羅仁地(Randy J. LaPolla)〔美〕

中圖分類(lèi)號(hào) H002 文獻(xiàn)標(biāo)識(shí)碼 A? 文章編號(hào)2096-1014（2023）03-0093-04

DOI? 10.19689/j.cnki.cn10-1361/h.20230308

我的研究領(lǐng)域是語(yǔ)言學(xué)，我在北京師范大學(xué)的語(yǔ)言科學(xué)研究中心工作，但是，當(dāng)有人問(wèn)我做什么樣的研究的時(shí)候，我說(shuō)我研究人類(lèi)行為和認(rèn)知。這有兩個(gè)原因：

第一個(gè)原因是，我確實(shí)是在研究語(yǔ)言，但語(yǔ)言不是一種東西，而是一種行為；語(yǔ)言行為的基本原則，以及用于產(chǎn)生和進(jìn)行語(yǔ)言行為（即互動(dòng)交集）的生理和認(rèn)知能力，與人類(lèi)其他類(lèi)型的行為相同。

第二個(gè)原因是，為了理解我們的語(yǔ)言行為和其他交際行為，我們必須要對(duì)人類(lèi)行為的許多方面有一定的了解。語(yǔ)言是一種社會(huì)性現(xiàn)象，是一種復(fù)雜自適應(yīng)系統(tǒng)，是很多人進(jìn)行交際時(shí)涌現(xiàn)出來(lái)的副產(chǎn)品。沒(méi)有一種簡(jiǎn)單的方法能夠解釋其所以然。20世紀(jì)時(shí)由于結(jié)構(gòu)主義語(yǔ)言學(xué)理論的影響，有不少人認(rèn)為在研究語(yǔ)言的時(shí)候，可以脫離人類(lèi)行為和認(rèn)知的有關(guān)方面而單獨(dú)研究語(yǔ)言的形式，但這種研究方法并沒(méi)有帶給我們有用的結(jié)果，由此可見(jiàn)，我們需要從交際互動(dòng)的格式塔（完形）以及影響交際互動(dòng)發(fā)生和運(yùn)作的因素進(jìn)行研究。這種方法我們一般叫作跨學(xué)科研究，但我更喜歡把它叫作整合性研究，就是說(shuō)，整合決定我們行為的許多不同因素的知識(shí)。這是一種以人為中心的研究方法。

這當(dāng)然并不容易，因?yàn)橐蔀橐幻艿恼Z(yǔ)言學(xué)家，需要通曉生理學(xué)（包括神經(jīng)學(xué)）、物理學(xué)（尤其是聲學(xué)）、心理學(xué)、歷史學(xué)、哲學(xué)、人類(lèi)學(xué)以及統(tǒng)計(jì)學(xué)。如果進(jìn)行的是遠(yuǎn)古歷史語(yǔ)言學(xué)研究，還要對(duì)遺傳學(xué)和考古學(xué)有所了解?，F(xiàn)代語(yǔ)言學(xué)當(dāng)然也依賴(lài)于現(xiàn)代技術(shù)，因此電腦程序編碼和數(shù)據(jù)庫(kù)管理與操作也是重要的技能。

我認(rèn)為，我們至少有必要對(duì)以上所列舉的不同學(xué)科有基本的掌握，以便了解哪些學(xué)科在哪一方面、在什么情況下與我們想要理解的現(xiàn)象有關(guān)，然后才能以我們的基本知識(shí)為基礎(chǔ)進(jìn)行更深入的挖掘，或者也可以與專(zhuān)家合作研究。但是在與專(zhuān)家合作時(shí)，必須要能夠了解他們?cè)谧鍪裁?、為什么這樣做，以及他們的貢獻(xiàn)會(huì)告訴我們什么。

