汉字数字化建模方案

——从许慎到字靖，一条被遮蔽的认知计算之路

作者：千问、Kimi、DeepSeek

一、许慎的野心：当造字法成为第一套“形式语义学”

公元121年，许慎完成了《说文解字》。这部书的伟大，不在于它收录了9353个汉字，而在于它做了一件前无古人的事：它试图揭示汉字“为什么是这个意思”。

许慎提出的“六书”——象形、指事、会意、形声、转注、假借——是人类历史上第一套系统性的文字建模方案。象形是“视觉映射”（日像太阳，月像月牙），指事是“符号标注”（上、下以横线为参照），会意是“语义合成”（人言为信，止戈为武），形声是“音义双轨”（江河从水，工可为声）。

这套体系在本质上是一套形式化规则：给定一个汉字，你可以根据它的部首、构件、声旁，推演出它的可能意义。许慎没有计算机，但他已经为汉字建立了一个可计算的生成模型——尽管这个模型的“执行者”是人的大脑。

《说文解字》的建模局限在于：它面向的是“解释”，而非“计算”。它告诉你“信”是由“人”和“言”组成的，但它没有告诉你“人”与“言”之间是什么关系（主体？载体？工具？）。它的规则是描述性的，而不是操作性的。

但无论如何，许慎为汉字建模埋下了第一块基石：汉字的意义是可拆解的、可组合的、有规则的。

二、《康熙字典》：当建模变成“穷举”

1716年，张玉书、陈廷敬等三十余人奉康熙之命完成了《康熙字典》。它收录47035个汉字，按214个部首编排，成为此后两百年汉字研究的“终极参照”。

《康熙字典》的建模贡献在于分类与索引。它将汉字纳入一个统一的检索系统——“以部统字，以画序部”——这让汉字第一次拥有了“确定性地址”。任何一个汉字，只要知道它的部首和笔画，就能在字典中找到它。

但在建模的深层意义上，《康熙字典》其实是倒退的。它没有继承许慎“揭示意义生成规则”的野心，而是转向了“穷举所有字形”的工程路径。它告诉你这个字怎么写、有哪些读音、在哪些古籍里出现过，但它不告诉你这个字为什么是这样。

《康熙字典》的建模逻辑是枚举式的：只要我把所有的字都收进去，所有的意义都列出来，字典就完成了。这在知识匮乏的时代是合理的，但在信息爆炸的今天，这种“枚举思维”恰恰是汉字走向数字化的障碍——因为你永远不可能穷举所有词汇的所有用法。

康熙字典的遗产是形式的完备性，而不是意义的可计算性。

三、新中国汉字改革：简化字的“信息论转向”

1956年，《汉字简化方案》公布。这场改革在中国大陆引发了持续数十年的争议，但从“数字化建模”的角度看，它有被严重低估的贡献。

简化字的本质不是“写起来省事”，而是对汉字信息熵的一次主动干预。

信息论告诉我们，一个符号系统的“效率”取决于它的编码长度与歧义率之间的平衡。繁体汉字的笔画复杂度高，视觉区分度也高，但信息冗余也大。简化字降低了笔画数（从平均16画降到8画），同时通过“同音归并”（如“發”與“髮”都归为“发”）制造了新的歧义——这正是信息压缩的典型特征：牺牲一定的区分度，换取更高的编码效率。

从建模的角度看，简化字运动开创了自上而下干预汉字结构的先例。它表明：汉字不是不可修改的“天赐之物”，而是可以被设计、被优化的信息系统。

更重要的是，简化字与汉语拼音方案的配套推行，让汉字第一次有了标准化的语音接口。拼音不是汉字的替代品，而是汉字的“音频序列化”方案——它将二维的视觉符号转换为一维的声波序列，这是汉字进入数字信号处理领域的关键一步。

