摘要：一个语言单位在系统内部跟其他单位客观、系统的形式关联形成形式语义，在外部跟个人直观、所指对象的关联形成实质语义，两者构成意义的不同形态。既能识别实质语义，又能系统识别形式语义，并使两者相互转化，构成人理解意义、系统把握世界的全过程。科学人工语言单位确定性逻辑关联形成的语义具有精确性。人工智能大语言模型能系统识别自然语言单位形式的差别—关联，把握它们的非确定性统计关联，生成文本的语义具有非精确性，作为文学形式语义学的新批评语境—复义理论对此具有解释力，由此可以在与计算机科学的对话中构建不同于大脑逆向工程的文学逆向工程，文学科学大有可为。

关键词：文学逆向工程　形式语义 实质语义　统计关联　逻辑关联

2022年底OpenAI发布人工智能（Artificial Intelligence，AI）大语言模型（Large Language Models，LLM）ChatGPT，开启LLM时代。2024年获诺贝尔物理学奖的辛顿（Geoffrey Hinton）、获化学奖的哈萨比斯（Demis Hassabis）都与LLM有关，堪称诺贝尔奖的LLM年。辛顿指出：“自上世纪中叶以来，对智能的研究一直存在两种范式。”“一种是受逻辑学启发的思路，其概念是智能的本质是推理”，而“推理是用符号规则操纵符号表达式来实现的”，关乎“用什么类型的逻辑编程语言来表征”；另一种是“受生物学启发的思路”，“认为智能的本质是学习，学习神经网络中连接的强度”，“符号人工智能圈的许多人说，层级特征检测器（即深度神经网络）永远无法用来处理语言”，而LLM“适用于自然语言，而不仅是些简单的示例”——文学也是处理“自然语言”的非逻辑推理的智能活动，与LLM深度神经网络范式具有较强相关性，为文学科学参与LLM多学科对话提供了契机。

一、AI形式语义学：从大脑逆向工程到文学逆向工程

LLM作为大语言模型突出了“自然语言”在AI运作中的基础性作用，表明智能活动不仅是“大脑（神经元）活动”，也是“语言（符号）活动”——与此相关的基础理论是形式语义学（Formal Semantics），首先在语言学等领域有所发展，然后被运用到计算机编程语言，LLM的突破性发展又推动其深入发展。形式语义学关注科学人工语言、自然语言，而文学科学中的新批评理论关注文学自然语言与科学人工语言的关系，可称为“文学形式语义学”，对此加以建构对于科学辨析LLM固有本性等有重要启示。

从近几年相关状况看，LLM显露出非确定性、非精确性等特征。ChatGPT等LLM发布之初，给人的印象是无所不能，但近几年实际应用和深入的实验研究表明并非如此，比如会出现“幻觉”等问题。相对于科学人工语言，文学语言更接近自然语言，语义非精确性是其基本特点，这正与LLM相通。形式语义学要求语言形式化系统不受外部所指对象、个人主观理解干扰，专注于系统内部语言单位之间客观形式特征的差别—关联及其形成的形式语义，这也是新批评的基本思路，由此可以在文学科学与语言科学、计算机科学对话中，建构AI形式语义学和不同于大脑逆向工程的LLM的文学逆向工程。大脑逆向工程同时有助于大脑神经科学和AI基础理论的发展，文学逆向工程也将同时有助于文学科学和AI基础理论的发展。

形式语义学研究的是“语言单位的编码意义”，即“形式语义”。语言是由诸多不同单位构成的系统，这些单位在形式上既有“差别”也有“关联”：无关联则诸单位组合在一起就杂乱无章而不成系统，无差别则诸单位就同质而无所谓系统，因此，语言系统首先是建立在诸单位形式的“差别—关联”基础上的。一个语言单位跟系统“内部”的其他单位的形式关联形成形式语义，跟“外部”的个人直观、所指对象的关联形成实质语义。辛顿讨论LLM与语言关系时提到了“两种截然不同的语义理论”：（1）“符号人工智能研究者相信的结构主义理论，大多数语言学家也相信这种理论，即一个词的意思来自它与其他词的关系”，由此形成的是形式语义；（2）“来自1930年代的心理学”，这关乎实质语义，“语言学家说，这只是美化了的自动补全，只是在利用统计学的把戏，只是在将文本临摹拼凑在一起”——有人据此讥讽LLM为随机鹦鹉。辛顿辨析指出，神经网络“将词转换为特征，并利用特征之间的交互作用来进行预测”——这就是LLM的工作方式：能“识别”词的形式的客观“特征”是计算机强项，LLM通过对巨量自然语言数据的统计、学习而把握不同词的形式的“相互作用”，由一个词“预测”下一个词，自动生成符合个人阅读习惯的文本而能被理解。

LLM综合集成了很多技术，而其非确定性、非精确性与概率论、统计学和自然语言等密切相关。LLM是一种“神经语言模型”，“使用词的分布式表示对自然语言序列建模”，能“共享一个词（及其上下文）和其他类似词（和上下文之间）的统计强度”，进而能按统计强度或统计关联把词组合起来。诗人“艾略特相信‘诗歌缺乏逻辑关联’的说法”，“只是在缺乏确实性的时候我们才需要概率”——按“概率”把不同词组合起来，这些词之间的形式关联具有非确定性，并与其形成的形式语义的非精确性相互规定。而按“逻辑”把不同词组合起来，这些词之间的形式关联就是逻辑关联，具有确定性，并与其形成的形式语义的精确性相互规定——这正是诗歌等文学自然语言与科学人工语言的差别所在。新批评作为一种文学形式语义学对此有所揭示，这有助于科学辨析LLM非确定性等固有本性，而LLM工艺实践则使新批评所谓非逻辑关联可以被明确定位为“统计关联”——这两方面深度对话将有助于建构AI形式语义学。

