认知语言学：理解大脑如何工作（3）

欧洲人不相信生成语法，因此一直在寻找替代理论。他们找到的替代性理论有很多，比如我的研究、兰盖克的研究、泰尔米的研究，以及福康涅的研究等。我们都喜欢彼此的工作，并且认为会有一些交叉重叠。但是我们会用不同的方式去思考它，然后朝不同方向继续发展。所有这些替代理论都属于认知语言学吗？实际上，认知语言学应被看作一个知识社群，而不是一个理论。

通过研究大脑解决语言问题

我的目标与兰盖克或泰尔米的目标不同。认知语言学没有一个共同的目标。我感兴趣的是大脑如何获得语言，以及我们如何从大脑中获取构式、隐喻、框架、意象图式等。研究大脑，是希望据此去理解并解释某些事情。到目前为止，我们可以通过研究大脑的工作方式解释很多东西，比如对于隐喻而言，基于神经元学习方面的研究，我们可以解释其源目标域是什么。我们可以以神经科学研究的两项发现为基础解释基本层次范畴，这两项发现就是镜像神经元回路以及想象、感知和行为的神经元结构相同。顺着这个思路深入研究时，就会发现基本层级范畴。

理解大脑如何工作，串联理论（Cascade Theory）就很有必要。因为大脑中没有符号，只有神经元，这些神经元以某种方式与身体相连，也没有像“哦，我们可以把这些符号组合在一起”之类的符号操控。人脑的绝大部分神经回路在大多数时间处于抑制状态，所以，要通过解除抑制激活它。“神经绑定”即解除对绑定回路的抑制。20世纪80年代末到90年代初，马克·特纳和福康涅开始合作研究整合现象。因当时没有针对这些现象的神经绑定理论和模拟理论，所以他们提出了整合操作。但大脑中并没有一个能针对所有情况的整合操作，也没有针对神经绑定和模拟的整合操作。他们的研究很优秀，给出了许多非常有趣的例子。但在我看来，其唯一的问题就是对于神经理论的贡献不大。

串联理论和整合理论的假说，已经获得了一些零散的科学证据验证。所有的传统语言学都是经验的，且正在逐渐成为一门不同于理论物理学的建模学科。当建模时，会遇到许多非常复杂的数据，必须试图把尽可能多的材料纳入该模式之中。对数据进行分析，必须从假设出发，它们来自对大量数据的研究，是基于经验的假设。

还有其他类型的实证研究，如实验和调查。与建模相比，它们有局限性。建模使得你可以考察庞大的数据并理解它，但如果你只是做一些实验，可能只能研究少数人和有限的几个句子。尽管你能控制实验并做一些看起来很客观的事情，但通常还得面临到底该问什么的问题。在体验认知领域，本·伯根在他的《比语词更响亮》一书中引用了200多个实验，提供了大量实验数据。这些实验与隐喻神经理论的思想相符合，也就是说，隐喻神经理论能够预测这些实验的结果。但实验具有迷惑性。我们不但要研究实验本身的认知结构，而且还要研究实验者，但人们通常不会这么去做。所以，有时候有一些实验出问题时，研究者并不知道其根源是实验本身还是实验者，很难知道人们在进行实验研究时会假定哪些东西。

我对神经计算模型和语言分析比较感兴趣，并非出于个人喜好，而是希望能够把所有的证据捏合在一起。当然，我们要尽可能地通过实验与调查来获取各种数据，以帮助我们理解大脑如何获得语言并构建认知理论。

（本文由北京外国语大学吴边、聂磊、张咏梅、冯蕾、孙萌、孟瑞玲、胡增宁翻译）