重言 Re-Sinitic：形聲為什麼沒有湧現
這篇是「重言 Re-Sinitic」的現況總覽，會隨研究進度持續改寫，不是逐次發表的日誌。想看完整的推導過程、走過的錯路與撤回，見研究日誌（一）、研究日誌（二）。專案仍在探索階段，heldout 詞表尚未動用，下面的結論會變。
這個專案在問什麼
固定漢語的語意結構（meaning space）當控制變數，從零重新演化語言的表達層——音韻與書寫。問一件具體的事：
形聲——一個字由表義部件加表音部件組成——是不是雙通道語言系統的必然收斂解？如果不是，它需要什麼前提？
文獻上的空白很具體：現有的符號湧現研究全部停在「圖畫 → 抽象符號」，沒有人碰過形音義三元結構。
「做完」長什麼樣：S1 離散語音層跑出可信的音系 → S2 書寫層檢定形聲是否湧現 → S3 檢定方言壓力的作用，用劑量-反應設計分辨「同音壓力」與「方言壓力」各自的效果。
目前的結論
可泛化的語音編碼會湧現，而且隨同音壓力單調增強（零樣本辨識率 5.9% → 25.2%，chance 1.5%，t = +6.41）。但它取代語意編碼，不與它分工——形聲在測試的所有條件下都沒有湧現。
兩種理論上應該產生形聲的壓力各自產生了「一半」，而且是相反的一半：同音壓力讓語音資訊進入字形，方言壓力讓語音資訊退出字形。兩者都不產生「分工」。
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。這裡的操作化是雙重分離——遮蔽語意路只傷語意 Reader、遮蔽語音路只傷語音 Reader。那個交互作用在任何條件下都沒有變正。
正向結果：聲符原則
凍結 Writer、重新初始化 Reader、只給它 70% 的字，再問剩下的 30%——看到沒學過的字，能不能靠拆解猜出它的音？
| 同音率 | 0.021 | 0.069 | 0.150 | 0.178 | 0.295 | 0.437 |
|---|---|---|---|---|---|---|
| 主力 | 5.9% | 15.7% | 12.7% | 15.4% | 16.2% | 25.2% |
| 基線 | 3.4% | 3.7% | 2.0% | 3.9% | 2.7% | 2.5% |
劑量點 r = +0.903，逐 run 迴歸（n=36）β = +0.366、t = +6.41、R² = 0.564。基線全程貼著 chance（1.5%）且不漂移；語意方向的零樣本能力反而顯著下降（t = −2.97）。
這是聲符的核心功能——一套系統性的、可泛化到新字的語音編碼。先前所有指標（共部件率、純度、雙重分離）都測不到它，因為它們建立在「已見過的字之間的關係」上，而差別只在泛化。但那不是形聲：語音資訊仍瀰漫全字形，不是分開放在字形的兩個部分。
三個階段各自的發現
S1：語音層可以從零演化出來
226 個詞、10 子音 8 母音、CV 音節模板、一個 D3 混淆通道。最佳設定下溝通成功率 85.4%、有同音詞的詞約 0.4%。
齊夫簡短律（M2，越常用的詞越短）成立，但要用 Tobit 迴歸而非 OLS——訊息長度有硬上界，多數詞卡在那個上界，是設限依變數，OLS 會把效果量低估數倍。噪音強度、長度懲罰、相鄰音節重複懲罰三者互相獨立：長度砍掉三成幾乎不影響音節重複率；OCP 懲罰能被最小化但買不到更低的重複率；噪音強度存在一個最適值，太少太多都同時讓溝通變差、重複變多。
S2：同音壓力增強語音編碼，並主動破壞分工
自變數是湧現的同音率（0.013 → 0.496）。訓練候選數必須等於評估候選數（全詞表）——早期在遠比評估任務簡單的候選集上訓練，導致 Reader 準確率被低估三倍，衍生出的門檻式結論不重現，已撤回。
在正確設定下唯一穩健的量是雙重分離對同音率的迴歸，全程為負且隨劑量單調更負：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。隨劑量升高，聲符純度上升而形符純度崩塌——字形越來越像在編碼發音，那是拼音化的方向，不是形聲化的方向。
S3：方言壓力讓 Writer 放棄語音路，而不是把它隔離出來
自變數是湧現的跨子群語音距離 D（0 → 0.59），漂變機制是條件化的規律音變——規則對所有詞一致，抽象音韻表徵完全可回復，排除了「對應根本不規律」這個混淆。
最強的訊號是消融：遮掉語音路造成的損失隨 D 單調下降，在最高劑量甚至變負——那條路已經是純粹的噪音，遮不遮都無所謂。跨方言壓力不會讓書寫系統重組成形符加聲符，它讓 Writer 逐步、完全地放棄語音通道。即使跨方言的對應完全規律，「發現那個抽象表徵」仍然比「忽略語音」難，系統選擇後者。
為什麼沒有湧現：模組化是習得性問題，不是資訊論問題
三個階段的結果指向同一件事：系統從來沒有理由「同時」使用兩條通道。它總是選一條——同音壓力下選語音，方言壓力下選語意。分工要划算，必須有某種力量讓「兩條各做一半」勝過「一條做全部」，而目前的設定裡沒有那種力量。
分散式編碼對神經 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。目前的三個階段一個都沒有製造這三種壓力。這也是為什麼「詞表太小」這個早期猜測不夠精確——226 不是因為數字太小，是因為每個字都在訓練集裡。放大到十倍而每個字仍全部參與訓練，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。
零樣本探針證實了這條路更省：不需要更大的詞表，只需要在同一份詞表上製造「沒學過的字」——同樣的邏輯，下一步是製造「習得成本」本身（例如限制每個字形的曝光量、或引入世代更替），看雙重分離會不會開始轉正。
其他候選（依可能性排序）：
- 缺少習得成本。 模型每一代都從零學，學習成本沒有進入損失函數。真實文字系統的壓力有一大塊來自「下一代要學得會」。
- 書寫成本被證實只驅動崩潰，不驅動符號化。 在這個規模上，Reader 準確率偏低時，任何筆畫成本都會贏過溝通收益。
這些結論有多硬
| 狀態 | |
|---|---|
| 探索 / 確認 | 全部是探索階段（train 226 詞）。heldout 102 詞從未載入 |
| pre-registration | 2026-08-23 凍結，2026-08-26 修訂一次（τ_end、S2 高劑量邊界、λ_len 的經驗基礎） |
| 種子 | 每個劑量 3 個（prereg 要求確認階段要 5 個） |
| 詞表 | 單一詞表，單人標註。字形盲測顯示語意場 97.2% 可從語意單獨重建 |
| 最大的統計弱點 | 同音率與溝通成功率共線，r ≈ −0.95。「形聲跟著同音走」這個判定靠「係數消不消失」成立，係數大小本身不可解讀 |
| 已撤回的結論 | S2 的「同音率 0.2 門檻」（訓練/評估任務不一致造成的假象）；S1 的 τ_end=0.2（未掃描選定的次佳值） |
進行中
- S1 音節重複率修好噪音強度後降到 27.9%（仍高於隨機期望約 7%），下一步查架構層面：Speaker 每個位置的輸入夠不夠分化
- 「模組化是習得性問題」這個假設還沒被直接測過——需要設計一個真正製造習得成本的介入
- S3 的 confirmatory run 尚未開始
- heldout 詞表尚未動用
最後更新：2026-08-26。這篇會隨研究進度改寫，目前的標注（哪些結論已確認、哪些還在等驗證）尚未做完，之後的更新會逐步補齊，而不是重寫成新的一篇。