听不见的建筑

一栋看不见的房子

你每天都在使用语言，但你有没有想过：语言是怎么从嘴里跑出来的？"妈妈我要吃苹果"这句话，你是怎么决定要先说"妈妈"，再说"我要"，再说"吃苹果"的？为什么不能倒过来，说成"苹果吃要我妈妈"？所有词都在那里，为什么这种顺序不行？

这个问题的答案藏在一个看不见的地方：语言的结构。结构不是声音本身，而是声音背后的组织方式。结构决定了哪些词能放在一起、按什么顺序放、放进去之后会发生什么变化。就像一栋房子有地基、有墙、有屋顶、有门、有窗，每一部分都有固定的位置和功能；语言也有它的"地基"、"墙"、"屋顶"，只不过这些东西你看不到，也摸不着。

让我们先从一栋真实的房子说起。北京四合院是一种传统的建筑形式。它有明确的层级：地基在最下面，承受整个房子的重量；地基上面是墙，墙把空间围起来；墙上面是梁和屋顶，屋顶保护里面的房间；房间里有家具，家具让人能在里面生活。每一层都依赖下面的一层。地基不稳，墙会塌；墙塌了，屋顶也会塌。把四合院拆开来看，你会发现它是由很多不同的部件组成的，而且这些部件不是随便堆在一起的，它们按照严格的规则结合在一起。门必须在墙上开洞，窗必须有玻璃，屋顶必须是斜的才能让雨水流走。这些规则不是某个人规定的，而是建筑本身的物理规律决定的。

语言也是这样的。拿英语的句子"The cat sleeps on the mat"来说，它有主语（The cat）、动词（sleeps）、介词短语（on the mat）。这些成分必须按特定的顺序出现。如果你把它们打乱，说成"On the mat sleeps the cat"，虽然语序变了，但意思还是清楚的，而且语法上也还能接受（这是英语里允许的倒装句）。但如果你说"Mat the on cat sleeps the"，所有的词都还在，却什么都不是了。这说明词本身不重要，重要的是词和词之间的关系，也就是结构。

语言学家们花了一百多年的时间才搞清楚：语言的结构和房子的结构一样真实、一样复杂、一样有规则。区别只在于房子的结构是用砖头、木头、钢筋这些看得见的材料做成的，而语言的结构是用声音、意义这些看不见的材料做成的。语言学家的任务，就是找出这些看不见的部件和规则。

提出这个任务的最重要的人物之一，是美国南加州大学的伊丽莎白·塞尔柯克（Elisabeth Selkirk）教授。她的整个职业生涯都在研究语言结构是怎么运作的，特别是声音层和句子层之间是怎么交接的。我们下一章会详细讲她的故事。本章要做的是建立三个贯穿全书的概念：层级（hierarchy）、组合（combination）和界面（interface）。这三个概念就像三根柱子，撑起了语言这座"看不见的房子"的整个框架。

层级：语言是一摞盘子

想象你面前有一摞盘子。最下面是一个大盘子，上面叠着中盘子，中盘子上叠着小盘子，小盘子上叠着一个茶杯。每个盘子都有它的位置，不能颠倒，不能错位。把小盘子放到大盘子下面去，茶杯就会倒。层级就是这样一个垂直的组织系统：每一层都站在下面一层的上面，每一层都有自己的特点，都用下面一层的部件作为材料。

语言也是按层级组织的。最底层是音素（phoneme），也就是构成声音的最小单位。普通话里有大约 22 个辅音和 6 个元音，再加上 4 个声调。每一个音素都是不可再分的"声音原子"。第二个层级是音节（sylla­ble），由一个或几个音素组成。汉语的一个音节通常包括声母、韵母和声调，比如"妈"由 m、a 和第一声组成。第三个层级是词（word），由一个或几个音节组成，像"妈妈"由两个"ma"组成，"蜻蜓"由"qing"和"ting"组成。第四个层级是短语（phrase），由词组成，像"红苹果"、"在桌子上"、"可爱的孩子"。第五个层级是句子（sentence），由短语组成，像"孩子在桌子上放了一个红苹果"。再往上还有段落、对话、文章，但那些超出了语言学通常讨论的范围。

