1. 两种终结的背后如果你同时关注语言史和技术史可能会注意到一个有意思的巧合曾经作为欧洲学术共同体“通用语”的拉丁语和曾经作为人工智能主流范式的符号主义都经历了一场漫长的、几乎不可逆转的衰退。前者被各个民族语言取代后者被统计方法和深度学习挤下了舞台。这不是两件不相干的事。我个人的判断是它们在结构上共享同一种命运逻辑一个系统试图成为所有人的“唯一标准语言”时它会被越来越复杂的现实碾碎而碾碎它的不是某个更强的对手而是它自己内部无法消化的例外。这篇文章想聊的就是这两条线如何交织、如何落幕以及落幕之后留下了什么。无论你是对语言学感兴趣还是做技术选型时被“符号主义 vs 连接主义”的争论困扰都应该能从这两段历史里找到一些共通的判断准则。我尽量用实际案例来解释不堆术语。如果你对某个环节不熟我会用生活化的类比绕开学院腔。2. 拉丁语的兴衰其实是一场“通用协议”的试验2.1 为什么是拉丁语站上中心位置今天我们回看拉丁语总觉得它是某种“高级语言”但它在学术圈里的统治地位并不是因为什么天生优越性。它更像是那个时代里所有知识工作者的共同接口协议。在中世纪早期的学术世界里写作者分布在各地说着完全不同的口语。拉丁语之所以能成为共同标准有几层非常实际的原因它有成熟的语法框架有足够多的经典文本沉淀而且它脱离日常口语的“死亡状态”反而成了优点——不用跟着街头俚语变化语义相对稳定。这跟技术圈选定一个通用格式很像。早期网络协议很多之所以某个协议能胜出不一定因为它最优雅而往往因为它有大量现成的文档、工具和背书者。拉丁语也一样它背后是一整套罗马时代留下的文献体系后来的抄写者、教师、学者都在这个体系里受过训练切换成本太高。但恰恰是这种“稳定压倒一切”的特性埋下了衰落的伏笔。2.2 稳定性的另一面是刚性拉丁语的语法是高度规则化的比如名词有六个格动词变位极其复杂。这种规则化让它在表达精确逻辑关系时非常强悍但代价是每一次语义扩展都意味着要往这个古老的框架里塞新东西。十六世纪以后自然科学、地理发现、技术发明带来的大量新概念开始让拉丁语内部出现“词汇超载”。学者们不得不造出一堆中世纪拉丁语里根本没有过的复合词甚至直接借用希腊语词根来凑。时间一长同一个术语在不同作者笔下意义漂移原本“稳定”“精确”的优势反而变成了障碍。我试着用类比理解这件事你看一份用规范语法写成的法律文件确实严谨但如果要把程序员日常交流里的“顺便改一下”“这个逻辑有点绕”“先跑通再说”全部转译成法言法语你会发现要么冗长得不可用要么会损失太多现场信息。拉丁语的学术化应用也逐步变成这样——它越来越适合写定论越来越不适合记录探索过程中的杂乱思考。2.3 地方语言的逆袭不是一场革命而是一次扩容很多人把拉丁语的衰落想象成一场轰轰烈烈的语言革命但实际上它更像是一层层缓慢的“水位上升”。地方语言从一开始就不是为了取代拉丁语才出现的。它们只是承载日常经验、商业往来、口头讨论的工具天然更贴近实际场景。当城市兴起识字人口从教会和贵族扩散到商人、匠人、普通行政人员时大家发现用本地语言记录一本账目、一封契约、一份城市法令比先翻译成拉丁语再写出来要省太多功夫。这类“低端使用”悄悄改变了语言的生态位。地方语言开始拥有从具体实践中生长出来的词汇拥有表达本地制度和习俗的细密描述能力。反观拉丁语它的词汇库在很长一段时间里是封闭的只在经典文本和教会文献里打转。之后发生的事情其实是“足够的边缘使用汇聚成了主流”越来越多领域——从法律到医学从哲学到物理学——开始用本地语言写作。