每两周消失一种语言，人工智能开始介入保护

每两周消失一种语言，人工智能开始介入保护

在今天或几周后的某个时刻，一种人类语言将会消亡。这不是什么次要的边缘语言，而是一种完整的语言——有自己的语法、隐喻、划分时间与空间的方式，以及命名植物、风和人际关系的词汇。根据联合国教科文组织的数据，全球已记录的7,000种语言中，40%正面临灭绝威胁。据ELCat和《自然》杂志2022年的数据，平均每1至3个月就有一种语言消失。联合国教科文组织常引用的”每两周消失一种”这一说法，已受到近年科学研究的质疑。按目前速度，到本世纪末，现存语言将有一半消亡。

这个数字本可只是机构报告里的统计数据。它正在成为一场出人意料的技术实验的起点。人工智能模型长期以来被视为文化同质化的推手——吸收英语内容、主导数字生态、进一步挤压资源匮乏的语言。如今，这些工具开始被用于对抗这一趋势。2024年以来，轻量级语言模型已能在极小的语料库上训练出实用工具，使拥有数千名使用者的语言也能在技术上实现复兴。问题不再只是技术层面的，更是政治层面的：谁控制这些语料库，谁决定如何使用它们，当一个民族没有国家来保护自己的语言时，这种语言究竟属于谁？

要点

• 据ELCat和《自然》杂志2022年数据，每1至3个月就有一种语言消失；联合国教科文组织称全球7,000种语言中40%面临威胁。
• 小型语言模型（SLM）现已能在数千词的语料库上完成训练，使大型模型无法覆盖的语言得以建立文档记录和复兴工具。
• 已有具体项目在推进：新西兰的毛利语、美国的原住民部落语言、英国的威尔士语、南美洲的克丘亚语。
• 主要障碍已不再是技术性的，而是政治和法律性的。语言数据的所有权争议正威胁着最有希望的项目。
• 2026至2030年是关键窗口期。那些现在不启动语言数字记录的社区，其语料库将过于贫乏，未来工具将难以有效发挥作用。

语言消亡，不只是文化损失

把语言消亡视为象征性损失——感人却抽象——是一种分析错误。

一种语言编码了一种认识世界的方式。民族生物学研究反复证明：土著语言包含植物分类学、生态知识、气象体系，这些在主要大语种中往往没有对应物。当一种语言灭绝，这些知识通常随之消失。不是因为无法翻译，而是没有人有时间、资源或授权去记录它们。2021年6月发表于《美国国家科学院院刊》的一项研究显示，在北美、西北亚马逊和新几内亚三个地区的12,495种植物药用知识中，75%在语言上具有唯一性——只被一种语言所掌握。该语言一旦消亡，这些知识将不留任何有记录的替代。

语言还有直接的政治功能。土著民族的领土主张、法律传统、定居叙事，都依赖语言来表达。拉丁美洲多起土地权诉讼，因缺乏土著语言文字记录而受阻，口头证词的法律效力因此被削弱。一种活着的语言是法律资源。一种死亡的语言，是一份无从使用的档案。

大多数濒危语言日常使用者不足1,000人，许多只剩下几十位年长的使用者。语言知识存在于这些人的记忆中，而这些人在十到二十年内将不复存在。记录的窗口是真实的、可量化的，而且正在关闭。

大型模型无能为力的地方

长期以来，语言类人工智能对濒危语言几乎无用。GPT、Llama、Mistral等大型语言模型依赖海量语料库训练。英语语料库达数千亿个token，法语或德语也有数百亿。毛利语、瓜拉尼语或纳瓦霍语的数字语料库只有数百万词，有时甚至不到一百万。这远不足以训练通用模型。将低资源语言纳入大型模型的尝试，往往产生语法幻觉、与邻近语言混淆，或套用英语逻辑导致文化上的错误翻译。

这一瓶颈在2023至2025年间部分松动。新一代小型语言模型（SLM）证明了在更小语料库上生成实用工具的能力。布鲁金斯学会2025年发布的报告记录了多个案例：拼写检查器、文本预测工具和文档记录工具仅在数千句的语料库上完成训练，效果已足以供母语使用者实际使用。这不是专业级机器翻译，而是对写作、教学和口语转录的功能性辅助——恰好是语言传承社区最需要的三类工具。

区别很关键。目标不是做一个纳瓦霍语版的ChatGPT，而是给一位用纳瓦霍语教学的老师提供一个能用的拼写检查器，给转录长者口述的工作者提供规范拼写的辅助工具，给起草首批行政文件的社区提供语法一致性支持。这些不起眼的工具对语言传承有直接影响。而且，这在技术上首次成为现实。

