李宇明 王春輝

科學是第一生產(chǎn)力?？茖W的發(fā)展必然會促進生產(chǎn)力的發(fā)展，進而也將對生產(chǎn)關系進行相應調(diào)整。數(shù)字科學并未將自己局限于科學領域，而是以其巨大的科學成就推動人類進入“數(shù)字經(jīng)濟”時代。數(shù)據(jù)不僅是數(shù)字科學的核心要素，也嬗變?yōu)閿?shù)字經(jīng)濟的重要生產(chǎn)要素。

在數(shù)據(jù)作為數(shù)字科技和數(shù)字經(jīng)濟關鍵生產(chǎn)要素的時代，“語言數(shù)據(jù)”必然成為學術(shù)研究的熱點，成為發(fā)展經(jīng)濟爭相擁有的對象。在英文語境中，“語言數(shù)據(jù)”（linguistic data，language data）是近幾十年來使用較為頻繁的術(shù)語，但在中文語境里還是一個較新且較少使用的概念。在網(wǎng)上檢索“語言數(shù)據(jù)”，可見2016年有“語言大數(shù)據(jù)聯(lián)盟”的消息，2020年7月有《光明日報》發(fā)表李宇明《語言數(shù)據(jù)是信息時代的生產(chǎn)要素》的文章，之后有上海外國語大學設立“語言數(shù)據(jù)科學與應用”專業(yè)的碩博士學位、成立“語言數(shù)據(jù)與智慧教育研究中心”的消息，2021年9月有浙江財經(jīng)大學的“語言數(shù)據(jù)創(chuàng)新班”招生簡章等。

“語言數(shù)據(jù)”較少見用的原因是：其一，人們已習慣使用“語言材料”“語料（庫）”“語言資源”這類說法。其二，“數(shù)據(jù)”（data）研究者，習慣用“數(shù)據(jù)”“大數(shù)據(jù)”這樣的上位概念，不需要或不能自覺區(qū)分語言數(shù)據(jù)和其他數(shù)據(jù)，確需指明時才加“語言”作為限定。其三，本質(zhì)上是對“語言數(shù)據(jù)”的重要性認識不足，研究還比較薄弱。

語言數(shù)據(jù)是以語言符號體系為基礎構(gòu)成的各種數(shù)據(jù)，內(nèi)部可以細分為5類。

（1）語言學科數(shù)據(jù)。指語言符號系統(tǒng)本身的各種數(shù)據(jù)，如語音、語匯、語法、語篇等，也包括文字、標點符號、音標等。有必要時，還可以將其分別稱為語音數(shù)據(jù)、語法數(shù)據(jù)、文字數(shù)據(jù)等。語言學科數(shù)據(jù)是對語言這一客體進行研究而得到的各種認識，屬于語言學知識范疇，辭書、教科書、語言學論文著作等是其通常的貯存方式。

（2）話語數(shù)據(jù)。也可以稱為“言語數(shù)據(jù)”，指在語言交際中產(chǎn)生的口語和書面語等各種數(shù)據(jù)。這類數(shù)據(jù)是語言（文字）作為載體（或主要載體）所負載的各種知識與信息，存在于人類生活、工作、學習、休閑娛樂等各個領域，是語言數(shù)據(jù)中最為豐富、最為重要的一類。話語數(shù)據(jù)可以是不同領域的，可以是單語、雙語和多語的，可以是平面媒體、有聲媒體、網(wǎng)絡媒體和融媒體的。

（3）語言衍生數(shù)據(jù)。涉及語言的社會屬性、生存狀態(tài)、媒介裝備等相關數(shù)據(jù)。比如各語言（文字）的地域分布、母語和第二語言使用人口，各國的國語（或官方語言）及語言能力，各語言的重要文獻數(shù)量及翻譯狀況，語言技術(shù)水平和語言產(chǎn)業(yè)狀況，甚至也涉及各語言所擁有的非物質(zhì)文化遺產(chǎn)、語言社團的綜合實力及對人類的貢獻等。它是語言在長期社會應用中形成的一系列附屬數(shù)據(jù)，對衡量一種語言的生存狀況、判斷國際語言格局具有重要意義。

