第二章：词语怎么有了意义？

《Fundamental Uncertainty》书籍封面 — 《Fundamental Uncertainty》— Gordon Seidoh Worley 著 1

第二章的核心目的，是要说明：词义并非固定不变，而是来自个人经验推断，因此任何以词语构成的「真理声明」，都天然带着模糊性。这不是一种文字游戏，而是根本不确定性（fundamental uncertainty）在语言层面的直接体现——认识论的问题，在这里化作了我们每天说话时无从回避的困境。

本章分四步展开：首先用翻译失败的具体案例，让你亲眼看到词义的缺口；然后解释我们日常如何靠推断来「用词而不是懂词」；接着追溯词义的真正来源，引出维特根斯坦的外延定义；最后把这一切拉回认识论的轨道——词义既然来自经验，真理声明就永远带着个人经验的烙印。

翻译里看见词义的裂缝

Worley 从一次学法语的失败经历切入。他最初以为，学外语不过是背单词的映射关系——「le cheval」对应 horse，「la voiture」对应 car，只要记住对应，就能流利表达。

这个想法在「mug」这个词上垮掉了。英语里的 mug，可以是装啤酒的玻璃大杯，也可以是装咖啡的陶瓷杯，还可以是装咖啡的保温金属杯，一个词囊括了所有这些容器。但法语里，它们分别叫「une chope」「une tasse à café」「un gobelet de voyage」，没有一个词能同时指代这三样东西。英语说 mug 时，说话者脑子里已经建立了一个模糊但完整的「类别」；法语使用者并没有形成这个类别，所以当然不需要这个词。1

这一现象不是英法之间的特例。每对语言之间都存在无法直译的词。法语有「flâner」（为了乐趣而漫无目的地闲逛）和「le débrouillard」（擅长自己想办法解决问题的人），这些词在英语里只能用一句话绕着解释，无法一词对应。

面对这种情况，Worley 问了一个看似简单的问题：既然每种语言都在描述同一个现实，为什么它们没有完全匹配的词汇？这个问题的答案，正是本章其余部分要搭建的。

翻译问题不止存在于语言之间，同一种语言内部也有。英式英语的「pants」指内裤，美式英语的「pants」指长裤；美国中西部的「coke」泛指所有碳酸饮料，在其他地方只指可口可乐。甚至同一个人在不同语境下使用同一个词，意思也可以完全不同：「hot」可以指水温高、食物辣、人长得好看、歌曲正流行。这些都不是语言的瑕疵，而是词义本质的线索。

两种语言之间的连接与错位 — 同一个现实，不同语言描绘出不同的词义版图。AI 生成示意图

词语如何在使用中指向意义

面对词义的不稳定，Worley 没有马上追溯词义的来源，而是先描述我们日常是怎么「用词」的。

当你说「我看见了一棵树」，听话者脑子里会自动浮现出一棵高大、有树干、有枝叶的植物，会推断附近有泥土，不会联想到仙人掌。这些推断在绝大多数情况下都正确，因为「树」这个词指向的类别里，大多数成员确实符合这些特征。

但这个推断是可以出错的。如果你说的那棵树是棕榈树，听话者想象的可能是一棵橡树或榆树，因为他脑子里「树」这个类别的典型代表根本不是棕榈树。推断合理，但推断错了。

Worley 指出，这种推断出错，是因为「树」这个词所涵盖的事物在自然界里并没有一个统一的生物谱系基础——许多不同植物系统各自独立演化出了「树的形态」，「树」这个词只是把它们归拢在一起，自然本身并没有给它们画一个圈。1

「那能不能用更精确的科学定义来替换这些模糊的词？」Worley 拿冥王星的故事回答了这个问题。

2006 年，国际天文学联合会（IAU）面临一个麻烦：发现了越来越多和冥王星类似的天体，必须决定「行星」这个词到底指什么。他们最终给出了三条标准——绕太阳公转、自身引力使其接近球形、清空了轨道附近的其他天体。冥王星满足前两条，不满足第三条，于是被归入新创的「矮行星」类别。

IAU 完全可以只用前两条标准，那样冥王星就仍是行星。两种划法在观测事实上同样站得住脚，最终是「哪种划法更有用」决定了他们的选择。科学在这里不是裁判，有用性才是裁判。1

这就是 Worley 在本节真正要说的：即使是科学精确的词，它的边界也是由人类的目的划定的，而不是由现实本身提供的。

词义从哪里真正来的：外延定义

从「推断出错」的观察出发，Worley 进入本章最核心的理论：词义的来源。

他先举了一个反面案例——早期人工智能研究。研究者试图让机器「理解语言」，方法是把词义编码为词语之间的内涵定义（intensional definition）：「tulip」是一种花，花是一种植物，植物是一种生命体……这样形成一张词语网络。问题是，这张网络是封闭的：词解释词，却没有哪个词真正锚定到词语之外的现实。这就是认知科学家 Stevan Harnad 所说的符号落地问题（symbol grounding problem）——符号只有连接到词语系统之外的现实，才能产生真正的意义。1