国内AI专家陈小平把LLM语义形式化系统表示为Lc：“在Lc的形式语义中，只考虑语元（token）之间的关联度（一种语境相关的统计性质）”，即统计强度，按这种统计关联组合起来的文本的“实质语义”具有“弱共识性”，而“作为对比，以往的公理系统的实质语义都是强共识性的，即追求统一的直观理解。如对牛顿力学基本概念‘力’‘质量’‘加速度’等的理解，科学共同体不仅有共识，而且这种共识具有强制性”——这与构建公理系统的科学人工语言形式确定性逻辑关联相互规定。

在AI形式语义学基础上，可以梳理出LLM的文学自然语言逆向工程的基本思路，而这又首先是相对于“大脑逆向工程”而言的。库兹韦尔《奇点临近》第4章“达到人类智能的软件：如何实现大脑的逆向工程”的基本思路是：通过人的大脑逆向工程设计计算机软件，并通过软件——对LLM来说就是人工神经网络——的运动，反观人脑神经元运动。而通过“文学（自然语言活动）的逆向工程”也能设计计算机的运动架构——实际上LLM就已包含这种架构：其中的人工神经网络与大脑逆向工程有关，而从其预训练中的语料数据、自动生成的文本看，又与自然语言有关。直观的印象是：这些自动生成的文本符合个人语言习惯而能被理解，并且LLM生成文学性文本的能力也确实表现得更为突出。在此意义上，文学自然语言的逆向工程与LLM更为匹配，对LLM更具解释力；而由LLM架构中的自然语言运动，也可以反观文学语言运动，这种逆向工程是文学基础理论突破发展的重要契机。

神经系统科学家瓦特说：“在21世纪，我们将通过神经科学知识和计算机性能之间可测量的转折点。这是历史上我们第一次充分理解自己的大脑，并开发出先进的计算机技术，我们现在能够承担一个人类智能的重要部分的模型建设”。并实现可核查、实时和高分辨率——LLM还包括对人类智能另一个重要部分即自然语言活动的模型建设。桑德伯格说：“大脑是好的：它可以证明物质的某一排列可能产生思维”——人通过文字这种物质的排列组合也可以产生思维，这至少是LLM的智能特性之一。库兹韦尔综合分析道：“到目前为止，人工智能的研究和发展已经利用了一些工程方法，但是这些方法不一定基于人脑智能”——显然还包括自然语言等符号智能。“我们大脑逆向工程的能力——观察内部、建模并模拟各区域——正在以指数方式增长。我们最终会理解隐藏在思维、知识全部范围内的运作原则，这些将为开发智能机器的软件提供强大的程序支持”。语言符号运作同样是思维过程的基本部分，思维的秘密不仅在大脑，也在符号，不揭示隐藏在语言符号运作中的原则，很难全面理解思维、进而LLM的基本原则。

总体来说，库兹韦尔等只看到计算机对人脑建模而生成大脑智能，却忽视了其也可对语言建模而生成符号智能。在自然语言建模上，文学科学与计算机科学、语言学等已积累丰富资源，其中形式语义学是重要交汇点，可以成为多学科对话的切入点。

二、形式语义—实质语义、识别—理解：意义不同形态及其把握方式

LLM是“神经语言模型”，能“使用词的分布式表示对自然语言序列建模”，“能够‘识别’两个相似的词，并且不丧失将每个词编码为彼此不同的能力”。两个词形式的“不同（差别）—相似（关联）”形成“语言单位的编码意义”即形式语义，对其把握方式是“识别”，对实质语义的把握方式也可称作“识别”，对语言意义的把握方式则可称作“理解”——这种描述本身就遵循了自然语言形式语义的差别—关联规则。形式语义与实质语义的差别是：一是形式性的，一是实质性的。关联是两者皆是“语义”，形式语义不是单纯的“形式”。识别与理解都关乎意义的生成和被把握方式，这是两者的关联，差异是：识别只关乎对意义生成全过程某一方面或环节的把握，而理解关乎对意义的全面把握。既能识别实质语义，又能系统识别形式语义并使两者相互转化，构成人理解意义的全过程，同时也是人系统把握世界的全过程。这意味着：一方面，对意义的全面理解离不开对实质语义、形式语义的识别；另一方面，单独识别形式语义，或单独识别实质语义，都不等于对意义的理解。猿猴等能初步识别语言与所指对象的关联，但不能识别系统性形式语义，不具有全面理解意义的能力；LLM能识别自然语言系统性形式语义，但不能识别语言与所指对象的关联及其形成的实质语义，也不具有全面理解意义的能力。这是形式语义学对LLM的功能定位。

LLM以自动识别方式系统把握自然语言形式语义，是人类语言智能发展史上划时代的飞跃。经验地看，在个人实际语言活动中，形式语义跟实质语义、对形式语义和实质语义的识别跟对意义的理解高度交融，现代科学要求辨别混沌不分整体的不同要素以把它们区分开来——在现代语言学史上，索绪尔强调相互“依存”的语言的“价值”，即形式语义跟“意义”的不同，这正是对计算机软件科学有重大影响的形式语义学的基本命题——此前这还主要是理论假设，而LLM则使之成为事实，以实践证明了这种假设，这为构建LLM自然语言逆向工程奠定了基础。