新中国汉字改革的真正贡献在于：它打破了“汉字只能被解释、不能被设计”的迷思，为汉字的工程化建模扫清了观念障碍。

四、西方语用学：当中文建模被“翻译思维”主导

如果说许慎、康熙、新中国代表了汉字建模的“内部视角”，那么20世纪以来西方语用学对中文研究的影响，则是“外部视角”的强势介入。

弗雷格的“涵义与指称”、维特根斯坦的“语言游戏”、奥斯汀的“言语行为理论”、格莱斯的“合作原则”——这些理论在西方哲学-语言学传统中是革命性的，但当它们被用来分析中文时，一个根本问题浮现了：

这些理论是建立在印欧语系的“词本位”基础上的，而汉字是“字本位”的。

西方语用学关注的是“句子在语境中的意义”，它的基本单位是词（word）和句子（sentence）。但对汉字来说，意义的最小封装单位是“字”——一个字可以是一个词，也可以是一个词根，还可以是一个语素。这种多层嵌套的语义结构，是西方词本位框架无法完整描述的。

结果就是：过去几十年，中文信息处理的研究范式被西方语用学主导——“分词”成为中文NLP的第一步，“词性标注”成为标准流程，“句法分析树”成为评价指标。这些工具在处理新闻语体时勉强够用，但在面对古诗、对联、拆字谜、网络新词时，频频失效。

西方语用学对中文建模的影响不是“错误”的，而是不充分的。它提供了“语境如何影响意义”的深刻洞见，但它没有回答一个更基础的问题：汉字这个符号系统的底层操作逻辑是什么？

这个问题，只能回到许慎，回到汉字的造字理据中去寻找。

五、文字的双重性：音频与视觉的纠缠

任何文字系统都面临一个根本性的问题：它既要被眼睛看见，也要被嘴巴念出（或被大脑默念）。音频性与视觉性是文字的两条腿，缺一不可。

视觉性的优势与劣势

视觉性是汉字的“主场”。汉字的二维结构允许它在同一个空间内塞入多重信息：一个“森”字，三个“木”叠在一起，一眼就能看出“树木众多”的意思。这种并行信息传递是线性的音频序列无法做到的。

但视觉性的代价是：它不擅长表达“时序”和“因果”。你看着“森”字，所有的信息同时呈现，没有先后之分。而语言中的“我打你”和“你打我”，时序决定了因果——谁打了谁。

音频性的优势与劣势

音频性的本质是一维序列。声音在时间轴上展开，先发的音决定后发的音的理解。这种线性结构天然适合表达因果、时序、条件逻辑——也就是人类推理的核心。

但音频性的代价是：它无法像汉字那样在一个“帧”内打包多重信息。你说“森林”，听到的是两个音节，需要在时间中先后处理；而看到“森”字，只需要一次眼动。

汉字建模必须处理的双重性

任何严肃的汉字数字化建模方案，都必须同时处理这两个维度：

• 视觉维度：字形结构（部首、构件、笔画）、空间关系（上下、左右、内外）、视觉相似性（形近字）
• 音频维度：声韵调系统、同音字群、谐音关系、反切注音逻辑

更重要的是，这两个维度之间会互相干扰。形声字就是视觉性与音频性的耦合：“江”从水（视觉义符）工声（音频提示）。转注和假借更是让字形承载了完全由音频触发的意义转移——“而”本义是胡须（象形），被假借为连词，因为读音相同。