专家系统正因此失败。一套医疗诊断系统知道「发烧」意味着体温升高，「疲劳」意味着感到疲倦，也知道两者同时出现可能是流感——但当医生说「病人运动后体热，很累」，系统仍然诊断为流感，因为它无法调动「人在运动后也会体热且疲倦」这类常识，常识存在于现实经验里，不在词语网络里。

符号网络悬浮在书库中，却没有锚定到现实 — 符号落地问题：词语网络内部彼此解释，却没有哪条线指向词语之外的现实。AI 生成示意图

维特根斯坦（Ludwig Wittgenstein）在 1953 年的《哲学研究》（Philosophical Investigations）中给出了另一条路：词义不来自定义，而来自「在使用中观察到的例子」所产生的外延定义（ostensive definition）。外延定义（ostensive definition）——这个术语的意思是：词义通过「被指示出的具体事物」向外延伸而来，而非从定义到定义的封闭循环。1

Worley 用儿童学「鸟」这个词来说明外延定义的工作方式。孩子不是通过查字典学会「鸟」的，而是被父母或老师反复指着真实的鸟说「看，一只鸟！」。经过几次之后，孩子逐渐建立起对「鸟」这个类别的直觉理解：有羽毛、有翅膀、有喙、会飞，大多数时候是这样的——不是被告知这些，而是从经验里推断出来的。

我们绝大多数的词汇都是这样学来的。即使是学过字典解释的词（比如「flotsam」——漂在海上的船舱残骸），也是靠其定义里其他词的外延定义才得以理解。科学术语和数学术语也不例外：新科学家和数学家需要多年训练，不只是为了学习知识，更是为了建立所在领域的精确直觉。没有这种直觉，那些精确的词语对他们也只是空洞的符号。

词义来自经验，真理就带着经验的烙印

Worley 现在可以把两条线索接在一起了。

外延定义来自个人经验，而每个人的经验不同。这解释了翻译为何不可能完美：英语使用者形成了「mug」这个类别，因为这个类别对他们有用；法语使用者没有形成这个类别，因为他们的生活经验不需要它。不是法语「缺少」了什么，而是两种语言从不同的经验出发，在词义上走出了不同的路。

这一机制直接威胁到「知道什么是真」的可能性。要断定一个声明是真是假，首先得确定这个声明说的是什么，而这取决于声明里每个词是什么意思，而词义来自每个人自己的经验积累。你说「我很高」，我问「『高』是什么意思」——取决于谁来回答，这个词可能指超过 1.8 米，可能指比周围人都高，也可能指「买衣服用不着特别标注高个子尺码」。没有一种回答是客观错的，却也没有一种回答能代表所有人。1

Worley 并不因此绝望。人类仍然在交流，而且交流得足以发现科学规律、治愈疾病、送人上月球——这些成就本身就是证据，证明我们的词义有足够多的重叠，共同工作是可能的。

但「足够的重叠」和「完全一致」之间，有一道无法填满的缝隙。那道缝隙在日常对话里几乎察觉不到；在政治、道德、文化争论里，它就变成了深渊。当两个人用「公平」「理性」「进步」这些词争论时，他们经常不是在争同一件事，而是在用同一个词说不同的事，彼此却不知道。

这是本章最终要导向的位置：对「good」和「bad」这两个词的意义无法达成一致，不是因为人们缺乏逻辑，而是因为这两个词对应的类别——道德评价——建立在每个人各自的经验和价值优先级之上，而外延定义告诉我们，没有任何一种外部力量能够强制统一这些经验。第三章将从这里继续：为什么道德分歧如此难以化解？

语言是地图，不是疆域

回到本章开头的问题：既然所有语言都在描述同一个现实，为什么词义永远对不齐？

答案是：词义来自经验推断，而经验从来不是所有人共享的。词语不是现实的精确复制，而是——借用阿尔弗雷德·科日布斯基（Alfred Korzybski）在《科学与健全》（Science and Sanity）里的比喻——指向现实的「地图」。地图足够好用的时候，大家可以凭它找到路；但地图不是疆域本身，把地图当成疆域来争，争的就不是现实而是地图的画法了。1

第一章里认识论层面的「根本不确定性」，在这里落了地：凡是用词语构成的真理声明，都承载着说话者经验的烙印，而那种烙印无法被完全中和。这不是悲观，而是诚实——诚实地看清楚我们在言说「什么是真的」时，站在什么地方，站在自己走过的那些经验上。

延伸阅读

路德维希·维特根斯坦，《哲学研究》（Philosophical Investigations，1953）：外延定义理论的核心文本，Worley 在本章直接援引
阿尔弗雷德·科日布斯基，《科学与健全》（Science and Sanity，1933）：「地图与疆域」比喻的来源
Stevan Harnad，〈符号落地问题〉（「The Symbol Grounding Problem」，1990）：对早期 AI 语义困境的关键分析，解释了为什么词语网络无法产生真正的理解

참고 출처

1Fundamental Uncertainty（在线全文）