大型语言模型在语言学中的模态模型地位：深度解读

背景

近年来，大型语言模型（LLMs）的迅猛发展引发了学术界关于其在语言学理论中地位的激烈辩论。目前，围绕这一话题的讨论主要形成了三种截然不同的立场：

1. 绝缘主义（Insulationism）：认为 LLMs 与人类语言机制完全无关，因此对语言学理论研究没有实质意义。
2. 消除主义（Eliminativism）：主张 LLMs 的能力足以取代传统的语言学理论，甚至可能使传统理论变得多余。
3. 调和主义（Conciliationism）：将 LLMs 视为语言学研究的有用工具，既不完全否定其价值，也不认为其能完全取代现有理论。

为了厘清上述立场并超越简单的“有用”或“无用”的二元对立，本文引入了科学哲学中的**模态建模（Modal Modeling）**框架。该框架旨在更精确地评估 LLMs 在解释人类语言习得和语言能力方面的认识论价值。

核心内容

本文的核心论点在于，通过科学哲学中的模态建模视角，我们可以更准确地界定 LLMs 在语言学中的解释力。文章并未简单地支持消除主义或绝缘主义，而是提出了一种更为细致的连续谱系观点。

1. LLMs 作为“最小模型”的认识论价值

文章首先论证了 LLMs 具备真正的认识论价值，即便它们与人类认知结构之间不存在结构上的对应关系。在这一框架下，LLMs 被视为最小模型（Minimal Models）。这意味着，即使 LLMs 的内部运作机制（如基于统计的概率预测）并不模拟人类大脑的实际神经或认知过程，它们仍然能够通过简化现实来提供有价值的科学洞察。

2. “如何可能”的解释（HPEs）

文章重点阐述了 LLMs 目前主要扮演的角色：提供**“如何可能”的解释（How-Possibly Explanations, HPEs）**。

• 定义：HPEs 旨在展示某种现象在逻辑上或概念上是可能的，通过构建一个模型来测试关于语言习得和语言能力的模态主张（modal claims）。
• 应用：LLMs 可以通过展示仅凭统计规律和大规模数据即可产生类似人类语言的输出，从而证明“无需显式语法规则或特定认知模块，语言结构也可能涌现”。这为语言学理论提供了重要的约束条件和可能性空间。

3. “如何实际”的解释（HAEs）及其局限性

文章进一步探讨了 LLMs 在何种条件下才能被视为对人类语言的**“如何实际”的解释（How-Actually Explanations, HAEs）**。

• 机制性解释要求：基于科学解释的机制性观点，HAEs 要求模型不仅要展示现象的可能性，还要揭示现象背后的具体因果机制，且该机制需与真实世界的运作方式相符。
• 当前局限：作者指出，当前的 LLMs 尚未满足成为 HAEs 的要求。因为 LLMs 的架构（如 Transformer 架构）与人类语言处理的生物机制之间缺乏直接的因果对应关系。它们无法解释人类语言习得的具体心理或神经机制。

4. 解释力的连续谱系

基于上述分析，文章提出应将 LLMs 的解释力理解为一个介于 HPEs 和 HAEs 之间的连续谱系（Continuum）。

• 这一框架避免了过度夸大 LLMs 的解释意义（如消除主义所做的那样），也避免了低估其价值（如绝缘主义所做的那样）。
• 它为评估 LLMs 在语言科学研究中的角色提供了一个更精确的基础：即承认其作为探索语言可能性的强大工具，同时明确其在揭示人类语言具体生物/心理机制方面的当前局限。

关键要点

• 超越传统三分法：传统的绝缘主义、消除主义和调和主义立场过于简化，无法准确捕捉 LLMs 在科学解释中的复杂角色。
• 模态建模框架：引入科学哲学中的模态建模概念，将 LLMs 视为“最小模型”，强调其在缺乏结构对应性时仍具有认识论价值。
• HPEs 的核心地位：LLMs 目前的主要贡献在于提供“如何可能”的解释（HPEs），即通过模拟测试关于语言习得和能力的模态主张，展示语言现象在逻辑上的可能性。
• HAEs 的缺失：由于缺乏与人类认知机制的因果对应，当前 LLMs 尚不能提供“如何实际”的解释（HAEs），即无法揭示人类语言处理的具体生物或心理机制。
• 连续谱系观点：LLMs 的解释力应被视为从 HPEs 到 HAEs 的连续谱系上的一个点，这一视角有助于平衡对其能力的过高期望和过低评价。
• 方法论意义：该框架为语言学家和 AI 研究者提供了一个更严谨的评估标准，用于判断 LLMs 在特定语言学问题上的适用性和局限性。

意义与影响

对语言学理论的启示

这一分析促使语言学家重新思考理论构建的方法。LLMs 不再仅仅是数据处理的工具，而是成为检验语言学假设的“思想实验”平台。通过观察 LLMs 在何种条件下能够或无法复现人类语言现象，研究者可以更严格地界定人类语言能力的必要条件和充分条件。

对 AI 与认知科学交叉研究的影响

文章强调，尽管 LLMs 不是人类认知的完美模拟，但它们作为“最小模型”的价值不容忽视。这鼓励跨学科研究者在设计实验时，利用 LLMs 来探索语言结构的涌现条件，同时保持对模型机制与生物机制差异的清醒认识。

对科学哲学实践的贡献

本文展示了科学哲学概念（如模态建模、HPEs/HAEs 区分）如何应用于前沿的 AI 研究。这种跨学科的方法论整合有助于澄清关于 AI 能力的哲学争论，为评估新兴技术在科学解释中的地位提供了通用的分析工具。

未来研究方向

这一框架指出了未来研究的方向：一方面，需要进一步探索 LLMs 在连续谱系上的具体位置，即它们能在多大程度上接近 HAEs；另一方面，需要开发新的评估指标，以量化 LLMs 在提供“如何可能”解释时的具体贡献，从而更有效地将其整合进语言学研究的实证流程中。