重构宏大叙事的陷阱——评《人类认知的语言基础》的论证逻辑与学术规范岐金兰独立研究人机协作2026年2月22日引言文化自觉与学术严谨的张力《人类认知的语言基础》一文以下简称“原文”以宏大的理论视野试图在人工智能时代为汉语确立哲学层面的核心地位主张汉语是“数字化时代综合创新的优选认知工具”[0]。这种将语言学、认知科学、计算机科学与文明比较研究熔于一炉的理论雄心体现了强烈的文化自觉意识值得肯定。然而理论建构的勇气不能替代论证的严谨。原文在核心命题的推导、关键理论的运用、现实例证的解释以及文体规范等方面暴露出显著的缺陷。赵轶峰在讨论历史研究的宏大叙事问题时曾深刻指出“宏大”并非原罪但必须区分特定的“宏大叙事”与学术的宏观研究——“历史上既然有宏大的事项就不会因为历史学不去研究而消失而且现实生活中新的宏大问题还在不断涌现。回避对宏观、连续性问题的研究就忽略了历史上的大量内容也大大降低了历史学的认识功能。”[1]这一洞见同样适用于原文问题不在于其追求宏大命题而在于其论证方式陷入了“宏大叙事”的陷阱——用气势代替逻辑用断言代替论证用术语雾障掩盖概念含混。朱立元在对后现代主义文论的反思性批判中指出对宏大叙事的彻底否定将导致消解唯物史观根基但反本质主义思想被过度解读和利用也容易走入彻底消解本质的陷阱[13]。这一警示提醒我们在批判宏大叙事时必须保持辩证态度——既警惕论证的空洞化又不放弃对重大问题的学术探索。本文正是基于这一立场对原文展开系统批判以期在学术对话中推动更严谨的研究路径。第一卷 核心命题的逻辑跳跃从“语言基础论”到“汉语优势论”的草率飞跃第一章 “语言是人类全部认知的基础”一个未经限定的全称命题原文开宗明义在摘要部分即提出“语言是人类全部认知思维、文化的基础”、“一个民族的语言完全决定其思维和文化的认知方式”。这些命题表面上承接了语言学与认知科学传统的核心关切但其表述方式存在严重的逻辑问题。1.1 “全部”与“完全决定”的语义负担“全部”二字使这一命题成为一个全称判断——它断言语言覆盖了认知的所有领域、所有层面、所有环节。“完全决定”则是一种强决定论立场排除了其他因素对思维和文化的任何独立影响。这在逻辑上意味着任何认知活动无论其性质如何都必须以语言为中介任何非语言的认知现象要么不存在要么可以被还原为语言思维和文化没有独立于语言的任何自主性。这一全称命题的语义负担极为沉重。要证明它原文需要回答一系列挑战性问题前语言阶段的婴儿是否存在认知活动失语症患者是否丧失了全部思维能力动物认知是否与语言无关聋哑人的抽象思维如何可能这些现象构成了对“语言唯一基础论”的直观反例而原文对此完全回避。1.2 从“重要基础”到“唯一基础”的偷换更为严重的是原文将语言是认知的“重要基础”或“关键媒介”未经充分论证地强化为“唯一基础”。这是一种典型的“滑坡谬误”——从程度性描述跳跃到绝对性断言。在语言学与认知科学传统中“语言与思维的关系”是一个高度复杂的议题存在着从强决定论语言完全决定思维到弱相互作用论语言与思维相互影响再到独立论思维独立于语言的多种理论立场。Pinker在《语言本能》中对萨丕尔-沃尔夫假说的强版本进行了经典批判指出语言差异对思维的影响被严重夸大思维的普遍性远大于语言的表面差异[5]。他通过大量实证研究证明即使在完全没有语言的情况下人类仍然能够进行复杂的思维活动例如聋哑人发展出的手势语言系统证明了思维的独立性。van Benthem在北京大学讲座中也指出语言的表面差异往往很大但思维模式却常常类似对人类思维全然不同的断言应持审慎态度[6]。逻辑学的研究表明不同语言背景的人在进行基本逻辑推理时其能力并无显著差异。原文完全无视这一复杂的学术图景直接将语言推至“唯一基础”的地位这种处理方式与其说是学术论证不如说是立场宣示。刘晓力在讨论哲学与认知科学交叉融合时强调任何跨学科论断都必须建立在清晰的概念辨析和严谨的论证逻辑之上[12]而原文恰恰缺乏这种基础。第二章 “4E认知”的理论挑战被遮蔽的认知科学前沿原文在讨论认知科学时提及了“NBIC”等概念但对“4E认知”具身、嵌入、延展、生成这一当代认知科学的核心理论框架却只字未提。这种选择性忽略使其“语言唯一基础论”建立在认知科学前沿理论的盲区之上。2.1 4E认知的核心洞见以Gallagher为代表的4E认知理论家指出认知深深植根于身体活动、环境交互及非语言的感觉运动经验之中[16]。这一理论传统对认知科学产生了深远影响其核心洞见包括具身性Embodiment认知并非发生在大脑中的纯粹符号操作而是深深依赖于身体的结构、运动和感觉运动经验。我们对世界的理解首先是通过身体与世界的互动获得的语言只是在此基础上的二次建构。例如我们对空间关系的理解源于身体在空间中的移动和操作而非语言的语法结构。嵌入性Embedded认知总是嵌入在特定的环境之中环境不仅是认知的对象也是认知的支撑。我们利用环境中的工具、符号、他人来扩展认知能力这些外部资源是认知系统的组成部分。延展性Extended认知过程可以延展到身体之外工具、符号、技术可以成为认知系统的组成部分。当我们使用笔记本辅助记忆时笔记本已经成为记忆系统的延展当我们使用计算器进行计算时计算器已经成为计算系统的延展。生成性Enactive认知不是对预先存在的世界的表征而是通过与世界的互动“生成”世界。认知主体不是被动接收信息的接收器而是主动塑造意义的行动者。Mendivil-Giro在回应4E认知与生成语法之争时指出4E认知传统对语言的理解与乔姆斯基的生成语法存在根本分歧——前者将语言视为行为和实践后者将语言视为心智的内在能力[3]。这一分歧恰恰揭示了语言与认知关系的复杂性远非“语言是唯一基础”所能涵盖。2.2 4E认知对“语言唯一基础论”的挑战如果接受4E认知的基本洞见那么“语言唯一基础论”将面临根本性质疑首先身体经验是前语言的。婴儿在学会语言之前已经能够通过身体与世界的互动获得认知——他们能够识别面孔、追踪物体、表达情感、解决问题。这些认知活动不以语言为中介却构成了后来语言发展的基础。皮亚杰的发生认识论早已证明感觉运动阶段的认知发展先于语言出现。其次工具使用是超语言的。人类使用工具的智能很大程度上是程序性的、默会的难以完全用语言表达。一个熟练的木匠知道如何刨平木板但这种“知道”更多体现在手的动作中而非语言的陈述中。波兰尼的“默会知识”概念正是对这种非语言认知的深刻揭示。再次情感体验是超语言的。情感的细微质感和丰富层次常常超出语言表达的范围。“难以言表”不仅是修辞更是对语言边界的真实体验。神经科学研究表明情感处理涉及的大脑区域与语言处理区域存在分离情感体验可以在语言之外独立发生。Gallagher的著作详细论证了这些非语言认知现象的存在及其重要性[16]而原文对此完全无视。这种选择性忽略使其“语言唯一基础论”建立在认知科学前沿理论的盲区之上。2.3 对“认知五层级”模型的质疑原文提出了一个“脑与神经、心理、语言、思维、文化”的五层级认知模型并将语言置于核心地位。然而这一层级划分缺乏学理依据心理活动是否必然以语言为中介思维是否完全依赖于语言文化是否只是语言的产物这些问题原文不仅没有回答甚至没有意识到其存在。更严重的是这一模型隐含了一种线性决定论下层决定上层语言决定思维思维决定文化。这种简化不仅与认知科学的复杂性研究相悖也无法解释文化对语言的反作用、思维对语言的超越等现象。理论内部的自洽性缺失暴露了其论证的草率。第三章 从“汉语特性”到“汉语优势”的跳跃如果说从“语言基础”到“唯一基础”是第一层逻辑跳跃那么从“汉语特性”到“汉语优势”则是第二层逻辑跳跃。3.1 汉语特性的客观描述原文正确地指出了汉语尤其是汉字在象形性、经验性、整体性上与拼音文字的差异。这些差异是语言学研究的共识汉字保留了一定的象形特征在表意功能上有其独特性汉语语法缺乏形态变化更依赖语序和虚词汉语词汇的构成具有高度的复合性。这些描述本身并无问题。原文还计算了汉字的生成能力指出从6000个基本汉字可以生成海量词汇这确实展示了汉语在词汇层面的生成潜力。3.2 从特性到优势的跳跃何以可能问题在于从“特性差异”到“效能优势”的推论需要无比坚实的证据支持。原文对此的论证几乎完全缺席它简单地预设了“经验性、归纳性”思维在所谓“综合创新时代”更具优势却未回答一系列关键问题第一为何在需要高度形式化、精确化和逻辑演绎的复杂系统建模或基础理论突破中这种思维模式同样占优现代科学的高度形式化特征——数学公式、逻辑推演、实验控制——似乎更依赖分析性思维而非整体性直觉。物理学的基本定律、化学的反应方程式、计算机科学的算法设计都离不开精确的形式化语言。第二如何证明“经验性、归纳性”思维与汉语的直接关联说汉语的人既有整体性思维也有分析性思维说英语的人既有分析性思维也有整体性思维。将思维特质简单归因于语言犯了生态学谬误。大量的跨文化心理学研究表明思维风格的差异更多源于教育、文化实践、社会环境而非语言结构本身。第三“综合创新时代”的特征是什么何以见得整体性思维在这个时代更具优势原文对此没有任何界定只是将其作为一个不言自明的前提。这种“时代精神”式的论述缺乏可操作的定义和可检验的假设。3.3 语言相对论的学术争议原文的推论实质上复活了萨丕尔-沃尔夫假说的强版本——认为语言结构完全决定思维范畴。这一假说在现代学界已普遍被认为是不正确的。Pinker在《语言本能》中对这一假说进行了经典批判指出其存在以下问题[5]首先语言差异被夸大。不同语言之间的差异远没有表面看起来那么大深层结构存在普遍性。例如虽然不同语言对颜色的词汇划分不同但人对颜色的感知能力却是普遍的。其次思维独立性被低估。即使在没有语言的情况下人类仍然能够进行复杂的思维活动。聋哑人没有有声语言却能够发展出复杂的手势语言系统进行抽象思维和创造性活动。再次证据基础薄弱。支持语言决定论的所谓“证据”——如爱斯基摩语中“雪的词汇量”神话——经不起实证检验。实际上英语也有丰富的词汇描述雪的不同形态只是没有用一个词根派生而已。van Benthem也指出语言的表面差异往往很大但思维模式却常常类似对人类思维全然不同的断言应持审慎态度[6]。逻辑学的研究表明不同语言背景的人在进行基本逻辑推理时其能力并无显著差异。3.4 时代决定论的陷阱将一种思维特质与一个时代的成功进行直接因果挂钩还犯了时代决定论的错误。“综合创新时代”如果真的存在也必然是多种思维模式协作的产物——既需要分析性思维进行精细研究也需要整体性思维进行综合把握既需要演绎推理进行逻辑建构也需要归纳类比进行经验探索。将两者对立起来并将一种语言绑在其中一极是对历史复杂性的粗暴简化。赵轶峰在讨论历史研究的方法论时指出历史学的宏大研究原应与微观研究并存兼顾而不是非此即彼[1]。同样的道理思维模式的研究也应承认多样性、复杂性而非陷入二元对立的简化。3.5 对“右脑潜能释放”论述的批判原文提出“在过去数十亿年人类进化的时代...左脑的理性思维和演绎逻辑成为过去时代的特征...现在...人类右脑被压抑的潜能正在被释放出来”。这种左右脑分工的论述存在严重问题首先左右脑分工的简化说法在神经科学中已被高度质疑。现代神经影像学研究表明大多数认知活动涉及全脑网络的协同工作而非简单地定位于某一半球。所谓的“右脑负责创造性、左脑负责逻辑性”是大众心理学的迷思缺乏科学依据。其次将“左脑思维”与“过去时代”绑定、“右脑思维”与“未来时代”绑定是一种典型的线性历史观既无法解释历史的复杂性也无法为未来提供可靠的预测。再次这种论述隐含了西方/分析/左脑 vs 东方/综合/右脑的二元对立既是对东西方思维传统的简化也是对神经科学的误用。真正的学术态度应当是尊重思维的多样性而非将复杂的神经过程简化为文化标签。第二卷 对乔姆斯基理论的工具化误读与选择性裁剪第四章 乔姆斯基理论的核心关切原文将乔姆斯基的“普遍语法”和“生成语法”作为重要理论支点认为当前AI如DeepSeek是这一理论的工程实现并以此证明语言基础论的正确性。这一关联存在严重的理论误读需要从乔姆斯基理论的核心关切入手加以澄清。