图文详情

作者：Robert Munro

编译：江烈农

本文的作者是一家语言数据公司的CEO，这家公司为世界各地的企业提供结构化的语言解决方案——简单说，就是处理邮件、短信和社交媒体上的自然语言资料。自然语言（Natural Language）是我们人类交流时所用的语言，与人造语言（如编程语言）相对；自然语言处理（Natural Language Processing，NLP）就是用计算机来处理人类的语言。评估语言的“怪异度”就是一种对自然语言的处理，这个话题本身固然有趣，而本文的价值还在于作者采取了一种非传统的处理方式：不以英语为衡量基准，而使用一个全球性的价值观。

我们主要是搞自然语言处理，涉及相关语言繁多。过去6个月，我们研究的语言有（深呼吸）：英语、葡萄牙语（巴西葡萄牙语及葡萄牙本地语）、西班牙语、意大利语、法语、俄语、德语、土耳其语、阿拉伯语、日语、希腊语、汉语普通话、波斯语、波兰语、荷兰语、瑞典语、塞尔维亚语、罗马尼亚语、韩语、匈牙利语、保加利亚语、印地语、克罗地亚语、捷克语、乌克兰语、芬兰语、希伯来语、乌尔都语、加泰罗尼亚语、斯洛伐克语、印尼语、马来语、越南语、孟加拉语、泰语，以及一点拉脱维亚语、爱沙尼亚语、立陶宛语、库尔德语、约鲁巴语、阿姆哈拉语、祖鲁语、豪萨语、哈萨克语、信德语、旁遮普语、他加禄语、宿雾语、丹麦语和纳瓦霍语。

自然语言处理（Natural Language Processing，下称 NLP）就是要找到语言的模式。例如：录入大量非结构化的文本，自动从中抽离结构。NLP 有一个公开的秘密：它极以英语为中心。英语无疑是语言学家研究最多的一门语言，于计算机科学项目而言，也是具有最多可用资源的一门语言（就计算机科学而言，数据总是越多越好）。因此，测试一个 NLP 系统的最佳方式之一，就是换用不是英语的语言来测试。一个系统处理多样化数据的能力越强，那么其应付未预见数据的能力，也就更令人有信心。

(NLP 有一个公开的秘密：它以英语为中心 | 图片来源：pexels)

为此，我们也许可以选择去根据英语的特性来定义“怪异度”。但是，这样的定义可是相当令人恼火。所以咱们来试试换一种方法吧。

纵观全球，纠出“语言异类”

语言结构世界地图（World Atlas of Language Structures，下称 WALS）根据一大堆各种语言特征，评估 2676 种不同的语言。这些语言特征包括词序、声音种类、否定方式，以及许多其他方面——共计 192 种不同的语言特征。

因此，与其采用一个以英语为中心的世界观，WALS 毋宁允许我们换用一个世界性的世界观。也就是说，我们评估每一门语言，根据的都是其每种语言特征的不寻常度。例如，英语的词序是“主语—动词—宾语”， WALS 对 1377 种语言的词序进行编码，其中 35.5% 具有“主动宾”词序。同时，只有 8.7% 的语言以动词作为起始，比如威尔士语、夏威夷语和马扬语（Majang）。因此，从跨语言学角度讲，以动词作为起始，就是不寻常。另外顺带一提，实际上全世界语言有 41.0% 是“主宾动”顺序。（题外话：从事了一些夏威夷语和马扬语的相关工作后，动词对我而言，简直就变成如结婚般重大的承诺：每每开口，我却总是还没有做好准备。）

WALS 的数据相当稀疏，所以我们把研究限定于 165 种语言特征，这些特征至少要包含 100 种不同语言的数据。（现阶段，就这 165 种语言特征而言，数据不足其中 10 种的语言，我们也剔除掉了。因此共计还剩 1693 种语言。）

现在，有个问题就是，如果我们的筛选到此为止，那么数据共线性太高。之所以如此，部分是因 WALS 中列举的语言特征本质而决定——有整体考量“主语／动词／宾语”顺序的特征项，另又有分别考量“宾语／动词”和“主语／动词”的项。理想情况下，我们希望基于不相关的特征评断怪异度。我们可以集中关注互相之间没有很强相关度的语言特征（在两种互相关联的特征中，我们选择有更多语言编码的特征）。最终我们筛得总计 21 种语言特征。