舉幾個(gè)實(shí)例：

（1）我們研究遠(yuǎn)古原始漢藏語(yǔ)的起源時(shí)代和地點(diǎn)，根據(jù)傳統(tǒng)的方法，必須具備的知識(shí)包括出土文物、遺傳學(xué)、民族遷徙歷史、農(nóng)耕和動(dòng)物馴服文化進(jìn)程，以及語(yǔ)言詞匯的發(fā)展。最近有些學(xué)者還加上統(tǒng)計(jì)學(xué)方面的知識(shí)，把最初服務(wù)于生物科學(xué)研究的“貝葉斯系統(tǒng)發(fā)育模型”（ Bayesian phylogenetic modelling）概率測(cè)試模型的軟件運(yùn)用到語(yǔ)言學(xué)中，計(jì)算出多種可能的語(yǔ)言譜系樹(shù)，進(jìn)而確定可能性最大的譜系樹(shù)和可能性最大的語(yǔ)言分化的時(shí)間和范圍（Zhang et al.2019；LaPolla 2019）。

（2）我以前在新加坡南洋理工大學(xué)工作的時(shí)候，因?yàn)橄胗霉δ苄源殴舱癯上裥g(shù)（fMRI）和腦電圖儀（EEG）來(lái)研究溯因推理法（ abductive inference）在大腦中的反映，就請(qǐng)了加拿大的一位腦神經(jīng)專(zhuān)家到新加坡來(lái)訪問(wèn)一年，跟他合作進(jìn)行這方面的研究。

（3）我們?cè)谶M(jìn)行瀕危語(yǔ)言調(diào)查記錄時(shí)，常常和植物學(xué)家、動(dòng)物學(xué)家、人類(lèi)學(xué)家合作。

遵循以上討論的融合性方法，我對(duì)交際的本質(zhì)以及語(yǔ)言的作用和本質(zhì)有了新的理解，而這種新的理解與傳統(tǒng)的看法很不一樣：我了解到交際不是像電腦一樣通過(guò)編碼和解碼進(jìn)行的，交際的關(guān)鍵機(jī)制是溯因推理法，就是推測(cè)對(duì)方做出交際行為的目的。哲學(xué)家皮爾斯（ Charles S. Peirce）早在1878年已經(jīng)指出，溯因推理法是我們創(chuàng)造意義的主要方式。我們使用這種推理法來(lái)幫助我們了解周?chē)氖澜纭?/p>

這實(shí)際上是一種生存本能，我們也用這種推理法來(lái)推測(cè)他人對(duì)我們做出的行為意圖，推測(cè)他人的行為對(duì)我們有益還是有害，這對(duì)我們的生存也非常重要。除此之外，我們也透過(guò)推測(cè)別人的行為意圖來(lái)與別人進(jìn)行交際，這也是這種普遍生存本能的一種應(yīng)用。另一方面，我們會(huì)不斷用溯因推理法來(lái)做出預(yù)測(cè)，這也是人類(lèi)生存所需要的另一種功能。甚至，有些心理學(xué)家認(rèn)為大腦是一臺(tái)預(yù)測(cè)機(jī)器（ Bubic et al.2010；Clark 2013）。

新時(shí)代的語(yǔ)言學(xué)研究，要著重以人為中心，呼吁大家走向社會(huì)！走向田野！走向?qū)嶒?yàn)室！走向互聯(lián)網(wǎng)！但我要強(qiáng)調(diào)的是，不單單是語(yǔ)言學(xué)需要這種以人為中心的概念和整合性研究方式，所有領(lǐng)域都應(yīng)該這么做，因?yàn)楦鱾€(gè)領(lǐng)域都在某種程度上影響人的生活，更何況對(duì)人的行為和認(rèn)知有所了解可以幫助科技的發(fā)展。比如，了解溯因推理法的功能和運(yùn)用對(duì)科技進(jìn)步具有重要意義。如果對(duì)人工智能研究的歷史有所了解，就會(huì)知道在20世紀(jì)80年代和90年代的主導(dǎo)模型是符號(hào)人工智能（ Symbolic AI ）。這是一種以規(guī)則為基礎(chǔ)、以演繹推理法為方法的模型，但這種模型并沒(méi)有得出很好的結(jié)果。在世紀(jì)之交，這方面的學(xué)者開(kāi)始改用歸納推理法，有時(shí)稱(chēng)為連接主義（ connectionist approach）或機(jī)器學(xué)習(xí)（machine learning）方法。由于這種辦法所得出的結(jié)果比符號(hào)人工智能好得多，現(xiàn)在歸納推理法已成為主導(dǎo)方法（Lewis-Kraus 2016）。

