早期语言发展的理论框架与神经认知基础

第一章 早期语言发展的理论框架与神经认知基础

> 核心问题：如何在统一的神经认知理论框架下解释 1-3 岁语言习得的关键机制及其发展约束？ > > 本章标签：`#PC-HB` `#弓状束` `#执行功能` `#双侧化` `#统计学习` `#社会-语用`

婴儿在 18 个月前后出现"词汇爆炸"(vocabulary spurt)，在 24-36 个月之间完成从双词组合到递归句法的跃迁。这一发展轨迹在表型层面已被行为观察记录了几十年，但在机制层面，它究竟是先天的语言器官(universal grammar, UG)按预设路径"展开"的结果，还是儿童利用一般认知机制(statistical learning, social cognition)对输入数据做贝叶斯推断的结果，至今仍是发展认知神经科学最尖锐的争论之一。本章主张，一种可被称为"预测编码-层级贝叶斯"(Predictive Coding & Hierarchical Bayesian, PC-HB) 的整合框架，能够在保留三大经典理论各自洞察的同时，解释 1-3 岁语言习得的关键约束——髓鞘化时间线、神经双侧化漂移、执行功能自上而下调控——何以共同塑造这一阶段的学习曲线。我们将从理论的逻辑结构、神经基础的发育时间窗、计算层面的层级表征、以及执行控制与词汇选择的耦合机制四个维度展开这一论题。

1.1 三大经典理论框架的逻辑结构与经验局限

任何严肃的整合工作都必须从对原有理论的"承认证伪"(acknowledged falsification)开始，而不是简单地把它们粘合起来。本节重读 LAD/UG、SPPDT 与 CSLM 三种框架，并指出每种框架在解释 1-3 岁语料时的具体失败点。

1.1.1 LAD/UG 框架：先天语言器官假设

Chomsky 在 1957 年的 *Syntactic Structures* 与 1980 年的 *Rules and Representations* 中提出的"语言习得机制"(Language Acquisition Device, LAD) 与普遍语法(Universal Grammar, UG) 假设，其核心命题可被形式化为三个强假设：(i) 人类语言共享一组有限的普遍原则，原则的参数化(parameter setting) 是个体差异的来源；(ii) 这些原则是先天的、独立于一般认知能力的"语言模块"(language module)；(iii) 输入语料极度贫乏(poverty of the stimulus)，不足以通过归纳学习获得语法，因此必须预设初始偏置(innate priors)。

这组假设在 1-3 岁阶段具有若干经验吸引力。最显著的证据来自儿童对违反约束句法的敏感性：3 岁儿童已能区分 *"Which book did the mother say the boy who was reading fell down?"* 与 *"Which book did the mother say who the boy was reading fell down?"*——后者在英语中违反了 Superiority Condition。这类对岛结构(island constraints) 的违反敏感性，似乎难以仅靠输入频率解释。然而，UG 框架在解释以下三类 1-3 岁数据时遭遇困难：

第一，输入贫乏并不存在。Saffran, Aslin & Newport (1996) 的统计学习实验显示，8 个月婴儿已能在 2 分钟的人工语流中提取三音节词的转换概率(transition probability)，这意味着自然语言输入中存在丰富的概率线索可供归纳。MacWhinney (2004) 在 *The Emergence of Language* 中进一步论证：CHILDES 语料库的转录数据揭示，母亲对幼儿的语音(CDS, child-directed speech) 在音高、停顿、词汇频次上存在系统性放大效应，使归纳偏置(inherence bias) 几乎"被嵌入"输入本身。

第二，UG 不解释跨域共变。Williams 综合征(Williams syndrome, WS) 个体具有相对保留的语言能力但严重受损的空间认知与一般智力；反之，特定语言损伤(Specific Language Impairment, SLI) 个体 IQ 正常但句法能力下降。这种"语言-认知解离"(cognition-language dissociation) 在 UG 框架内只能被归因于模块受损，但同时严重智力低下的 WS 个体语言相对保留的事实，更符合"语言受多约束交互影响"的解释，而非"模块独立运作"。