(最终筛得总计 21 种语言特征 | 图片来源：pexels)

至于某种语言的每项数据值，我们考量其他所有具备该项编码的语言，计算该项值的相对频度。因此，如果我们把“主语—宾语—动词”词序也算进来的话，那么英语得到的怪异度值就会是 0.355（实际上，我们根据每项语言特征的整体熵值对所有数据值统一化处理，所以这个值本身并不正好就是 0.355，但你懂这意思就行了）。因此，得到的“ 怪异度指数 ”（Weirdness Index），就是一项交叉考量 21 种独特结构特征的平均值。但是，因为不同的特征采集数值的数量不同，我们为了减少统计偏斜，实际上取了调和平均值（又因为我们希望“数字越大＝越怪异”，所以终值是用 1 减去这个平均值）。本篇博文我汇报所涉及的语言，就这 21 项语言特征而言，至少三分之二（即 14 项）具有数据值（即 239 种语言）。

答案揭晓：全世界最怪异的语言是—

与全世界大多数语言最不同的语言，是一种以动词起句的声调语言，在墨西哥的瓦哈卡（Oaxaca）有 6000 人使用，名叫“ 恰卡通戈米斯特克语 ”（Chalcatongo Mixtec），又名“大圣米格尔米斯特克语”（San Miguel el Grande Mixtec）。第二名在西伯利亚有 2.2 万人使用：涅涅茨语（Nenets）——英文里“派克大衣”或称毛皮风雪大衣（parka）一词就来源于这种语言。第三名是乔克托语（Choctaw），约有 1 万人使用，大多在美国俄克拉何马州。

但是，难就难在这儿了——有些实际上最怪异的语言，是你听说过的：德语、荷兰语、挪威语、捷克语、西班牙语，以及汉语普通话。而且，实际上英语在“语言怪异度指数”（Language Weirdness Index）表中也位列第 33 名。

(世界上最怪异的 25 种语言：北美洲的，恰卡通戈米斯特克语、乔克托语、大梅萨迪埃格诺语（Mesa Grande Diegueño）、库特奈语（Kutenai）、索克语（Zoque）；南美洲的，帕乌玛利语（Paumarí）、特鲁迈语（Trumai）；澳洲暨大洋洲的，皮詹加加拉语（Pitjantjatjara）、拉伍卡莱维语（Lavukaleve）；非洲的，哈勒尔奥罗莫语（Harar Oromo）、伊拉库语（Iraqw）、刚果语、穆穆耶语（Mumuye）、祖候语（Ju|'hoan）、科伊科伊语（Khoekhoe）；亚洲的，涅涅茨语、东亚美尼亚语、阿布哈兹语、拉达克语、普通话；以及欧洲的：德语、荷兰语、挪威语、捷克语和西班牙语 | 图片来源：language-exchanges.org)

顺带一提，皮詹加加拉语（Pitjantjatjara），这名字还能更牛吗？（另外，你能猜出这个拉丁化拼写中哪个音节可以不发音吗？*）

以两项特征为例：问句与代词

“这很怪。这很怪吗？”（This is odd. Is this odd?）区分各种语言的特征之一，是 “是非问句”的提问方式。绝大多数语言都有特别的疑问语助词，添加在句中某处（例如日语问句句末的“か”[ka]）。在 WALS 中，有 954 种语言具有这项值的编码，其中 584 种有疑问语助词。（译注：又如本段段首的普通话提问方式，添加语助词“吗”实现简单疑问句提问。）但像英语那样的提问方式，即调换词序，其比例在所有语言中仅为 1.4%。也就是说，一共只有 13 种语言采用这样的方式，而它们大部分都是欧洲语言：德语、捷克语、荷兰语、瑞典语、挪威语、弗里西亚语、英语、丹麦语和西班牙语。

但还有一种语言，其是非问句的提问方式更加不走寻常路，那就是恰卡通戈米斯特克语：提问时，什么都不变。我们调查所涉及语言中，唯有这种语言提问时没有疑问语助词，没有词序调换，没有语调变换……这种语言就“是否”提问时，以及作简单陈述时，讲话真的是毫无任何区别。我花了好些时间，想象用这种语言做电视游戏节目会是什么样。