已经取得进展的项目

新西兰是目前最先进的实践场之一。毛利语复兴运动——kohanga reo，意为”语言之巢”——始于1980年代，远早于人工智能的出现。它建立了沉浸式学校、毛利语媒体，强化了语言的制度地位。这一基础积累起足够的数字语料库，让语言人工智能工具得以发挥作用。毛利族媒体机构Te Hiku Media开发了毛利语语音识别引擎——该语言的首个此类系统。这一项目没有委托谷歌或美国大学，而是在内部完成，对所收集数据实施严格的社区管控。布鲁金斯学会的专家将这种”技术+土著治理”的模式列为参考范本。

在美国，多个部落启动了类似项目，通常与大学合作。夏威夷大学致力于夏威夷语的保护。据夏威夷大学基金会数据，1985年，18岁以下仍会说夏威夷语的儿童只有32人，成人使用者在1,000至2,000人之间。经过学校沉浸式项目的推动，该语言目前拥有逾20,000名使用者。人工智能在社会复兴之后才介入——它放大了已经存在的运动，而非创造了它。在南美洲，围绕克丘亚语和瓜拉尼语的项目已经启动，成效不一：克丘亚语有逾800万使用者，语料库更为丰富；瓜拉尼语在巴拉圭与西班牙语并列为官方语言，享有土著语言中罕见的制度保障。

在欧洲，威尔士语常被用来说明政治意愿的作用。威尔士语拥有90万使用者，在威尔士具有共同官方语言地位，拥有相当规模的数字语料库和语言工具开发的公共资金。威尔士议会已授权为其行政服务开发威尔士语人工智能工具。这个案例印证了一个简单的道理：当公共机构决定一种语言值得重视，配套工具就会跟上。

这些成功项目有一个共同结构：一个有凝聚力的社区、哪怕规模有限的语料库、可控的外部技术合作，以及数据的本地治理。缺少其中任何一个要素，项目就会崩溃或变质。而治理，正是当前最主要的争议焦点。

数据所有权：新的殖民领域

一种土著语言的语料库是稀缺、不可复制且潜在具有商业价值的资源。这一现实吸引了利益并不与相关社区一致的外部行为者。

几十年来，大学从土著社区收集语言数据，有时经过同意，往往没有。这些录音、转录稿和词典存放在大学服务器上，受所在国法律管辖，作为来源的社区却无从访问。当研究人员或公司今天想用这些数据训练模型，社区通常没有任何发言权。

问题远不止于此。多家科技公司已开始抓取低资源语言内容——宗教文本、圣经译本、行政文件——用于训练商业多语言模型，既不通知使用者，也不提供任何补偿。从现行法律看，这是合法的。从相关社区的角度看，这是掠夺。社区生产的资源被外部行为者获取并控制其价值变现——这一机制在其他领域早有记录，如今以数字形式重演。部分土著法学家已将其正式定义为”数据殖民主义”。

新兴的回应依赖新的法律框架。”土著数据主权”概念——由加拿大FNIGC网络和与CARE原则相关的研究者推动——主张社区必须对涉及自身的数据享有控制权，包括语言数据的收集、存储、使用和共享。这些原则目前仍以自愿为主。已有一些具体协议落地——Te Hiku Media拒绝将数据出售给商业公司，并自行构建了模型——但整体法律框架仍付阙如。随着人工智能商业应用加速，填补这一空白日益紧迫。

人工智能能做什么，不能做什么

需要明确技术在这里能提供什么，以及它永远无法替代什么。

人工智能工具可以加快文档记录速度。它们能将数小时的录音转录为标准化文本，把原本需要数年的工作压缩到几个月。它们可以创建适配的拼写检查器和输入键盘，这对用手机写作的年轻使用者有实际意义。它们可以为那些没有出版社愿意投资的语言生成教学资源——练习题、阅读文本、问卷。只要基础语料库存在，这些贡献真实、可量化，部署成本相对较低。

人工智能不能做的是：决定一种语言是否值得保存。这个决定属于社区本身，并不简单。有些社区有意选择不记录其语言的某些内容——仪式、神圣词汇、仅限特定成员的知识。技术热情若不尊重这些选择，可能造成无法弥补的侵害。人工智能也无法替代活生生的语言传承。一种语言不会在语言模型中存活，它在使用它的家庭、教授它的学校、传播它的媒体中存活。工具是人类行动的放大器，而不是发动机。

