罗仁地：论学科交叉融合在研究语言与科技时的必然性

2021年11月24日，罗仁地（Randy J. LaPolla）教授在“2021北京师范大学珠海校区交叉学科前沿论坛”上发表了题为“论学科交叉融合在研究语言时的必然性”的主旨报告。

下一步是开发所谓的大范围人工智能（Artificial General Intelligence），即能够学习、解决问题、适应和自我改进的系统。这种系统甚至会执行超出其设计任务范围的任务，但这只能在机器可以模仿人类推理能力的情况下才能实现，即能进行溯因推理法。到目前为止，甚至没有广泛认识到溯因推理法在下一步行动中的重要性，而这正是语言学家和哲学家可以帮忙的地方。

我的研究领域是语言学，我在语言科学研究中心工作，但是，当有人问我我做什么样的研究的时候，我说我研究人类行为和认知。这有两个原因：

第一个原因是我确实是在研究语言，但语言不是一种东西，而是行为，大部分与语言相关的原则以及身体和认知本能与人类行为的其他方面没有什么不一样，就是说，是和我们的文化和激发我们行为的认知相同的。

第二个原因是，为了理解我们的语言行为和其他交际行为，我们必须对人类行为的许多方面有一定的了解。语言是一种社会性现象，是一种复杂自适应系统，是很多人进行交际的时候涌现出来的副产品。没有一种简单的方法能够解释其所以然。之前脱离人类行为和认知的其他方面的语言研究并没有给我们有用的结果，因此我们必须从交际互动的格式塔以及影响交际互动发生和运作的因素进行研究。这种方法我们一般叫做跨学科研究，但我更喜欢把它叫做整合性研究，就是说整合决定我们行为的许多不同因素的知识。这样做是以人为中心的研究方法。

这当然并不容易，因为要成为一名全能的语言学家，需要了解生理学（包括神经学）、物理学（尤其是声学）、心理学、历史学、哲学、人类学以及统计学。如果进行的是远古历史语言学研究，还要对遗传学和考古学有所了解。现代语言学当然也依赖于现代技术，因此电脑程序编码和数据库管理和操作也是重要的技能。

至少有必要对以上方面有足够的了解，以便知道这些方面什么时候与你想要理解的现象相关，然后你可以根据你自己的知识作为基础来进行更深入的挖掘，或者你也可以与专家合作研究。但是在与专家合作时，你必须要能够了解他们在做什么、为什么这样做，以及他们的贡献会告诉你什么。

举几个实例：

一，我们研究远古的原始汉藏语的起源时代和地点，根据传统的方法，所要了解的知识面包括出土文物研究、遗传学研究、民族迁徙历史研究、农耕和动物驯服文化进程，以及语言词汇的发展。最近有些学者还加上统计学方面的知识，把最初服务于生物科学研究的“贝叶斯系统发育模型”（Bayesian phylogenetic modelling）概率测试模型的软件运用到语言学中，计算出多种可能的语言谱系树，进而确定可能性最大的谱系树和可能性最大的语言分化的时间和范围。

二，我自己以前在新加坡南洋理工大学的时候，因为想用fMRI和EEG来研究溯因推理法在大脑中的反映，就请了加拿大的一位脑神经专家到新加坡来访问一年，跟他合作研究这方面。

三，我们进行濒危语言调查记录常常和植物学家、动物学家、人类学家合作。

我从遵循这种方法中学到的一件事，是对交际的本质以及语言的作用和本质的新理解，而这个新理解与传统的看法很不一样：我了解到交际不是像电脑一样通过编码和解码而进行的，交际的关键机制是溯因推理法（abductive inference），就是推测对方做出交际行为的目的。哲学家皮尔斯（Charles S. Peirce）早在19世纪末已经指出，溯因推理法是我们创造意义的主要方式。我们使用这种推理法来帮助我们了解周围的世界实际上是一种生存本能，我们也用这种推理法来推断其他人做出行为的意图。交际只是这种普遍生存本能的一种应用。这也是我们不断做出预测的机制，这是生存所需要的另一个功能。甚至，有些心理学家认为大脑是一台预测机器。

针对溯因推理法的了解对技术进步具有重要意义。如果对人工智能研究的历史有所了解，就会知道在20世纪80年代和90年代，当时的主导模型是符号人工智能（Symbolic AI）。这是一种以规则为基础、以演绎推理法为方法的模型，但这种模型并没有得出很好的结果。在世纪之交，这方面的学者开始改用归纳推理法，有时称为连接主义（connectionist approach）或机器学习（machine learning）方法。这种办法所得出的结果比符号人工智能好得多，现在归纳推理法已成为主导方法。

虽然如此，这仍然是人工智能的一种非常有限的形式，称为小范围人工智能（Artificial Narrow Intelligence），就是可以执行特定任务的非人类系统，例如翻译文本或预测某人的购买偏好。下一步是开发所谓的大范围人工智能（Artificial General Intelligence），即能够学习、解决问题、适应和自我改进的系统。这种系统甚至会执行超出其设计任务范围的任务，但这只能在机器可以模仿人类推理能力的情况下才能实现，即能进行溯因推理法。到目前为止，甚至没有广泛认识到溯因推理法在下一步行动中的重要性，而这正是语言学家和哲学家可以帮忙的地方。

人文科学对技术领域的另一个重要性是在创造某些新技术产品的缺乏远见，没考虑到技术的使用和滥用可能引起的问题，因此我们看到了20世纪的重大创新同时也造就了21世纪的重大问题。除了气候变化、核武器、基因图谱编辑、社交媒体和技术滥用、可持续性以及外空治理等重大问题外，最关键的问题将是人工智能的合理发展，也就是说，要使人工智能能够合理发展，必须要重视伦理道德行为。

已经有人指出了内置于小范围人工智能系统中的偏见，而大范围人工智能系统可以做出决策并执行超出其编程范围的任务，如果没有任何伦理或道德的监督，后果不堪设想。连埃隆·马斯克（Elon Musk），一位技术的忠实拥护者，也发出警告说，先进的人工智可能会给人类带来“生存危机”。目前的控制方法是不够的。

许多对人类行为的制约依赖于我们的意识、我们的情感和我们的道德价值观的应用。因此，要创造这种机器的话，我们需要了解人类的认知，同时需要进行以人为本的研究，以最有效的方法来设计和控制机器，才能把风险降到最低、收益提到最高。

现在大家正在谈论的是“第四工业革命”，到2030年，8亿个工作岗位将被机器人取代。这就是为什么达沃斯世界经济论坛向全球工人阶级发出了一个明确的信息：如果不想被机器取代，我们就必须回到使我们成为人的本能（get back to what makes us human）。这包括合作学习、创造力、批判性思维和同理心——而这些正是与艺术和人文教育相关的技能。2019年达沃斯论坛提出的重要主题之一是需要将“人类”放回技术中，做以人为中心的研究。

这也就是为什么谷歌几年前宣布招聘4000名哲学家，以及为什么100家富时公司的CEO中有34%有艺术、人文和社会科学学位。而谷歌、微软、亚马逊和苹果也是语言学家的最大雇主。麻省理工学院（MIT）也认识到“工程学必须解决的所有挑战，从气候变化到疾病和贫困，都与人类现实（human realities）有关”，因此为了了解这些现实，他们学生上的课包括文学、历史、艺术或音乐课程。

目前，有开发电子游戏的历史学家和人类学家，有专门研究大数据的语言学家，有设计3D假肢的设计师和与人工智能携手合作的哲学家。仅靠技术无法解决我们的任何问题，我们必须了解人类将如何与技术互动。人文学科研究文化意义构建的实践，并将对构成知识和理解的独特理解带入他们的工作，因此在许多方面对社会是有用的，包括对人类行为的理解。所以，目前良好教育的理念不仅仅谈论STEM学科，而是包括艺术和人文科学的STEAM（科学、技术、工程、艺术、数学）。

最后，我提供几点具体的建议：如果想建立有效的交叉学科制度，要把学科所在的系和学科课程分开来，建立很多交叉学科课程。比如波士顿大学人文理科学院有25个不同的人文和理科的系，但有79个不同的课程，而且大部分是交叉的。

最后，我要强调的是，新时代的语言学研究，要以人为中心，也就是要：

走向社会！

走向田野！

走向实验室！

走向互联网！*

（罗仁地教授，北京师范大学（珠海校区） 语言科学研究中心 ）

*引自石锋教授，参：http://www.exp-linguistics.com/#/index

授权：本文依据Creative Commons Attribution 4.0 International License（https://creativecommons.org/licenses/by/4.0/）进行授权。

引用：罗仁地. 论学科交叉融合在研究语言与科技时的必然性——走向以人为中心的研究. 2021北京师范大学珠海校区交叉学科前沿论坛. 珠海, 北京师范大学, 2021年11月23-25日.

会议信息：https://mp.weixin.qq.com/s/f-VKAOB0vLQ7uwKdcFWbwA

往期：