想象一下，在漫長(zhǎng)的人類歷史長(zhǎng)河中，我們的祖先是如何從簡(jiǎn)單的咕嚕聲和手勢(shì)，逐漸發(fā)展出今天這套復(fù)雜的語(yǔ)言系統(tǒng)的？這個(gè)問(wèn)題一直困擾著語(yǔ)言學(xué)家和人類學(xué)家。而今天我們要聊的這項(xiàng)研究，就像是打開(kāi)了一扇窗戶，讓我們得以窺探語(yǔ)言的起源。

這項(xiàng)由新加坡資訊通信研究院（I?R，A*STAR）、南洋理工大學(xué)計(jì)算與數(shù)據(jù)科學(xué)學(xué)院、英國(guó)曼徹斯特大學(xué)計(jì)算機(jī)科學(xué)系和新加坡前沿人工智能研究中心（CFAR，A*STAR）的研究團(tuán)隊(duì)聯(lián)合完成的研究成果，于2025年5月19日發(fā)表在arXiv預(yù)印本平臺(tái)上（arXiv:2505.12872v1）。研究團(tuán)隊(duì)的主要成員包括Maytus Piriyajitakonkij、Rujikorn Charakorn、Weicheng Tao等多位學(xué)者，通訊作者為南洋理工大學(xué)的Mengmi Zhang教授。

在人類語(yǔ)言誕生之前，我們的祖先是如何相互協(xié)作的？他們依靠什么避開(kāi)捕食者，共享資源，一起打獵？學(xué)術(shù)界目前的主流假設(shè)認(rèn)為，語(yǔ)言并非憑空出現(xiàn)，而是為了滿足早期人類合作需求而逐漸演變出來(lái)的。打個(gè)比方，就像你和朋友在一個(gè)昏暗的森林里尋找食物，你看到了遠(yuǎn)處的漿果，但你的朋友沒(méi)看到。在沒(méi)有語(yǔ)言的情況下，你可能會(huì)指指點(diǎn)點(diǎn)，發(fā)出特定聲音，或嘗試帶領(lǐng)朋友前往。隨著時(shí)間推移，這些簡(jiǎn)單的溝通方式逐漸演變成更復(fù)雜的系統(tǒng)，最終成為我們今天使用的語(yǔ)言。

那么，我們能在實(shí)驗(yàn)室中"重現(xiàn)"這個(gè)過(guò)程嗎？研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)名為"覓食游戲"（Foraging Games）的多智能體環(huán)境，模擬了早期人類面臨的生態(tài)和認(rèn)知限制。在這個(gè)游戲中，智能體們需要在一個(gè)部分可觀察的網(wǎng)格世界中協(xié)作，完成諸如共同拾取高價(jià)值目標(biāo)或執(zhí)行有時(shí)間順序的行動(dòng)等任務(wù)。通過(guò)端到端深度強(qiáng)化學(xué)習(xí)，這些智能體從零開(kāi)始學(xué)習(xí)行動(dòng)和溝通策略。

令人驚訝的是，研究團(tuán)隊(duì)發(fā)現(xiàn)這些智能體逐漸發(fā)展出了具有自然語(yǔ)言特征的通信協(xié)議，包括任意性（符號(hào)通過(guò)社會(huì)約定而非固有結(jié)構(gòu)獲得意義）、互換性（發(fā)出和理解相同的信息）、位移性（能夠表達(dá)在其他時(shí)間和地點(diǎn)發(fā)生的事件）、文化傳播（語(yǔ)言模式在智能體之間傳遞）以及組合性（語(yǔ)言由可重復(fù)使用的部分構(gòu)成，反映任務(wù)語(yǔ)義）。

接下來(lái)，讓我們一起深入了解這項(xiàng)研究的細(xì)節(jié)，看看這些"數(shù)字洞穴人"是如何發(fā)展出它們自己的溝通系統(tǒng)的。

一、研究背景：語(yǔ)言為何會(huì)產(chǎn)生？

在探索語(yǔ)言起源這個(gè)宏大話題之前，我們需要先了解一下語(yǔ)言可能的演化動(dòng)力。想象一下原始人類生活的場(chǎng)景：幾個(gè)部落成員在草原上狩獵，他們需要互相協(xié)調(diào)才能成功捕獲獵物。在這種情況下，有效的溝通就成了生存的關(guān)鍵。