第三，参数设置过于二元化。UG 框架假设语言习得是离散参数二值切换(binary parameter setting) 过程，但 1-3 岁的纵向研究表明，词汇、形态、句法的发展是连续的、概率性的。例如，英语助动词 *do*-support 的掌握并非在某一精确年龄发生，而是在 2-4 岁之间以试错-强化-类比的方式渐次达成。

1.1.2 SPPDT 框架：社会-语用发展理论

Tomasello 在 *Constructing a Language* (2003) 中系统化了社会-语用发展理论(Social-Pragmatic & Pragmatic Development Theory, SPPDT)。该理论的核心命题为：(i) 语法起源于意图解读(intention reading) 与共享意图(joint intentionality)；(ii) 词汇和句法的学习本质上是对话语者意图的递归心智化(mindreading recursion)；(iii) 文化-认知共演化(cultural-cognitive coevolution) 使人类获得了"种族典型活动"(species-typical activity) 的脚手架。

SPPDT 在解释 1-3 岁阶段的几个现象上具有独特优势：(a) 词汇爆发与社会参照(social referencing) 的共现——儿童在词汇量激增之前先出现密集的指向性(gaze-following, pointing)；(b) 错误命名时的过度延伸(overextension) 与过度限制(underextension) 反映的是意图-指称网络的调整，而非纯粹的符号-指称映射；(c) 模仿-模仿层级(imitation hierarchies) 中对成人"假装"动作的解码能力，在 18 个月前后的句法发展前夕达到峰值。

然而，SPPDT 在解释以下现象时不足：(a) 婴儿对人工语法(artificial grammar) 中的中心嵌入(center-embedding) 结构敏感，即便该结构从未出现在社会交互中(Gomez & Gerken, 1999)；(b) 14 个月婴儿对不可见因果(invisible causality) 的语言编码已表现出偏好，这难以仅用社会意图解读解释；(c) 先天盲或先天聋个体在没有完整社会-语用脚手架的条件下，依然获得语法能力，提示存在非社会性的归纳机制。

1.1.3 CSLM 框架：联结主义与统计学习

联结主义-统计学习模型(Connectionist & Statistical Learning Model, CSLM) 的代表包括 Elman (1990) 的简单循环网络(simple recurrent network, SRN)、Rumelhart & McClelland 的过去式习得模型、以及 Saffran 团队的统计学习范式。其核心命题为：(i) 语言知识是分布式的、以权重形式编码在网络连接中；(ii) 学习机制是梯度下降 + 概率统计；(iii) 不存在独立的"语言模块"，语言能力涌现于一般学习算法对自然语料的拟合。

CSLM 的优势在于：(a) 自然解释了发展轨迹的连续性——学习曲线是误差曲面的梯度下降轨迹；(b) 解释了频率效应、序列效应、词汇邻近效应等细微的行为模式；(c) 为婴儿敏感的转换概率、韵律切分、辅音同化等提供了机制说明；(d) 与神经网络的层级特征表征兼容——深度学习中的层级表征与大脑皮层自下而上的层级加工存在结构同构。

但 CSLM 的弱点也明显：(a) 缺少对"自上而下预测"的明确建模，纯联结主义更多是被动的刺激驱动(stimulus-driven)，难以解释主动的意图性产出；(b) 没有提供清晰的概率生成模型(generative model) ——只是"拟合"而非"推断"；(c) 对先天偏置的角色承认不足，无法解释为什么同样输入下人类儿童与黑猩猩的学习曲线差异如此之大。

1.1.4 综合判断

下表汇总三种框架的优劣比较，这是后续 PC-HB 框架的整合起点。

| 维度 | LAD/UG | SPPDT | CSLM | |------|--------|-------|------| | 解释力：先天偏置 | 高 | 中 | 低 | | 解释力：统计学习 | 低 | 中 | 高 | | 解释力：社会-语用 | 中 | 高 | 低 | | 解释力：层级表征 | 高 | 中 | 中 | | 解释力：连续发展 | 低 | 中 | 高 | | 与神经基础对接 | 弱（模块化） | 中 | 中（层级表征） | | 1-3 岁阶段预测力 | 中（参数化） | 高 | 高 |