一旦知识生产的主要阵地完成切换拉丁语就只剩下博物馆级别的地位文献照常印但新思想不再用它的语法来结晶。2.4 这里可以提炼出一条规律我把拉丁语衰落的整个过程压缩成一个简单模型后面讲符号主义时还会用到一个系统因为有强大的生态位而成为通用标准。通用标准会降低参与门槛吸引更多使用者。更多使用者带来更多使用场景其中一定包含标准设计者没预料的例外。例外被标准强行归并标准自身的篇幅和复杂度持续膨胀。膨胀到一定阈值维护者开始分叉使用者开始寻找替代方案。替代方案不是让所有人都满意而是让足够多的人获得足够的灵活性。旧标准没有消失但退出增量场景只在存量场景里维持存在。3. 符号主义是如何试图成为“知识界的拉丁语”的3.1 符号主义的核心假设用逻辑重写世界把镜头转向二十世纪中后期的人工智能领域。符号主义Symbolic AI并不是一个具体的算法而是一整套关于认知的信念智能活动可以分解为对符号的操作而这些符号的语义可以用形式逻辑来精确编码。这套信念跟拉丁语当年的逻辑非常相似找到一套足够精确的、脱离日常模糊性的符号系统用它表达知识、推理规则、决策逻辑。设计者相信只要符号库足够丰富、规则足够完备机器就能模拟甚至超越人类推理。在那个时代这个信念有很扎实的底气。数学逻辑的发展提供了严密的理论基础一些早期的自动定理证明程序成功了比如能证明经典逻辑定理、能解一些数学谜题。这些成绩在当时看起来像是通用智能的开端既然机器能“理解”逻辑命题并推导出新命题为什么给足规则之后不能推导出整个世界3.2 知识工程的黄金年代符号主义最有代表性的产物是知识库和专家系统。具体做法是把某个领域里的人类专家经验一条一条抽成“如果—那么”式的规则配合一个事实数据库再写一个推理引擎去匹配、派生、得出结论。在窄小的、边界明确的领域里这套方案表现相当惊艳。比如某些医疗诊断系统在特定病种上能超过非专科医生某些矿产勘测系统能根据地质数据推导出潜在的矿藏位置。企业界买单政府研究机构投钱一时之间“知识获取”“规则工程”成了最热门的词。我印象很深的是一次模拟实践我尝试构建一个小型故障诊断系统处理打印机卡纸问题。规则大概只有四十条事实表记录了卡纸位置、纸张类型、使用时长。推理引擎能用简单的正向链找到原因。当时的感觉是“世界观都通了”只要把知识制度化成规则机器就真的在“理解”。但等我试图把同一套方法扩展到“打印机整个生命周期管理”——包括用户行为预测、耗材供应链异常、环保策略——规则数量从四十条涨到几千条推理链条越来越深冲突消解变得极其头痛我才意识到那扇门后面不是更广的智能而是无底的维护深渊。3.3 符号主义的四个死穴如果只用一句话说明符号主义为什么衰落我会说它死在自己的精确性上。展开讲有四个具体的死穴第一个死穴是常识问题。人类的大部分知识是无法用规则显式写出来的。你知道“人走路需要保持平衡”但很少有人能说出这条规则的全部前置条件。如果地面湿滑、鞋底磨损、风力较大、光线不足规则该怎么改写符号主义试图穷举这些条件但这几乎是宇宙级的工程量。第二个死穴是边界问题。专家系统的另一个名字是“脆弱的精英”。它能处理教科书式的病例可一旦输入偏离典型范围推理引擎不会“猜一下”或“差不多得了”而是直接给出空结果或错误结论。真实世界的问题恰恰大量分布在非典型区域。第三个死穴是知识获取瓶颈。把知识变成规则需要知识工程师跟领域专家进行漫长的访谈、对齐、验证。