在語(yǔ)言學(xué)和人類學(xué)領(lǐng)域，有一個(gè)主流假設(shè)認(rèn)為，人類語(yǔ)言的產(chǎn)生并非偶然，而是為了滿足早期人類合作的需求。換句話說(shuō)，語(yǔ)言是一種工具，它被社會(huì)使用和共同目標(biāo)所塑造。這就像是幾個(gè)人需要一起抬起一塊沉重的石頭，但每個(gè)人都只能看到石頭的一部分——如果沒(méi)有溝通，他們很難協(xié)調(diào)自己的動(dòng)作，石頭可能會(huì)砸到腳上。

雖然我們無(wú)法直接獲取早期人類交流的證據(jù)（畢竟那時(shí)候還沒(méi)有錄音設(shè)備?。?，但我們可以通過(guò)多智能體模擬來(lái)研究語(yǔ)言是如何在協(xié)調(diào)需求下產(chǎn)生的。就像科學(xué)家無(wú)法直接觀察恐龍生活，但可以通過(guò)化石和模型來(lái)推測(cè)一樣。

之前的研究主要集中在所謂的"參考游戲"上，即一個(gè)"說(shuō)話者"向一個(gè)"聽(tīng)者"傳遞信息。想象兩個(gè)人面對(duì)面坐著，中間有一個(gè)屏障，說(shuō)話者看到一些物體，需要描述給聽(tīng)者聽(tīng)，讓聽(tīng)者找出正確的物體。這種設(shè)置雖然簡(jiǎn)單，但有很多限制：溝通往往是單向的，角色固定（一個(gè)永遠(yuǎn)是說(shuō)話者，一個(gè)永遠(yuǎn)是聽(tīng)者），而且參與者不需要在真實(shí)環(huán)境中移動(dòng)或互動(dòng)。

這就是為什么研究團(tuán)隊(duì)開(kāi)發(fā)了"覓食游戲"（Foraging Games，簡(jiǎn)稱FG）——一個(gè)更貼近早期人類真實(shí)生存環(huán)境的多智能體框架。在FG中，智能體需要雙向溝通、共同學(xué)習(xí)物理行動(dòng)和交流，就像早期人類在合作覓食時(shí)做的那樣。環(huán)境強(qiáng)調(diào)了智能體的身體性：它們必須探索、觀察和在一個(gè)動(dòng)態(tài)且部分可見(jiàn)的世界中行動(dòng)。此外，每個(gè)智能體都會(huì)與多個(gè)不同的伙伴互動(dòng)，這讓研究人員可以研究向新伙伴的泛化、方言形成和文化傳播等現(xiàn)象。

二、覓食游戲：重現(xiàn)原始人的生存環(huán)境

覓食游戲的構(gòu)思非常巧妙，它試圖模擬早期人類面臨的生態(tài)和認(rèn)知限制。想象一下，你和你的伙伴站在5×5的網(wǎng)格世界中，每人只能看到以自己為中心的3×3范圍內(nèi)的情況。你們的任務(wù)是找到并同時(shí)拾取目標(biāo)物品，但難點(diǎn)在于：你們每人只能獲得部分信息，必須通過(guò)溝通來(lái)協(xié)調(diào)行動(dòng)。

這個(gè)游戲包括兩個(gè)具體任務(wù)：

首先是"高分覓食"（ScoreG）。在這個(gè)任務(wù)中，環(huán)境中有兩個(gè)物品，每個(gè)物品有一個(gè)分?jǐn)?shù)。但每個(gè)智能體只能看到其中一個(gè)物品的分?jǐn)?shù)，它們必須互相交流，找出并同時(shí)拾取分?jǐn)?shù)更高的那個(gè)物品。這就像兩個(gè)洞穴人各自發(fā)現(xiàn)了不同的食物來(lái)源，需要決定哪一個(gè)更值得花時(shí)間獲取。

其次是"時(shí)序覓食"（TemporalG）。在這個(gè)任務(wù)中，兩個(gè)物品會(huì)在不同時(shí)間點(diǎn)出現(xiàn)，每個(gè)智能體只能看到一個(gè)物品出現(xiàn)的時(shí)間。智能體們必須按照物品出現(xiàn)的時(shí)間順序拾取它們——先出現(xiàn)的物品必須先被拾取。這模擬了原始人需要根據(jù)季節(jié)或其他時(shí)間線索來(lái)決定何時(shí)收集哪些資源的情況。

智能體們?nèi)绾卧谶@個(gè)世界中移動(dòng)和溝通呢？每個(gè)智能體可以向四個(gè)方向移動(dòng)（上、下、左、右）或拾取物品。同時(shí)，它們可以從固定大小的可學(xué)習(xí)詞匯表中選擇離散消息進(jìn)行交流。這些消息沒(méi)有預(yù)設(shè)的含義，智能體需要自己發(fā)展出有意義的通信系統(tǒng)。