4.1 生成语法的问题意识乔姆斯基的生成语法理论其核心关切是解释人类语言习得的“柏拉图问题”——为何儿童能够在有限的、不充分的语言输入基础上快速而一致地习得高度复杂的语言系统这一问题的答案被乔姆斯基归结为人类先天具有的“语言官能”language faculty和“普遍语法”Universal Grammar。生成语法关注的是“competence”语言能力而非“performance”语言运用是“I-language”内在语言而非“E-language”外在语言。它试图揭示人类心智中那个能够生成无限句子的有限规则系统这一系统被认为是人类生物禀赋的组成部分。4.2 乔姆斯基对联结主义和大语言模型的批评正是基于这一理论立场乔姆斯基本人对联结主义和大语言模型持尖锐批评态度。Chomsky等人曾在《纽约时报》发表《ChatGPT的虚假承诺》指出大语言模型和人类在思考方式、学习语言与生成解释以及道德思考方面存在着巨大差异并认为大语言模型并不具备人类的语言和思维能力[11]。他们将大语言模型称为“高科技剽窃”和“随机鹦鹉”认为其设计原则决定了它无法告诉我们任何关于语言、学习或认知过程的真实知识。郭贵春与梁德柱在分析乔姆斯基对ChatGPT的批评时指出乔姆斯基依据其“转换生成语法”理论对大语言模型的运行方式进行了批评认为大语言模型不具备像人一样的内在语言生成能力也无法提出任何因果机制和科学规律只是一种非科学的“虚假承诺”[7]。这一批评揭示了乔姆斯基理论与大语言模型之间的根本分歧而非原文所暗示的理论一致性。4.3 两种“生成”概念的本质差异原文将两个不同范式下的“生成”概念混为一谈是理论误读的核心。乔姆斯基的“生成”指向的是人类心智的内在能力具有生物学基础大语言模型的“生成”指向的是统计模式的学习与预测基于海量数据的训练。两者虽然共享“生成”一词但其内涵和机制截然不同。有学者从维特根斯坦的语言哲学出发指出大语言模型的成功证明语言能力可以通过深度学习和神经网络技术获取传统语言学理论无法为这一技术进步的理由奠基反而在哲学立场上与乔姆斯基完全对立的维特根斯坦的语言哲学思想可以对大语言模型的实质进行说明与澄清[7]。这一观点进一步凸显了乔姆斯基理论与大语言模型之间的对立关系。4.4 对“一棵树生成无穷语句”的辨析原文举例说“根据乔姆斯基的生成语法我们只要一棵树就能够生成无穷多的语句”。这一描述本身并无错误但问题在于乔姆斯基的“树”是指句法结构的树形图是一种理论建构而大语言模型的“生成”是基于统计概率的序列预测。两者虽然都涉及“生成”但机制完全不同。原文将两者混为一谈既是对乔姆斯基理论的简化也是对AI技术的误解。第五章 选择性忽视的反例即便按照原文的逻辑如果基于“生成语法”的AI是语言认知基础论的胜利那么同样在英语等拼音语言语料上训练出的、表现卓越的AI模型如GPT系列又作何解释5.1 GPT系列的成功及其意涵OpenAI的GPT系列模型完全基于英语语料训练却展现出与DeepSeek相当的强大能力。如果汉语的“优势”是DeepSeek成功的关键那么英语何以同样能够支撑GPT的成功这一反例直接挑战了原文的核心论点。王均松在综述中指出大语言模型的成功应用对传统语言学理论提出了挑战包括乔姆斯基的理论也需要在新的技术背景下被重新审视[10]。司富珍在相关讲座中也指出乔姆斯基的批评有其局限性大语言模型的能力在某些方面超出了传统理论的预期[15]。这些讨论都表明大语言模型与语言类型之间的关系远非原文所设想的那么简单。5.2 跨语言比较的缺失要论证汉语的“优势”需要跨语言的比较研究——在同等技术条件下基于不同语言语料训练的模型是否存在系统性差异这种差异是否可归因于语言本身的特性Papadimitriou等人的研究发现大语言模型甚至能学习对人类而言是“不可能”的语言规则[14]这进一步动摇了将语言特性与模型能力直接挂钩的简单推论。如果模型能够学习“不可能”的语言那么所谓“汉语优势”就需要在更复杂的理论框架中重新审视。事实上当前的多语言模型如mT5、XLM-R等在数十种语言上都表现出色其性能差异更多与训练数据规模、质量、模型容量相关而非语言本身的“优劣”。原文完全没有触及此类实证问题而是停留在口号式的断言层面。5.3 对“汉语生成能力最强”的计算质疑原文通过组合数学计算得出汉语在词法层面具有“最强的生成能力”。这一计算本身存在逻辑问题首先词汇生成能力不等于语言表达能力和认知效能。英语通过词根词缀的变化、复合词的组合同样具有强大的词汇生成能力只是方式不同。将生成能力简化为组合数的计算忽略了语言使用的实际规律。其次生成词汇的“可能性”不等于实际使用的“有效性”。绝大多数数学上可能的组合在语言实际中从未出现也永远不会出现。语言的经济性原则要求用有限的词汇表达无限的意义而非无限地生成词汇。再次如果按照同样的计算方法英语的词汇生成能力同样惊人。英语通过派生、复合、转化等词法手段可以生成大量新词。将汉语的计算结果与英语进行比较需要同等的方法论基础而非单方面展示。第六章 学术争议的遮蔽原文对乔姆斯基理论的运用还存在一个更根本的问题它完全遮蔽了乔姆斯基理论本身在学术界的争议。6.1 生成语法面临的挑战生成语法自提出以来一直面临各种理论挑战。功能语言学、认知语言学、构式语法等流派都对生成语法的核心假设提出了质疑。功能语言学强调语言结构的交际功能认知语言学强调语言与一般认知能力的关系构式语法强调语言单位的整体性。这些理论传统与生成语法形成竞争关系共同构成了当代语言学的多元图景。Mendivil-Giro在回应4E认知与生成语法之争时指出4E认知传统对语言的理解与生成语法存在根本分歧这种分歧涉及对语言本质的根本理解[3]。将生成语法视为唯一正确的理论遮蔽了语言学的学术多样性。6.2 大语言模型对语言学理论的整体挑战大语言模型的成功对语言学理论整体提出了挑战而非仅仅印证某一种理论。