我们为何不像计算机那样交流:科学家终于给出了答案

煤油灯科技2026-10-04 15:28

人类语言的结构旨在通过运用基于生活经验的、熟悉且可预测的模式,来最大程度地减少脑力消耗。

人类语言是极为复杂的体系。全球现存约7000种语言,其中既有仅存少数使用者的濒危语种,也有如汉语、英语、西班牙语和印地语这般,被数十亿人广泛使用的通用语言。

尽管语言之间存在诸多差异,但所有语言都服务于相同的基本目的。它们通过将单个词汇组合成短语,再将短语组织成句子来传达意义。每个层级都承载着特定的含义,它们共同协作,使人们能够以清晰易懂的方式分享思想。

为何语言无法进行数字压缩

迈克尔·哈恩解释道:“这实际上是一个极为复杂的结构。鉴于自然界倾向于实现效率最大化并节约资源,那么,我们完全有理由发问:为何大脑不以一种显然复杂的方式,而是像计算机那样以数字化方式对语言信息进行编码呢?”

萨尔兰大学计算语言学教授哈恩(Hahn)与加州大学欧文分校的同事理查德·富特雷尔(Richard Futrell)一直在共同探究这一问题。从理论上讲,将信息编码为简单的由1和0组成的二进制序列,效率会高得多,因为与自然语言相比,二进制序列能更紧密地压缩信息。这就引出了一个显而易见的问题:打个比方,为什么人类不像《星球大战》中的R2-D2那样交流,而是依赖口头语言呢?哈恩和富特雷尔现已找到了答案。

哈恩表示:“人类语言受我们周围现实生活的影响。比如,若我谈论起半只猫与半只狗的组合,并用抽象词汇‘gol’来指代它,那么没人会明白我的意思,因为几乎可以肯定,没人见过所谓的‘gol’。它根本无法反映任何人的生活体验。同样地,将‘猫’和‘狗’这两个词糅合成一串使用相同字母却无法解读的字符,也是毫无意义的。”他继续说道,“像‘gadcot’这样的字符序列,对我们而言毫无意义,尽管它包含了这两个词的字母。相比之下,‘猫和狗’这个短语则一目了然,因为这两个词指的都是大多数人所熟知的动物。”

熟悉的结构可降低认知负担

哈恩将该研究的主要发现总结如下:“简而言之,我们的大脑更容易选择看似更为复杂的路径。”

尽管这些信息并非以最为精简的形式呈现,但大脑的计算负担却大幅减轻,因为人类大脑在处理语言时,始终与熟悉的自然环境保持着紧密的互动。将信息以纯粹的二进制数字形式编码,看似效率更高,因信息能在更短时间内传输,但这样的编码方式却会脱离我们的现实体验。

迈克尔·哈恩(Michael Hahn)以每日驾车上班为例进行了贴切的类比:“在日常通勤路上,我们对路线了如指掌,驾车时几乎如同开启自动驾驶模式。大脑精准预判着路况,所需耗费的精力便大大降低。而若选择一条更短却陌生的路线,则会让人倍感疲惫,因为新路线要求我们在驾驶过程中必须更加全神贯注。”从数学角度而言,“当我们以熟悉、自然的方式交谈时,大脑需要处理的信息量要少得多。”

预测影响人们对句子的理解方式

因此,以数字形式对信息进行编码和解码,对说话者和倾听者而言,都需要投入更多的认知精力。相反,人脑会持续计算词语和短语按序列出现的概率,并且由于我们一生中有数以万计的日子都在每日使用母语,这些序列模式便深深烙印在脑海中,进一步减轻了计算负担。

哈恩给出了另一个例子:“当我说出德语短语‘Die fünf grünen Autos’(英文意为‘五辆绿色汽车’)时,另一个说德语的人几乎肯定能理解其含义,而‘Grünen fünf die Autos’(英文意为‘绿色五辆汽车’)则不会,”他说道。

试想,当说话者说出“Die fünf grünen Autos”这一短语时会发生什么。它始于德语定冠词“Die”。此时,说德语的听众便会知晓,“Die”一词很可能预示着阴性单数名词或任意性别的复数名词。如此一来,大脑便可立即排除阳性或中性单数名词的可能性。

下一个单词“fünf(五)”极有可能指代某种可数之物,这就排除了“爱”或“渴望”这类无法计数的概念。序列中的下一个单词“grünen(绿色的)”则告诉听者,那个尚不为人知的名词将是复数形式,且颜色为绿色。它可能是汽车,但同样也可能是香蕉或青蛙。唯有当序列中的最后一个单词“Autos(汽车)”被说出时,大脑才会消除剩余的歧义。随着短语逐一呈现,可供解读的可能性逐渐减少,直至(在大多数情况下)仅剩一种最终解释。

然而,在“Grünen fünf die Autos”(英文意为“绿色 五 汽车”)这一短语中,这种预测与关联的逻辑链条却断裂了。由于预期中的线索顺序被打乱,我们的大脑无法从这句话中构建出意义。

人工智能的影响

迈克尔·哈恩(Michael Hahn)与他的美国同事理查德·富特雷尔(Richard Futrell)现已通过数学方法揭示了这些关联。他们的研究成果发表于高影响力期刊《自然·人类行为》(Nature Human Behaviour),凸显了其重要意义。他们的见解或许颇具价值,例如,在进一步开发大型语言模型(LLMs)方面——这类模型是ChatGPT或微软Copilot等生成式人工智能系统的基石。

参考文献:理查德·富特雷尔(Richard Futrell)与迈克尔·哈恩(Michael Hahn)所著《序列信息处理瓶颈中的语言结构》,发表于2025年11月24日《自然·人类行为》期刊。DOI编号:10.1038/s41562-025-02336-w

你可能也喜欢这些文章