每個(gè)智能體都裝備了用于感知、記憶和策略轉(zhuǎn)換的深度神經(jīng)網(wǎng)絡(luò)模塊。簡(jiǎn)單來(lái)說(shuō)，智能體有三個(gè)主要部分：一個(gè)用來(lái)觀察周圍環(huán)境的"眼睛"，一個(gè)用來(lái)記住之前看到和聽(tīng)到的信息的"大腦"，以及一個(gè)決定下一步行動(dòng)和發(fā)送什么消息的"決策系統(tǒng)"。

這些智能體使用一種叫做"近端策略優(yōu)化"（PPO）的算法獨(dú)立訓(xùn)練，沒(méi)有共享模塊、參數(shù)或梯度，反映了每個(gè)智能體的個(gè)性化和去中心化特性。就像現(xiàn)實(shí)中的人類一樣，每個(gè)智能體都以自己的方式學(xué)習(xí)和適應(yīng)環(huán)境。

三、語(yǔ)言如何浮現(xiàn)：從混沌到秩序

在研究中，智能體們?cè)谒杏螒蛑卸歼_(dá)到了超過(guò)95%的成功率，這表明它們確實(shí)學(xué)會(huì)了有效溝通和協(xié)作。但研究團(tuán)隊(duì)注意到一個(gè)有趣的現(xiàn)象：兩個(gè)訓(xùn)練好的智能體雖然能很好地合作，但當(dāng)一個(gè)智能體與自己的復(fù)制品配對(duì)測(cè)試時(shí)，卻失敗了。這暗示智能體只理解伙伴的語(yǔ)言，而不理解自己產(chǎn)生的語(yǔ)言。

這聽(tīng)起來(lái)很奇怪，對(duì)吧？就像你能聽(tīng)懂別人說(shuō)的話，但不理解自己說(shuō)的話一樣。為了解決這個(gè)問(wèn)題，研究團(tuán)隊(duì)提出了兩個(gè)解決方案：

第一個(gè)方案是訓(xùn)練具有三個(gè)或更多智能體的群體。研究人員猜測(cè)，當(dāng)智能體必須與多個(gè)伙伴交流時(shí)，發(fā)展共享語(yǔ)言會(huì)成為最優(yōu)策略。這就像是在一個(gè)小村莊里，如果每?jī)蓚€(gè)人之間都發(fā)明自己的語(yǔ)言，那么溝通會(huì)變得非常困難。相反，一種共享的語(yǔ)言自然會(huì)產(chǎn)生。

第二個(gè)方案是在訓(xùn)練期間納入"自我互動(dòng)"。這受到人類能對(duì)自己說(shuō)話的觀察啟發(fā)。通過(guò)讓智能體在訓(xùn)練中有時(shí)與自己的復(fù)制品互動(dòng)，可以鼓勵(lì)智能體理解自己的消息，促進(jìn)對(duì)共享語(yǔ)言的趨同，反映了語(yǔ)言的"互換性"特征。

研究團(tuán)隊(duì)還探索了不同社交網(wǎng)絡(luò)結(jié)構(gòu)中的語(yǔ)言特性，如完全連接（每個(gè)智能體都可以與所有其他智能體互動(dòng)）和環(huán)形結(jié)構(gòu)（每個(gè)智能體只與鄰居互動(dòng)）。他們使用邏輯回歸從智能體的消息中解碼與任務(wù)相關(guān)的信息，如物品位置，驗(yàn)證這些消息是有意義的而非隨機(jī)的。高于隨機(jī)水平的解碼準(zhǔn)確率表明語(yǔ)言已經(jīng)浮現(xiàn)，用于交流物品屬性。

另外，研究人員還表明，當(dāng)智能體無(wú)法發(fā)送消息時(shí)，它們可以發(fā)展出"隱式交流"——即通過(guò)觀察伙伴的行為獲取信息。這就像兩個(gè)人在不說(shuō)話的情況下，通過(guò)觀察對(duì)方的眼神和動(dòng)作來(lái)協(xié)調(diào)行動(dòng)。

四、研究發(fā)現(xiàn)：語(yǔ)言的五大特性

這項(xiàng)研究的一個(gè)重要發(fā)現(xiàn)是，在合作環(huán)境中訓(xùn)練的智能體逐漸發(fā)展出了人類語(yǔ)言的五大關(guān)鍵特性：