1.形式语义学的多学科探讨

“形式语义学的发展得益于逻辑学和计算机科学的发展”，而计算机科学也得益于形式语义学的发展。理查德·蒙太古（R.Montague）指出：“在自然语言和逻辑学家的人工语言之间是不存在重要的理论差别的”，“有可能以一个单一自然的和数学上精确的理论来理解两种语言的语形、语义”。自然语言与人工语言、语形与语义的关系，是形式语义学的基本议题。形式语义学研究“语言单位的编码意义，与语言的实际使用因素相对分离，后者是语用学研究的领域”，原本研究的是“形式语言的意义，比如逻辑、数学或编程语言”，而蒙太古则“将形式语义学应用于自然语言的语义分析”，这对计算机编程、自然语言处理和LLM等有重要启发意义。

LLM的基础技术之一是“自然语言处理（natural language processing, NLP）”，目的是“让计算机能够使用人类语言，例如法语或英语”，即具体的自然语言，而“自然语言通常是模糊的，并且可能不遵循形式的描述”，“许多NLP应用程序基于语言模型，语言模型定义了自然语言中的字、字符或字节序列的概率分布”——在LLM中就是token的概率分布；“非常通用的神经网络技术可以成功地应用于自然语言处理”，“神经语言模型”能“使用词的分布式表示对自然语言序列建模”，“能够‘识别’两个相似的词，并且不丧失将每个词编码为彼此不同的能力”。“识别”就是把握两个词的语形上的关联及其形成的形式语义的基本方式，而这种不同于对意义理解的识别能力，是计算机可以获得的，并正是其强项所在。大型通用神经语言模型LLM就充分证明了这一点，而研究自然语言的索绪尔的“价值”论等对于理解LLM这种功能特性有重要启示。

2.索绪尔不同于“意义”的“价值”论及其对LLM的解释力

首先，索绪尔强调语言的“价值”即形式语义跟“意义”不同：“谈到词的价值，一般会首先想到它表现观念的特性，这其实是语言价值的一个方面。但如果是这样，那么，这价值跟人们所称的意义又有什么不同呢？”“价值”与“意义”不是“同义词”。“价值，从它的概念方面看，无疑是意义的一个要素，我们很难知道意义既依存于价值，怎么又跟它有所不同。但是我们必须弄清楚这个问题”，这种既“依存”又“不同”于意义的价值论，对当代形式语义学有开创之功；而且这种描述本身就遵循了自然语言形式语义的差别—关联原则：说“依存”强调的是“价值”与“意义”的关联，说“不同”强调的是两者的差别。索绪尔这种描述或辨析具有方法论意义。

“一个词可以跟某种不同的东西即观念交换；也可以跟某种同性质的东西即另一个词相比”。“同性质”表明不同词处在同一系统中，它们的不同就是形式的差别，同时又存在关联，由此形成语言形式系统，在系统“内部”不同词的形式关联所形成的就是形式语义；而“观念”作为“不同的东西”表明其处在语言形式系统“外部”，词外部关联所形成的是实质语义。“我们只看到词能跟某个概念‘交换’，即看到它具有某种意义，还不能确定它的价值”。“词既是系统的一部分，就不仅具有一个‘意义’，而且特别是具有一个价值；这完全是另一回事。”这是强调价值（形式语义）与意义不同或不完全依存于意义的相对独立性，而“没有这些‘价值’，‘意义’就不会存在”。这强调的是意义也依存于价值，从把握方式看，没有对价值（形式语义）系统性识别（如猿猴、鹦鹉），就没有对意义的理解，这对理解LLM把握自然语言形式语义的特性至关重要。

“如果我简单地断言词意味着某种事物，如果我老是记住音响形象与概念的联结”，这关乎实质语义。“这在某种程度上是正确的，而且提出了对现实性的一种看法，但是绝没有表达出语言事实的本质和广度”，这种广度体现在形式语义的系统性上；因此，应该关注语言“声音差别的系统效能”，“重要的不是声音本身，而是使这个词区别于其他一切词的声音上的差别”，也包括文字视觉形式上的差别。当然，有差别而无关联形成不了系统，形式语义就存在于语音、文字形式差别—关联所形成的系统中，体现了形式的系统效能，与此相应的把握方式就是系统识别，LLM正是以此把握形式语义的，并且是基于统计学、通过学习大量语言材料才获得这种系统识别能力的。

其次，索绪尔还把意义生成全过程描述为形式语义与实质语义的相互转化：在言语活动中，“在脑子里的心理部分”，“凡属于主动的一切”即“从概念到音响形象”，都可以称为“执行的部分”，这关乎从实质语义到形式语义；“凡属于被动的一切”即“从音响形象到概念”，都可以称为“接受的部分”，这关乎从形式语义到实质语义，两者相互转化构成“循环”，体现了“联合和配置的机能”，“只要不是孤立的符号，到处都可以看到这个机能；它在作为系统的语言的组织中起着最大的作用”。实质语义首先关乎的只是“孤立的符号”与所指对象的关联，并不关乎人的心理，本身并不直接具有系统性，其系统性来自形式语义系统。