且不说专家本身的时间极其昂贵更严重的问题是很多专家技能是内隐的、情境性的让他们把直觉说出来本就可能改变技能本身。第四个死穴是组合爆炸。规则一多推理引擎要考虑的路径就会指数增长。那个年代计算机性能有限很多演示系统只能说是在“玩具规模”上成立。你有两百条规则和两百条事实穷举还有希望两万条规则加两万条事实推理慢到你根本不敢交互。这四个死穴单拎出来任何一个都不致命但它们总是同时发作并且互相放大。这跟拉丁语里“规则越多、例外越多”的困境如出一辙。4. 同构性中心化系统从来不是靠战斗败北的4.1 记忆、冲突与维护成本我把两条叙事线放在一起看的时候发现最像的地方不是结局而是走向结局的过程。拉丁语和地方语言符号主义和统计学习它们之间都不是“正面决战”的关系。拉丁语的衰落过程中没有一场辩论让全体学者当场承认“我们改用德语吧”。发生的事情是越来越多的新论文用德语、法语、英语发表这些论文引用的文献也是同语言的于是后来者为了追踪前沿自然被“带”进新的学术共同体。旧共同体依然在运转但它成了等待翻译的对象不再处于知识生产的源头。符号主义的情形几乎一模一样。它没有输给深度学习的一次“对局”而是输给了一连串具体的、零零碎碎的选择某个任务用统计模型效果更好字准确率高出十个百分点某个数据集用神经网络不需要人工构造特征某个工业项目里维护一版规则库的年度开销已经超过重新标注一套训练数据。这些选择像水滴一样慢慢汇成洪流。4.2 为什么中心化系统必然“越修越烂”这两种案例背后还有一个更底层的共性系统本身在拒绝“例外”却被无穷无尽的例外持续冲击。拉丁语面对新事物做法是“造新词”但新词必须适配老的格位变化、词源结构结果造出来的词蹩脚而难懂。符号主义面对新问题做法是“加规则”但新规则要跟旧规则做冲突消解、优先级排序结果规则库越来越像一团乱麻。这里我想分享一个具体经验。之前维护过一个规则系统原本只有三十条规则后来因为业务扩张规则涨到两百八十条。表面上看只是数量增长但实际维护时你会不断遇到“规则A和规则B同时触发但结论相反”的情况。每次你都得想是新增一条例外规则还是修改原有规则修改可能引发连锁反应新增则让规则库继续膨胀。到后期团队形成了一个默契任何修改上线前后都要跑一遍全部历史用例看看有没有“回归”。这基本上就是把原来很轻的逻辑系统硬生生练成了搬石头砸自己脚的流程。拉丁语的守护者们当年也面临类似的“回归测试”面对一个新术语要不要为它单独造一个用法造了古籍注释体系就会多一处需要协调的分支不造新内容跟旧文本的语义可能对不上。这种没完没了的局部救火让整个系统的“标准感”逐渐丧失——标准都不纯粹了还有谁把它当标准4.3 权威的退场方式不是被消灭而是被绕过必须强调一下拉丁语和符号主义都没有真正“消失”。拉丁语仍然是罗马天主教会的官方语言一些学术机构也还在用拉丁语命名新物种、新化合物。符号主义的核心技术——知识图谱、规则引擎、逻辑推理——也从未被全行业抛弃至今仍在一些高可靠性领域里默默工作。它们的退场准确地说是从“所有场景的唯一通用语言”退到“部分场景的专业工具”。这是一种更彻底的失败因为它连失败都不是轰轰烈烈的而是悄无声息的边缘化。你要打败一个巨人最好的办法不是正面拆掉它的骨架而是让整个战场换到另一个维度让它的骨架在新区块里毫无优势。语言之争如此范式之争也是如此。5. 多元语言与混合范式终结之后的真实生态5.1 民族语言的上位不是劣化而是信息密度的提升在某些老派叙述里拉丁语被本地语言取代常被描绘成一种“文明退化”——仿佛从精确的拉丁语滑向了粗糙的口语。