首先是"任意性"。智能體們發(fā)明的符號(hào)并不具有固有的含義，而是通過(guò)社會(huì)約定獲得意義。即使兩個(gè)智能體開(kāi)發(fā)出不同的語(yǔ)言系統(tǒng)，只要它們能相互理解并成功完成任務(wù)，這些系統(tǒng)就是有效的。這就像世界上不同的人類語(yǔ)言使用不同的詞來(lái)表達(dá)相同的概念——"水"在英語(yǔ)中是"water"，在中文中是"水"，在法語(yǔ)中是"eau"，但它們都指向同一個(gè)概念。

其次是"互換性"。如前所述，在合適的訓(xùn)練條件下，智能體能夠理解自己產(chǎn)生的消息，這反映了語(yǔ)言的互換性——即發(fā)送者和接收者可以互換角色。這就像人類既可以說(shuō)話也可以理解別人說(shuō)的話。

第三是"位移性"。智能體發(fā)展出了能夠表達(dá)時(shí)間和空間位移的語(yǔ)言——它們可以交流"什么時(shí)候"和"在哪里"看到過(guò)去的事件。這就像人類可以談?wù)?昨天看到的蘋(píng)果"或"森林里的蘋(píng)果"一樣，能夠引用遠(yuǎn)離當(dāng)前時(shí)間和地點(diǎn)的事物。

第四是"文化傳播"。研究顯示，語(yǔ)言模式可以通過(guò)社交網(wǎng)絡(luò)在智能體之間傳遞。在環(huán)形結(jié)構(gòu)的社交網(wǎng)絡(luò)中，距離較近的智能體發(fā)展出的語(yǔ)言比距離較遠(yuǎn)的智能體更相似。這類似于人類語(yǔ)言如何在社區(qū)內(nèi)演變和傳播，形成方言和共享理解。

最后是"組合性"。智能體的語(yǔ)言似乎具有組合結(jié)構(gòu)，即消息由可重用的部分構(gòu)成，反映任務(wù)語(yǔ)義。高地形相似度（一種測(cè)量消息空間和語(yǔ)義空間之間結(jié)構(gòu)對(duì)齊的指標(biāo)）表明，相似的語(yǔ)義含義對(duì)應(yīng)于相似的消息。這就像人類語(yǔ)言中的詞匯和語(yǔ)法規(guī)則可以組合形成無(wú)限多的有意義句子。

在人口規(guī)模對(duì)語(yǔ)言形成的影響方面，研究發(fā)現(xiàn)人口規(guī)模確實(shí)影響組合性。對(duì)于僅進(jìn)行交叉訓(xùn)練（XP）的智能體，組合性隨人口規(guī)模從2增加到6后趨于飽和。相比之下，進(jìn)行交叉訓(xùn)練和自訓(xùn)練（XP+SP）的智能體顯示出組合性隨人口規(guī)模增加而持續(xù)上升的趨勢(shì)，在人口規(guī)模為12-15時(shí)達(dá)到平穩(wěn)。

另外，研究還通過(guò)解碼智能體消息中的時(shí)間和位置信息，驗(yàn)證了位移性的存在。在TemporalG游戲中，解碼物品生成時(shí)間和位置的準(zhǔn)確率遠(yuǎn)高于隨機(jī)水平，表明消息確實(shí)編碼了這些信息。在ScoreG游戲中也觀察到類似結(jié)果。此外，使用消息嵌入鏈進(jìn)行解碼比使用原始整數(shù)消息更有效，表明這些嵌入編碼了更有意義和線性可分離的特征。

五、自發(fā)溝通：當(dāng)語(yǔ)言被禁用時(shí)

一個(gè)有趣的發(fā)現(xiàn)是，即使在禁止使用顯式消息的情況下，智能體也能發(fā)展出一種隱式溝通形式。研究團(tuán)隊(duì)進(jìn)行了一個(gè)消融實(shí)驗(yàn)，操縱兩個(gè)變量：伙伴可見(jiàn)性和顯式語(yǔ)言溝通的存在。

當(dāng)伙伴不可見(jiàn)且無(wú)法通過(guò)顯式消息溝通時(shí)（Inv-NoCom），智能體的表現(xiàn)低于隨機(jī)水平(40%)，可能是因?yàn)樗鼈儫o(wú)法協(xié)調(diào)目標(biāo)拾取。然而，當(dāng)伙伴可見(jiàn)但仍不允許顯式溝通時(shí)（Vis-NoCom），智能體的成功率達(dá)到60%，遠(yuǎn)超隨機(jī)水平。這表明智能體學(xué)會(huì)了通過(guò)觀察伙伴的行為獲取信息——這被稱為"隱式溝通"。

