海德沙龙

你大概已经猜到了『伊讲』大概是个什么东西，没错，把几种语义化方案中被我视为可欲的那些特性合并起来，便是『伊讲』的特性：伊是一种强语义化的、让说话者主动表达语义的、语义开放的、去中心化的、非匿名化的（因而是个人化的）、强社会性的语义化方案。 方案 言语持久化 贴标签 用行动说话 语义化言说 词汇索引 机器理解 语法标记 实例 IM/BBS blog/MB 豆瓣 维基 Google IBM Watson 伊讲 语义化 无 弱 强 中等 中等 强 强 语义表达 无 主动 主动 主动 被动 被动 主动 开放性 开放 开放 封闭 半开放 开放 开放 开放 匿名化 否 否 否 是 是 是 否 语义中心化 否 否 是 是 不必 不必 否 语义自主性 无 强 强 强 弱 弱 强 社会性 无 弱 强 无 无 无 强 在我列举的各方案中，豆瓣拥有最多我所期待的特性，但豆瓣也有两个我最痛恨的特性：她是封闭的（即语义专制的），也是语义中心化的，而同时，twitter（或其他微博客）是开放和去中心化的（当然，豆瓣同时也是微博客，但她的这两部分在语义功能上是相互孤立的，我说的是它区别于微博客的地方），但推特的语义化又太弱了，这是因为标签机制的语义功能太弱。

『伊讲』的方案，就是把twitter的标签升级为语法标记，从而让机器能够从言语文本中深度提取语义，这样一来，用户便可以像在twitter中那么说话，但同时起到了在豆瓣中实施行动深度相当的语义效果，又不会被束缚于豆瓣那种“以行动说话”的方式对词汇和句型必定施加的严格限制，我将这种方案叫做“语法标记”。

语法标记方案的一个优势是，技术实现上非常容易，让机器解析一个带有语法标记的言语文本，是要求较低的任务，存在语法标记的情况下，语法解析工作是相当机械化的；假如我们的目标语言是英语的话，即便没有语法标记，解析也不会太难。

无标记解析确实也是一个选项，不过『伊讲』的目标语言是汉语，无标记解析会比较困难（比如划词就是个大麻烦），我一个人大概啃不下来（我下决心开始做『伊讲』的前提之一是，相信自己至少能够独力完成伊的第一个版本）。

除了汉语文本的特性带来的技术障碍，我选择标记方案还有另一个理由：无标记解析需要更多的词法和句法约定，这会给说话者施加更多限制，这是我不希望看到的，因为这会妨碍自然语言历来具有的持续进化特性。

有了标记，词法上可以充分自由：你可以将任意符号组合（只要和标记本身不冲突）当作动词用，或当作其他任何语法成分用，自然语言里就是这样的，比如你可能会说“昨天我又被方滨兴了，所以没有伊讲。”

若依靠无标记解析，即便解析器非常聪明，可能也要过好久，采集了足够多言语样本之后，才明白“方滨兴”和“伊讲”都可以当作动词用，在此之前，它可能会怀疑“方滨兴”和“了”之间漏了个什么词（总不能假定用户从来不会手抖吧？），而弄不明白“伊讲”到底是个名词、形容词还是助词，而借助标记，说话者可以直接告诉解析器那就是个动词。

其实语法标记也不算是说话者的额外负担，口语带很多标记，停顿、重音、声调等等，都可以被作为语法标记附加到语音流中，只是变成文本时，这些信息要么丢失了，只能靠阅读者自己脑补，或者被替换成了标点符号等书面标记，『伊讲』的解析器仍会尽量利用这些书面标记，但因为它还不够聪明，也不想预设太多约定，所以需要用户多加些标记。

现在让我们来看看『伊讲』在图灵时代的自然语言信息模型中处于什么位置： 图中左边的主动方案就是『伊讲』，在接收到言语文本后，伊做了两件事：对文本作语法解析，提取其中语义并写入外部语义网，然后将文本格式化为易读形式送进相应的时间线，这些被提取的语义会一直关联着说话者。

在恰当的情境下，这些语义会被机器利用并产生意义，也会（在经历一系列转换后）进入说话者自己和其他人的信息环境中，变成对后者或许有价值的信息，继而在后者头脑中产生知识；在今后的文章里，我会解释“恰当的情境”和“一系列转换”究竟是什么，简单说，就是经过两层映射，首先是社会关系映射，其次是个体知识模型的映射，最终变成个体知识。

在我看来，定义这两层映射的模型，是『伊讲』的核心价值，它具体化了哈耶克的（加上我的）知识论哲学：知识分散存在于个体头脑，并通过社会关系网络传播，这种传播平行而分散的发生于整个社会关系网的一个个局部，特定个体在特定时刻获取何种信息，取决于他处于社会关系网的什么位置，以及他从自身这个节点出发，与哪些周围节点存在何种关系。

显然，这个模型是个人主义的，去中心化的，而同时又是充分参与并利用了外部语义网的。

好了，这就是『伊讲』。

或许你仍会问：听上去很好，可这究竟有啥用？

假如你觉得豆瓣比其他SNS多一点点好处，那『伊讲』就会把这好处放大很多倍，指数式的放大，比如：

1）记录生活：其他SNS也会记录你说过的话，但未经语义化的记录上用处不大的，比如你没法方便的“看看今年我看过哪些电影”，吃过哪些餐馆，去过哪些地方，碰到过哪些人，做过哪些事，买过哪些东西，买衣服花了多少钱，喝醉过几次……

2）发展社会关系：其他SNS也会帮助你发展社会关系，但方式很单调（往往单调的让人厌烦），比如告诉你某人和你都关注谁谁谁，都被谁谁谁关注；豆瓣的方式有意思一些：会告诉你他和你都读过某某书，都喜欢某某电影，但也不过如此；伊讲的方式会有意思的多：比如伊可能告诉你，你们都在西湖里游过泳，都在大理骑过车，或都在5月35号喝醉过。

3）获得有意思的反馈：依我看，好的说话环境应该会对言语行为作出丰富而贴切的反馈，比如你说你正在读某本书，若能得到“你的某某朋友读过这本书”之类的反馈，会比较有意思，或者当你说想去某地方旅行，想吃点新鲜的，想听点新歌……，最好也会有反馈；

4）人机对话：实际上，在对言语进行反馈时，机器已经默默参与了对话，它在倾听你的言语，然后从外部语义网中提取一些它认为值得反馈给你的信息；在『伊讲』里，这种对话可以更直接的方式进行，即，你可以明确的对着机器说话，他会当即作出响应，比如你可以告诉它：我想看看明天的天气如何；给我放首新歌听听，你知道我口味的；或者，给我放首新歌听听，别管我口味……诸如此类（当然，这还是较远期的承诺，这方面的潜力会逐渐挖掘，这样的反馈需要机器真正了解词汇的“意义”，因为那需要驱动设备产生行为，我相信伊会慢慢被教会各种意义的）

……

还有许多好处，我就先不一一细述了，实际上也没法细述，语义信息的潜在价值是无穷无尽的，它有待我们一点点去挖掘，作为设计者的我，在开发测试过程中，也常常被它所展现出的潜力所打动。