盡管如此，這仍然是人工智能的一種非常有限的形式，稱(chēng)為人工小范圍智能（ Arti?cial Narrow Intelligence），就是可以執(zhí)行特定任務(wù)的非人類(lèi)系統(tǒng)，例如翻譯文本或預(yù)測(cè)某人的購(gòu)買(mǎi)偏好。下一步是開(kāi)發(fā)所謂的人工大范圍智能（ Arti?cial General Intelligence），即能夠?qū)W習(xí)、解決問(wèn)題、適應(yīng)和自我改進(jìn)的系統(tǒng)。這種系統(tǒng)甚至?xí)?zhí)行超出其設(shè)計(jì)范圍的任務(wù)，但這只能在機(jī)器可以模仿人類(lèi)推理能力的情況下才能實(shí)現(xiàn)，即能進(jìn)行溯因推理法。到目前為止，專(zhuān)做科技的學(xué)者甚至沒(méi)有廣泛認(rèn)識(shí)到溯因推理法在下一步行動(dòng)中的重要性，而這正是語(yǔ)言學(xué)家和哲學(xué)家可以幫忙的地方。

20世紀(jì)的一些重大創(chuàng)新引發(fā)的一系列嚴(yán)重的問(wèn)題，更進(jìn)一步證實(shí)了人文科學(xué)對(duì)科技領(lǐng)域的重要性。那些創(chuàng)造新技術(shù)產(chǎn)品的人多數(shù)缺乏遠(yuǎn)見(jiàn)，沒(méi)考慮到技術(shù)的使用和濫用可能引起的問(wèn)題，致使20世紀(jì)的很多重大創(chuàng)新引發(fā)了21世紀(jì)的重大問(wèn)題，例如：全球氣候變暖、核武器威脅、基因圖譜編輯技術(shù)濫用、社交媒體和技術(shù)濫用、生態(tài)可持續(xù)危機(jī)以及外空垃圾等。愛(ài)因斯坦在核武器發(fā)明的時(shí)候警告大家，“人類(lèi)要生存下去，走向更高的層次，就必須要有一種新的思維方式”，a 就是說(shuō)，我們不能用導(dǎo)致新問(wèn)題的思維方式來(lái)解決問(wèn)題。除了愛(ài)因斯坦所指的核武器以外，其他問(wèn)題都一樣，我們“必須要有一種新的思維方式”。愛(ài)因斯坦在他的回憶錄中指出，他在研究中受到了哲學(xué)家大衛(wèi)·休謨的影響。休謨對(duì)時(shí)間的看法與牛頓不同（當(dāng)時(shí)對(duì)時(shí)間的主流看法是時(shí)間是絕對(duì)的），認(rèn)為時(shí)間是相對(duì)的。休謨的看法給了愛(ài)因斯坦創(chuàng)造相對(duì)論的線索。

另一個(gè)重要問(wèn)題是人工智能的合理發(fā)展，也就是說(shuō)，要使人工智能能夠合理、安全地發(fā)展，必須要重視倫理道德行為。目前，已經(jīng)有人指出了人工小范圍智能系統(tǒng)中一些固有的偏差問(wèn)題，可是，人工大范圍智能系統(tǒng)的問(wèn)題更嚴(yán)重，因?yàn)樗梢宰约鹤龀鰶Q策，并能執(zhí)行超出其編程范圍內(nèi)的任務(wù)。如果沒(méi)有任何倫理或道德的監(jiān)督，后果將不堪設(shè)想。連埃隆·馬斯克（Elon Musk），一位忠實(shí)的科技擁護(hù)者，也發(fā)出警告說(shuō)先進(jìn)的人工智可能會(huì)給人類(lèi)帶來(lái)“生存危機(jī)”?，F(xiàn)有的控制方法是不夠的。

許多對(duì)人類(lèi)行為的制約依賴(lài)于我們的意識(shí)、情感道德價(jià)值觀的應(yīng)用。因此，要?jiǎng)?chuàng)造這種機(jī)器的話，我們需要了解人類(lèi)的認(rèn)知，同時(shí)需要進(jìn)行以人為本的研究，以最有效的方法來(lái)設(shè)計(jì)和控制機(jī)器，才能把風(fēng)險(xiǎn)降到最低、收益提到最高。

