什么是世界上最怪異的語言？

江烈農(nóng)

我們主要是搞自然語言處理，涉及相關(guān)語言繁多。過去6個(gè)月，我們研究的語言有（深呼吸）：英語、葡萄牙語（巴西葡萄牙語及葡萄牙本地語）、西班牙語、意大利語、法語、俄語、德語、土耳其語、阿拉伯語、日語、希臘語、漢語普通話、波斯語、波蘭語、荷蘭語、瑞典語、塞爾維亞語、羅馬尼亞語、韓語、匈牙利語、保加利亞語、印地語、克羅地亞語、捷克語、烏克蘭語、芬蘭語、希伯來語、烏爾都語、加泰羅尼亞語、斯洛伐克語、印尼語、馬來語、越南語、孟加拉語、泰語，以及一點(diǎn)拉脫維亞語、愛沙尼亞語、立陶宛語、庫爾德語、約魯巴語、阿姆哈拉語、祖魯語、豪薩語、哈薩克語、信德語、旁遮普語、他加祿語、宿霧語、丹麥語和納瓦霍語。

自然語言處理（Natural Lan-

guage Processing，下稱 NLP）就是要找到語言的模式。例如：錄入大量非結(jié)構(gòu)化的文本，自動(dòng)從中抽離結(jié)構(gòu)。NLP 有一個(gè)公開的秘密：它極以英語為中心。英語無疑是語言學(xué)家研究最多的一門語言，于計(jì)算機(jī)科學(xué)項(xiàng)目而言，也是具有最多可用資源的一門語言（就計(jì)算機(jī)科學(xué)而言，數(shù)據(jù)總是越多越好）。因此，測(cè)試一個(gè) NLP 系統(tǒng)的最佳方式之一，就是換用不是英語的語言來測(cè)試。一個(gè)系統(tǒng)處理多樣化數(shù)據(jù)的能力越強(qiáng)，那么其應(yīng)付未預(yù)見數(shù)據(jù)的能力，也就更令人有信心。

為此，我們也許可以選擇去根據(jù)英語的特性來定義“怪異度”。但是，這樣的定義可是相當(dāng)令人惱火。所以咱們來試試換一種方法吧。

縱觀全球，糾出“語言異類”

語言結(jié)構(gòu)世界地圖（World

Atlas of Language Structures，

下稱 WALS）根據(jù)一大堆各種語言特征，評(píng)估 2676 種不同的語言。這些語言特征包括詞序、聲音種類、否定方式，以及許多其他方面—共計(jì) 192 種不同的語言特征。

因此，與其采用一個(gè)以英語為中心的世界觀，WALS 毋寧允許我們換用一個(gè)世界性的世界觀。也就是說，我們?cè)u(píng)估每一門語言，根據(jù)的都是其每種語言特征的不尋常度。例如，英語的詞序是“主語—?jiǎng)釉~—賓語”， WALS 對(duì) 1377 種語言的詞序進(jìn)行編碼，其中 35.5% 具有“主動(dòng)賓”詞序。同時(shí)，只有 8.7% 的語言以動(dòng)詞作為起始，比如威爾士語、夏威夷語和馬揚(yáng)語（Majang）。因此，從跨語言學(xué)角度講，以動(dòng)詞作為起始，就是不尋常。另外順帶一提，實(shí)際上全世界語言有 41.0% 是“主賓動(dòng)”順序。（題外話：從事了一些夏威夷語和馬揚(yáng)語的相關(guān)工作后，動(dòng)詞對(duì)我而言，簡(jiǎn)直就變成如結(jié)婚般重大的承諾：每每開口，我卻總是還沒有做好準(zhǔn)備。）

WALS 的數(shù)據(jù)相當(dāng)稀疏，所以我們把研究限定于 165 種語言特征，這些特征至少要包含 100 種不同語言的數(shù)據(jù)。（現(xiàn)階段，就這 165 種語言特征而言，數(shù)據(jù)不足其中 10 種的語言，我們也剔除掉了。因此共計(jì)還剩 1693 種語言。）