这种层级不是我们强加给语言的，而是语言本身具有的属性。一个证据是儿童学习语言的过程。每个小孩都是先学会发音（"ba"、"ma"、"da"），然后学会把音组合成音节，再把音节组合成词，再把词组合成短语，最后才说出完整的句子。这个过程是自然的、普遍的，不管孩子在哪里长大、用什么语言长大，都是这个顺序。如果语言的层级不是真实的，孩子不会自动按这个顺序学习。

但层级不光是堆叠。它还意味着每一层都有下面几层没有的能力。一个单独的音素 /m/ 没有任何意义。一个音节 /ma/ 在不同语言里意思不同（在汉语里可以是"妈"或"麻"，在日语里可以是"马"），本身也没有固定的意思。但一个词"妈妈"就有了明确的意思：你的母亲。一个短语"我的妈妈"更具体：一个特定的妈妈。一个句子"我爱我的妈妈"则传达了一个完整的命题。所有这些意义，都是下面几层单独存在时不可能产生的。

这种现象在科学上叫做"涌现"（emergence）：整体拥有部分所没有的属性。一堆砖头不是房子；砖头按特定方式砌成墙，墙围成房间，房间组成楼层，楼层组合成房子，房子才成为房子。房子能"住人"，但砖头不能。同样，一堆音素不是语言；音素组成词，词组成短语，短语组成句子，句子才能"传达意思"。

塞尔柯克对层级研究的贡献，是把它从一个模糊的比喻变成了一个严格的科学概念。她指出，层级不只是一种描述语言的方式，它还预测了很多语言现象。比如，如果语言真的是按层级组织的，那么我们在某一个层级发现的规则，应该会影响其他层级。事实证明确实如此：汉语的声调规则（音系层的规则）和汉语的词序规则（句法层的规则）会互相影响，因为它们最终要组合成一个句子。这就是界面要做的事情。我们后面会详细讲。

组合：积木怎么搭

层级告诉我们语言有哪些层，组合则告诉我们每一层内部是怎么把部件拼起来的。如果说层级是房子的楼层，那么组合就是楼层之间的楼梯和墙上的砖——它负责把分散的部件组成一个有意义的整体。

儿童玩具积木是一个很好的类比。每个积木块都有凸起（stud）和凹槽（tube）。凸起只能插进凹槽，凹槽只能接受凸起。两个都是凸起的积木不能直接拼在一起。同样，两个都是凹槽的也不行。这种物理约束决定了哪些积木可以组合，哪些不行。语言也有类似的约束。

英语里，"cat"是一个合法的词，"sleep"是一个合法的词，但"catsleep"不是一个合法的词（除非它是某种复合词，但那是另一回事）。为什么？因为英语的规则要求动词和动词之间需要某些东西，比如一个名词（"the cat sleeps"）或者一个连接成分（"cats sleeping"）。这个规则不是哪个人规定的，而是英语这种语言的性质决定的。说英语的人在说"catsleep"时会觉得别扭，因为他们的脑子知道这违反了组合规则。

汉语里的组合规则又是另一套。汉语的动词可以直接修饰名词（"睡觉的小孩"），名词可以直接修饰动词（"他英语说得很好"），这在英语里都需要加连接成分（"a sleeping child"、"He speaks English well"）。这说明每种语言都有自己的组合规则，而且这些规则会影响你能说什么、不能说什么。

组合规则里一个特别重要的类型叫做"递归"（recursion）。递归的意思是：一个组合结构里面可以再放一个同样类型的组合结构，而且可以无限地放下去。比如英语的"The cat on the mat by the door sleeps"，这句话里有介词短语"on the mat"，这个介词短语里又有介词短语"by the door"，这个嵌套可以继续下去："The cat on the mat by the door of the house sleeps"，"The cat on the mat by the door of the house on the street sleeps"。每一层都是同一种结构（介词短语），每一层都套在另一层里面。