3.维特根斯坦“综览”论及其对LLM的解释力

索绪尔强调“使人想到名称和事物的联系是一种非常简单的作业”。维特根斯坦称之为“语词的实指教学”，即“教学的人指向诸对象，将一个小孩的注意力引向它们，并且与此同时说出一个语词”，而这“绝不是解释，而是一种训练”。“解释”关乎意义，“训练”则未必。在建筑活动中，建筑者A向助手B说“方石”“柱石”，B把相应实物递给A，表明B能识别两个词的声音跟所指对象的关联及其形成的实质语义，其实猿猴经过训练也大致能做到这点，这只是“完全的、原始的语言”活动，“并非我们称为语言的所有东西都是这样的系统”，“只是针对这个限制得很窄的领域来说的”——这表明能识别实质语义，还不能进入语言系统，“我们没有综览我们的语词的——我们的语法缺少可综览性——综览式表现促成了理解”，也是理解意义的前提，而“综览式表现概念对于我们来说具有根本的意义。它标示了我们的表现形式，我们察看事物的那种方式。（这是一种‘世界观’吗？）”“可综览性”首先体现在语言内部形式关联的系统性上，体现了人以系统方式把握世界的“世界观”——这正是形式语义系统性的价值所在，片面强调词与所指物外部关联及其形成的实质语义的人，忽视了人以语言把握世界方式的这种系统性。

在人类语言系统中，语词的声音、文字形式既有差别也存在关联：猿猴能识别差别而不能识别关联，无法进入语言系统；儿童既识别差别又识别关联，能进入语言系统。“语词的实指教学”只是儿童习得语言能力的初始阶段，语言本身的可综览性会把儿童带入完整形式系统中，进而也能系统识别形式语义。猿猴可以感知而不能综览世界，能初步识别声音形式与所指物关联而把握实质语义，但不能形成系统性世界观，而正是形式语义的系统性，赋予人把握世界的方式以系统性。

个人对实质语义的识别具有主观心理性，形式语义的客观系统性对主观随意性有所限制，作为人对意义把握全过程的实质语义与形式语义的相互转化，展示着主观与客观、语言外部与内部的高度统一，使人既系统又客观地认识和把握世界；而LLM能识别语言单位系统性形式关联，具备系统把握形式语义的能力，可成为人系统把握世界的助手。

4.围绕LLM的辛顿-乔姆斯基之争及其形式语义学辨析

辛顿指出，“语言学家的另一个论调是，这种模型是在制造幻觉，它实际上并不真的理解自己在说什么”而“神经网络模型正在以与人类完全相同的方式做理解”，他据此批评了质疑LLM的乔姆斯基：“语言学家被一个叫乔姆斯基的人误导了好几代”，“他有一个偏执古怪的理论，即语言不是学会的”，但是，“语言显然是学会的。大型神经网络学习语言，不需要任何先天结构，只是从随机权重和大量数据中开始学习。乔姆斯基却仍然在说，但这并非真正的语言”。但是，让猿猴接触无论如何巨量的语言数据，它们也不能“学会”语言，所缺的正是人脑先天结构。“乔姆斯基从来没有提出任何一种有关语义的理论，他的理论全是关于句法的”。认为句法无关乎语义显然是错误的，当代形式语义学重要进展就体现在把语义推进到句法形式层而形成形式语义说，而非就形式论形式。

司马亭指出，乔姆斯基所谓“狭义上的语言机能”指“与实际的自然语言的交流功能无关，而与一种进化的、在生理上截然不同的计算系统有关，而且这种计算系统并非为语言所独有”。乔姆斯基并不否认LLM计算系统也有这种功能。而“广义的语言机能”指“这些认知能力在生理上以不同的方式实现，不同于计算系统的特征”。LLM就不具有与生理有关的广义语言能力，无法识别实质语义，这是乔姆斯基蔑视LLM的原因。

司马亭辨析指出：“自然语言被认为是一种自然的语言，被认为与人类心理学和生物学所定义的特征密切相关”，而“我们需要从严格的以个体为基础的认知系统这一概念中分离出关于自然语言的概念”，要“将一定程度的外在主义注入到传统的、高度内在化的思考方式之中”；“如果语义学研究能力，而能力是个体的，那么语义学对意义给出的描述和认知神经科学家进行的关于大脑中所发生事情的研究之间，必然有一种关系……意义最好作为某种‘在使用者头脑中装备好的’对象”。乔姆斯基就缺乏对语言符号“外在主义”的理解，把外在于个人生物性大脑的语言符号高度内在化，理解意义的语言能力就成为“在使用者头脑中装备好的”而只是先天的——但这并不符合人的语言活动经验事实：大脑相对于个人来说总是内在的，具有个体性、生物性、先天性，而自然语言尤其文字系统相对于个人来说却是外在的，具有非个体性、非生物性。儿童学习外在语言的全过程，是外在化、社会化的过程，也是学会系统把握世界的过程，并且是非先天的训练过程而具有经验性——可反驳乔姆斯基先天论的有狼孩现象：婴儿在没有学会说话之前在狼群中生活较长时间，再学说话就比较困难，较难进入语言形式系统而充分习得语言能力。