王均松的综述指出大语言模型对语言学理论带来多方面挑战[10]包括· 语言习得理论如果模型能够从海量数据中习得语言那么先天语言能力的必要性是否需要重新审视· 语言普遍性模型在不同语言上的表现差异如何与语言普遍性理论协调· 语言与思维的关系模型的语言能力与人类有何异同这对理解语言与思维的关系有何启示这些挑战需要语言学、认知科学、计算机科学多学科协作应对而非简单地将某一理论标签贴在大语言模型上。语用学领域的研究者也在探索大语言模型如何可能获得溯因推理能力[2]这为理解AI语言能力提供了新的视角。6.3 对“乔姆斯基不买账”的轻描淡写原文在提及乔姆斯基对ChatGPT的批评时只用一句话带过“被模仿者乔姆斯基并不买账他对ChatGPT进行了无情的批评”。这种处理方式将尖锐的理论对立轻描淡写为个人态度问题完全回避了批评背后的理论分歧。事实上乔姆斯基的批评指向的是根本性的理论立场人类语言能力是基于规则的生成系统而大语言模型是基于统计的模式匹配。这两者在本体论和认识论层面存在根本分歧。原文将ChatGPT称为“乔姆斯基转换生成语法的发展”恰恰是在这一根本分歧上的误读。第三卷 核心例证的归因谬误DeepSeek成功的片面叙事第七章 DeepSeek成功的技术图景原文将DeepSeek的成功作为其论点最有力的现实证据声称“汉语成就了DeepSeek”。这一论断需要置于DeepSeek成功的技术图景中加以审视。7.1 DeepSeek的技术创新点DeepSeek的迅速崛起与其技术创新密切相关。郑泽华与张开从政治经济学角度分析了DeepSeek成功的生产力逻辑[4]指出其“高性价比”源于多个因素的协同作用模型架构创新DeepSeek采用的MoE混合专家架构实现了计算资源的优化配置大幅降低了训练成本。这种架构创新是工程团队的智慧结晶与语言特性无关。训练工程突破DeepSeek在训练稳定性、数据效率、并行计算等方面的工程优化使其能够以更低的算力消耗达到更优的性能。这些突破涉及算法优化、系统设计等工程技术领域。数据策略优化DeepSeek在数据筛选、清洗、配比等方面的精细处理提升了训练数据的质量和效率。这涉及数据处理技术而非语言本身的“优势”。开源生态构建DeepSeek的开源策略吸引了全球开发者的参与和贡献加速了技术迭代和应用创新[9]。这是战略选择的结果而非语言特性的自然延伸。7.2 从政治经济学视角看DeepSeek的成功郑泽华与张开运用马克思《资本论》中“相对剩余价值的生产”相关论述深入分析了DeepSeek迅速崛起背后的生产力逻辑[4]通过劳动的社会化“分工专业化”和“协作紧密化”DeepSeek工程师团队作为总体工人在节约劳动时间的同时创造了一种集体力极大提高了DeepSeek的运行效率。这种结合劳动力所创造的“社会的劳动生产力”不需要DeepSeek花费分文便实现了可变资本的节约。DeepSeek所掌握的这种结合的社会劳动通过对集中起来的生产资料的共同使用节约了芯片和数据等生产资料实现了不变资本的节约。可变资本和不变资本的节约共同使得DeepSeek大大降低了产品成本价格使其可以获得高利润率。这一分析揭示DeepSeek的成功源于生产关系层面的创新——劳动的社会化、生产资料的集中、开源模式带来的集体协作——而非语言本身的所谓“优势”。原文将复杂的技术成功单一地、决定性地归因于语料本身的“优势”严重扭曲了AI发展的真实图景。7.3 对原文列举的四点理由的逐一分析原文列举了汉语成就DeepSeek的四点理由我们逐一审视理由一“DeepSeek基于深度学习的语言处理系统能够高效理解和生成汉语适应汉语的独特性和复杂性。”这恰恰是需要证明的结论而非证据。DeepSeek能够高效处理汉语是因为它接受了高质量的中文语料训练但这并不意味着汉语本身具有“优势”。同样训练条件下任何语言模型都能高效处理其训练语言。理由二“它通过持续收集新的文本数据保持对中文语言最新发展的敏感度提升对中文语境的理解能力。”这是任何持续更新的语言模型的共性并非DeepSeek独有的特征更非汉语优势的证明。GPT系列同样持续收集新的英语文本数据。理由三“DeepSeek能够深入挖掘汉语的文化含义和语境理解文言文和现代汉语的多重含义。”这体现了DeepSeek在中文语料上的训练效果但同样不是汉语本身的优势。如果训练数据充分任何语言模型都能“挖掘”其训练语言的文化含义。理由四“随着汉语在国际事务中的重要性提升DeepSeek为全球用户学习汉语提供了便利推动了汉语的崛起。”这是DeepSeek成功的社会影响而非其原因。将结果当作原因是典型的循环论证。四点理由实际上都在描述DeepSeek表现出的能力而非这些能力产生的原因。它们无法证明汉语本身的“优势”是DeepSeek成功的关键因素。第八章 归因谬误的类型学分析从逻辑学角度看原文对DeepSeek成功的归因存在多重谬误。8.1 将必要条件夸大为充分条件高质量、大规模的中文语料对训练一个优秀的中文模型当然是重要的但这仅仅是众多必要因素之一。模型架构的创新、训练工程技术的突破、巨大的算力投入、全球多语言数据的辅助、乃至团队的战略眼光都是不可或缺的关键因素。将复杂的技术成功单一地归因于语料本身的“优势”与将爱斯基摩语中“雪的词汇量”神话化来论证语言决定论一样缺乏严谨的实证基础[5]。这种归因方式既贬低了技术工作者的其他核心贡献也遮蔽了真正值得研究的科学问题——究竟是哪些技术与算法层面的突破使得DeepSeek能够在中文语境中表现出色8.2 循环论证的结构原文的逻辑近乎于“因为DeepSeek一个中文模型成功了所以中文有优势因为中文有优势所以DeepSeek能成功。”这种自我指涉的论证缺乏外部有效性。要打破这一循环需要引入独立变量——例如在同等技术条件下比较不同语言模型的性能差异或者控制技术变量考察语言特性对模型表现的影响。原文完全没有进行此类分析。8.3 因果方向的混淆即使承认语言特性与模型表现之间存在关联因果方向也可能是相反的——不是因为中文有优势所以模型成功而是因为模型成功使得中文语料的处理技术更加成熟进而“制造”了中文的“优势”。