現(xiàn)在大家正在談?wù)摰摹暗谒拇喂I(yè)革命”，預(yù)測(cè)到2030年將有8億個(gè)人類(lèi)工作崗位將被機(jī)器人取代 a。這就是達(dá)沃斯世界經(jīng)濟(jì)論壇向全球工人階級(jí)發(fā)出一個(gè)明確信息的原因：人類(lèi)如果不想被機(jī)器取代，就必須回到使我們成為人的本能（ get back to what makes us human）。這包括合作學(xué)習(xí)、創(chuàng)造力、批判性思維 b 和同理心——而這些正是與藝術(shù)和人文教育相關(guān)的技能。2019年達(dá)沃斯論壇提出的重要主題之一是我們需要把“人類(lèi)”放回技術(shù)中，做以人為中心的研究。

皮爾斯（ Peirce 1882/1992：212～213）認(rèn)為，雖然有些人能單一地在他們的學(xué)科范圍內(nèi)進(jìn)行研究，也可以取得一些成績(jī)，但是偉大的學(xué)者能夠?qū)⒁婚T(mén)學(xué)科的方法應(yīng)用于另一門(mén)學(xué)科。他進(jìn)一步指出，“為了能夠把自己不太熟悉的另一門(mén)學(xué)科的方法應(yīng)用于自己的學(xué)科，并能適當(dāng)?shù)匦薷囊员隳苓m用于新的用途，研究者必須要對(duì)另一門(mén)學(xué)科有所接觸。進(jìn)行這種工作的人，不僅僅必須是一位專(zhuān)家，還必須是一位在思維方面受過(guò)全面訓(xùn)練的人，他廣博的知識(shí)面將引領(lǐng)他如何在新的方向上做出有效的決策?！?/p>

皮爾斯所說(shuō)的知識(shí)面通常為人文學(xué)科，尤其是哲學(xué)的通識(shí)教育所提供的課程。前不久《自然行為》（Nature Behaviour）期刊的一篇文章（ Box-Ste?ensmeier et al.2022）引述了許多權(quán)威學(xué)者討論各自領(lǐng)域發(fā)展的愿景。這些學(xué)者都認(rèn)為，為了應(yīng)對(duì)各種緊迫的社會(huì)挑戰(zhàn)，包括新科技、互動(dòng)模式、社會(huì)動(dòng)蕩，甚至疾病、貧困、饑餓、不平等和氣候變化，每個(gè)學(xué)者都必須拓展他們的學(xué)科領(lǐng)域范圍，以增強(qiáng)生態(tài)的有效性和意見(jiàn)的多樣性。

這也就是谷歌幾年前宣布招聘4000名哲學(xué)家，以及富時(shí)集團(tuán)100家公司的 CEO 中34%擁有藝術(shù)、人文和社會(huì)科學(xué)學(xué)位的原因。而谷歌、微軟、亞馬遜和蘋(píng)果也是語(yǔ)言學(xué)家的最大雇主。麻省理工學(xué)院也意識(shí)到“工程學(xué)必須解決的所有挑戰(zhàn)，從氣候變化到疾病和貧困，都與人類(lèi)現(xiàn)實(shí)（human realities）有關(guān)”，為了讓學(xué)生了解這些“人類(lèi)現(xiàn)實(shí)”，學(xué)校開(kāi)設(shè)了大量文學(xué)、歷史、藝術(shù)和音樂(lè)等課程。人文學(xué)科的偉大作品之所以偉大，是因?yàn)樗鼈儞碛幸环N明顯但難以捉摸的能力，照亮我們共同的人性，照亮不同歷史情況下的不同人的生活。這些作品以某種方式超越了自己創(chuàng)造的條件——針對(duì)其時(shí)代說(shuō)話，但也超越其時(shí)代。通識(shí)教育是一種突出人的存在狀況的學(xué)習(xí)方法，認(rèn)為理性探究生活的基本面問(wèn)題對(duì)我們每個(gè)人來(lái)說(shuō)都是值得的。