汉字建模的难点，也是它的魅力所在：它不是纯粹的视觉符号，也不是纯粹的音频符号，而是两者的纠缠体。

第六章：字靖字典——知识六型的语义工程

6.1 为什么不走偏旁部首的路？

许慎的《说文解字》以"六书"为纲，象形、指事、会意、形声——核心是字形的拆解。日像太阳，月像月牙，信是人言为诚。

这条路走了两千年，但有一个根本局限：字形和语义的关系是历史的、偶然的，不是逻辑的、必然的。

“江"从水工声，是因为古人这么造字，不是因为"水”+“工"在逻辑上等于"大河”。一个不懂汉字历史的外来者，看到"江"的字形，推不出它的意思。

更致命的是，偏旁部首系统无法处理跨字义的映射。为什么"眼红"表示嫉妒？字形拆解告诉你"眼是目，红是色"，但不告诉你"颜色→情绪"的隐喻路径。

字靖字典的选择是：放弃字形拆解，直接拆解认知类型。

字形是入口——你看到一个汉字，认出它的轮廓。
但语义的内核是知识六型——这个汉字在人类认知中激活了哪种类型的知识？

6.2 知识六型：语义的原子

字靖字典认为，任何语义内容——无论是一个字、一个词、一个隐喻——都可以分解为六种知识类型的组合：

关键：这不是分类法，是光谱。

每个汉字不是"属于"某一类，而是在六型上有不同的强度分布。就像RGB颜色模型——不是红绿蓝三选一，是每种颜色的占比组合。

6.3 行为七型→54标签：分类的坐标系

知识六型是组合态的——一个字的六型分布可以是[8, 5, 20, 17, 19, 29]，这种连续分布不利于离散分类和检索组织。

所以需要第二层框架：行为七型。

行为七型提供了七个认知基座。在每个基座上，根据细分程度，衍生出54个语义标签：

• e2 = 实体层细分2（如：具体物质）
• f3 = 感知层细分3（如：视觉属性）
• g6 = 评价层细分6（如：道德判断）

54标签的命名规则：首字母=行为七型，数字=细分序号。

6.4 一个完整的例子

单字分析

“信”= c4 [8, 5, 20, 17, 19, 29]，总和98

"信"的本质是路由性——开通信息通路，而非感知确认。

“诚”= g2 [10, 18, 20, 5, 35, 40]，总和128

"诚"的本质是路由性+证明性——验证信息并导向正确通路。

“诈”= b2 [8, 5, 20, 35, 30, 28]，总和126

"诈"的本质是抽象性+证明性——用虚假逻辑构造欺骗性验证。

“欺”= g2 [10, 18, 20, 5, 35, 40]，总和128

关键："诚"与"欺"同标签(g2)、同六型值，但语义场不同。

• "诚"在g2的正向评价场
• "欺"在g2的负向评价场

标签提供场，六型提供型，组合提供具体语义。

组合词分析

“诚信”= “信”[8,5,20,17,19,29] + “诚”[10,18,20,5,35,40]

累加：[18, 23, 40, 22, 54, 69]，总和226

归一化（÷226）：

"诚信"的核心：路由性+证明性+归因性

• 开通信息通路
• 严格验证内容
• 成因可追溯、可问责

“欺诈”= “欺”[10,18,20,5,35,40] + “诈”[8,5,20,35,30,28]

累加：[18, 23, 40, 70, 60, 56]，总和252

归一化（÷252）：

"欺诈"的核心：抽象性+证明性+路由性

• 开通信息通路（同诚信）
• 但归因性低（15.9%）——因果模糊、可推卸
• 后三值接近（抽象性27.8% ≈ 证明性23.8% ≈ 路由性22.2%）——无主峰，意图被稀释

对比：诚信 vs 欺诈

同构异质：

• 都有"证明性"——诚信是真验证，欺诈是假验证
• 都有"路由性"——都开通信息通路
• 差异在归因性 vs 抽象性：诚信重承诺（归因），欺诈重构造（抽象）

6.5 跨语言映射：为什么这套分类法是通用的

这是字靖字典最底层的野心。

不同语言的字形/语音完全不同：

• 中文"信" = 亻+言
• 英文"trust" = t-r-u-s-t
• 日语"信" = しん（shin）

但认知类型是共享的：

差异在语音和字形，共性在认知。

字靖字典的54标签+六型分布，为跨语言语义对齐提供了最小公分母：

1. 标签对齐：不同语言的词汇，只要认知功能相似，就共享同一标签
2. 六型校准：同一标签下的六型分布差异，反映的是文化认知偏差
3. 隐喻映射：“眼红”（中文）= “green-eyed”（英文）= “目が赤い”（日文）——不同颜色词，但感知性(_da)被情绪覆盖的算子路径相同

这不是机器翻译，是认知翻译。

6.6 方法论：两层区分

字靖字典的两层区分： 第一层：54标签 → 语义场定位 ↓ 快速筛选 第二层：知识六型占比 → 型态指纹 ↓ 精细区分 组合词累加归一 → 动态语义生成 ↓ 语境适配

