💬 NLP

Compositionality and the lexicon in evolutionary semantics

本文引入了一个通过模拟词汇意义与组合函数的协同进化来整合形式语义学的演化框架，并论证了作为一种在概念简洁性与交际准确性之间取得平衡的高效系统级抽象，语义普遍性中的保守性是如何涌现的。

原作者： Fausto Carcassi

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Fausto Carcassi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

将语言想象成一套巨大的、活生生的乐高积木。几十年来，研究语言运作方式的科学家们（形式语义学）一直专注于研究单个积木：即每个特定词汇的含义。他们已经弄清楚了句子是如何通过特定的方式将这些积木拼接在一起的。

另一方面，研究语言如何演化的科学家们（演化语义学）则大多关注成品结构，或者将积木视为未定形的黏土块。他们会追问：“为什么人类拥有这些特定的形状？”但他们往往忽略了积木是如何拼接在一起的。

Fausto Carcassi 的这篇论文试图在两组研究者之间架起一座桥梁。他认为，除非你同时观察积木（词汇）和拼接机制（语法规则）是如何共同演化的，否则你无法理解语言为何呈现出现在的样子。

以下是这篇论文的故事，通过简单的概念进行了拆解：

1. “保守性”之谜

论文聚焦于一个著名的语言规则，称为保守性（conservativity）。

规则： 在几乎所有语言中，“所有”、“一些”、“没有”或“大多数”这类词都以一种非常特定、受限的方式运作。它们只关心它们当前正在讨论的那个群体。
类比： 想象你正看着一碗水果。如果你说，“所有的苹果都是红色的”，你仅仅是在看碗里的苹果。你并不担心碗里的香蕉或厨房里的橙子。
谜题： 人类很聪明。我们完全可以轻易发明一个打破这条规则的词。例如，一个表示“苹果的数量大于香蕉的数量”的词。这需要同时观察两个群体。但令人惊讶的是，我们的主要计数词（限定词）似乎都没有这种“非保守性”的词。我们拥有这类词用于动词（如“超过/多于”），但对于“所有”或“一些”这类词却不行。为什么？

2. 旧的解释 vs. 新的想法

之前的科学家尝试从两种方式来解释这一点：

“积木”理论： 也许我们的脑回路无法构想出“非保守性”的形状。（论文认为这个观点很弱，因为我们完全可以理解复杂的动词）。
“胶水”理论： 也许我们将词语拼接在一起的方式迫使我们保持保守。

Carcassi 的论文指出，答案是两者的结合，但带有一个转折：它是关于效率的。

3. “工厂”类比

想象一个制造句子的工厂。

积木： 词汇（如“所有”、“一些”）。
装配线： 将词汇组合在一起的规则。

过去，研究人员认为工厂是为每一个词从零开始制造的。如果你想要一个新词，你就必须为它设计一台全新的机器。这是低效的。

Carcassi 的模型表明，最高效的工厂会设计一条专门的装配线，为所有的词同时承担重任。

创新点： 既然不需要让每个词都处理自己的逻辑，工厂就在装配线本身中内置了一个“保守性模块”。
运作方式： 装配线被编程为：“嘿，每当我们使用一个计数词时，我们自动忽略主群体之外的一切。”
益处： 现在，单个词（积木）就可以变得非常简单。它们不需要携带“忽略宇宙其他部分”这种沉重的指令。装配线会为所有人处理好这一切。

4. 实验：模拟语言演化

作者建立了一个计算机模拟（数字实验室）来测试这个理论。

设置： 他创建了数字“智能体”（机器人），它们需要围绕一个物体世界进行交流。它们必须描述哪些物体是“目标物”，哪些是“干扰物”。
压力： 机器人面临着两种相互竞争的压力：
1. 准确性： 它们需要清晰地交流，以便另一个机器人能准确理解其含义。
2. 简洁性： 它们需要保持语言系统规模较小且易于学习（低“复杂度”）。

模拟过程让机器人在数千代演化中尝试寻找最完美的平衡点，即在准确性和简洁性之间找到平衡。

5. 结果：为什么“保守性”胜出

模拟显示，最成功的语言（那些以最小代价实现最佳交流的语言）自然而然地在它们的装配线中演化出了“保守性模块”。

权衡： 如果机器人试图让每个词都处理自身的复杂逻辑，整个系统会变得过于沉重且难以学习。
甜点位（最佳平衡点）： 通过将“保守性”规则放入装配线（组合函数）而非每个单独的词中，系统变得极其高效。这使得机器人能够创造复杂的含义，而不会让语言变得过于复杂。
“语用”因素： 只有当机器人具有“语用性”（即像人类一样利用上下文和隐含意义）时，这一规则才发挥作用。如果它们只是纯粹的字面意思机器人，这个规则就没那么重要了。

6. 为什么这很重要

这篇论文解决了一个长期的谜题：为什么我们的计数词是“保守的”，而不是其他的？

答案： 因为计数词（限定词）的“装配线”为了追求极致的效率，通过共享一条规则来实现。
对比： 动词（如“超过/多于”）并没有这种相同的共享装配线。它们更加开放，因此不需要像计数词那样以同样的方式压缩规则。这解释了为什么我们可以拥有复杂的、非保守的动词，却不能拥有复杂的、非保守的计数词。

核心结论

这篇论文认为，要理解人类语言为何是现在的样子，我们不能只看词典。我们必须观察构建句子的语法工厂。

事实证明，构建语言最有效的方式是拥有一个“聪明的工厂车间”，它能自动处理所有词汇共有的枯燥、重复的规则（如保守性）。这使得单个词汇更简单，整个系统更容易学习，且交流更加准确。这是演化如何青睐既聪明又简单的系统的完美案例。

技术摘要：演化语义学中的组合性与词汇表

问题陈述
形式语义学已经确立了句子意义是通过词汇意义的递归组合而产生的。然而，旨在通过对简洁性和交际准确性的压力来解释语义普遍性的演化语义学领域，在很大程度上将词汇表建模为无结构的信号集合，或缺乏可解释词汇部分的整体式组合。这种方法论上的缺失使得利用形式语义学的普遍性特征来生成演化解释变得困难。

本文关注的是保守性（conservativity），这可以说是最著名的语义普遍性之一（Barwise & Cooper, 1981; Keenan & Stavi, 1986），它指出简单的限定词表达的是对特定参数（通常是第二个参数）具有保守性的量词。先前的演化解释难以调和以下几项经验上的张力：

可习得性： 非保守量词对于英语使用者来说难以习得（断言 4），但动词领域的非保守关系（例如“outnumber”，数量超过）却是可习得的（断言 5）。
复杂度： 虽然一些模型认为保守量词在概念上更简单（断言 3），但这无法解释为什么该约束专门适用于限定词而非动词。
解释力： 现有的解释（词汇限制、界面过滤、有序谓词化）要么只是对现象进行重新描述，要么依赖于未经证实的心理语言学机制，或者未能提供关于为什么限定词专门从事受限量化的演化解释。

研究方法
作者引入了一个将形式语义学洞察集成到演化建模中的计算框架。其核心创新在于一个模型，其中词汇意义与组合函数在追求概念简洁性和交际准确性的压力下共同演化。

交际模型： 该框架使用一个涉及五个具有整数特征的对象的信号博弈，其中发送者（ $S$ ）和接收者（ $R$ ）存在。 $S$ 构建一个信号以限制共同基础（common ground）， $R$ 更新信念。成功度量标准是可能语境的减少量。
语言结构： 该语言由一个词汇表和一个解释函数组成。至关重要的是，该模型允许使用**半范畴化（semi-categorematic）**分析。与将所有内容置于词汇条目中（范畴化）或组合规则中（非范畴化）的传统形式语义学不同，该框架将语义内容分布在两者之间。
变量组件： 研究留下了未指定的变量：
1. 三个量词（ $Q_1, Q_2, Q_3$ ）的含义。
2. 结合量词与其参数（ $L$ 和 $R$ ）的具体组合函数（ $C^c_Q$ ）。
优化： 系统通过概率上下文无关文法（PCFGs）探索可能的语言空间。它在以下两者的帕累托前沿（Pareto frontier）上评估语言：
- 交际准确性： 交际博弈的期望效用，纳入了格莱斯式的语用富集（蕴涵）。
- 概念复杂度： 全局解释函数的描述复杂度，允许组合函数中的抽象化以降低单个词汇条目的复杂度。
处理假设： 模型假设存在“渐进性”，即参数在被赋值时被逐步处理。这限制了右侧参数在左侧参数被处理之前无法使用其值，但这本身并不强制要求保守性。