因此，可在跟儿童、猿猴的比较中，揭示LLM把握自然语言方式的特点。儿童通过语词实指教学训练能识别词与所指物的关联、实质语义，猿猴也初步具备这种能力，但LLM不具备；在后续学习中，儿童还能进一步识别不同词的系统性形式关联、形式语义，LLM具备这种能力，但猿猴或鹦鹉不具备——以此可辩驳LLM随机鹦鹉论。既识别实质语义，也系统识别形式语义并使两者相互转化，才使人能全面理解意义。辛顿所谓LLM神经网络模型以与人类完全相同方式来“理解”，就把对形式语义的识别完全混同于对意义的理解，可用索绪尔“价值（形式语义）”与“意义”不是“一回事”说加以辩驳。

总之，把握意义的方式是理解，单独把握形式语义、单独把握实质语义的方式是识别：对实质语义的识别具有个体性、生理性、心理性、主观性，对形式语义的识别则不具有或不需要这些特性，因为这种识别只是对语言形式差别—关联客观特性的识别。以此来看，不具有心理主观性的计算机固然不能识别实质语义，但可以识别语言客观的形式关联、形式语义，LLM就是如此。文学科学中的新批评理论，排除文本跟外部所指物、个人主观心理的关联，强调文本内在客观性，实际上就揭示了形式语义及其识别方式的客观性，由此可推进文学科学与计算机科学深度对话。

三、语境—复义、统计关联—逻辑关联：文学逆向工程及其对LLM的解释力

新批评对形式语义不受个人主观干扰的独立性、客观性、系统性有所分析：（1）文本自足论、客体论强调独立性、客观性；（2）语境论强调系统性；（3）强调文学自然语言形式“非逻辑关联”与语义“非精确性”相互规定，科学人工语言“逻辑关联”与语义“精确性”相互规定。由这三点，就可在多学科对话中重构文学形式语义学。

蒙太古把形式语义学应用于自然语言分析表明：自然语言也有形式语义，它们与人工语言的差别不在此。识别形式语义的关键是识别语言单位客观、系统的形式关联，这种形式关联的具体特性在自然语言与人工语言中又有所不同。辛顿所说“统计学把戏”关乎统计强度或统计关联，不同于逻辑关联：科学人工语言按照确定的逻辑关联把语言组合起来，形式语义具有精确性。文学自然语言则按照非确定的概率性统计关联把语言组合起来，形式语义具有非精确性——新批评语境—复义论对此有所揭示。

不同词可以按逻辑或语法组合起来，这些词之间的形式关联就是逻辑关联、语法关联，具有确定性，而这种关联并不能涵盖自然语言活动中所有关联：自然语言中的一些形式关联是非逻辑、非语法的，个人通过语言活动的直观经验把握一词与哪个词可以组合起来的概率，这些按概率组合起来的词的形式关联就是非确定性的；在文本生成过程中，个人由一个词对下一个关联词进行直观预测而把不同词组合起来，由此生成文本的形式关联就是非确定性、概率性的非逻辑关联，个人把这些关联带入文本语料中——LLM通过大数据统计、学习这些巨量语料就掌握了这些关联，神经网络“将词转换为特征，并利用特征之间的交互作用来进行预测”，即由一个词按概率“推导性”预测出下一个词，这既不同于科学文本中的“推理性”预测，也不同于基于个人经验的“直观性”预测，但由于掌握了语料中基于个人经验的不同词形式的习惯性关联的概率，按此自动生成的文本就符合个人语言习惯而能被理解。由这种工艺实践就可把新批评所说“非逻辑关联”明确表述为“统计关联”。

我们可以把语言文本生成过程，视作由一个词预测下一个词而把它们组合起来的过程。在LLM诞生之前，这种预测或者是基于语法、逻辑的推理性预测，或者是像日常的或文学的语言活动那样是基于个人经验的直观性预测；而LLM能按大数据统计技术所获得的概率，由一个词推导性预测出下一个词，这在人类语言活动发展史上是划时代的飞跃，为在多学科对话中构建LLM文学逆向工程提供了切入点。

1.形式语义学与新批评文学客体论及其对LLM的解释力

首先，形式语义学是新批评的理论基础。兰色姆认为瑞恰兹与奥格登著《意义的意义》一书“通篇充斥着新的语言哲学”而成了“语义学”；语义学家莫里斯认为“任何符号都有三个维度的功能。首先是‘句法’维度，包括被我们称为逻辑的所有因素；其次是‘语义’维度本身，涉及符号对物体的指涉；最后是‘语用’维度，涉及符号所包含的所有或明或暗的心理学、生物学和社会学意义”。与这三者相应的是“语义学、句法学和语言符号运用学(简称语用学)”，其中“句法学研究的是句子的形式结构、词与词的关系”，莫里斯强调要“离开符号与事物的关系或符号与解释者(人)的关系”研究“符号本身之间的关系”，这是从“传统的形式逻辑和语法的基础”发展起来的。

“当代形式语义学与理论语用学”造就了“当代语言学的两个互补的领域”，而莫里斯讲了3个领域形成两种二元对立：（1）句法似乎与语义无关，只关乎形式，语义才是内容，而当代形式语义学强调句法也关乎语义即形式语义，并非就形式论形式，形式—内容并非二元对立。（2）语用似乎也与语义无关，作为对物体的指涉的语义似乎是纯客观的，与心理学意义上的个人主观理解无关，由此形成客观—主观二元对立，把莫里斯所谓的“与事物的关系或符号与解释者(人)的关系”，即语言跟所指物、个人主观解释的关联所形成的语义定位为实质语义，则可以克服这种二元对立。合而观之，作为实质语义与形式语义相互转化的人理解意义的全过程，体现了语言系统内部—外部、形式—内容、客观—主观的统一。新批评排除文本对物体的指涉而不是传统的语义学，排除对文本心理性、主观性的个人解释而不是单纯的语用学，最终排除的就是实质语义，即排除对物体指涉、个人主观解释对文本内部形式语义的干扰，以突出形式语义的相对独立性，由此可见新批评形式语义学的基本思路。