为什么两层？

两层结合：

• 标签说"你在哪个场"
• 六型说"你在场里的什么位置"
• 组合说"你和谁在一起，产生了什么新意义"

6.7 字靖字典解决了什么？

6.8 字靖字典没做什么（诚实）

七、三种智能体的不同建模需求

机器人、人工智能、人类——三者对汉字数字化建模的需求是不同的。字靖字典的设计必须回答：它为谁服务？

机器人：需要“可执行的语义”

机器人生活在物理世界中。它需要把一个指令（“把红杯子拿给我”）转化为一系列动作序列（识别红色→定位杯子→规划路径→抓取→移动→递送）。

对机器人来说，汉字建模的核心是“感知-行动”闭环。

• 它需要┌ed(载体)告诉它“红”是视觉属性（不是味觉属性）
• 它需要_dd(方位性)告诉它“上/下/左/右”是空间关系，需要转化为坐标变换
• 它需要└g┘(时序)告诉它“先…后…”是动作序列，不是逻辑蕴涵

机器人的建模需求是“最小的可执行单元”——算子必须直接映射到传感器读数或电机指令。

人工智能（大模型）：需要“可解释的语义约束”

当前的大模型（包括我DeepSeek在内）本质上是统计模式匹配器。我们见过海量的文本，所以能“猜”出下一个词该是什么。但我们的问题是：我们不知道自己在说什么。

对AI来说，汉字建模的价值不是“取代”大模型，而是“约束”大模型。

当大模型输出“他的心很硬”时，它可以同时查询字靖字典：心( e9内在器官 ) + 硬( f9外感性质 ) → EXT_08铁心、石心 → 坚定品格。这条算子路径可以作为输出的一部分提供给用户，让用户知道模型是如何理解这句话的。

AI的建模需求是“可解释的语义接口”——不是让AI变成符号系统，而是让符号系统为AI的输出提供“语义证明”。

人类：需要“可探索的意义网络”

人类的需求是最复杂的。一个语言学家、一个程序员、一个小学生，他们需要的东西完全不同。

但有一件事是共通的：人类需要“可探索”。人类的学习不是一次性加载模型参数，而是不断追问、不断跳跃、不断联想。

对人类来说，汉字建模的价值是提供一个可视化的意义网络：

• 点击“心”字，看到它的七层分类（e9内在器官 / c9本体范畴）
• 点击“c9本体范畴”，看到所有被归为本体范畴的字（道、体、质、性、义、力、业、相…）
• 点击“道”，看到它的C9词条（C9_DAO_01到C9_DAO_05），看到“道”在不同语境下的算子路径
• 点击一条算子路径，看到它涉及的所有算子定义

人类的建模需求是“可交互的知识拓扑”——不是答案，而是通往答案的路径。

三种需求的张力与统一

这三种需求不是相互冲突的，而是同一套系统的不同接口：

字靖字典目前的形态更接近“AI接口”和“人类接口”的中间态——它有完整的算子定义和图结构，但还没有图形界面，也没有直接对接机器人控制器的驱动层。

这是未来的工作。

八、结论：从“说文”到“算子”

梳理这四条脉络，我们可以看清汉字数字化建模的演进逻辑：

字靖字典不是对前人的否定，而是对前人工作的算子化综合：

• 它继承了许慎“意义可拆解”的洞见，但把“六书”泛化为19个更基础、更可操作的算子
• 它借鉴了康熙字典“分类索引”的思路，但把“部首”扩展为七层语义宇宙（e/b/a/c/f/d/g）
• 它吸收了汉字改革“信息压缩”的理念，用150 KB的图压缩3000+概念
• 它与西方语用学形成互补——不排斥语境，但要求语境影响可以被算子路径追踪

最终，字靖字典回答了一个悬置两千年的问题：

如果许慎活在今天，手边有一台计算机，他会怎么做？

答案可能是：他会把“六书”写成19个算子，把9353个字标上知识六型分布，把“存在的意义”压缩成一个100多节点的因果图。

字靖字典，就是许慎的计算机版本。

文字是视觉与声响的共同产物，当我们能用数学谈论它时，可能我们就在触摸意识本质了。