成功的项目总是将两种逻辑结合在一起。一是社会与政治逻辑：教育政策选择、公共资金投入、制度层面的决策。二是技术逻辑：让那些已决定传承语言的人更便于实践。把这两种逻辑割裂开来，是失败项目的首要原因。没有社会运动支撑的工具只是摆设；没有工具的社会运动虽可独立运作，但效果有限。

这与技术和政治交叉的其他领域呈现出相同的规律：技术降低成本、扩大可能性，但不决定选择。同样的辩论也贯穿文化产业：区分存活与消亡的文化产业，关键很少在于可用的技术，而在于支持它们的政治决策。

谁来决定，依据什么

治理问题是当前的核心难题。三种模式并存，各有其逻辑与局限。

第一种是传统的大学模式：语言学家团队负责收集、记录和发布，并将数据存入公共或半公共档案。这一模式贡献了现有濒危语言资源的大部分，也制造了最尖锐的所有权冲突——数据由不向来源社区负责的机构持有。

第二种是主权社区模式，以新西兰Te Hiku Media和美国部分部落倡议为代表：社区控制数据，自主选择技术合作方，自主决定用途。这一模式最尊重社区权利，但也最慢、最昂贵，因为它要求许多小型社区尚不具备的制度能力。

第三种是平台模式：谷歌（通过濒危语言项目Woolaroo）和Meta（通过NLLB项目的低资源语言研究）等公司投资于涵盖濒危语言的多语言工具。这些举措有实际影响——Meta的NLLB模型于2022年7月发布时覆盖200种语言，其中数十种处于濒危状态。但它们同时引发了尖锐的控制权问题：模型是专有或半开放的，训练数据的来源并不总是可追溯的，社区没有任何正式的治理机制。

生成式人工智能正深刻改变我们工作和创造的方式，包括在文化保护这类意想不到的领域。但技术加速同时给治理框架带来压力，后者难以跟上部署节奏。

未来几年的真正挑战，是建立一个让三种模式共存的框架，不让最强大的模式吞噬或架空另外两种。这需要针对土著语言数据所有权的专门立法——加拿大和澳大利亚的部分省级政府已开始朝这个方向立法——也需要支持语言模型以联邦化方式运行、无需集中语料库的技术标准。

前景是清晰的。十年内，用于记录和教授任何拥有数千名使用者的语言的技术工具，将变得可及且廉价。真正的问题是：届时谁将构建这些语料库、在什么条件下构建、以及它们归谁所有。对于活跃使用者不足500人的语言社区，这个窗口很可能在五到十年内关闭。过了这个节点，就没有多少东西可以记录了。这一时间表，比任何技术考量都更应当决定当下政治与法律决策的节奏。

来源

1. 布鲁金斯学会——“小型语言模型能否振兴土著语言？”：https://www.brookings.edu/articles/can-small-language-models-revitalize-indigenous-languages/
2. 联合国教科文组织——世界濒危语言地图集：https://www.unesco.org/languages-atlas/
3. Te Hiku Media——毛利语语音识别项目：Te Hiku Media，惠灵顿，新西兰 (te hiku.org.nz)
4. Meta AI——“不让任何语言掉队”（NLLB, 2022），技术报告发表于 arxiv.org
5. FNIGC（原住民信息治理中心）——OCAP 原住民数据主权原则，渥太华
6. 《美国国家科学院院刊》（PNAS）——Cámara-Leret & Bascompte，关于与土著语言相关的医药知识的研究（2021年6月）：https://www.pnas.org/doi/10.1073/pnas.2103683118
7. 原住民数据治理的CARE原则——全球原住民数据联盟
8. 联合国教科文组织 / 联合国新闻——受威胁的土著语言（40%）：https://news.un.org/fr/story/2022/12/1130582
9. 罗塞塔项目 / ELCat——语言消失率：https://rosettaproject.org/blog/02013/mar/28/new-estimates-on-rate-of-language-loss/
10. Te Hiku Media——首个te reo Māori自动语音识别系统：https://nz.linkedin.com/company/te-hiku-media
11. 夏威夷大学基金会——夏威夷语复兴：https://uhfoundation.org/saving-hawaiian-language
12. Meta NLLB-200——200种语言，2022年7月：https://techafricanews.com/2022/07/08/meta-announces-the-launch-of-nllb-200-a-language-ai-model/
13. Te Ara新西兰百科全书——kōhanga reo成立于1982年：https://teara.govt.nz/en/maori-education-matauranga/print