语言相对主义

来自 AI 研究立场图谱百科

语言相对主义:模型能想到什么,取决于它的语言和语料能说出什么;用什么语言训练,就塑造什么样的智能。

主张

语言相对主义认为,模型的世界就是它语言的边界。没进过语料、没进过词表、没进过训练数据语法的东西,对模型来说不只是“不知道”,而是“想不到”。这个主张两头都当真:一个主要用某种语言训出来的模型,会继承这种语言的范畴、惯用法和盲区;反过来,给模型一个新词,它就可能多出一个新概念。

它位于靠近 Language 一端的位置,在 Monolith–Harness 轴上略高于中线:它不在乎模型是一个巨网还是一套系统,只在乎思考的介质是语言。主流色号代表一种成熟的观点,是上方那些更绝对的语言派的稳重表亲。逻各斯绝对主义说语言就是一切,语言相对主义说得更微妙也更焦虑:语言是你“能拿到”的一切,所以要慎选。

论据

  • 跨语言评测经常显示,即使在同一个多语言模型里,能力、校准和文化知识也会随 prompt 的语言而变化。
  • 在上下文里引入一个有名字的概念(新术语、定义好的变量、带标签的类别),会明显改变模型能推理的范围,说明词汇确实在承担认知功能。
  • 低资源语言说明,缺文本不是表面问题:整片知识领域根本到不了模型那里。

批评

  • 接地派认为语言只是对经验的有损摘要,模型的上限是数据的上限,而不是语言本身的上限。
  • 多模态模型能学到没有任何 caption 明说过的视觉和空间能力,这对严格版的相对主义很尴尬。
  • 强版本的 Sapir–Whorf 假说在人类身上都有争议,整套搬进 ML,容易把数据覆盖问题包装成哲学问题。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ −0.84,y ≈ −0.20,范式 ≈ −0.61。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据