現(xiàn)在，有個(gè)問題就是，如果我們的篩選到此為止，那么數(shù)據(jù)共線性太高。之所以如此，部分是因 WALS 中列舉的語言特征本質(zhì)而決定—有整體考量“主語/動(dòng)詞/賓語”順序的特征項(xiàng)，另又有分別考量“賓語/動(dòng)詞”和“主語/動(dòng)詞”的項(xiàng)。理想情況下，我們希望基于不相關(guān)的特征評(píng)斷怪異度。我們可以集中關(guān)注互相之間沒有很強(qiáng)相關(guān)度的語言特征（在兩種互相關(guān)聯(lián)的特征中，我們選擇有更多語言編碼的特征）。最終我們篩得總計(jì) 21 種語言特征。

至于某種語言的每項(xiàng)數(shù)據(jù)值，我們考量其他所有具備該項(xiàng)編碼的語言，計(jì)算該項(xiàng)值的相對(duì)頻度。因此，如果我們把“主語—賓語—?jiǎng)釉~”詞序也算進(jìn)來的話，那么英語得到的怪異度值就會(huì)是 0.355（實(shí)際上，我們根據(jù)每項(xiàng)語言特征的整體熵值對(duì)所有數(shù)據(jù)值統(tǒng)一化處理，所以這個(gè)值本身并不正好就是 0.355，但你懂這意思就行了）。因此，得到的“怪異度指數(shù)”（Weirdness Index），就是一項(xiàng)交叉考量 21 種獨(dú)特結(jié)構(gòu)特征的平均值。但是，因?yàn)椴煌奶卣鞑杉瘮?shù)值的數(shù)量不同，我們?yōu)榱藴p少統(tǒng)計(jì)偏斜，實(shí)際上取了調(diào)和平均值（又因?yàn)槲覀兿Ｍ皵?shù)字越大=越怪異”，所以終值是用 1 減去這個(gè)平均值）。本篇博文我匯報(bào)所涉及的語言，就這 21 項(xiàng)語言特征而言，至少三分之二（即 14 項(xiàng)）具有數(shù)據(jù)值（即 239 種語言）。

答案揭曉：全世界最怪異的語言是——

與全世界大多數(shù)語言最不同的語言，是一種以動(dòng)詞起句的聲調(diào)語言，在墨西哥的瓦哈卡（Oaxaca）有 6000 人使用，名叫“恰卡通戈米斯特克語”（Chalcatongo Mixtec），又名“大圣米格爾米斯特克語”（San Miguel el Grande Mixtec）。第二名在西伯利亞有 2.2 萬人使用：涅涅茨語（Nenets）—英文里“派克大衣”或稱毛皮風(fēng)雪大衣（parka）一詞就來源于這種語言。第三名是喬克托語（Choctaw），約有 1 萬人使用，大多在美國(guó)俄克拉荷馬州。

但是，難就難在這兒了—有些實(shí)際上最怪異的語言，是你聽說過的：德語、荷蘭語、挪威語、捷克語、西班牙語，以及漢語普通話。而且，實(shí)際上英語在“語言怪異度指數(shù)”（Language Weirdness Index）表中也位列第 33 名。

世界上最怪異的 25 種語言：北美洲的，恰卡通戈米斯特克語、喬克托語、大梅薩迪埃格諾語（Mesa Grande Diegue?o）、庫特奈語（Kutenai）、索克語（Zoque）；南美洲的，帕烏瑪利語（Paumarí）、特魯邁語（Trumai）；澳洲暨大洋洲的，皮詹加加拉語（Pitjantjatjara）、拉伍卡萊維語（Lavukaleve）；非洲的，哈勒爾奧羅莫語（Harar Oromo）、伊拉庫語（Iraqw）、剛果語、穆穆耶語（Mumuye）、祖候語（Ju|'hoan）、科伊科伊語（Khoekhoe）；亞洲的，涅涅茨語、東亞美尼亞語、阿布哈茲語、拉達(dá)克語、普通話；以及歐洲的：德語、荷蘭語、挪威語、捷克語和西班牙語。