汉语也有递归。"在门口放着一本书"，"在门口的桌子上放着一本书"，"在门口的桌子上有一个孩子放了一本书"。每一层都是介词短语，每层都能装进另一层里。递归是语言无限创造力的来源：有限的规则，加上递归，可以产生无限多的句子。一个小孩能说出他从没听过的话，根源就在于他掌握了递归的规则。

但递归不是无限自由的。规则仍然要遵守。在英语里，介词短语可以放在动词前面（"On the mat, the cat sleeps"）或后面（"The cat sleeps on the mat"），但不能放在动词和主语中间（*"The cat on the mat sleeps"在某些语境下可以，但那是另一种结构）。汉语的语序比英语固定。"在桌子上"必须放在动词前面（"孩子在桌子上放书"），不能放在动词后面（不能说"孩子放书在桌子上"，至少在普通话里不行）。

组合规则的另一个重要特性是它们是"能产"的（productive）。也就是说，规则一旦学到，就可以应用到新词上。比如一个小孩学会了"动词 + ing"可以变成进行时（walk → walking），他就可以把这个规则应用到任何新动词上：bike → biking，game → gaming，google → googling（如果 google 算动词的话）。汉语的"动词 + 着"表示持续状态，也有同样的能产性："他笑着"、"他跑着"、"他吃着"。这种能产性是语言学家寻找规则的重要线索：当一个模式可以应用到任意多个新词上时，这个模式很可能是一条规则，而不是一个个特例。

界面：两层楼之间怎么传话

现在我们有了层级和组合。语言被组织成一层一层的，每一层内部都有规则把部件组合起来。但是，这些层之间是怎么交流的？声音层（音系）和句子层（句法）是两个完全不同的系统。音系关心怎么发音，句法关心怎么安排词序。它们的工作方式不同，使用的规则不同，甚至在脑子里可能由不同的脑区负责。但是当你真的说话时，这两个系统必须配合得天衣无缝才行。否则你就会说出语法正确但发音奇怪的话，或者发音正常但语法混乱的话。

这种"配合"发生的地方，就叫做界面（interface）。界面不是某一层本身，而是层与层之间的"接缝"。它负责把一层的信息传递给另一层，并且让另一层做出相应的反应。

让我们看一个具体的例子。英语的复数标记是一个语法现象（句法层和形态层的事情）：当我们说"cat"表示多于一只猫时，我们要加上 -s。但是这个 -s 怎么发音，是音系层的事情。音系规则规定：在清辅音（像 /p/, /k/, /t/）后面，-s 发成清音 /s/（cats）；在浊辅音（像 /b/, /g/, /d/）和元音后面，-s 发成浊音 /z/（dogz，beez）；在咝音（像 /s/, /z/, /ʃ/）后面，-s 要再加一个元音，变成 /ɪz/（horses，bushes，buzzes）。这种发音变化是音系规则自动做的，讲话的人甚至不知道自己做了这件事。但是这种变化是被句法的选择触发的——句法决定了一个名词是单数还是复数，复数标记 /-s/ 的存在就触发了音系规则去选择正确的发音形式。

这就是界面在起作用。句法层做了一个决定（"这里要加复数标记"），把这个决定传递给形态层和音系层。音系层接到信号后，根据周围的声音环境调整自己的发音。整个过程在几百毫秒内完成，听话的人根本意识不到它的发生。

汉语里也有类似的界面现象。一个有名的例子是"上声变调"。普通话里，第三声（214 调）在单独念一个词时会完整地念下来。但是当两个第三声连在一起时，第一个第三声要变成第二声（35 调）。比如"你好"（nǐ hǎo），两个字都是第三声，但是实际说话时，第一个"你"会变成第二声，读成 ní hǎo。这个变化是音系层的规则。但是它什么时候发生呢？发生在两个第三声的词或音节组合在一起的时候。这个"组合"是句法或形态层的事情。两个第三声词被放在一起，触发了音系层去应用变调规则。这就是界面。