（4）人工語言數(shù)據(jù)。利用語言（文字）而設計的特殊符號系統(tǒng)，以及運用這些特殊符號而產(chǎn)生的各種數(shù)據(jù)。比如盲文、手語、電報代碼、旗語、燈語等，主要是將文字（或拼音符號）轉(zhuǎn)寫為特殊符號，用于特殊人群、特殊場合的交際。在符號轉(zhuǎn)換的過程中，也可加入一些特殊成分，比如手語中就加入了一些自然動作或聾人群體的傳統(tǒng)動作。

（5）語言代碼數(shù)據(jù)。指生活中、科技活動中使用的各種代碼和科技語言，它們通常具有高度形式化、可機讀（或容易轉(zhuǎn)化為機讀）的特點。如專業(yè)符號、公式、圖表、音樂曲譜、機讀語言、編程語言，還有各類號碼、條碼、標記、印章、紅綠燈、網(wǎng)絡文本中的表情包甚至插圖、水印等。這是最廣泛意義上的語言數(shù)據(jù)。在語言生活中，這些人工語言或單獨使用，或與自然語言結(jié)合使用;有些可以“翻譯”為自然語言，有些不易“翻譯”，但都需要以自然語言作為“元語言”進行定義、描述或解釋。在一個所謂的“讀圖時代”“超語時代”，這些人工語言的使用越來越頻繁，產(chǎn)生的數(shù)據(jù)越來越重要。

語言數(shù)據(jù)的研究與應用，過去主要集中在語言學、計算語言學、信息科學等領域。隨著數(shù)據(jù)科學的發(fā)展，特別是數(shù)據(jù)成為人工智能發(fā)展的主要驅(qū)動因素，語言數(shù)據(jù)的研究與應用，迅速擴展到諸多學科和社會領域，彌散到人類的各個生活空間;因為語言數(shù)據(jù)占人類數(shù)據(jù)量的大多數(shù)，語言數(shù)據(jù)的技術(shù)更新，特別是利用互聯(lián)網(wǎng)收集話語數(shù)據(jù)的便利性和處理話語數(shù)據(jù)的能力的快速提高，促進了“數(shù)字科學”“數(shù)據(jù)科學”的迅速發(fā)展。在“數(shù)字科學”“數(shù)據(jù)科學”的發(fā)展中，語言數(shù)據(jù)發(fā)揮了舉足輕重的作用，因為所處理的“數(shù)字”“數(shù)據(jù)”主要是語言數(shù)據(jù)。

未來的語言數(shù)據(jù)研究，需要清醒認識語言數(shù)據(jù)所具有的數(shù)據(jù)共性和語言特性，界定清楚語言數(shù)據(jù)的內(nèi)涵與外延，研討語言數(shù)據(jù)的功能及其實現(xiàn)方式，建立語言數(shù)據(jù)（資源）學科及人才培養(yǎng)體系，推進語言數(shù)據(jù)科學的發(fā)展。語言數(shù)據(jù)在以下四大領域發(fā)揮功能最為顯著。

第一，語言保護。在語言資源保護領域，語言數(shù)據(jù)發(fā)揮了重要作用，如國家語委2008年啟動的“中國語言資源有聲數(shù)據(jù)庫建設”，2015年啟動的“中國語言資源保護工程”。但是全世界有7000多種語言，多數(shù)語言處于瀕危狀態(tài)，為了全球語言保護，急需為哪些語言建立語言數(shù)據(jù)庫，依據(jù)什么標準建立什么樣的語言數(shù)據(jù)庫，怎樣集各方之力建設和開發(fā)利用語言數(shù)據(jù)庫，是需要首先解決的大問題。