整合的逻辑是：CSLM 提供层级加工与统计敏感的机制；SPPDT 提供自上而下的意图与语用约束；LAD/UG 提供的"先天偏置"可被重新解释为层级贝叶斯模型中的先验分布(prior distribution)。PC-HB 框架将三者置于同一计算框架内。

1.2 预测编码-层级贝叶斯框架：数学形式化与发展解释力

预测编码-层级贝叶斯(Predictive Coding & Hierarchical Bayesian, PC-HB) 框架将大脑视为一台"层级贝叶斯推断机"(hierarchical Bayesian inference machine)，其核心思想是：大脑皮层在不同层级上构建关于世界的生成模型(generative model)，并通过最小化预测误差(prediction error) 来更新后验信念(posterior beliefs)。这一框架由 Rao & Ballard (1999) 引入神经计算，Friston (2010) 以自由能原理(free energy principle) 做了公理化，近年由 Clark (2013) 的 *Whatever next?* 与 Hohwy (2013) 的 *The Predictive Mind* 完成认知层面阐释，发展语言学应用可见于 Kuperberg (2021)、Friston & Frith (2023) 等近期工作。

1.2.1 自由能与预测误差

层级生成模型可写为：

$$ p(s, \theta) = p(s \mid \theta) \, p(\theta) $$

其中 $s$ 为感觉输入（声学信号），$\theta$ 为生成模型的隐变量（从低层的声学特征到高层的语篇意图）。大脑无法直接计算后验 $p(\theta \mid s)$，而是通过最小化变分自由能(variational free energy) $F$ 来逼近它：

$$ F = \mathbb{E}_{q(\theta)}[\log q(\theta) - \log p(s, \theta)] = D_{KL}[q(\theta) \| p(\theta \mid s)] - \log p(s) $$

最小化 $F$ 等价于两件事：(i) 使变分后验 $q(\theta)$ 接近真实后验 $p(\theta \mid s)$；(ii) 最大化模型证据 $\log p(s)$，即"模型对感觉数据的解释力"。

在皮层实现层面，每个层级 $l$ 维护两个互补的信号：(i) 预测信号 $\mu_l$，向下传递；(ii) 预测误差信号 $\epsilon_l$，向上传递。预测编码的更新规则可写为：

$$ \epsilon_l = g_l \left( s_l - \mu_l \right) $$

$$ \Delta \mu_l = \epsilon_l \cdot \pi_l - \sum_{l+1} \epsilon_{l+1} \cdot W_{l+1 \to l} $$

其中 $g_l$ 是从下层传来的输入，$\pi_l$ 是精度权重(precision weight)，$W_{l+1 \to l}$ 是层间权重。这一公式的核心含义是：当前层级的表征更新取决于 (a) 当前层级未能预测的输入误差和 (b) 来自更高层级的预测误差的反向传播。

1.2.2 应用于语言习得的层级结构

在 1-3 岁语言习得的语境下，我们可以将生成模型的层级映射到皮层与加工层级：

| 层级 | 加工内容 | 大脑实现 | |------|----------|----------| | Level 1 | 声学频谱特征（MFCC、pitch） | 初级听觉皮层 Heschl's gyrus | | Level 2 | 音位范畴（phoneme categories） | 双侧颞上回 STG | | Level 3 | 音节切分与韵律 | 双侧颞上沟 STS、颞中回 MTG | | Level 4 | 词汇形态（morpheme boundaries） | 左侧颞中回前部 aMTG | | Level 5 | 句法结构（phrase structure, dependencies） | 左侧颞下回 ITG、Broca 区 (BA44/45) | | Level 6 | 语篇-语用意图（discourse, intention） | 内侧前额叶 mPFC、颞极 TP、背外侧前额叶 DLPFC |

每一层级的先验 $p(\theta_l)$ 在发展过程中被不断调整。出生时，先验主要由基因决定的皮层微环路结构(microcircuit priors) 提供，表现为"宽而平的初始分布"。随着经验积累，先验被压缩为"窄而尖的后验"，形成对母语声学-音位-词汇-句法层级的特异性表征(specialized representations)。这一"先验压缩"过程与弓状束髓鞘化、双侧化漂移在时间线上高度耦合，我们将在 1.3 节详细论证。

