带来的影响力不可忽视，在对人类语言的理性阐释中仍然占据着主流地位，但随着科技和认知的发展，语义问题与语言的体验性逐渐进入科学的视线。20世纪50、60年代以来，认知功能语言学派从认知和体验的角度对转换生成语言学派展开批判和补充。这一学科的出现拓宽了语言学的研究视野，使得人们可以分别从内省和经验两个方向来研究语言及心智。事实上，认知语言学与未来人工智能所关心的课题是十分相近的。从研究主题上来说，认知语言学中许多理论与当下人工智能的发展需求不谋而合。例如，原型范畴、概念、隐喻—转喻理论与自然语言理解的需求联系非常紧密；具身性（embodied）经验、互动经验也与人工智能机器人的研究理念相契合。

理想化的情况，当然是语言学理论可直接应用于人工智能发展，但现状并非如此。过去，语言学确实为人工智能语言的构建提供了理想的参照。例如，乔姆斯基的语言学研究成果推动了早期人工智能的发展。在机器翻译的早期研究中，美国的METAL（MEchanical Translation and Analysis of Language）充分利用了乔姆斯基的转换生成语法和短语结构理论。他所提出的管辖与约束理论（Government and Binding Theory）也被认为对机器翻译的提升非常有意义。

正如许多学科所关注的，语言学也在因循着挖掘人类心智的奥秘前进。在语言学的视角中，语言早已不只是简单的符号和规则的堆砌，相反，它所暗藏的是人类理解自身和世界的方式。更何况，在机器学习人类语言这一“实验”中，人的语言的复杂性和灵活性早已经不言自明。因此，今天的语言学理论并不局限于描述的、分析的，更多的是抽象的、辩证的，而使用符号和规则的机器注定无法直接理解这些内容。但与之相对的是，人工智能并不是一门纯理论的学科。相反，它是一门从经验中成长起来的学科。在有了一定的理论基础后，人工智能需要处理应对的是大量复杂的数据。因此，出于实用主义，语言学理论往往不是人工智能的首选。总之，不同的学科特性和需求注定了当前语言学与人工智能两个学科存在着分道扬镳、各说各话的局面。

现今人工智能为语言学带来了强大的技术支持，但它对语言学研究的传统所造成的冲击也不容小觑。康奈尔大学语言学系主任约翰·惠特曼（John Whitman）教授在一次采访中表示：“我认为语言学理论面临的挑战并不是转换生成语法与认知语言学的竞争，而是语言学理论日益受到计算语言学的挑战。”随着计算机语言处理技术的发展，计算语言学逐渐发展为一门独立的学科。它使用计算机研究语言，关注语言中可计算的部分。惠特曼提到，计算语言学依赖于大规模的语料库和统计分析。转换生成语法与认知语言学的共同之处在于建构语言表征，语言学家们都在讨论语义或者结构的表征。与此不同，计算语言学家们对表征没有兴趣，他们对通过统计方法预测语言模式感兴趣。

总的来看，现代语言学的各种研究学派之间的论争围绕语言研究的不同前提（形式或功能）和哲学基础（理性主义或经验主义）展开。然而计算机和人工智能时代对语言研究的挑战是颠覆性的，算法、算力的发展促使越来越多的研究者关注一般的而非特殊的、现象的而非本质的问题。不仅仅是计算语言学内部热衷于采取这种研究方式，语言学的其他各个分支也受到了不同程度的影响。为了迎合机器的理解需求，我们倾向于挑选语言中一般性的、已知的、易被机器理解的语言材料，随后把它们丢进模型中即可。如果语言学研究普遍转向采取这种方法而非分析，那么这种经验主义色彩的做法相当于使我们看待语言的方式回到了现代语言学建立之前的状态，区别仅仅是我们可同时处理的语言材料数量更大、处理速度更快而已。这种做法的流行很可能使一些语言学研究者偏离正确的轨道，进而偏离了对语言本质的探索。

因此，语言学需要谨慎地追随人工智能的浪潮，并始终保持语言学研究的初心。科学对普遍真理的追求是建立在对特殊事物的观察基础上的，这一点对于语言学研究来说也是适用的。惠特曼对此持有同样的看法，“我们应该记取：一位语言学工作者不仅仅要致力于弄明白汉语或者英语的基本事实，更应该引导人们明白人类语言的可能事实。也正是这个原因，我们致力于少数民族语言研究、拯救濒危语言”。同时，计算主义下的语言学研究本身也面临着巨大的挑战，我国计算语言学发展中存在着对于深度学习算法本身迷信、忽视语言本体研究、人工智能尚未达到应有的理解水平等问题。可见，以理论建设、问题导向为核心的语言学研究与以技术驱动的计算语言学研究应该相互助益、协同发展。关注真实的语言材料，继续深入挖掘语言中反映人的特质和特定行为的部分，在严谨假设和坚实理论的基础上合理借助计算技术，以获得补充和佐证，从而推动语言学理论的构建和发展，是语言学家最根本的使命。