重言 Re-Sinitic：找到聲符,還是丟了形聲 - 研究日誌（二）

2026-08-26 · 10 分鐘閱讀

第一集結尾留了一個猜測：形聲沒有湧現，可能是因為詞表只有 226 個詞，太小，可分解性沒有收益。下一步該把詞表放大一個數量級。

沒有放大詞表。因為找到一個零標註就能測同一個猜測的方法，而那個方法測出來的答案，把整個「為什麼沒有湧現」的故事往前推了一步——不是詞表太小，是訓練任務本身在騙自己。這篇是第二集，記兩件事：一個新的正向結果（聲符原則湧現了），和一次自我推翻（S2 的門檻不重現）。順便交代一個埋了兩週、讓長度懲罰完全沒作用的常數 bug。

這篇是日誌，記的是當時的推論過程。想看目前最新的整體結論，見現況總覽。

第一集的猜測沒有被放大詞表證實——因為根本不用放大

放大詞表要花的是標註成本，而那正是最貴的資源。有一個更便宜的做法：不放大詞表，改問「系統看到沒學過的字，能不能靠拆解猜出它的音」。

做法是凍結 Writer、重新初始化 Reader、只在 70% 的字上訓練它，再問剩下的 30%。這等於用同一份 226 詞的詞表，白嫖到「詞表放大十倍」真正想買的東西——泛化。

先前所有形聲指標（共部件率、純度、雙重分離）量的都是已見過的字之間的關係。一個把語音資訊塗滿整個字形的系統，和一個真的有聲符的系統，在那些指標上可以長得一模一樣——差別只在沒學過的字上會不會表現出來，而那必須拿沒學過的字來測。

正向結果：聲符原則存在，而且隨同音壓力單調增強

劑量點 r = +0.903，逐 run 迴歸（n=36，含種子固定效果）β = +0.366、t = +6.41、R² = 0.564。chance 是 1/68 ≈ 1.5%，最高劑量的 25.2% 是 chance 的 17 倍。

三件事讓這個結果乾淨：

• 基線全程貼著 chance（2.0–3.9%），完全沒有隨劑量漂移——效應來自語音路，不是字形整體品質變好
• 語意方向是反的且顯著（β = −0.109，t = −2.97）：同音率越高，沒學過的字反而越難從字形猜出意思，排除了「高劑量字形只是比較好認」這個解釋
• 評估在 unseen 內部做 68 選 1，候選也只從 seen 抽——認得出「這不是我學過的字」拿不到分數

系統演化出的東西是一套系統性的、可泛化到新字的語音編碼——看到「江」的「工」就能猜出讀音，即使沒學過「江」這個字。這就是聲符的核心功能。

但那不是形聲

形聲的定義性特徵不是「字形帶語音資訊」，是字形可分解為兩個功能不同的部分。這裡的語音資訊仍然瀰漫全字形（雙重分離全程為負），而且語意方向的零樣本能力隨劑量下降——系統不是把兩種資訊分開放，是整體從語意編碼滑向語音編碼。

可泛化的語音編碼會湧現，而且隨同音壓力單調增強。但它是取代語意編碼，不是與它分工。

撤回：S2 的「同音率 0.2 門檻」在訓練任務改對之後不重現

第一集報告過一個門檻：同音率低於 0.2 平均效果量 −0.028（t = −1.00），高於 0.2 是 +0.494（t = +5.84），而且門檻模型（R² = 0.775）勝過線性模型（0.730）。

那整批資料是在訓練 16 選 1、評估全詞表 226 選 1 的設定下跑的，Reader 的語意準確率只有 27%。把訓練候選數改成 64（準確率升到 65%）之後重跑四個劑量點：

沒有門檻，沒有單調趨勢，高劑量端還反轉了。16 選 1 下同音率 0.177 落在門檻以下（差 ≈ +0.010），64 選 1 下是 +0.813；16 選 1 下 0.496 落在門檻以上（差 ≈ +0.59），64 選 1 下是 −0.131。兩端都反了。

16 選 1 只要求字形和它的 15 個鄰居不同——那是局部約束。系統性是全域性質，收益只在「必須和所有 225 個都不同」時才出現。一個只需要贏過 15 個對手的字形，把資訊塗滿六筆完全夠用。先前所有 S2 數字都是在一個被低估三倍的任務上量出來的。

⚠ 這批 64 選 1 的資料只有 1 個種子，cap5 的 +0.813 比兩側鄰居高一個數量級，很可能是離群值——所以這不是「門檻不存在」的證明，是「門檻不重現」，兩者的後續動作不同：前者可以下結論，後者只能說原結論失去支持。唯一在兩種設定下都單調的量是雙重分離對同音率的迴歸（16 選 1：+0.002 → −0.038；64 選 1：+0.000 → −0.155 → −0.173 → −0.243，r = −0.94）：

