20世紀(jì)50年代，現(xiàn)代語言學(xué)的重要理論之一——依存語法誕生，其核心思想是通過分析詞與詞之間的依存關(guān)系（如主謂、動賓、修飾等）來揭示句子的結(jié)構(gòu)模式和語義聯(lián)系。
70多年后的今天，它從冷門變成“顯學(xué)”，為人工智能（AI）處理自然語言提供了清晰的理論框架和實踐工具。隨著AI技術(shù)向“認(rèn)知智能”發(fā)展，依存語法與深度學(xué)習(xí)的結(jié)合（如將語言學(xué)先驗知識融入神經(jīng)網(wǎng)絡(luò)）成為提升AI語言理解能力的重要方向。
前不久加盟復(fù)旦大學(xué)的國際知名計量語言學(xué)和依存語法研究專家劉海濤，憑借在計量依存語法等領(lǐng)域的研究，連續(xù)11年入選愛思唯爾“中國高被引學(xué)者”榜單。
在“教機(jī)器說人話”的人工智能發(fā)展歷程中，文科能夠助力幾何？漢語是不是AI研究的優(yōu)勢語言？初夏的一個上午，記者走進(jìn)復(fù)旦大學(xué)外文樓5樓辦公室，專訪了身穿紅藍(lán)格子襯衫的劉海濤教授。
作為一個母語為漢語的中國人，我們很愿意聽到對它的贊美。但作為觀察人類語言系統(tǒng)規(guī)律的研究者，可能要更謹(jǐn)慎、客觀地來看待。
周末周刊：您是一位語言學(xué)研究專家，研究內(nèi)容是人類語言中關(guān)于句法的普遍規(guī)律，而這也可能成為開啟人工智能的鑰匙之一。DeepSeek崛起之后，有一種聲音認(rèn)為，漢語在研究人工智能的領(lǐng)域中是一種優(yōu)勢工具，能否站在語言學(xué)家的立場談?wù)勀目捶ǎ?/p>
劉海濤：這個問題好像給我挖了個“坑”。我也注意到這個說法。作為一個母語為漢語的中國人，我們很愿意聽到對它的贊美。但作為觀察人類語言系統(tǒng)規(guī)律的研究者，可能要更謹(jǐn)慎、客觀地來看待。
我查了一下這個說法的來源和根據(jù)。有趣的是，檢索到的很多相關(guān)信息，在很不起眼的地方都標(biāo)注著“內(nèi)容由AI生成”。
他們的主要依據(jù)有三個：一是漢語相比其他拼音文字來說，文字比較獨特。二是漢語是孤立語（特點是詞的形態(tài)不會隨詞的語法功能變化）。三是漢語文本的信息熵大，即表達(dá)同樣內(nèi)容時，采用漢字的文本最短。
從語言科學(xué)的角度來講，語言和文字不能混為一談，字和詞也不是一回事。從類型學(xué)的角度來講，漢語也不是唯一的孤立語。作為孤立語言來講，它們既有優(yōu)點也有缺點，和其他類型的語言一樣。
能不能揚(yáng)長避短，充分利用這些漢語的優(yōu)勢構(gòu)造出一個更好的我們所希望的人工智能，可能是更值得關(guān)注的。以我目前對于大模型的粗淺了解來看，目前廣泛采用的大數(shù)據(jù)+深度學(xué)習(xí)的AI技術(shù)還難以充分利用以上三個特點。
而且，根據(jù)團(tuán)隊這些年來基于幾十種語言真實語料進(jìn)行的語言規(guī)律的發(fā)現(xiàn)和研究，我們看到漢語與人類其他語言之間的共性是多于個性的。因為人類語言的普遍性是由人的生物意義的普遍性來決定的。
不過，在漢語與人類其他語言的比較過程中，我們確實發(fā)現(xiàn)了漢語的一個特殊之處，這也是我們在這個方向堅持研究的驅(qū)動力之一。
哈德森開玩笑說：你把這個搞清楚了，肯定就名揚(yáng)全球了。我說我不是很想名揚(yáng)全球，但這個事情確實值得去搞清楚。
周末周刊：您所說的漢語的特殊之處是什么？
劉海濤：這可能要從依存語法中的一些基本概念說起。依存語法是建立在依存關(guān)系基礎(chǔ)上的一個現(xiàn)代語法理論。這個理論的一個核心想法是，句子中的詞不是孤立的，它和這個句子中的其他詞是有關(guān)系的，我們把這種關(guān)系叫作詞之間的依存關(guān)系。