其次，新批评文学客体论揭示了形式语义及其把握方式的客观性。兰色姆指出“诗歌活动是一种知识行为。科学与审美的认知方式应当互为启迪，也许它们提供的是两种可供选择的不同类型的知识”，这强调了文学作为“知识”的客观性。维姆萨特、比尔兹利提出要排除“感受谬见”，即从诗的“心理效果”推衍出批评标准，这会使“诗本身”作为具体对象趋于消失；“某些读者述说一首诗或一个故事在他们心中激起了生动的形象，浓厚的情感或高度的觉悟”，“这种现象既不能予以驳斥，也不能作为‘客观’的批评家考虑的依据”。“诗本身”不应受读者主观感受干扰，与之相应的把握方式就是客观的。“艺术作品是一个单独存在的，并就某种意义上说是自足的或自有目的的实体”；“艺术作品象活着的植物一样会生长，吸收多种元素到自己的本体中。他们的形状是由内部决定的，不是由外部压力或模子铸成的。各个部分是互相依存，互相促生的”；“诗是经得住思考的，可以批评和判断的；它被实体化后成了‘客体’”——为此辩护的依据来自当代语言学：“雅柯布森和莱维-斯特劳斯说：我们的目的一贯是想显示诗的不同的结构是如何相互作用的，以赋予诗以绝对客体的性质”。这是“结构主义对诗这种客体所做的有力的证词”。研究植物等自然物客体的结构特性，首先就是客观识别这种特性，而不是从主观意识出发去理解或赋予其以这种特性——对诗这种人造物客体也应如此，首先需要的是对其客体结构形式特性的客观识别，这也就是对形式语义把握方式的特性。

最后，布鲁克斯“释义误说”进一步强调了对形式语义的识别不同于对意义的解释：“如果我们听任自己受诗可以解释和释义的这种误说的错误引导，就会冒险以更粗暴的方式对待诗歌自身的内在秩序”；“把诗的结构归之于那首诗的最终释义，就是把结构归因于那首诗以外的东西”。解释并非把握诗内部结构及形式语义的方式。“一首诗的基本结构(与我们抽取的理性结构或‘表述’的逻辑结构完全不同)”，是“通过表示时间的结构而发展的一种和解、平衡与协调的模式”——把诗歌文本模式化、结构化是新批评的主要做法，接近LLM处理自然语言的方式。对意义的解释或把握方式不离主观，而形式语义是通过内部结构形式化特征表示出来的，对此的把握方式是客观识别。布鲁克斯反对释义，强调的就是对诗内部形式关联、形式语义把握方式的独特性，即客观性。以此来看，LLM“能够‘识别’两个相似的词，并且不丧失将每个词编码为彼此不同的能力”，两个词形式的相似—不同是客观特征，由此形成的形式语义也是客观的，LLM能识别这种客观形式语义。

2.多学科对话中的新批评语境—复义论

语言表述的“逻辑结构”及其形成的形式语义显然也具有客观性，与“诗的基本结构”的差别并不在此。“形式语义学的核心目标是一种精确的、机械的和有穷的方式处理自然语言的‘客观意义’”，由此形成一系列等式：“精确的=形式的”“形式的=逻辑的”。这只适合于描述科学人工语言，新批评客体论强调的文学自然语言的“客观意义”或形式语义的客观性，与科学人工语言没有什么差别，而差别首先在于文学自然语言的客观意义不是精确的——新批评复义论揭示了这一点。

“在莫里斯看来，科学不需要有多少语用意识，而在我们看来，艺术同样如此”，这种语用意识强调“符号所包含的所有或明或暗的心理学、生物学和社会学意义”，读者反应批评、接受美学就是如此，可称之为文学语用学，强调不同读者对同一文学文本的理解可以有所不同，也持文学复义论，但强调的是实质语义的多重性及其把握方式的主观性，可谓主观复义论。与之相对，“不需要有多少语用意识”的新批评则可谓客观复义论。两者合观，文学意义生成的全过程，就是形式语义与实质语义相互转化进而语言系统内部与外部高度统一的过程。

“文学理论的一个根本性问题”关乎“文学与科学的区别”，这也是新批评的重要议题。瑞恰兹指出，“中性的解释是一种特殊的、局限性很大的使用语言方法。比较起来，这种方法近期才有所发展，因此我们至今还不能使语言适应其发展(某些自然科学领域除外)”。退特指出，真正的科学家“总要求语言与它所指的事物及事件严格地一一对应。一切用于向我们提供可靠的知识的术语与语句的‘意义’均在于这种对应之中”。布鲁克斯指出，“从科学词汇的观点看”，“从推理上考虑，理想的语言应该是一词一义，并且词和义之间的关系也应该是稳定的”。一词有一义、一义指一物，如此形成一词—一义—一物结构，就是科学人工语言的特性，而“诗人使用的词却必须包孕各种意义”，这与语境相关。