這就像是兩個(gè)人在圖書(shū)館中不能說(shuō)話，但通過(guò)彼此的眼神、手勢(shì)和動(dòng)作來(lái)協(xié)調(diào)任務(wù)。研究團(tuán)隊(duì)還評(píng)估了成功測(cè)試情節(jié)的平均長(zhǎng)度。有趣的是，具有更準(zhǔn)確溝通的智能體（無(wú)論是通過(guò)顯式消息還是隱式溝通）需要更多步驟來(lái)發(fā)送有意義的信號(hào)，增加它們的"溝通帶寬"，從而導(dǎo)致更長(zhǎng)的情節(jié)長(zhǎng)度。

六、研究意義與局限性

這項(xiàng)研究通過(guò)在模擬環(huán)境中重現(xiàn)語(yǔ)言的自然演化過(guò)程，為我們理解人類語(yǔ)言的起源提供了寶貴見(jiàn)解。研究表明，在合作和部分可觀察的條件下，語(yǔ)言可以自然浮現(xiàn)作為一種協(xié)調(diào)工具，而不需要任何直接的人類語(yǔ)言監(jiān)督。

值得注意的是，智能體在有限容量下培養(yǎng)的語(yǔ)言展現(xiàn)出了人類語(yǔ)言的五個(gè)關(guān)鍵特性：任意性、互換性、位移性、文化傳播和組合性。這表明這些特性很可能是在類似的生態(tài)和社會(huì)環(huán)境下自然產(chǎn)生的，而不是人為設(shè)計(jì)的結(jié)果。

然而，研究團(tuán)隊(duì)也承認(rèn)他們的方法存在一些局限性。雖然訓(xùn)練方法可能反映了人類溝通學(xué)習(xí)的某些方面，但它可能無(wú)法有效擴(kuò)展到復(fù)雜環(huán)境，如視覺(jué)游戲或機(jī)器人控制任務(wù)。彌合這一差距可能需要放寬一些當(dāng)前的約束，例如，為了解決更復(fù)雜的任務(wù)，智能體可能需要共享梯度或參數(shù)以穩(wěn)定訓(xùn)練。

此外，該框架不包含輪流的動(dòng)態(tài)，這是當(dāng)前方法struggle with的另一個(gè)挑戰(zhàn)。最后，研究團(tuán)隊(duì)使用有限集合的符號(hào)輸入來(lái)評(píng)估組合性，未來(lái)的工作可以探索從壓縮高維感官數(shù)據(jù)到緊湊潛在變量中浮現(xiàn)的組合表示。

理解語(yǔ)言的起源是一個(gè)深刻而長(zhǎng)期存在的挑戰(zhàn)，需要語(yǔ)言學(xué)、心理學(xué)、神經(jīng)科學(xué)和人工智能的見(jiàn)解。這項(xiàng)工作代表了解決這個(gè)復(fù)雜問(wèn)題的初步步驟。

七、結(jié)語(yǔ)：從覓食游戲到語(yǔ)言起源

說(shuō)到底，這項(xiàng)研究向我們展示了一個(gè)令人著迷的畫(huà)面：在一個(gè)模擬的原始環(huán)境中，簡(jiǎn)單的智能體通過(guò)互動(dòng)和合作，逐漸發(fā)展出了具有人類語(yǔ)言關(guān)鍵特性的溝通系統(tǒng)。這就像是一個(gè)加速版的語(yǔ)言進(jìn)化歷史，讓我們得以窺見(jiàn)那段無(wú)法直接觀察的遠(yuǎn)古時(shí)期。

研究的核心啟示是，語(yǔ)言并非一個(gè)孤立的抽象系統(tǒng)，而是在特定的生態(tài)和社會(huì)環(huán)境中，為滿足合作需求而自然浮現(xiàn)的工具。當(dāng)智能體需要協(xié)調(diào)行動(dòng)，但每個(gè)智能體只能獲取部分信息時(shí)，發(fā)展共享的溝通協(xié)議成為了最優(yōu)策略。

這不禁讓我們思考：人類語(yǔ)言的哪些特性是必然的，哪些是偶然的？如果重新來(lái)過(guò)，我們的語(yǔ)言會(huì)以相同的方式發(fā)展嗎？隨著此類研究的深入，我們或許能更好地理解語(yǔ)言這一人類最為獨(dú)特的能力是如何塑造我們的思維和社會(huì)的。

對(duì)于感興趣深入了解的讀者，完整論文可通過(guò)arXiv:2505.12872v1 [cs.AI]查閱。研究團(tuán)隊(duì)表示，他們將公開(kāi)發(fā)布所有數(shù)據(jù)、代碼和模型，為這一領(lǐng)域的進(jìn)一步研究提供支持。