比如，在“我吃了一個紅蘋果”這個句子中，“我”和“吃”之間有一個主語關(guān)系，“吃”和“蘋果”之間有一個賓語關(guān)系。通過這樣一些關(guān)系，我們就能把一個句子連成一個整體。
這種聯(lián)系對于我們理解和生成語言的意義何在呢？依存語法的奠基人、法國語言學(xué)家泰尼埃講過這樣一句話：“造句就是在一群不定型的詞之間建立起一個整體，成為一個整體的各種依存關(guān)系，從而賦予這一堆不定型的詞以生命；反之，理解一個句子，就是要找出連接句子中各個不同詞之間的所有依存關(guān)系。”
顯然，人的語感單憑一個句子是形成不了的，而是需要許許多多的句子。計算機(jī)也是如此。為了發(fā)現(xiàn)人類使用語言的句法規(guī)律，我們需要千千萬萬個經(jīng)過句法分析的句子。對一種語言中大量真實話語進(jìn)行依存語法標(biāo)注后的數(shù)據(jù)，就形成了句法樹庫。樹庫不僅是發(fā)現(xiàn)句法規(guī)律的重要資源，也是機(jī)器學(xué)習(xí)人類語言知識的寶貴源泉，而樹庫標(biāo)注是人類語言知識外化的過程。
樹庫的重要性也可從普遍依存關(guān)系（Universal Dependencies）項目的發(fā)展看出，該項目可能是目前人工智能領(lǐng)域為數(shù)不多的需要語言學(xué)家參與的項目。截至2025年5月，該項目已有179種語言的319個可供人工智能領(lǐng)域使用的依存句法標(biāo)注語料庫（樹庫）。
有了樹庫，就可以對人類語言進(jìn)行多層次多角度的分析研究，這種數(shù)據(jù)驅(qū)動的方法所發(fā)現(xiàn)的語言的概率性規(guī)律，有益于構(gòu)建可解釋的AI，因為大語言模型AI的本質(zhì)差不多就是“建模自然語言的概率分布”。在我們研究的幾十種語言樹庫里，小的大概有兩三萬詞，大的有幾百萬詞，如此不帶感情地把人類的各種語言都抽象出來，就可以形成人類語言的趨勢、規(guī)律和模式。
這種“抽象”，可以讓我們更清晰地看到一種語言的“依存距離”。依存距離指句子中兩個有句法關(guān)系的詞之間的線性距離，其大小取決于間隔詞的數(shù)量。上面這個例句中，動詞 “吃”和賓語“蘋果”之間間隔了“了”“一”“個”以及“紅”這4個詞，因此，它們之間的依存距離是4。
依存距離看起來簡單，但實際上，涉及很多不簡單的東西。比如，我們在說一句話的時候，說出來的詞，怎么排序呢？如果語義密切相關(guān)的詞相隔太遠(yuǎn)，這個詞就很難找到和它語義直接相關(guān)的那個詞，所以兩個有關(guān)系的詞一旦在句子中距離較大，比如超過四五個詞，不僅你自己記不住，聽話的人也難以理解。因此，人在說話時，由于受人類記憶容量的約束，會遵循一種“依存距離最小化”的規(guī)律。
所謂依存距離最小化就是指，在造一個句子的時候，我們把句法或語義上相關(guān)的詞盡可能地靠得近一點，從而使它們之間的“依存距離”盡可能短。
大概在20多年前，我用20種語言的依存樹庫，發(fā)現(xiàn)了“依存距離最小化”可能是人類語言的一種普遍規(guī)律。有趣的是，在這20種語言中，漢語的依存距離最大。
當(dāng)我把這個結(jié)果告訴同樣是依存語法研究的專家、英國的哈德森（Hudson）教授時，他很激動。在我寫的《依存語法的理論與實踐》一書的序言中，他這樣寫道：“劉海濤的研究發(fā)現(xiàn)不同語言之間的依存距離是有明顯差異的，這是一個極為重要的發(fā)現(xiàn)，應(yīng)當(dāng)激發(fā)更多的后續(xù)研究。為什么兩種語言的工作記憶容量會如此不同？是不是因為漢語詞語更容易記憶，所以以此可以激活更多的詞語，或者因為說中國話的人有更大的工作記憶容量？”