语言还需应付的另一个问题，是如何处理简单主语代词，比如“我”（I）、“他们／她们／它们”（they）、“它”（it）。这些词称为“代词主语”（而像“有关部门负责人含糊其辞”这样的说法则是使用了名词主语）。最通常的做法，是将代词信息附加到动词上——所调查的 711 中语言中有 437 中语言采用这样的做法，如西班牙语、意大利语和葡萄牙语。但是，荷兰语、德语和挪威语，与英语一样，宁可使用特别的主语代词，而这些代词通常——或必须——在句中出现。不过，在 WALS 有编码的 711 种语言里，也只有 82 种语言采用这样的处理方法。库特奈语（加拿大不列颠哥伦比亚省有 100 人使用）和穆穆耶语（尼日利亚有 40 万使用者）的处理方法更不寻常：它们有类似主语代词的东西，但其在句法中的位置，则与完整名词性短语的位置不同。而比这还更不寻常的，又是恰卡通戈米斯特克语：这种语言混合多种不同策略，所以既有附着在动词上的主语标记，又有代词，而且这些代词在句中出现的位置，还与完整名词短语不同。

世界上最“不怪异”的语言

如果我现在请你考虑一下以下这几种语言，你觉得它们有多怪呢？立陶宛语、印尼语、土耳其语、巴斯克语，以及粤语。吓一跳吧！它们的怪异指数排名相当低呢。对于语言学家和语言学习者而言，这几种语言可能并不显得典型；但就我们研究的 21 种语言特征而言，它们相当随大溜。请注意，在怪异度各级分布中，我们有一些孤立语言（比如巴斯克语）。巴斯克语很“典型”；但是另一种孤立语言，库特奈语，则相当怪异。更令人惊讶的是，汉语普通话名列 25 大最怪异语言，但粤语却栖身倒数十大。这与二者发音系统不同有关：与粤语不同的是，普通话有小舌延续音（uvular continuants），而且在软颚鼻音方面有一些局限（普通话同英语类似，可以发出英语“song”词尾的那个音，比如汉语“颂”[sòng]；但无法将这个尾音置于单词的词首发音——世界性地来看，这个特定限制实属罕见。）

(汉语普通话名列 25 大最怪异语言，但粤语却栖身倒数十大 | 图片来源：pexels)

而在怪异指数列表最末尾的几种语言里，有两种你听过，有 3 种你可能没听过：匈牙利语，通常享有“语言学异类”的美誉，但在我们考量的这些维度里，却是彻头彻尾的典型语言。（我去年夏天在布达佩斯住过，我发誓匈牙利语绝对有其怪异之处，只是隐藏在其他地方了而已。）查莫罗语（关岛有 9.5 万使用者）、阿伊努语（仅在日本有少量使用者的濒危语言），以及布雷佩查语（Purépecha，5.5 万使用者，多在墨西哥），这三种语言都很正常。但是，所有语言中最最正常、超级典型、最不诡异的一种语言，怪异指数仅 0.087 的语言，是印地语——只有一项怪异特征。

这一点，一部分说明，有些你想当然以为正常的语言（如英语、西班牙语或德语），其实一贯与世界上其他语言格格不入。这令我想起心理学的一个基本问题：如果我们调查研究主要基于大学生——即如约瑟夫•亨利希（Joseph Henrich）及其同事所认为的，西方的、受过教育的、工业化的、富裕的、民主的大学生——那么这样的研究，其概括程度到底能有多高？换句话说，有时输入的信息本身就“不正常”，或曰怪异，那你就要问问自己，这是否会导致研究的变化。

你讲英语，你很怪

尽管这里采用的方法没有以英语界定，但仍然夹带了一些文化特异性的私货。即是说，开发这个系统以及注释这些语言特征的语言学家，大部分都是欧洲语言使用者。如果换为巴布亚新几内亚、埃塞俄比亚或亚马逊的某个人来做研究，最终确定的语言特征又是哪些呢？而且，当然，WALS 并不具备全球约 4000 种语言的所有数据；其所拥有数据资料的语言，也并不真正足够随机。

话虽如此，英语排名仍然很高，是挺不寻常的一种语言（排名 33 位，指数值 0.756）。如果你能带着一个英语思维的大脑，去读这篇文章英语原文，那你可真是怪怪哒。（译注：你操汉语，能读这篇译文，那你的脑子更怪。）

附录：十大与倒数十大怪异语言列表