順帶一提，皮詹加加拉語（Pitjantjatjara），這名字還能更牛嗎？（另外，你能猜出這個(gè)拉丁化拼寫中哪個(gè)音節(jié)不發(fā)音嗎？*）

以兩項(xiàng)特征為例：?jiǎn)柧渑c代詞

“這很怪。這很怪嗎？”

（This is odd. Is this odd？）區(qū)分各種語言的特征之一，是“是非問句”的提問方式。絕大多數(shù)語言都有特別的疑問語助詞，添加在句中某處（例如日語問句句末的“か”[ka]）。在 WALS 中，有 954 種語言具有這項(xiàng)值的編碼，其中 584 種有疑問語助詞。（譯注：又如本段段首的普通話提問方式，添加語助詞“嗎”實(shí)現(xiàn)簡(jiǎn)單疑問句提問。）但像英語那樣的提問方式，即調(diào)換詞序，其比例在所有語言中僅為 1.4%。也就是說，一共只有 13 種語言采用這樣的方式，而它們大部分都是歐洲語言：德語、捷克語、荷蘭語、瑞典語、挪威語、弗里西亞語、英語、丹麥語和西班牙語。

但還有一種語言，其是非問句的提問方式更加不走尋常路，那就是恰卡通戈米斯特克語：提問時(shí)，什么都不變。我們調(diào)查所涉及語言中，唯有這種語言提問時(shí)沒有疑問語助詞，沒有詞序調(diào)換，沒有語調(diào)變換……這種語言就“是否”提問時(shí)，以及作簡(jiǎn)單陳述時(shí)，講話真的是毫無任何區(qū)別。我花了好些時(shí)間，想象用這種語言做電視游戲節(jié)目會(huì)是什么樣。

語言還需應(yīng)付的另一個(gè)問題，是如何處理簡(jiǎn)單主語代詞，比如“我”（I）、“他們/她們/

它們”（they）、“它”（it）。這些詞稱為“代詞主語”（而像“有關(guān)部門負(fù)責(zé)人含糊其辭”這樣的說法則是使用了名詞主語）。最通常的做法，是將代詞信息附加到動(dòng)詞上—所調(diào)查的 711 中語言中有 437 中語言采用這樣的做法，如西班牙語、意大利語和葡萄牙語。但是，荷蘭語、德語和挪威語，與英語一樣，寧可使用特別的主語代詞，而這些代詞通常—或必須—在句中出現(xiàn)。不過，在 WALS 有編碼的 711 種語言里，也只有 82 種語言采用這樣的處理方法。庫特奈語（加拿大不列顛哥倫比亞省有 100 人使用）和穆穆耶語（尼日利亞有 40 萬使用者）的處理方法更不尋常：它們有類似主語代詞的東西，但其在句法中的位置，則與完整名詞性短語的位置不同。而比這還更不尋常的，又是恰卡通戈米斯特克語：這種語言混合多種不同策略，所以既有附著在動(dòng)詞上的主語標(biāo)記，又有代詞，而且這些代詞在句中出現(xiàn)的位置，還與完整名詞短語不同。