界面之所以重要，是因为它解释了一个语言学里长期困扰人们的问题：为什么音系规则这么"聪明"？它们似乎知道句法做了什么决定。一个音系规则不会无缘无故地把 /s/ 变成 /z/。它只在句法选择了复数、且复数后面跟着浊音的时候才这么做。这说明音系规则不是孤立运作的，它们被句法的选择"喂"信息。界面就是那个"喂信息"的通道。

塞尔柯克的研究有一个核心主张：界面不是模糊的"相互作用"，而是有明确规则的。她认为，句法给音系的信息必须是特定形式的——比如"这里有复数标记"或"这里有两个第三声连在一起"。音系收到信息后，会应用相应的规则。这种"信息传递"的规则是界面本身的一部分，它既不是纯句法的，也不是纯音系的，而是属于一个独立的、专门负责协调的系统。塞尔柯克把这种界面规则叫做"句法-音系接口"（syntax-phonology interface）。

这个观点很重要，因为它意味着语言不是一个统一的整体，而是几个子系统的组合，每个子系统有自己的规则，界面有自己的规则。这就像一栋现代化的办公楼，里面有电力系统、给排水系统、通风系统、消防系统。这些系统各自独立，但又必须连接起来。连接的部分（电箱、水泵房、控制室）就是界面。建筑师不能只懂一个系统，他必须懂所有系统，还要懂它们是怎么连接的。

音系与句法：两层楼的语言

让我们把所有层级放到一起，看一下语言处理的全貌。当你说一句话时，你的大脑在做一件惊人的事情：它把你想要表达的意义（"我想告诉对方我饿了"），转换成一串具体的声音（"我饿了"，三个字，特定音高，特定时长，特定响度）。这中间经过了至少四个加工站：

第一个加工站是意义层（也叫语义层）。这是你想说的内容——可能是"我饿了"，可能是"明天会下雨"，可能是"那个穿红衣服的女孩是我妹妹"。意义本身还不是语言，它是你脑子里的一个模糊的想法。

第二个加工站是句法层。这里把意义转换成一个结构——哪些词出现，按什么顺序，每个词在句子里扮演什么角色。"我饿了"需要主语"我"、谓语"饿"、完成态标记"了"。这个结构是有规则的，不是任意拼凑的。

第三个加工站是形态层。这里把抽象的句法结构变成具体的词形。汉语的形态变化不多，但是英语有：eat → ate（过去式）、eat → eating（进行时）、eat → eats（第三人称单数）。形态规则负责把这些词形组装起来。

第四个加工站是音系层。这里把词形变成声音。具体的音高、音长、音强、共振峰、元音、辅音，都在这里被安排。"我"是 wǒ，"饿"是 è，声调不能错。"了"是个轻声，要轻读。整个声音信号在这里被打包好，准备从嘴巴送出去。