这种因果方向的可能性原文完全未予考虑。8.4 幸存者偏差的陷阱原文只看到了DeepSeek的成功却忽略了那些同样基于中文语料但未能成功的模型。如果中文真的有“优势”那么所有基于中文的模型都应该表现出优势但事实并非如此。这种只选择成功案例而忽略失败案例的做法是典型的幸存者偏差。第九章 真正的科学问题什么使DeepSeek成功如果“汉语优势”不是答案那么什么是解释DeepSeek成功的真正科学问题9.1 技术层面的问题在技术层面真正值得研究的问题包括· DeepSeek的MoE架构如何实现计算效率的提升其创新点与传统MoE有何不同· DeepSeek的训练稳定性如何保障其在梯度处理、参数初始化等方面有何独特设计· DeepSeek的数据策略如何优化其在数据筛选、配比、增强等方面有何创新· DeepSeek的开源策略如何促进了技术迭代和社区贡献[9]这些问题涉及算法原理、工程实践需要深入技术细节进行分析。9.2 生产关系层面的问题郑泽华与张开的研究开辟了另一个重要视角[4]DeepSeek的成功如何体现了劳动的社会化和生产资料的集中开源模式如何促进了技术的集体协作和共同进步这些问题涉及AI发展的社会机制具有重要的理论和实践意义。9.3 认知科学层面的问题在认知科学层面DeepSeek的成功提出了更深层的问题大语言模型的语言能力与人类有何异同这种能力如何改变我们对语言与思维关系的理解大语言模型的“理解”与人类的“理解”有何本质区别这些问题需要语言学、认知科学、计算机科学多学科协作探索而非简单地将成功归因于某种语言的“优势”。司富珍的讲座也强调大语言模型时代需要重新审视语言学理论的解释力[15]。第四卷 文体与学风“宣言体”的傲慢与术语的雾障第十章 断言代替论证学术文体的规范原文在文体上更接近一份“学术宣言”或“文化自信倡议书”而非严谨的学术论文。这体现在断言代替论证的写作风格上。10.1 绝对化断言的语言特征通读原文可以发现大量绝对化断言· “无疑”——没有任何限定如“汉字是世界上唯一仍在使用的鲜活的象形文字”中的“唯一”· “必然是”——排除其他可能如“语言只有语言”的排他性表达· “完全决定”——全称判断· “最强”——极致表达如“汉语可以是世界上所有语言中生成能力最强的语言”以“汉字是世界上唯一仍在使用的鲜活的象形文字”为例这一断言本身是正确的但紧接着的推论“这就形成了汉字的很多特点和优势”则缺乏论证。从事实到价值判断的跳跃正是绝对化断言的问题所在。这种语言风格缺乏“可能”、“或许”、“在一定程度上”等学术讨论应有的审慎。刘晓力在讨论哲学与认知科学交叉融合时强调跨学科研究更需要严谨的概念辨析和论证逻辑[12]。而这种“宣言体”的绝对化语气彰显的是一种“学术标签自信”却削弱了说理的力量。它试图用气势代替逻辑用确定性掩盖复杂性。10.2 学术论证的规范性要求学术论证有其基本的规范性要求· 命题需要限定适用范围避免全称判断· 断言需要提供证据支持避免空口无凭· 推理需要遵循逻辑规则避免跳跃· 反例需要认真对待避免选择性忽视原文在所有这些方面都存在明显缺陷。其论证方式与其说是学术研究不如说是立场宣示——先有结论再找证据无视反例逻辑跳跃。10.3 “学术标签自信”的危害这种“学术标签自信”的危害在于它不仅损害了论证的可信度还可能误导读者使其误以为复杂的学术问题已经有了简单明确的答案。张凤阳在讨论《共产党宣言》的政治修辞时指出任何修辞技巧的运用都必须服从和服务于理论论证的大逻辑[17]。如果修辞压倒了论证学术就变成了宣传。对于汉语与认知这一重要议题简单化的断言不仅无助于真正理解问题反而可能引发不必要的争论和对立。真正的学术自信应当体现为敢于面对复杂性、敢于承认不确定性、敢于接受批评的开放态度。第十一章 术语的雾障效应原文的另一个显著问题是术语的滥用和误用。11.1 术语的装饰化使用原文频繁而跳跃地引用“NBIC”、“4E认知”、“生成语法”、“普遍语法”等术语并非为了进行深入细致的理论辨析而更像是构建一道学术权威性的光环用以震慑读者、掩盖核心论证链条的薄弱。例如原文在讨论认知科学时提及了“NBIC”但对NBIC的具体内容及其与论点的关联没有任何展开。这种提及只是为了让文章显得“前沿”而非真正运用这一概念进行分析。概念被当作装饰性的标签而非分析的工具。读者被淹没在陌生术语中却难以把握文章的核心逻辑——这些术语之间是什么关系它们如何支撑核心论点原文没有给出清晰的说明。11.2 术语误用的类型原文的术语误用可归纳为以下几种类型标签化引用提及术语但不展开使其成为空洞的标签。如对“NBIC”的处理只在术语层面提及却未与核心论点进行实质性对话。概念混淆将不同理论传统下的同一术语混为一谈。如将乔姆斯基的“生成”与大语言模型的“生成”混同。语境抽离将术语从其理论语境中抽离出来赋予其新的、未经界定的含义。如对“经验转向”的使用缺乏对认知科学中经验转向的具体内涵的说明。术语堆砌无关地堆砌术语制造学术深奥的假象。如在一段话中同时出现“认知科学”、“聚合科技”、“NBIC”、“分析的时代”、“综合的时代”等多个宏大概念却未建立它们之间的逻辑关联。11.3 学术写作的透明性原则真正的学术写作应当追求透明性——概念需要清晰界定论证需要透明展开术语需要服务于理解而非制造障碍。刘晓力强调跨学科研究更需要严谨的概念辨析[12]。术语不是学术权威性的来源而是思维精确性的工具。第十二章 二元对立的潜在框架原文还隐含构建了一种“东方经验综合思维 vs. 西方分析还原思维”的二元对立并将前者与未来进行绑定。12.1 二元对立的具体表现原文中的二元对立体现在多个层面· 语言层面汉语是“经验语言”西方语言是“理性语言”· 文字层面汉字是“经验文字”拼音文字是“理性文字”· 思维层面中国人擅长“整体思维”西方人擅长“局部思维”· 推理层面中国人擅长“归纳、类比、溯因”三种经验推理西方人擅长“演绎推理”· 时代层面过去是“分析的时代”现在是“综合的时代”· 脑科学层面左脑是“理性思维”右脑是“经验思维”过去左脑优先现在右脑释放这种二元对立的叙事结构具有强大的情感号召力——它将复杂的文明差异简化为清晰的对立将不确定的未来简化为确定的归属。