但只要你真的写过学术文章就会立刻反驳这个叙事。德语、法语、英语能成为成熟的学术语言不是因为它们比拉丁语更精确而是因为它们可以更廉价地吸收、改造、容纳新知识。德语能把复合词像积木一样组合英语能大规模借用全球词汇它们的“不纯粹”恰恰是优点。一个随实践持续变化着吸收外部成分的语言比一个封闭的标准更能抵抗概念爆炸。我自己的体会是当你用母语思考一个艰深问题时很多判断会自然涌现而当你必须把它翻译成一种与你成长经验无关的语码时思考会明显变迟钝。拉丁语的学术统治之所以让知识传播变慢正是因为它为所有人预设了同一套思考脚手架而脚手架本身却无法跟着思考快速变形。5.2 深度学习的胜利是“翻译廉价化”的胜利再看人工智能这边统计方法和深度学习为什么能取代符号主义我的结论是它们大幅降低了从真实数据到知识表达的翻译成本。符号主义要求你先把现实问题翻译成逻辑规则这一步昂贵且脆弱。深度学习只需要你提供大量输入输出对特征自动在训练中浮现。梯度的反向传播取代了手工规则的分支向量的分布式表示取代了符号的离散编码。世界依然是那个世界但通往模型的路径短了不止一个数量级。有人觉得“深度学习没有解释性”是倒退。但在很多实际场景里牺牲解释性换来的却是更惊人的正确处理率。这就像地方语言取代拉丁语后一篇文章里可能有俚语、有方言、有引入的外来词按老语法家的标准是“不纯”但读者读起来更快、理解得更准确。哪种语言更有学术生命力根本不用争论。逻辑链条在这里非常明确当一个系统的主要成本发生在“翻译环节”时谁能让翻译环节变得便宜谁就能赢。拉丁语输给了那些与日常思考直接相连的本地语言符号主义输给了那些可以从数据里直接学习的统计模型。5.3 新秩序里的旧要素历史从来不是单行道。地方语言取代拉丁语之后学术写作里依然到处是拉丁语词根现代科学术语的造词还算风平浪静法学、医学领域至今直接使用大量拉丁文词汇。同样地深度学习统治的今天符号化的知识表达也换了一种新的形态悄悄回归。知识图谱就是一个典型。它是一种半结构化的事实网络本质上仍然是“实体—关系—属性”的符号表达。现代大模型在回答问题前先检索知识图谱、再生成回复这是非常常见的工业落地方式。符号主义的许多积累并没有浪费它们变成了混合系统里的一个模块。混合范式这个词听起来高深其实说白了就是不要迷信任何一种单一方案。规则系统擅长精确约束适合处理确定性高、责任清晰的任务统计模型擅长模糊映射适合处理数据丰富、边界不清的任务。两者结合往往能发挥出各自的长处。我见过一个还不错的落地案例用规则引擎处理所有“必须满足合规条件”的业务分支用语言模型处理用户输入的理解和扩写然后让规则引擎对语言模型的输出做最终校验。这种主从分工比纯规则方案灵活比纯端到端模型可控。将来很长一段时间内各式各样的“拉丁语”与“地方语言”会以分工而非替代的方式共存。6. 如何用这套逻辑做现实判断说了这么多历史总该落到操作方法上。我总结了几条小工具供你在面对具体选择时参考。6.1 先判断你的问题属于“存量场景”还是“增量场景”拉丁语更适合存量场景既有经典文本、既定仪式、固定术语只要语境不变它的精确性就是资产。符号主义同样适合这类场景金融风控规则、医疗合规流程、设备状态判定只要规则可以事先固定它的可解释性是现代模型替代不了的。增量场景则是另一回事你需要不断吸收新信息、处理新交互、适应新格式这时候固化的符号系统就开始吃力。此时选型的第一原则是“翻译成本”谁的接入代价更低谁就胜出。我常建议团队做一个简单自测未来一年里你的业务规则预期会有多大比例发生变化如果低于百分之二十规则系统压力可控如果高于百分之五十就要非常警惕规则膨胀和回归测试的成本。6.2 警惕“标准好闻”的幻觉不管是选择编程语言还是设计系统架构“标准化”三个字都有巨大的诱惑力。所有人用同一种方式描述世界协作会更顺滑。但这个诱惑的背面就是我在前文反复讲的标准化会迫使你忽略例外、延迟吸收、积累废规则。一个健康的系统应该预留“语言边界”。你可以定义接口协议但不要期待整个生态只使用同一种协议你可以规定核心表达格式但必须容忍周边子系统用各自“方言”自洽运行。这就是把“拉丁语式的单一标准”降级为“联邦式的松散标准”。有一次和朋友讨论微服务拆分他说了一句话我至今记得合理的架构不是所有人都说同一种语言而是所有人都能把自己的语言翻译给网关。网关可以是标准化的内部不必全员统一。这和学术共同体的语言生态完全同构——正式论文可以用英语内部讨论、草稿、快速原型完全可以随意切换母语。6.3 承认“终结”不是失败而是解放最容易被忽视的一点是系统的终结对系统内的人未必是坏事。拉丁语退出学术生产反而让大量非拉丁语母语的年轻人能更快进入学术前沿知识产量反而上升。符号主义的退场也让更多工程师不必精通逻辑表示就能构建智能产品应用普及率反而暴涨。这正是我写这篇文章想传达的核心视角两种“终结”不是智力史上的两次事故而是知识生态在“通用性—灵活性”坐标轴上的一次大挪移。挪移之后既有的“通用语言”并没有消失它只是回到它该在的位置变成众多工具中的一个。6.4 重新理解“经典”另一个意外收获是我们可以用这套眼光重新看待“经典”的价值。为什么拉丁语至今还是许多学术领域的命名基础为什么一些古老的符号系统至今仍被用作安全验证因为经典沉淀了大量已验证的边界条件。在新系统里行得通、行不通、尽可以自由探索但已经确定“行得通到底”的那些路径并不需要重新发明一遍。你可以把经典当作“经验压缩包”而不是“铁律”。使用经典时尽量保持“借用”的心态而不是“服从”的心态。我在维护系统时对设计文档、遗留模块、老规则库的态度也一直是它们可能是过时的权威但也是免费的考古现场。读懂它们为什么这么写你才知道什么值得继承什么应该丢弃。7. 最后说点真实体会我既不是语言学家也不是人工智能科学家只算一个长期跟规则系统、数据系统打交道的实践者。这篇文章的雏形其实是我在思考“为什么我们自己做的规则引擎越来越难用”时冒出来的。后来我拿拉丁语的退场做参照很多困惑才真正松动我们那套规则系统不是“维护得不够好”而是它已经完成了从增量引擎到存量档案的转型。继续往里塞新规则就像用拉丁语去写互联网黑话一样根本路数就不对。现在我做技术决策时会刻意区分“哪个环节适合用符号化的硬表达”和“哪个环节应该交给统计化的软理解”。这比纠结范式高下有用得多。如果你也正被类似的选型问题困扰不妨先停下来看看你手里的系统到底更像“用来写定论的拉丁语”还是更像“用来探索未知的活语言”这个答案其实已经告诉你该怎么选。最后分享一个很玄但实用的小技巧当一套规则系统维护成本增长超过新功能带来的收益时不要试图去“优化规则结构”而是直接为它划定一个边界让它活在边界内。边界外的新问题用边界外的语言重新开始。这两条线并行跑一段时间你会惊奇地发现旧系统反而稳定了新系统的活力也没有被拖累。这与拉丁语和民族语言共存数百年的历史本质上是同一种节奏。