后來哈德森開玩笑說：你把這個搞清楚了，肯定就名揚(yáng)全球了。我說我不是很想名揚(yáng)全球，但這個事情確實值得去搞清楚。
一系列后續(xù)研究表明，哈德森的這些問題不好回答，目前可以肯定的是，漢語的依存距離無論換何種語料都是大于英語的，盡管我們也發(fā)現(xiàn)了一些影響依存距離的因素，如漢語的虛詞會增加依存距離等，但要回答“講漢語的人是不是工作記憶就大”這類涉及語言會影響認(rèn)知結(jié)構(gòu)的重大問題，還需要更多學(xué)科的人來合作探究。
這個例子說明，有時候，我們從一個小切口入手，能夠引出一些意想不到的東西，而這些東西可能比你原先想要研究的東西更重要。這可能也是科學(xué)研究的樂趣之一。
數(shù)據(jù)與智能的關(guān)系對于傳統(tǒng)語言學(xué)而言，是非常陌生的一個話題。事實上，正是這種陌生使主流語言學(xué)與這個時代漸行漸遠(yuǎn)。
周末周刊：在您看來，人工智能中的“語言學(xué)元素”約占多少？語言學(xué)中的“AI元素”又是如何產(chǎn)生的？
劉海濤：毫無疑問，人工智能是一個涉及多種學(xué)科的交叉學(xué)科。在一本名為《大數(shù)據(jù)入門》的書中，提到了有助于構(gòu)建AI的學(xué)科，其中包括計算機(jī)、數(shù)學(xué)、醫(yī)學(xué)、心理學(xué)、工程和語言學(xué)。
應(yīng)該說，在目前的數(shù)基智能中，在這幾個學(xué)科中，起主要作用的是計算機(jī)、工程和數(shù)學(xué)。有一些學(xué)科，比如語言學(xué)，更多的是一種不提似乎說不過去的東西，是繞不開的。因為語言不僅是智能的窗口，也是這次數(shù)智革命的引爆點和人工智能破解人類軟件系統(tǒng)的切入點。
但傳統(tǒng)意義的語言學(xué)對數(shù)基智能的價值和意義很小，因為數(shù)據(jù)與智能的關(guān)系對于傳統(tǒng)語言學(xué)而言，是非常陌生的一個話題。事實上，正是這種陌生使主流語言學(xué)與這個時代漸行漸遠(yuǎn)，也就有了“解雇一個語言學(xué)家，系統(tǒng)性能會更好一些”的說法。當(dāng)然，也有諸如“每當(dāng)你雇傭一位受過良好訓(xùn)練的語言學(xué)家時，你的樹庫就會更好一些”等更積極的說法。
換言之，人工智能一定是需要語言學(xué)的，但需要的可能不是脫離人類日常語言的語言學(xué)，而是能從大量日常語言材料中發(fā)現(xiàn)語言系統(tǒng)運(yùn)作的統(tǒng)計規(guī)律的語言學(xué)，因為語言是一個由人驅(qū)動的概率系統(tǒng)。
總的說來，數(shù)據(jù)、概率、統(tǒng)計、系統(tǒng)、規(guī)律等可能是數(shù)智時代需要的“AI元素”。這樣一來，語言學(xué)家需要盡快在自己的研究中引入這些“元素”。與其他語言學(xué)理論語法相比，依存語法從一開始就比較重視真實的語言、人們在日常生活中使用的語言。這可能也是它能夠在數(shù)智時代煥發(fā)青春的一個主要原因，因為人工智能要面對的是人類使用的語言，而不是語言研究者們?yōu)榱蓑炞C自己的假說或理論造出來的各種句子。
我關(guān)于“依存距離最小化”研究的文章，由于所采用的數(shù)據(jù)驅(qū)動的方法與當(dāng)時認(rèn)知科學(xué)習(xí)慣的方法有很大不同，因此發(fā)表之路很艱難，最終發(fā)表在2008年的《Journal of Cognitive Science（認(rèn)知科學(xué)雜志）》上，如今已成為該刊被引用最多的文章。這說明，AI需要語言學(xué)，但需要的是與時俱進(jìn)的語言學(xué)，需要的是能反映人類語言系統(tǒng)真實運(yùn)作規(guī)律的語言學(xué)。