但问题在于这种简化是以牺牲复杂性为代价的。12.2 二元对立的遮蔽效应将复杂的文明差异简化为二元对立会产生以下遮蔽效应遮蔽内部多样性东方思想内部存在多种流派、多种倾向并非铁板一块西方思想同样如此。将东方简化为“综合”将西方简化为“分析”遮蔽了这种内部多样性。例如中国先秦有强调分析的名辩学、墨辩逻辑西方也有强调综合的辩证法、整体论哲学。遮蔽历史变迁思想传统在历史中不断演变同一文明在不同时期可能有不同的思维倾向。将文明固定在某种思维特质上遮蔽了历史的动态性。例如欧洲中世纪的神学思维与现代科学的分析思维就有很大差异。遮蔽相互影响东西方思想在历史上相互影响、相互借鉴并非孤立发展。二元对立叙事遮蔽了这种交流史。例如莱布尼茨对中国哲学的研究、现代西方哲学对东方思想的吸收都是相互影响的例证。12.3 对“演绎推理不能产生新知识”的批判原文断言“演绎推理不能产生新的知识因而在科学发现中没有贡献”。这一论断存在严重问题首先演绎推理是科学理论建构的核心工具。从公理推导出定理、从一般原理推导出具体结论是数学和理论科学的基本方法。爱因斯坦的相对论就是从狭义相对论的两个基本公设演绎推导出来的。其次演绎推理与归纳推理不是对立关系而是相互协作的关系。科学发现的过程往往是归纳提出假说、演绎推导预测、实验验证预测的循环。将两者对立起来既不符合科学史实也无助于理解科学方法的本质。再次如果演绎推理不能产生新知识那么整个数学体系都将失去基础。数学知识的获得恰恰是通过演绎推理从公理推导出定理这些定理虽然是逻辑蕴含的但对人类而言却是新的知识。12.4 思维多样性的尊重真正的学术态度应当是尊重思维的多样性承认不同思维模式各有其适用范围和价值。任何重大科技创新都是多种思维模式协作的产物——既需要分析性思维进行精细研究也需要整体性思维进行综合把握既需要形式化思维进行精确建模也需要经验性思维进行实践检验。将复杂的思维现象简化为二元对立既是学术上的粗糙也是文明对话的障碍。赵轶峰在讨论历史研究的方法论时指出将“宏大”与“微观”做接近对立观说法者大多言过其实[1]。同样的道理思维模式的研究也应当承认多样性、复杂性而非陷入二元对立的简化。第五卷 学术争论的深层透视第十三章 乔姆斯基与联结主义之争的学术史原文对乔姆斯基理论的运用需要置于乔姆斯基与联结主义之争的学术史中加以审视。13.1 认知革命的背景1950-60年代的认知革命以对行为主义的批判为起点。乔姆斯基对斯金纳《言语行为》的著名评论被认为是认知革命的开端性事件之一。在这场评论中乔姆斯基论证了行为主义的刺激-反应模式无法解释语言的创造性生成性从而为认知心理学的兴起开辟了道路。13.2 联结主义的复兴1980年代联结主义神经网络在认知科学中复兴对符号主义包括生成语法提出挑战。联结主义认为认知可以用神经网络模型来解释不需要符号表征和规则系统。这一立场与生成语法形成根本对立。联结主义的代表人物如Rumelhart、McClelland等人通过神经网络模型模拟了语言习得过程挑战了先天语言能力的必要性。他们认为语言能力可以从神经网络的学习过程中涌现不需要预设内置的语法规则。13.3 大语言模型时代的争议大语言模型作为联结主义传统的当代发展将这一争议推向新的高度。有学者指出乔姆斯基的批评确实揭示了当前AI与人类认知的根本差异[7]但大语言模型的成功也表明语言能力可以通过深度学习和神经网络技术获取这在一定程度上挑战了生成语法的核心假设[15]。Mendivil-Giro在回应4E认知与生成语法之争时指出两种研究纲领之间存在根本分歧需要深入辨析各自的哲学基础和研究方法[3]。原文无视这一复杂的学术背景简单地将乔姆斯基理论作为“证据”引用是对学术史的严重简化。13.4 对“ChatGPT是乔姆斯基语法发展”的再批判原文称ChatGPT是“乔姆斯基转换生成语法的发展”这一论断在学术史上完全站不住脚。ChatGPT的技术谱系可以追溯到联结主义、深度学习、Transformer架构与乔姆斯基的生成语法没有直接承继关系。乔姆斯基本人对这一“发展”的否认恰恰说明了这一论断的荒谬。更准确的说法应当是ChatGPT的发展受益于整个认知科学和人工智能的研究传统其中包括乔姆斯基引发的对语言能力的关注但并非其理论的直接应用。将复杂的技术谱系简化为单一的理论源头是对技术史的无视。第十四章 4E认知的理论谱系4E认知作为第二代认知科学的核心理论其理论谱系同样值得深入探讨。原文对4E认知的忽略使其论述停留在第一代认知科学的框架内。14.1 现象学基础4E认知的哲学基础可以追溯到现象学传统。梅洛-庞蒂的身体现象学强调身体在世界中的存在方式为具身认知提供了哲学资源。海德格尔的“在世存在”概念为嵌入认知提供了理论参照。这些现象学传统揭示了一个核心洞见意识不是封闭在大脑中的内部剧场而是与世界互动的开放场域。这一洞见对“语言唯一基础论”构成了根本挑战——如果意识本身就是具身的存在那么语言只能是其中的一个维度而非全部基础。14.2 生态心理学的贡献吉布森的生态心理学强调环境对知觉的直接提供为延展认知和生成认知提供了心理学基础。知觉不是对感觉材料的解释而是对环境意义的直接把握。例如我们直接知觉到一把椅子的“可坐性”而不需要先知觉形状、大小、材质再进行推理。这种直接知觉论挑战了语言中介论如果知觉可以直接把握环境意义那么语言就不是认知的必要中介。这对“语言唯一基础论”构成了进一步挑战。14.3 与生成语法的对话Batisti的研讨课程指出语言问题在后认知主义范式中正成为重要挑战——4E认知在解释其他认知领域时颇有成效但对语言的解释却面临困难[8]。这恰恰说明语言问题的复杂性语言可能既需要生成语法的解释框架也需要4E认知的补充视角。原文对4E认知的引用完全无视这一理论内部的复杂性和争议性将其简化为一个可以随意引用的标签。