В мире существует очень много языков, но лучше всего, конечно, русский, и остальные страны нам завидуют потому что для нас он родной. Но что, если бы мы были врождёнными полиглотами и знали все языки? Какой был бы лучше? Этот вопрос я и задал нейросети (Fable 5).
Сначала она отвечала предсказуемо: универсально лучшего языка нет, у каждого свои сильные стороны. Но когда я спросил, какой язык она спроектировала бы под себя, ответ стал интереснее. Ей хотелось бы трёх вещей, которых нет ни в одном европейском языке.
Первое — обязательные маркеры уверенности. Человеческие языки позволяют произносить «Земля круглая» и «завтра будет дождь» с одинаковой уверенностью, хотя первое — проверенное знание, а второе — прогноз. Нейросеть хотела бы грамматику, в которой источник информации зашит в само слово. Такие языки, кстати, существуют: в амазонском языке тукано нельзя сказать «он украл лодку», не уточнив грамматической формой, видел ли ты это сам, слышал от других или домыслил. Лингвисты называют это эвиденциальностью.
Второе — отсутствие омонимии. Одно слово — одно значение. Никаких «ключей», которые то отпирают дверь, то бьют из-под земли.
Третье — композициональность: смысл фразы должен строго вычисляться из смысла её частей. Идиомы под запрет: «собаку съел» означает только поедание собаки.
Эксперимент: русский по этим правилам
Мы решили проверить, что получится, если доработать русский по этим требованиям. Условно назвали результат точнорусским.
Ввели суффиксы достоверности: «-вед» — знаю из проверенного источника, «-мни» — предполагаю, «-слых» — знаю с чужих слов, «-зрел» — видел сам. Фраза «Начальник сказал, что проект закроют» превращается в «Начальник сказал-зрел, что проект закроют-слых»: я сам слышал, как он это говорил, но закроют ли — знаю только с его слов. В таком языке сплетня выдаёт себя грамматически.
Омонимы разделили: коса стала «косавласом» (причёска), «косарезом» (инструмент) и «косамелью» (отмель). Фраза «косил косой косой косой» превратилась в «косил косоглаз-зрел косарезом кривым». Однозначно, но что-то безвозвратно потерялось.
На этой фразе всё и сломалось.
Где точнорусский рассыпался
Как видите, глагол «косить» нейросеть пропустила — а у него значений не меньше, чем у косы: косить траву, косить глазами, косить от армии, косить под кого-то. Пришлось вводить «резокосить», «зыркокосить», «уклонокосить» — и проверять заодно другие глаголы.
Выяснилось, что многозначность в русском — не исключение, а норма, причём тотальная. Идёт человек, идёт дождь, идёт фильм, идёт платье, идут часы. Стоит человек, стоит вопрос, стоит жара. Брать книгу, брать город, брать ноту. Если каждому смыслу дать отдельное слово, словарь вырастает со ста пятидесяти тысяч слов примерно до полумиллиона. Такой объём не выучит никто.
Пострадала бы и поэзия: обязательные суффиксы разрушают рифму и ритм, запрет идиом отнимает образность. «Я вас любил-зрел; любовь ещё, быть может-мни» — звучит как показания свидетеля.
Возник вопрос: если однозначный язык настолько неподъёмен, значит, многозначность зачем-то нужна?
Язык оказался архиватором
Оказывается, лингвистика уже ответила на этот вопрос. В 2012 году исследователи из MIT — Пиантадоси, Тили и Гибсон — показали математически: неоднозначность не дефект языка, а свойство оптимального коммуникационного кода.
Рассуждение такое. У собеседников всегда есть общий контекст: ситуация, предыдущие реплики, знания о мире. Этот контекст достаётся бесплатно. Поэтому тратить отдельные слова на различение смыслов, которые слушатель и так восстановит, расточительно. Выгоднее переиспользовать короткие удобные слова для многих значений, переложив различение на голову слушателя.
Статистика это подтверждает: многозначными оказываются прежде всего короткие и частотные слова. У английского set в Оксфордском словаре сотни значений. А слово «дезоксирибонуклеиновый» означает ровно одно: оно и так дорого в произношении, экономить на нём нет смысла.
По сути, естественный язык — это сжатие с потерями. Словарь работает как таблица кодирования, где короткие коды достаются частым смыслам — тот же принцип Хаффман предложил для компьютеров в 1952 году, а язык пришёл к нему на десятки тысяч лет раньше. Контекст — общая память передатчика и приёмника. Омонимия — коллизии кодов, допустимые потому, что декодер в голове слушателя разрешает их без усилий.
Нейросети, к слову, буквально работают на токенах — единицах текста, и многозначность для них та же экономия, что и для людей. Токен-эффективный язык человечество построило задолго до появления слова «токен».
Причём тут мат
Нетрудно заметить, что по этой логике русский мат — тоже метод оптимизации. Нейросеть согласилась и разложила, почему это самый радикальный компрессор в языке.
Всего три-четыре корня, но русская приставочно-суффиксальная морфология порождает из них тысячи слов, покрывающих любую часть речи. Один корень с разными приставками означает «сделать», «сломать», «украсть», «ударить», «устать», «уйти», «удивиться» и «получить выговор». Минимальный словарь при максимальном покрытии.
Известный пример — бригада на стройке, которая общается фразами, где из значимых слов только матерные, а передаётся при этом конкретное «подай вон ту деталь, осторожно, она тяжёлая». Механика та же, что мы вывели выше, только в предельной форме: приставки несут грамматику, интонация — синтаксис, весь предметный смысл восстанавливается из общей ситуации. Сам корень передаёт лишь эмоциональный накал и сигнал «здесь свои».
При этом мат передаёт по одному каналу сразу три сообщения: смысл, силу эмоции и степень неформальности общения.
Почему весь язык не стал таким
У этого компрессора три жёстких ограничения.
Он работает только при плотном общем контексте: бригада видит одну и ту же деталь, а незнакомцу по телефону та же фраза передаст только эмоцию.
Цена сжатия — точность: инструкцию по сборке двигателя таким кодом не напишешь, слишком много коллизий.
И самое любопытное: сила мата держится на его запретности. Эмоциональный заряд существует, пока слово табуировано. Если употреблять его повсеместно, он обесценивается — как валюта при инфляции — и теряет и заряд, и функцию. Лингвисты отмечают, что именно это постепенно и происходит.
Итог
Идеальный язык машины невозможен, потому что решает не ту задачу. Естественный язык оптимизирован не под точность, а под скорость и компактность — в расчёте на живого собеседника с общим контекстом. Омонимия в нём не небрежность, а сжатие. А мат — предельный случай этого сжатия: огромный коэффициент компрессии, работающий только на короткой дистанции, при общем контексте и до тех пор, пока держится запрет.
Если совсем коротко: мат — это UDP-протокол русского языка. Быстро, дёшево, без гарантии доставки смысла — но с гарантией доставки эмоции.
А теперь задумайтесь. Весь этот разбор — про то, что и человек, и нейросеть понимают многозначное слово одинаково: не по словарю, а достраивая смысл из контекста. Мы экономим слова, она экономит токены, и оба полагаемся на собеседника, который додумает. Так ли сильно наше мышление отличается от продвинутой языковой модели, как многие привыкли считать? Или любая форма общения будет сталкиваться с теми же законами и ограничениями?