同音壓力不只不產生分工，它主動破壞分工，而且訓練任務越接近評估任務，破壞得越徹底。

§14 的零樣本結果不受這次撤回影響——它本來就沒有門檻，是從同音率 0.069 就開始的連續上升，而且它重訓 Reader，跟訓練候選數無關。門檻撤回之後，這個專案的正向結果只剩零樣本這一條，但它比撤回的那條硬得多。

新假設：模組化是「習得性」問題，不是「資訊論」問題

第一集把「沒有湧現」歸因於詞表太小。這集的兩個結果指向一個更精確的版本：226 不是因為這個數字太小，是因為每個字都在訓練集裡。

分散式編碼（語音資訊瀰漫全字形）對神經 Reader 沒有任何劣勢——它看過全部 226 個字形，每個上萬次。對一個已經記住全表的讀者，「形符在左、聲符在右」和「兩者揉在六筆裡」解碼難度一樣，後者甚至更容易，因為參數自由度更高。

人類需要模組化，是因為：會遇到沒學過的字，必須靠拆解猜；每個字的曝光量有限；書寫是從有限的運動基元組合出來的。三個階段的實驗一個都沒有製造這三種壓力。放大到 2260 個詞、但每個字仍然全部參與訓練，可分解性的收益依然是零——只是花十倍標註成本買到同一個結論。

順便：S1 那張最難辯護的圖被修好了

第一集沒提這件事，但它一直是這個專案對外最尷尬的一張截圖：工具輸出「火車 = ŋo.ŋo.ŋo.ŋo.ŋo.ŋo」，同一個音節重複六次。那不是語言，是把一個音拉長。

repetition_rate 這個指標對它完全瞎——CV 音節模板下相鄰音素永遠是「子音、母音」交替，兩者永遠不相等，所以這個指標恆為 0。加了音節層級的哨兵之後，測了三個假設，前兩個錯：

• 假設一：用不完的槽位最省事的填法就是重複。 掃 λ_len 發現長度砍掉 37% 時重複只動 1.6 個百分點，成功率反而崩掉 30 個百分點——長度和重複是兩個獨立的問題。
• 假設二：加 OCP（相鄰音節相似度）懲罰能壓掉重複。 懲罰確實被最小化了（0.587 → 0.480，隨機基準是 0.11），但重複沒有趨勢，成功率掉了 12 個百分點。付了代價，沒買到東西。
• 假設三：重複是抗噪冗餘，雜訊越小重複該越少。 掃描結果是關掉雜訊時重複反而最高（40.0%）——假設也錯了，但掃描本身找到一個沒人掃過的東西：噪音強度有最適值，而專案早期選定的 τ_end = 0.2 從來沒被掃過。τ=0.10 在成功率（85.4%）、重複率（27.9%）、相異音節數、同音率（0.004）四個維度上同時最好：

τ=0.20（舊預設）  火車  ŋo.ŋo.ŋo.ŋo.ŋo.ŋo
τ=0.10（新預設）  火車  pi.pu.ʃy.tø.ʃo.ŋo

從「把一個音拉長」變成「一串不同的音節」。27.9% 仍然高於隨機期望（約 7%），還沒完全解決，下一個要查的是架構層面的問題——留給下一集。

途中還抓到一個更嚴重的 bug：長度懲罰的遮罩函式在 EOS 位置本身也算進 cumprod，導致遮蔽後的訊息裡一個 EOS 都不剩，expected_length 恆等於上限。這代表齊夫簡短律（M2）的所有先前結果，都是在一個從頭到尾沒受過長度壓力的系統上量出來的——修好之後同一組參數的成功率從 61.5% 跳到 81.4%，那個 bug 不只沒作用，是主動有害：常數項的梯度仍然在流，把系統往一個結構上不可能達成的方向推。方法學上的結論（設限依變數要用 Tobit）仍然成立，數值要重測。

這一集動了 pre-registration

三個變更都不是「結果不如預期所以調參數」，是「當初據以選定的量測本身是錯的」，所以走了修訂而不是直接改凍結檔：

heldout 102 詞在這次修訂前後都沒有被動用過。

這些結論現在有多硬

下一步

零樣本探針取代了「放大詞表」——同一個問題，零標註成本測到了答案。下一個要驗的是「模組化是習得性問題」這個新假設本身：如果它對，讓系統付出習得成本（例如限制每個字形的曝光量，或是引入世代更替），應該會讓雙重分離開始轉正。這是可以在同一份 226 詞詞表上做的下一個介入，不需要更大的詞表，也不需要碰 heldout。

S1 的音節重複還剩 27.9%，「架構層面 Speaker 每個位置的輸入夠不夠分化」這個老問題還沒查完。S3 的 confirmatory run 也還沒開始。等其中一個有結果，會有第三集。