这个加工流水线可以用一个简单的图来表示：

```mermaid flowchart LR A[意义/Meaning] --> B[句法层/Syntax] B --> C[形态层/Morphology] C --> D[音系层/Phonology] D --> E[声音/Sound Waves] ```

这张图是单向的，从意义流向声音。但是当你听话时，方向是反过来的：声音从耳朵进入，经过音系层（识别音素、音节、声调），进入形态层（识别词形），进入句法层（识别结构），最后到达意义层（理解内容）。同样的层级，反方向工作一次。这就是为什么语言学家说语言的加工是"双向"但"层级化"的。

每一层都有自己的规则。音系层的规则通常是关于发音便利性的——它们让声音更顺畅地说出来。比如英语里两个元音连在一起，中间常常会插入一个 /r/ 或 /j/（"saw it" 听起来像 "saw rit"，"see it" 听起来像 "see yit"）。这种插入让发音更顺滑。句法层的规则则是关于交流清晰性的——它们确保听话的人知道你指的是谁、谁做了什么、事情发生在什么时候。规则的目的不同，所以规则也不同。

音系规则和句法规则通过界面互动。前面讲的复数 -s 的发音变化、上声变调，都是这种互动。塞尔柯克的工作主要是搞清楚这种互动的机制：信息是怎么从一层传到另一层的？传的信息是什么？收到信息后，另一层会做什么？

类比的边界：建筑不能做什么

建筑这个比喻很有用。它帮我们理解了语言有结构、结构有层级、层级之间有规则。但是这个比喻也有它的边界。如果我们太当真，把语言完全等同于建筑，就会得出错误的结论。语言学家需要清楚地知道这个比喻在哪里适用，在哪里失效。

第一个重要的区别是动态性。建筑是静态的。一栋房子盖好之后，它就停在那里，几个月甚至几年不变。语言是动态的。每一次你说话，你都在建造一个新的结构。这个结构在你说完的瞬间就消失了——它不存在于任何物理介质上，只存在于声波里，下一秒声波就消散了。说语言更像沙画：艺术家仔细地把沙子堆成图案，图案存在几分钟，然后被抹掉，下一个图案又被造出来。每一幅沙画都是独特的，但它们都遵循同样的规则（沙子的物理性质、艺术家的训练）。语言也一样：每一句话都是独特的，但它们都遵循同样的语法规则。

第二个区别是可递归性。我们前面提到过，句子可以无限嵌套。"那只在门口的垫子上的猫睡得很香"已经是一个很复杂的句子了，但理论上还可以继续嵌套（"那只在门口的垫子上的来自隔壁的猫睡得很香"）。建筑不能这样递归。一栋房子里面有房子、房子里面又有房子，这在现实世界里没有意义。语言可以无限嵌套，这是它的独特能力。

第三个区别是意义性。建筑本身通常没有意义——除非它是某种象征性建筑（像天安门、像金字塔）。即使是有意义的建筑，意义也是附加的，不是结构本身的一部分。语言不同，意义是结构的核心。你说"我饿了"，不只是在按规则排列几个词，你同时在传达一个内容、一个命题、一个意图。意义不是语言的"装饰"，而是语言的目的。

第四个区别可能是最重要的：语言存在于脑子里。建筑的"结构"是物理的——你可以在图纸上画出来，可以用尺子量出来，可以用锤子敲一敲测试它的坚固程度。语言的"结构"是抽象的——它是大脑里神经活动的模式，是看不见的。当语言学家说"这个句子有主语、谓语、宾语"时，他们说的不是这些词本身有物理标记（像名词有性别后缀那样），而是它们在大脑的句法分析中有特定的位置。这个区别让语言学的研究方法不同于建筑学。建筑师可以测量，语言学家必须推断。

所以，建筑比喻是一个好的起点，但不是终点。在这本书里，我们会用很多比喻：建筑、积木、流水线、地图、剧本。每一种比喻都照亮语言的一个方面，但也会遮蔽另一些方面。好的语言学家知道什么时候用比喻、什么时候停。比比喻更重要的是数据：真实的句子、真实的发音、真实的错误、真实的实验结果。这些才是语言学家最终要解释的东西。

实践任务：声音档案袋

理论讲完了，现在让我们做一点实践。我希望你准备一个"声音档案袋"，可以是真实的物理袋子（一个小笔记本也行），也可以是电子的（手机上的备忘录、一个文件夹）。从今天开始，每天记录你说过或听过的 5 个短语，并为每个短语画一张"结构素描"。

结构素描不需要画得漂亮或者完全准确。它的目的是让你开始练习用"结构"的眼光看语言。下面是几个例子，你可以照着画，也可以自己发挥。

例 1：早上好

早上好 ├─