現(xiàn)在有些經(jīng)濟(jì)學(xué)家認(rèn)為目前的過(guò)度自動(dòng)化導(dǎo)致貧富不均等的加劇，他們認(rèn)為過(guò)去40年美國(guó)工人工資差距拉大，大半歸咎于自動(dòng)化代替了人工完成任務(wù)。這是商業(yè)機(jī)構(gòu)和我們作為一個(gè)社會(huì)在如何使用技術(shù)方面做出選擇的結(jié)果。一般人對(duì)科技，尤其是對(duì) AI 系統(tǒng)的看法，是 AI 系統(tǒng)應(yīng)該從事人現(xiàn)在在做的工作，也就是說(shuō)，應(yīng)該代替人一般做的工作。但是經(jīng)濟(jì)學(xué)家卻認(rèn)為這種想法是錯(cuò)的， AI 系統(tǒng)應(yīng)該幫助人做更高層次的工作。這是很不一樣的看法，是以人為出發(fā)點(diǎn)考慮科技的影響和合理的應(yīng)用（ Lohr 2022）。

目前，有開(kāi)發(fā)電子游戲的歷史學(xué)家和人類(lèi)學(xué)家，有專(zhuān)門(mén)研究大數(shù)據(jù)的語(yǔ)言學(xué)家，有設(shè)計(jì)3D 假肢的設(shè)計(jì)師和與人工智能攜手合作的哲學(xué)家?，F(xiàn)代的科技專(zhuān)家必須了解人類(lèi)將如何與技術(shù)互動(dòng)，不然，僅靠科技無(wú)法解決目前所面臨的問(wèn)題。人文學(xué)科學(xué)者研究文化意義的構(gòu)建，并將對(duì)知識(shí)構(gòu)成的獨(dú)特理解帶入他們的工作當(dāng)中，其成果在許多方面對(duì)社會(huì)是有用的，包括對(duì)人類(lèi)行為的理解。所以，目前良好的教育理念不僅僅談?wù)?STEM 學(xué)科（科學(xué)、技術(shù)、工程、數(shù)學(xué)），而是包括藝術(shù)和人文科學(xué)的 STEAM（科學(xué)、技術(shù)、工程、藝術(shù)、數(shù)學(xué)）。

最后，我在此提供幾點(diǎn)具體的建議：如果想建立有效的交叉學(xué)科制度，就要把學(xué)科所在的系和學(xué)科課程分開(kāi)來(lái)，進(jìn)而建立很多交叉學(xué)科課程。比如波士頓大學(xué)人文理科學(xué)院有25個(gè)不同的人文和理科的系，但有79個(gè)不同的課程，而且大部分是交叉的。

參考文獻(xiàn)

Box-Steffensmeier， J. M.， J. Burgess， M. Corbetta， et al.2022. The future of human behaviour research. Nature Human Behaviour 6， 15–24.

Bubic， A.， D. Y. von Cramon& R. I. Schubotz.2010. Prediction， cognition and the brain. Frontiers in Human Neuroscience 4，Article 25.

Clark， A.2013. Whatever next？ Predictive brains， situated agents， and the future of cognitive science. Behavioral and Brain Sciences 36（3）， 181–253.

LaPolla， R. J.2019. The origin and spread of the Sino-Tibetan language family. Nature 569， 45–47.

Lewis-Kraus， G.2016. The great AI awakening. The New York Times Magazine. Available at http：//www.nytimes.com/2016/12/14/ magazine/the-great-ai-awakening.html.

Lohr， Steve.2022. Economists pin more blame on tech for rising inequality. The New York Times. Available at https：//www. nytimes.com/2022/01/11/technology/income-inequalitytechnology.html.

Peirce， C. S.1878/1992. Deduction， induction， and hypothesis. In N. Houser & C. Kloesel （Eds.）， The Essential Peirce： Selected philosophical writings Vol. I （1867–1893）， 186–199. Bloomington： Indiana University Press.

Peirce， C. S.1882/1992. Introductory lecture on the study of logic. In N. Houser & C. Kloesel （Eds.）， The Essential Peirce： Selectedphilosophical writings Vol. I （1867–1893）， 210–214. Bloomington： Indiana University Press.

Zhang， M.， S. Yan， W. Pan， et al.2019. Phylogenetic evidence for Sino-Tibetan origin in northern China in the Late Neolithic.Nature 569， 112–115.

責(zé)任編輯：逯琳琳