一、语言表征的符号学基础：形式与意义的二元性
语言表征的本质首先体现在符号系统的构建上。根据索绪尔的结构主义语言学，语言是符号的集合，每个符号由能指（形式）和所指（意义）构成。例如，英语中“tree”的语音/书写形式是能指，其指向的“具有树干、枝叶的植物”这一概念是所指。这种二元关系并非自然存在，而是社会约定的产物——不同语言对同一现实可能使用完全不同的符号（如法语“arbre”、中文“树”）。
符号的任意性与系统性
符号的任意性（arbitrariness）是语言表征的核心特征之一。能指与所指之间没有必然联系，但符号系统内部必须保持系统性。例如，英语动词的时态变化（如“go-went-gone”）通过形态规则形成模式，这种系统性使得学习者能够通过部分符号推断整体规则。在计算语言学中，这种系统性体现在词法分析（Morphological Analysis）中，如使用有限状态自动机（FSA）建模词形变化。
技术实现中的符号编码
在自然语言处理（NLP）中，符号编码是语言表征的基础步骤。传统方法依赖手工设计的特征（如词袋模型、TF-IDF），而深度学习时代则通过嵌入（Embedding）技术将符号映射为连续向量。例如，Word2Vec模型通过上下文预测任务学习词向量，使得语义相近的词（如“cat”和“dog”）在向量空间中距离较近。这种编码方式不仅保留了符号的形式，还隐式捕捉了部分意义信息。
二、语言表征的认知维度：意义构建的动态过程
语言表征的本质更在于意义的动态构建。认知语言学认为，意义并非静态存储于符号中，而是通过认知主体与语言的交互实时生成。例如，句子“The key is under the mat”的意义不仅取决于单词的字典定义，还依赖于听者对“key”“mat”“under”的空间关系推理。
框架语义学与场景构建
Fillmore的框架语义学指出，语言理解需要激活与句子相关的认知框架。例如，“购买”框架包含买家、卖家、商品、货币等角色，当听到“I bought a book”时，听者会自动填充这些角色。在NLP中，这种框架可通过语义角色标注（Semantic Role Labeling）技术实现，如识别句子中的施事、受事、工具等成分。
语境依赖性与歧义消解
语言表征的意义高度依赖语境。例如，“bank”在“river bank”中指河岸，在“bank loan”中指金融机构。歧义消解需要结合上下文、百科知识甚至非语言信息（如说话者的身份、场景）。在计算模型中，可通过注意力机制（Attention Mechanism）动态调整词的重要性，例如Transformer模型中的自注意力层能够捕捉长距离依赖关系，从而更准确地理解语境。
三、语言表征的技术挑战：从符号到分布式表示
传统符号主义AI试图通过显式规则表征语言，但面临规则爆炸和泛化能力不足的问题。连接主义（如深度学习）则通过分布式表示（Distributed Representation）隐式捕捉语言规律，但也存在可解释性差、数据依赖性强等缺陷。
预训练模型的崛起
以BERT、GPT为代表的预训练模型通过大规模无监督学习（如掩码语言模型、因果语言模型）学习语言的通用表征。这些模型能够捕捉语法、语义甚至部分语用信息，例如BERT可以预测句子中被掩码的词，而GPT能够生成连贯的文本。然而，预训练模型的表征本质仍是统计规律，其“理解”能力与人类认知存在差距。
多模态语言表征
语言并非孤立存在，而是与视觉、听觉等模态紧密关联。例如，描述“一只猫在沙发上睡觉”时，语言表征需要与图像中的猫、沙发等视觉元素对齐。多模态预训练模型（如CLIP）通过联合学习文本和图像的表征，实现了跨模态的语义对齐，为更全面的语言理解提供了可能。
四、实践建议：如何优化语言表征？
- 结合符号约束与神经网络：在预训练模型中引入符号知识（如语法树、语义图），可提升表征的可解释性。例如，在词嵌入中加入词性标注约束。
- 利用多模态数据：通过图像、视频等非文本数据丰富语言表征，尤其适用于低资源语言或专业领域（如医学、法律）。
- 关注动态语境：在应用中（如对话系统、机器翻译）动态调整语言表征，例如使用上下文嵌入（Contextual Embedding）替代静态词向量。
- 评估表征质量：除了内在指标（如词向量相似度），还需通过下游任务（如问答、摘要）评估表征的实际效果。
结语：语言表征的本质是桥梁
语言表征的本质，是连接形式与意义、符号与认知、机器与人类的桥梁。它既是社会约定的产物，也是认知动态的结晶；既是符号的排列组合，也是分布式向量的统计规律。理解这一本质，不仅有助于我们构建更智能的NLP系统，更能深化对人类语言能力的认知。未来，随着多模态学习、神经符号结合等技术的发展，语言表征的研究将迈向更深的层次。