1.2.3 解释力检验

PC-HB 框架对 1-3 岁语言习得中的若干"反直觉现象"具有独特的解释力：

反直觉现象 1：婴儿对转换概率的敏感性远高于成人。 Aslin, Saffran & Newport (1998) 发现 8 个月婴儿能在 2 分钟暴露后区分词内与词间的转换概率，而成人需要更长时间。这一现象在 PC-HB 框架下被解释为：婴儿先验较宽，对所有层级的预测误差 $\epsilon_l$ 给予近似相等的精度权重 $\pi_l$，因此能跨层级捕捉统计结构；成人的窄先验使高级层级预测"压制"(overriding) 了低层统计，词切分已被词汇层级预测预先解决，故对低层统计不敏感。这一解释可形式化为：

$$ \pi_l^{\text{infant}} \approx \pi_l^{\text{adult}} \cdot \eta, \quad \eta > 1 $$

其中 $\eta$ 是精度均衡因子，体现"低层级精度未衰减"的婴儿态。

反直觉现象 2：词汇爆炸的发生与统计学习能力的延续性共存。 Bloom (2000) 曾质疑统计学习无法解释词汇量从 50 词到 500 词的快速跃迁。PC-HB 框架将"词汇爆炸"重新解释为层级 4 (词汇形态) 的生成模型在累积足够语料后达到临界复杂度(critical complexity)，触发层级 5 (句法) 的预测开始利用词汇预测作为输入。这一"层级跃迁"预测在 fNIRS 研究中可观测为：24-30 个月时左侧 Broca 区对句法违规的激活出现显著性增高，与词汇量的关键阈值（约 50-100 词）相对应。

反直觉现象 3：句法习得的"滞后期"(grace period)。 18-24 个月儿童已能产出双词组合，但英语助动词 *do*-support 的掌握要到 3-4 岁。在 PC-HB 框架下，这一滞后期被解释为层级 5 句法生成模型的精度权重 $\pi_5$ 在 24-36 个月之间逐渐升高：句法层级在此期间对输入误差的"校准强度"逐步增强，因而助动词 *do*-support 等需要更高层级预测一致性的结构只能逐步被习得。

反直觉现象 4：早期词汇切分的"韵律优先"现象。 7-8 个月婴儿优先利用韵律(韵律短语切分) 而非转换概率来切分语流。PC-HB 框架将韵律解释为层级 1-2 之间的一个高信噪比信道：韵律边界由音高-时长-强度等声学参数编码，其预测误差的精度权重 $\pi_{\text{prosody}}$ 在生命早期即被生物设定为高值，因此韵律切分具有"知觉优先权"(perceptual primacy)。

1.2.4 与既有理论的衔接

PC-HB 框架对三大经典理论的关系可被形式化地重述：

• **LAD/UG → 先验分布 $p(\theta)$ 的结构假设**。UG 的"原则与参数"被重新解读为"层级生成模型各层先验的预设形态"，例如，递归合并操作 (Merge) 对应于层级 5 中特定的非线性组合函数。
• **SPPDT → 高层级（语篇-语用）输入约束**。SPPDT 强调的意图与共享注意被视为层级 6 的输入，约束着下层层级的预测生成。
• **CSLM → 层级之间的统计学习机制**。统计学习提供了层级间权重 $W$ 的更新算法。

这种重述使三种理论不再是竞争性的"理论选择"，而是同一框架内的不同约束。

```mermaid flowchart TD A[Acoustic Input\n声学输入] --> B[Level 1: Spectral Features\n初级听觉皮层] B --> C[Level 2: Phoneme Categories\n双侧颞上回 STG] C --> D[Level 3: Syllable/Prosody\n颞上沟 STS] D --> E[Level 4: Lexical Morphology\n左侧颞中回前部 aMTG] E --> F[Level 5: Syntactic Structure\n左侧颞下回 ITG + Broca BA44/45] F --> G[Level 6: Pragmatic Intention