核心贡献

框架集成： 本文提出了一个研究涉及语法范畴内全局压缩以及词汇与组合意义共同演化的普遍性的模板。它弥合了形式语义学（建模结构）与演化语义学（建模优化）之间的鸿沟。
对保守性的新颖解释： 作者认为，保守性不仅仅是单个量词意义的一个特征，而是组合函数中的一种系统级抽象。通过在组合函数中定义一次保守性（例如，将第二个参数限制在第一个参数的交集内），语言可以实现高交际准确性并保持极低的全局复杂度。
解决经验张力： 模型的证明显示，对句法结构的敏感性（限定词对比动词）源于组合函数可以为特定的语法范畴演化出特定的约束。这解释了为什么非保守意义在动词中是可习得的（在动词中组合函数保持不受约束），而在限定词中则不然（在限定词中，系统级抽象使得非保守性的增加变得昂贵或不可能）。

结果
通过帕累托前沿进行的模拟结果揭示了三类不同的语言：

简单、低准确性系统： 具有退化量词且没有系统级抽象的语言。这些语言虽然简单，但在交际上是无效的。
最优系统（帕累托前沿）： 在复杂度与准确性之间取得最佳平衡的语言。这些系统一致地演化出了保守的组合函数。
- 语用必要性： 只有当主体是语用型时，保守性才作为一种成功的策略出现。字面意义型主体并不会系统性地选择保守系统。这种抽象允许复杂的蕴涵模式（例如，“所有”蕴涵“某些”），语用型主体利用这些模式来提高准确性。
- 全局压缩： 组合函数编码了这种限制（例如， $Q(L)(R)$ 变为 $Q(L)(L \cap R)$ ），使得单个量词可以被定义得非常简单（例如，仅比较集合大小），而整个系统仍然保持保守。
复杂、收益递减系统： 具有奇异量词且复杂度极高，但准确性提升微乎其微的语言。

结果显示，保守语言在先验空间中相对稀少（约 23%），但在语用富集活跃的情况下，它们在高效能、低复杂度的前沿领域占据主导地位。此外，在组合函数中进行抽象化的能力是保守性出现的先决条件；如果没有这种能力，前沿领域将被非保守系统所占据。

意义与主张
本文声称，形式语义学所发展的句子意义图景可以与演化建模进行富有成效的结合。具体而言：

重构普遍性： 语义普遍性（如保守性）应被描述为词汇意义与组合之间的相互作用，而非仅仅是词汇条目的属性。
解释力： 该模型通过解释保守性的语法敏感性（为什么它适用于限定词而非动词）以及在心理语言学实验中观察到的可习得性约束，提供了比以往模型更好的解释。
方法论转向： 作者认为，演化模型必须超越无结构的信号，将显式的组合函数和句法类型纳入其中，才能准确地模拟语言普遍性的演化。
谦逊态度： 作者承认了局限性，包括同时演化仅三个量词在计算上的可行性问题，以及对词汇表和概念原型的特定选择的依赖。他们指出，虽然具体结果取决于这些选择，但通过系统级压缩实现保守性涌现的解释是稳健的。

总之，本文证明了保守性作为一种高效的系统级抽象，在语用环境下，能够以最小化全局复杂度为代价，实现交际准确性的最大化，从而为这一基础性的语义普遍性提供了一种新颖的演化解释。