婴儿是统计学家

两分钟的胡话，八个月大的孩子从里面找出了词

1996 年 Saffran、Aslin 和 Newport 编了一门只有四个词的假语言：bidaku、padoti、golabu、tupiro，每个词三个音节，都是瞎编的。然后用合成器把这四个词随机接成一条连续的音节流——没有停顿，没有轻重，没有升降调，语速平得像机器念表。整整两分钟，一个八个月大的婴儿坐在那里听。

这条流里唯一的线索是概率。在词的内部，bi 后面一定是 da，da 后面一定是 ku——听见前一个，后一个是它的可能性是百分之百。可到了词与词的接缝上，ku 后面接哪个词的头都行，四个词随机排，可能性只有三分之一。

两分钟之后开始测。用的是「转头偏好」：婴儿朝哪边的喇叭多看一会儿，那边就继续放声音；她走神，声音就停。于是「听了多久」成了一个能量的数。一边放 bidaku 这样的完整词，另一边放 kupado 这种跨了接缝截出来的三音节块——两类的音她都听过，只是后者从没整块出现过。两边的时长不一样。差别本身就是答案：她把这两类分开了。

有个明显的反驳：会不会只是 bidaku 这种组合出现得更多、听得更熟？1998 年同一批人把频次配平了再测一遍——两类块出现的次数一样多，只有条件概率不同，婴儿照样分得开。所以她算的不是「见过几次」，而是「见过它之后、下一个是不是它」。

这套本事不是人类专利，也不只对语言管用。同一批合成音流放给绒顶柽柳猴听，猴子也分得开；后来在大鼠身上也做出来了。婴儿对纯音的音高序列同样能做这件事。所以它更像一台通用的序列统计机器，恰好被用在了语言上。

证据强度得说清楚。原始实验被复制过很多次，但 2017 年一项汇总分析给出的画面没那么漂亮：照原设计做的那批复制，效应显著但很小；所有用条件概率做切分的研究合在一起，整体效应不显著；用合成语音还是真人语音，差别明显。现象是真的，量级不像教科书里那么威风。

EN Saffran, Aslin & