一个让我困惑很久的问题
我儿子两岁半的时候，有一天突然说出了一句他从未听过的话：「爸爸的手机掉到沙发下面了。」
他没有上过语法课，却能把熟悉的词组合成新的句子。这个例子吸引我的地方，不是它证明了某种超常能力，而是它把语言习得的问题变得具体：儿童怎样从日常互动中形成可以迁移到新表达的规则？
把儿童比作训练中的模型，很容易产生一个直觉：他们接触的材料有限，为什么学得如此有效？不过，人类儿童并非只有文本输入。他们同时感知情境、动作、语调和他人的回应。比较人脑与语言模型之前，必须先承认学习任务和输入条件并不相同。
我想追问的是：先天条件与学习经验各自解释了什么，又怎样共同产生语言能力？
普遍语法并不是一张预装答案表
乔姆斯基的生成语法研究推动了一个重要问题：有限的语言经验如何支持新的、结构化的表达？普遍语法的具体主张在不同时期有所变化，不能把早期生成语法、后来的原则与参数框架、最简方案压成同一个「出厂语法模板」。
它关注的是语言习得所依赖的先天约束或计算能力，并不主张儿童出生就知道具体语言的全部词汇与不规则变化。儿童把 went 说成 goed，能说明他们在概括和推广规则，却不能据此反驳所有先天约束假说。
关于哪些能力具有语言专属性，理论内部也有争论。Hauser、Chomsky 与 Fitch 在 2002 年区分广义与狭义语言能力，并提出了关于递归的假说；这是一项待检验的理论主张，不是已经完成的神经实现说明。原始论文
软件类比仍有帮助：先天条件可能限制学习系统能形成哪些表示。但「限制搜索空间」与「预装全部答案」相差很大。批评一种理论，首先要针对它实际提出的主张。
哪些观察能够区分解释
语言之间的差异、儿童的系统性错误和学习引起的脑变化，都为语言理论提供约束。困难在于，同一种观察可能与多种机制相容。
语言学习具有可塑性，不等于大脑没有先天结构；语言活动涉及多个脑区，也不能单独证明它完全依靠领域通用机制。反过来，某些结构普遍出现，也不自动证明它们必须由专门的语法模块预装。
因此，与其把这些现象排成「旧理论已经失败」的清单，更有价值的问题是：不同解释对同一任务、同一输入条件会作出什么不同预测？需要怎样的实验才能区分它们？
从神经网络得到的启发
语言模型表明，系统可以在没有显式编码某套语法规则的情况下，从数据中学习许多语言规律。但模型并非没有先验：架构、训练目标、数据选择和优化方法都影响它能学到什么。
这给我的启发是，语言能力未必需要以完整规则表的形式预先写入系统。适合学习的结构，加上丰富的经验，也能形成复杂的语言表现。 这是计算建模提供的一条可能路径，而不是人类儿童必然采用同一机制的证明。
成人学习第二语言时，已有语言经验同样可能产生迁移：某些知识有帮助，某些习惯会造成干扰。把它概括成「训练越久，干扰越顽固」过于简单，也忽略了任务、语言组合和训练方式的差异。
一个用于组织问题的框架
我仍然觉得，可以从「资源、可塑性、迁移与干扰」这几个维度组织问题。这里的框架是作者的分析提议，并不是已有研究证实的统一模型。
资源与输入条件。 接触语言的时间、互动质量、注意分配以及表达需求，都会影响学习机会。不能只比较儿童与成人的最终表现，却忽略两者每天获得的输入和反馈。
可塑性与年龄。 学习能力会随发展阶段变化，但不同语言能力的变化曲线并不相同。Hartshorne 等人对英语语法学习的研究发现了年龄相关差异，同时指出其原因仍需解释。这类结果不能直接归结为「成年人的网络已经被母语占满」。研究论文
已有知识的双向作用。 母语既可能干扰新的语音和语序，也可能帮助学习者理解概念、归纳规则或采用学习策略。需要比较的是哪些知识在什么任务中有帮助，而不是笼统判断已有知识越少越好。
这个框架能否成为更有解释力的模型，取决于它能否给出明确变量、预测与反证条件。用「写入」「寻址」描述大脑，最多是类比；只有建立了可测量的对应关系，它们才可能成为机制解释。
两个容易被误读的实验方向
第一个是双语儿童的词汇。只测一种语言，可能低估儿童跨两种语言掌握的词汇。Core 等人对 22 至 30 个月西班牙语—英语双语儿童的研究，说明了单语词汇、总词汇和概念词汇等口径的区别。单一语言上的词汇量差异，不能直接证明双语导致学习能力下降，更不能证明神经资源已经发生竞争。研究论文
第二个是社会互动。Kuhl 等人在婴儿外语语音学习实验中比较了真人接触与录制材料，观察到特定条件下的学习差异。这支持继续研究社会互动如何影响注意和学习，但不能推导出所有年龄、所有任务中「10 小时对话胜过 100 小时视频」的固定换算。实验论文
这两类研究都提醒我：先把年龄、任务、输入量和测量指标说清，再讨论它们支持哪种机制。否则，看似直观的解释很容易把待解释的现象重新命名一遍。
这个视角对学习有什么价值
对学习实践而言，我更愿意从可以调整的条件入手：增加有意义的输入，为表达安排真实反馈，观察母语知识在哪些环节帮助自己、又在哪些环节造成错误。这个方向不依赖我们先解决全部语言起源争论。
对技术理解而言，神经网络提供了一种构造解释的工具：如果一个系统能在明确条件下学会某种结构，我们就获得了一个可研究的实现。但还要继续检查它需要多少数据、犯什么错误，以及这些表现与儿童是否相似。
语言习得很可能需要同时研究学习系统的结构和它经历的环境。我倾向于关注那些让学习高效发生的计算与互动条件。这个选择的价值不在于它比「天赋」听起来更开放，而在于它能否逐渐产生可比较、可反驳的预测。