瑞恰兹指出：“意义的语境理论将使我们有充分的思想准备在最大的范围里遇到复义现象”，“旧的修辞学把复义看作语言中的一个错误，希望限制或消除这种现象”，而“新的修辞学则把它看成是语言能力的必然结果”；“我们通常认为，如果一段文章是指某一件事情，它仿佛就不能同时指另一件事和一件截然不同的事……它把所有的论述——科学术语除外——都看作过于坚决，因为它们的意义有着多重性”，与此相关存在一种“认为一个符号只有一个实在意义”的“迷信”。燕卜荪强调，“复义的作用是诗歌的基本要素之一”，“‘复义’本身可以意味着你的意思不肯定，意味着有意说好几种意义，意味着可能指二者之一或二者皆指，意味着一项陈述有多种意义”——一词—一义—一物论是迷信。

司马亭辨析指出，“人们总是抱怨自然语言的不系统性、误导性”，“弗雷格、罗素、早期的维特根斯坦和后来的一些逻辑实证主义者都认为，模糊性和歧义性、缺少明确的和形式的结构、缺乏精确性以及对语境的依赖性是自然语言的一些缺陷”——对语境的依赖性与语义模糊性、非精确性相互规定，而“日常语言哲学家”认为这些特点“更为普遍，是一种优点”，“正是因为自然语言普遍的语境依赖性，自然语言才能发挥它们的作用”。在后期，维特根斯坦有与瑞恰兹相近看法：“我在使用名称N，但是它并没有一个固定的意义”；“不过，这点并没有对其使用造成任何损害”；“‘不精确的’，这真的是一种责难，而‘精确的’则是一种表扬。这可意味着：不精确的东西不像较精确的东西那样完美地达到其目的。因此，在此事情取决于我们将什么东西称为‘目的’”；“我们通过使我们的表达方式变得更为精确的方式来清除误解”；“好像我们在奔向一种确定的状态，在奔向完全的精确性”。实际上并非如此。

3.统计关联—逻辑关联：新批评语境广义论

语境（上下文）是新批评与计算机科学等多学科共同探讨的议题。“在乔姆斯基体系中，语言被分成短语结构语言、上下文有关语言、上下文无关语言以及正则语言”；“高级程序设计语言的绝大部分语法结构都可以用上下文无关文法描述”，而“自然语言的很多语言特征都不具有这种上下文无关的特性”，“与上下文有关的更复杂语义问题”较难处理——而LLM较好地处理了这个问题。对此，布鲁克斯有相近分析：像“二加二等于四”等陈述语或科学人工语言“不受任何语境影响”，“诗篇中的任何‘陈述语’都得承担语境的压力，它的意义都得受语境的修饰”，“它们的意义都离不开它们所植基的语境。”瑞恰兹指出，关于“词语间相互作用”即“把词语合起来放在句子中时发生的情况”，根据“语境定理”要“把完整的叙述——即句子——加以分解”，而不是“把词语的意义首先孤立起来，然后再组合起来”。维特根斯坦对科学人工语言有相近分析，“一个命题符号之为命题符号，在于在它之内它的诸元素，即诸语词，是以特定的方式相互关联的”，“一个基本命题是由诸名称组成的，它是诸名称的一种关联，链接”。许多词在相互关联中组合成的命题（句子）就是整体语境，人工语言与自然语言在这方面没有什么不同，那么差别何在？

瑞恰兹指出：“正是这个词前后的其它词确定了该词的意义……这种‘语境’很容易扩展到整整一本书的范围”。这指狭义的文本语境，他还分析了广义的语境：“‘语境’这种熟悉的意义可以进一步扩大到包括任何写出的或说出的话所处的环境”，“也许通过研究因果律所论述的大自然中的再现现象，我们就能正确地理解我所说的语境”。兰色姆把这种广义语境分成5种。（1）“生理学语境”：“有机生命组织的最小元素是次心理的微小神经内核”，即神经元，“它们将从诗歌中接受刺激”，但是，“多数场合无法在诗歌中进行观察”——今天的大脑神经科学与AI结合已使这种神经元运动变得可以观察；（2）“心理学语境”关乎“更大的意识情感中心”；（3）“生物学—心理学语境”，“诗歌的价值在于它具有约束或调节情感中心的能力”，“诗歌是一种关于世界的陈说”，“与客观的认知活动密切相关”；（4）“生物学—逻辑学语境”，“我们不再理会什么情感中心，而关注诗歌的智性结构”，“生物学的作用在于，它能帮助我们研究世界的结构和组织”，“这样的研究同样适用于科学话语。在研究诗歌时，探讨的却是它的科学和逻辑价值，而不是它所特有的价值”——这两种语境关乎“世界”，从语义学角度看，“客观的认识活动”强调的是诗与科学话语皆具有客观意义；（5）“美学语境”，“我们第一次不再从科学或散文的话语中获取材料，而真正就诗歌分析而讨论诗歌”，“一首诗中的物体具有异质性，或者说是多侧面的，有着多重意义”——这就是跟其他4种语境的区别，也是文学自然语言与科学人工语言的区别。