这种处理方式与其说是学术引用不如说是学术消费。第十五章 大语言模型与语言学的双向挑战大语言模型的成功对语言学理论和认知科学提出了双向挑战。15.1 对语言学理论的挑战王均松的综述指出大语言模型对语言学理论带来多方面挑战[10]· 语言习得理论如果模型能够从海量数据中习得语言那么先天语言能力的必要性是否需要重新审视这直接挑战了乔姆斯基理论的核心假设。· 语言普遍性模型在不同语言上的表现差异如何与语言普遍性理论协调如果语言普遍性存在为何模型在不同语言上的表现有显著差异· 语言与思维的关系模型的语言能力与人类有何异同这对理解语言与思维的关系有何启示如果模型能够表现出类似语言能力是否意味着语言可以脱离思维这些挑战需要语言学理论做出回应而不是简单地将模型成功归因于某种语言的优势。15.2 对认知科学的挑战有学者从感觉运动理论出发探讨意识是否可以在人工智能中实现[7]。这一讨论触及认知科学的核心问题认知的本质是什么意识是否可以脱离生物基础大语言模型的成功表明某些认知功能可以在非生物基质上实现这对传统的认知科学假设提出了挑战。但这是否意味着模型真正“理解”语言仍然是高度争议的问题。塞尔的中文屋论证至今仍是讨论这一问题的经典框架。15.3 对跨学科研究的需求面对这些挑战跨学科研究成为必要。郭贵春与梁德柱从维特根斯坦哲学出发提出大语言模型是一种“有边界的数学化世界模型”[7]有学者从语用学角度探讨大语言模型如何可能获得溯因推理能力[2]。这些研究代表了跨学科对话的积极尝试。原文无视这一复杂的学术图景将DeepSeek的成功简化为“汉语优势”的证明既是对技术事实的误读也是对学术争论的回避。第六卷 方法论反思宏大叙事的陷阱与出路第十六章 什么是宏大叙事的问题意识在对原文展开系统批判之后有必要从方法论层面进行反思什么是宏大叙事的问题意识宏大叙事的陷阱何在如何避免陷入这一陷阱16.1 宏大叙事的正当性赵轶峰在讨论历史研究的方法论时指出历史包容人类以往一切经历对于国家、制度、精英、结构性、规则性的研究与“从下而上”去看历史的研究及对各种历史片段、情节的考察都有认识意义[1]。宏大研究有其正当性——历史上既然有宏大的事项就不会因为历史学不去研究而消失而且现实生活中新的宏大问题还在不断涌现。同样在语言学与认知科学领域关于语言与思维、语言与文化、语言与认知的关系本身就是宏大的理论问题值得深入探索。原文选择这些问题作为研究对象其问题意识值得肯定。16.2 宏大叙事的陷阱宏大叙事的陷阱不在于其追求宏大而在于其论证方式。赵轶峰指出对“宏大叙事”的批评虽亦有武断处但诸多问题切实存在不可忽视[1]。这些问题包括· 用统一性和规律性理解历史忽略无法纳入宏大框架的丰富经验· 用线性的、决定论的方式看待发展过程· 用某种中心主义的视角衡量所有现象· 在方法论层面夸大历史研究工作过程的科学性质朱立元在对后现代主义文论的反思性批判中指出对宏大叙事的彻底否定将导致消解唯物史观根基但反本质主义思想被过度解读和利用也容易走入彻底消解本质的陷阱[13]。这一辩证认识提醒我们在追求宏大问题时必须保持方法论的自觉避免陷入简化、决定论、中心主义的陷阱。16.3 宏大与微观的兼顾赵轶峰强调历史的宏大研究原应与微观研究并存兼顾而不是非此即彼[1]。史家个人、单一史著都尽可以弱水三千取一瓢饮也完全可能成就重要发现、优秀作品但是历史学作为一个学科则必须宏微并取。同样的道理在语言与认知研究中宏观理论建构与微观实证研究应当相互支撑。宏观理论提供问题意识和解释框架微观研究提供证据支持和理论检验。原文的问题在于只有宏观框架缺乏微观支撑只有理论断言缺乏实证基础。第十七章 学术论证的基本规范基于对原文的批判可以提炼出学术论证的基本规范。17.1 命题的限定性学术命题应当明确其适用范围避免全称判断。“语言是人类认知的基础”与“语言是人类某些认知活动的重要中介”是两个强度不同的命题需要不同的证据支持。原文选择前者却以后者的证据水平论证犯了“过度主张”的错误。17.2 证据的充分性学术论证需要证据支持证据需要与命题强度匹配。强命题需要强证据全称判断需要无反例支持。原文的核心命题涉及语言与认知的根本关系、汉语与思维的内在关联却主要依靠DeepSeek一个案例支撑证据严重不足。17.3 推理的逻辑性学术推理需要遵循逻辑规则避免跳跃。原文从“语言基础”到“唯一基础”、从“汉语特性”到“汉语优势”、从“DeepSeek成功”到“汉语优势证明”每一环节都存在逻辑跳跃。17.4 反例的严肃对待学术论证需要认真对待反例而非选择性忽视。GPT系列的成功、4E认知的挑战、语言相对论的学术争议都构成对原文核心论点的反例。原文对这些反例要么完全无视要么轻描淡写。17.5 概念的清晰性学术概念需要清晰界定避免含混使用。原文对“4E认知”、“生成语法”、“语言基础”等概念的使用都缺乏清晰界定造成理解障碍。第十八章 跨学科研究的方法论自觉原文涉及语言学、认知科学、计算机科学、文明比较等多个领域体现了跨学科研究的视野。但跨学科研究更需要方法论的自觉。18.1 跨学科不等于无学科跨学科研究不是取消学科边界而是要在尊重各学科方法论的基础上寻求整合创新的可能。刘晓力在讨论哲学与认知科学交叉融合时强调跨学科研究更需要严谨的概念辨析和论证逻辑[12]。原文的问题在于它在各学科之间跳跃却未深入任何一个学科的内部逻辑。对语言学它未深入语言学的学术争论对认知科学它未真正理解4E认知的核心洞见对计算机科学它未深入技术细节。18.2 术语的跨学科翻译问题跨学科研究面临术语翻译和概念对接的困难。van Benthem指出不同学科的术语背后是不同的理论传统和方法论预设[6]简单挪用可能导致概念错位。原文对“生成”概念的使用正是这种概念错位的典型案例——将语言学的“生成”与计算机科学的“生成”混为一谈却未意识到两者在各自学科中的不同内涵。18.3 多学科证据的整合跨学科研究需要整合多学科证据而非选择性采用。