世界上最“不怪異”的語言

如果我現(xiàn)在請(qǐng)你考慮一下以下這幾種語言，你覺得它們有多怪呢？立陶宛語、印尼語、土耳其語、巴斯克語，以及粵語。嚇一跳吧！它們的怪異指數(shù)排名相當(dāng)?shù)湍亍?duì)于語言學(xué)家和語言學(xué)習(xí)者而言，這幾種語言可能并不顯得典型；但就我們研究的 21 種語言特征而言，它們相當(dāng)隨大流。請(qǐng)注意，在怪異度各級(jí)分布中，我們有一些孤立語言（比如巴斯克語）。巴斯克語很“典型”；但是另一種孤立語言，庫特奈語，則相當(dāng)怪異。更令人驚訝的是，漢語普通話名列 25 大最怪異語言，但粵語卻棲身倒數(shù)十大。這與二者發(fā)音系統(tǒng)不同有關(guān)：與粵語不同的是，普通話有小舌延續(xù)音（uvular continuants），而且在軟腭鼻音方面有一些局限（普通話同英語類似，可以發(fā)出英語“song”詞尾的那個(gè)音，比如漢語“頌”[sòng]；但無法將這個(gè)尾音置于單詞的詞首發(fā)音—世界性地來看，這個(gè)特定限制實(shí)屬罕見。）

而在怪異指數(shù)列表最末尾的幾種語言里，有兩種你聽過，有 3 種你可能沒聽過：匈牙利語，

通常享有“語言學(xué)異類”的美譽(yù)，但在我們考量的這些維度里，卻是徹頭徹尾的典型語言。（我去年夏天在布達(dá)佩斯住過，我發(fā)誓匈牙利語絕對(duì)有其怪異之處，只是隱藏在其他地方了而已。）查莫羅語（關(guān)島有 9.5 萬使用者）、阿伊努語（僅在日本有少量使用者的瀕危語言），以及布雷佩查語（Purépecha，5.5 萬使用者，多在墨西哥），這三種語言都很正常。但是，所有語言中最最正常、超級(jí)典型、最不詭異的一種語言，怪異指數(shù)僅 0.087 的語言，是印地語—只有一項(xiàng)怪異特征。

這一點(diǎn)，一部分說明，有些你想當(dāng)然以為正常的語言（如英語、西班牙語或德語），其實(shí)一貫與世界上其他語言格格不入。這令我想起心理學(xué)的一個(gè)基本問題：如果我們調(diào)查研究主要基于大學(xué)生——即如約瑟夫·亨利希（Joseph Henrich）及其同事所認(rèn)為的，西方的、受過教育的、工業(yè)化的、富裕的、民主的大學(xué)生—那么這樣的研究，其概括程度到底能有多高？換句話說，有時(shí)輸入的信息本身就“不正常”，或曰怪異，那你就要問問自己，這是否會(huì)導(dǎo)致研究的變化。

你講英語，你很怪

盡管這里采用的方法沒有以英語界定，但仍然夾帶了一些文化特異性的私貨。即是說，開發(fā)這個(gè)系統(tǒng)以及注釋這些語言特征的語言學(xué)家，大部分都是歐洲語言使用者。如果換為巴布亞新幾內(nèi)亞、埃塞俄比亞或亞馬遜的某個(gè)人來做研究，最終確定的語言特征又是哪些呢？而且，當(dāng)然，WALS 并不具備全球約 4000 種語言的所有數(shù)據(jù)；其所擁有數(shù)據(jù)資料的語言，也并不真正足夠隨機(jī)。

話雖如此，英語排名仍然很高，是挺不尋常的一種語言（排名 33 位，指數(shù)值 0.756）。如果你能帶著一個(gè)英語思維的大腦，去讀這篇文章英語原文，那你可真是怪怪噠。（譯注：你操漢語，能讀這篇譯文，那你的腦子更怪。）

*內(nèi)容注釋：

譯注：原文表述略有不當(dāng)；皮詹加加拉語（Pitjantjatjara）在當(dāng)?shù)卦∶裾Z言中或可簡(jiǎn)稱為“皮詹加拉語”（Pitjantjara ['b???an?a?a]），所以這個(gè)完整的拉丁化拼寫并非“有一個(gè)音節(jié)不發(fā)音”，而只是有一個(gè)音節(jié)“可以”省略且不發(fā)音。