广义语境其实指“关联”：“生物学语境”“心理学语境”强调的是文本跟个人生物性大脑、主观心理的关联，环境、大自然等关乎文本跟外部世界的关联。两者合在一起形成的是实质语义，而文本内部形式关联形成的是形式语义。兰色姆指出：“诗歌活动是一种知识行为。科学与审美的认知方式应当互为启迪”，而差别在于：“人们会发现审美话语在使用图像符号的地方偏离逻辑轨道”。“艾略特相信‘诗歌缺乏逻辑关联’的说法”；在明喻里“还谈什么逻辑关联性呢”“诗歌非逻辑性发现者的荣誉非理查兹莫属”；诗歌隐喻效果很少由“逻辑关系”产生；诗中“众多意象拥挤在一块，而缺乏对于‘逻辑关联’的说明；而且从作品的可靠性角度看，众多拥挤的意象之间本身通常也缺乏‘逻辑关联’”。“意象”关乎外部世界，文学自然语言与科学人工语言的区别并不在于跟外部世界是否有关联，而在于两者内部形式关联是否是逻辑关联。

维特根斯坦把非逻辑关联与概率联系起来：“确实的，可能的，不可能的，这里我们便有了概率论所需要的那种分级的迹象”；“只是在缺乏确实性的时候我们才需要概率”。词基于概率的统计关联缺乏确实性，而在逻辑命题中词按逻辑关联组合起来具有确实性。所以，自然语言与人工语言的形式语义都关乎系统内部符号的形式关联：形式的逻辑关联的确定性与语义的精确性相关规定——这是科学人工语言的特点；LLM关乎“统计强度”“自然语言中的字、字符或字节序列的概率分布”，统计关联中非逻辑关联的非确定性与语义的非精确性相关规定——这也是文学自然语言的特点。

4.LLM文学逆向工程的意义

在统计关联中，被统计的文本语料数据越大，所获得的词之间联结的概率就越趋准确——LLM作为“大”语言模型之大的一个含义就是被统计的数据大：ChatGPT爬取了全球互联网海量的语料数据，由此获得足够统计强度，能较为系统把握自然语言形式的统计关联，由一个词预测下一个词而自动生成符合个人语言习惯的文本。

首先，在文学文本中，词之间既存在统计关联，也存在逻辑关联：逻辑关联是统计关联的子集，统计关联=逻辑关联+非逻辑关联。从数据看，LLM统计的当然不只是自然语言数据，也包括人工语言如逻辑、科学术语、代码等数据，这使其也具有推理等能力；而统计关联还包括“非逻辑关联”子集，当这个子集发挥作用时，LLM就会出现低级错误——这可以通过调试等手段暂时加以缓解，但无法保证LLM绝对不再犯类似错误——“非逻辑关联”是要害所在。

其次，“迷信”“幻觉”会误导对LLM特性的判断。瑞恰兹指出，“认为一个符号只有一个实在意义”是“迷信”。维特根斯坦认为：“整个近（现）代世界观都是建立在这样的‘幻觉’基础之上的：所谓的自然律是对自然现象的解释”。一词—一义—一物落实到科学人工语言上就表现为：一词之一义所表示的自然现象中某物某一特性，被认为是该物全部特性，“自然律”被理解为对“自然现象”的全面解释。这是现代迷信和幻觉。

“科学与审美的认知方式应当互为启迪，也许它们提供的是两种可供选择的不同类型的知识”，但是，“为什么科学家不可以既使用科学话语，也使用美学话语呢？对于其中的动机，就像在其他许多行为的问题上一样，心理学家们至今没有给我们以明确的答复”。维特根斯坦对此有所解答：“在什么样的范围内逻辑是某种崇高的东西？”奥古斯丁说“时间是什么？假定没有人问我，我知道它是什么；当我想要向一个询问者解释它时，却茫然不知了”，而“人们不能针对一个自然科学问题这样说”。“我们意欲在我们关于语言的用法的知识中建立起一个秩序；一个为了某个特定的目的的秩序；诸多可能的秩序中的一个”；“为了特定的实践目的而进行这样一种改造——为了在实践的使用中避免误解而改进我们的术语——或许是可能的”。科学人工语言就是按照“实践的使用”即认识自然、为了“实践目的”即改造自然而组合起来的；但是，“我们并不想一种闻所未闻的方式使有关我们的语词的运用的规则系统变得精细或者完全”。“特定的”实践目的并非人运用语词的全部目的，“精细或者完全”的人工语言系统及其所揭示的外部世界的秩序只是“诸多可能的秩序中的一个”而非全部，只是语言和所指物的某一方面特性。展示人类自然语言和所指世界的无限丰富性，则是文学的目的和价值所在，文学与科学可以也应当相辅相成。

最后，从LLM与通用人工智能（Artificial General Intelligence，AGI）的关系看，因为无法彻底避免幻觉等不足，说LLM还不是AGI没有问题，但由此认为要实现AGI就必须抛弃语言而另起炉灶，则问题很大，这与片面抬高大脑神经系统而忽视语言系统在智能活动中作用的迷信有关。有一种观点认为LLM接近非确定的文学自然语言智能，要实现AGI就必须抛弃之，也很难成立。这与片面抬高逻辑关联而忽视非逻辑关联在语言智能活动中作用的幻觉有关。文学逆向工程揭示：LLM推理能力弱等是由自然语言形式组合的非逻辑关联造成的，并且对于文学来说不是缺点而是优点。新批评对此多有揭示。克服LLM推理能力弱等不足固然必要，但由此抛弃文学自然语言智能，也很难实现AGI——文学科学于此大有可为。

文章原载：《人文杂志》2026年第9期