第二，語言教學。在語言教學領域，語言數(shù)據(jù)發(fā)揮著決定性的作用，特別是線上教學成為主導方式的今天。要滿足母語教學、外語教學、海外華語教育、國際中文教育等各種語言教學的需求，教育界和教育產(chǎn)業(yè)界必須把相關的各種語言數(shù)據(jù)，特別是語言學科數(shù)據(jù)和話語數(shù)據(jù)進行積聚整合，精準發(fā)送到使用者手中。

第三，語言學研究和語言產(chǎn)品研發(fā)。語言學研究和語言產(chǎn)品研發(fā)，必須依賴語言數(shù)據(jù)，比如漢語語法規(guī)律的研究離不開語料庫;評價語言的社會功能需要的語言衍生數(shù)據(jù);詞典本來就是一種特殊的語言數(shù)據(jù)庫，特別是線上詞典，詞典編纂也早過了“抄卡片”的年代。語言數(shù)據(jù)庫已成為語言學研究的基本工具，成為語言產(chǎn)品研發(fā)的基本建設。

第四，語言信息處理。語言信息處理是語言數(shù)據(jù)最重要的功能領域。其一，計算機要獲得語言智能，能夠從事“語言行為”，必須依靠大量的語言數(shù)據(jù)“飼喂”，依靠“數(shù)據(jù)驅(qū)動”;其二，計算機的“社會計算”，主要處理的就是各領域的語言數(shù)據(jù)。這一方面有許多發(fā)展中的問題，比如如何利用語言學科數(shù)據(jù)，使語言智能的發(fā)展變“數(shù)據(jù)單輪驅(qū)動”為“‘數(shù)據(jù)+規(guī)則’雙輪驅(qū)動”;如何建立可以測試評價計算機語言智能和語言行為的語言數(shù)據(jù)庫;如何擴充英語之外的“雙語平行語料”，提升非通語種的自動翻譯能力;如何解決“語言小數(shù)據(jù)”問題，提升專門社會領域、專業(yè)學術(shù)領域的語言處理問題;如何利用語言數(shù)據(jù)為特殊行業(yè)、特殊人群配備人工智能助手等。

至于說語言數(shù)據(jù)作為關鍵生產(chǎn)要素，應當做哪些工作，學界業(yè)界還較少討論。也許下面這些內(nèi)容是必要的：全力支持語言數(shù)據(jù)的科學研究，大力發(fā)展語言數(shù)據(jù)產(chǎn)業(yè)與職業(yè)，建立和完善市場機制，逐步建立語言數(shù)據(jù)收集、加工、交換、貯存及產(chǎn)權(quán)、收益等相關的技術(shù)標準、法律法規(guī)和政策體系，充分發(fā)揮其生產(chǎn)要素的經(jīng)濟功能和社會功能。其中語言數(shù)據(jù)庫的共建共享是首要問題，可以說，從研究生做碩士、博士學位論文到每一個科研基金語言項目，從每一個辭書編纂項目到每一項自然語言處理工程，幾乎人人都要建語言數(shù)據(jù)庫，但卻不能實現(xiàn)學界業(yè)界共享，其學力和財力的浪費已難以計算。

總之，語言數(shù)據(jù)是一個新的重要的話題，對它的研究超出了現(xiàn)有語言學的范疇，也超出了其他學科的單一學科范疇，需要多學科聯(lián)袂進行交叉研究;語言數(shù)據(jù)問題也超出了學術(shù)研究范疇，成為社會發(fā)展的重要問題，需要全社會的共同參與。本專題的幾篇文章，涉及語言數(shù)據(jù)安全、語言數(shù)據(jù)的經(jīng)濟屬性、語言數(shù)據(jù)的數(shù)字化技術(shù)、語言智能技術(shù)對于數(shù)據(jù)治理的意義等論題，是關于語言數(shù)據(jù)幾個問題的初始性研究。初始性研究的意義主要不在于解決了什么問題，而是提出問題，引發(fā)關注。希望這一期語言數(shù)據(jù)研究能得到學界的呼應和社會的支持。