关于语言与思维的关系既有语言学的证据也有认知科学的证据还有神经科学的证据。原文只采用对其有利的证据对其不利的证据一概回避这不是跨学科研究而是预设立场的选择性论证。结论超越宏大叙事回归扎实研究《人类认知的语言基础》一文提出了一个极具时代性和重要性的命题在人工智能重塑认知版图的今天如何重新审视不同语言及思维模式的价值其文化自觉意识值得尊敬。然而其论证过程存在显著缺陷。它将一个需要多学科精密协作、审慎求证的复杂课题简化为一套充满逻辑跳跃、选择性证据和术语雾障的宏大叙事。这种文风非但不能有力地为汉语和东方思维正名反而可能因其论证的粗糙损害其核心关切的可信度并助长一种轻浮的、口号式的学术讨论风气。赵轶峰在讨论历史研究的方法论时指出理论和方法论的弃取对于个人来说可以是知识特点、兴趣、条件等各种无须为他人道的原因对于一个学术共同体来说却应该是基于有关其得失、适用范围明确的学理认识。所以学术界要经常回顾学术潮流的历史使学术共同体的判断比个人的判断更多一点理性[1]。真正的学术自信不在于喊出最响亮的口号或罗列最时髦的术语而在于敢于直面反例、厘清概念、夯实论证的每一步。对于汉语与认知、与人工智能的深刻关系这一重要课题我们需要的不是一篇自信的“宣言”而是一系列扎实、谦逊、经得起推敲的研究。这些研究应当第一与认知科学的前沿理论进行严肃对话。 4E认知、生成语法、联结主义等理论传统各有其洞见和局限需要在尊重各自方法论的基础上寻求整合可能。不能简单地将某一理论作为标签而应深入其核心论证与之展开真正的学术对话。第二开展跨语言的实证比较。 要论证汉语的“优势”需要严格控制的比较研究——在同等技术条件下基于不同语言语料训练的模型是否存在系统性差异这种差异是否可归因于语言本身的特性这些实证问题是任何理论建构的基础。第三深入技术细节分析成功案例的多重因素。 DeepSeek的成功是多种因素协同作用的结果——模型架构创新、训练工程突破、数据策略优化、开源生态构建、劳动社会化协作等[4][9]。将复杂成功简化为单一归因既不符合事实也无助于真正理解成功的原因。第四避免本质化的文化二元论。 东西方思维传统内部同样存在丰富的差异与张力任何重大科技创新都是多种思维模式协作的产物。尊重思维的多样性承认不同思维模式各有其适用范围和价值才是真正开放、包容的学术态度。第五坚守学术论证的基本规范。 命题需要限定证据需要充分推理需要逻辑反例需要面对概念需要清晰。这些规范不是教条而是保障学术研究质量的基本要求。宏大的愿景必须以坚实的逻辑砖石来建造。这篇文章或许可以作为一个反面的方法论警示——提醒我们在学术探索的道路上论证的严谨永远比口号的响亮更为重要。真正的文化自觉不是用简化与断言自我辩护而是以更严谨的研究让汉语与中华文明的思想资源在全球学术对话中获得真正的说服力。参考文献[0] 中国学派. (2026). 人类认知的语言基础. 中国社会科学文摘, (1), 28-30. 转载自 哲学分析, 2025(5).[1] 赵轶峰. (2022). 明清史宏观研究的问题意识. 社会科学战线, (7).[2] 语用学助推人工智能发展. (2025). 中国社会科学网-中国社会科学报.[3] Mendivil-Giro, J. L. (2026). On the Limits of Functionalism: A Reply to Bierl. LingBuzz.[4] 郑泽华, 张开. (2025). DeepSeek迅速崛起的政治经济学分析. 爱思想.[5] Pinker, S. (1994). The Language Instinct: How the Mind Creates Language. HarperCollins.[6] van Benthem, J. (2011). Logic in Games. 北京大学讲座.[7] 郭贵春, 梁德柱. (2025). 大语言模型应该有“内在的语言生成能力”吗?——论乔姆斯基批评ChatGPT的局限性. 科学技术哲学研究, (1), 1-9.[8] Batisti, F. (2025). Language after Cognitivism: At the crossroads of Psychology, Linguistics, and Philosophy. Seminar Course, Faculdade de Filosofia e Ciências Sociais.[9] 脑极体. (2025). DeepSeek破圈AI商业化临界点是如何被打开的36氪.[10] 王均松. (2024). 大语言模型对语言学理论带来挑战. 中国社会科学网.[11] Chomsky, N., Roberts, I., Watumull, J. (2023). The False Promise of ChatGPT. The New York Times.[12] 刘晓力. (2021). 哲学与认知科学交叉融合的途径. 中国人民大学学报.[13] 朱立元. (2026). 对西方后现代主义文论消极影响的反思性批判. 文艺研究.[14] Papadimitriou, I., et al. (2024). Mission: Impossible Language Models. In Proceedings of the Association for Computational Linguistics.[15] 司富珍. (2025). 大语言模型时代语言学理论的争鸣与启示. 广东外语外贸大学著名教授论坛第721讲.[16] Gallagher, S. (2017). Enactivist Interventions: Rethinking the Mind. Oxford University Press.[17] 张凤阳. (2023). 历史辩证法的政治修辞呈现——文体视角下的《共产党宣言》创作史研究. 中国社会科学, (6).——全文完——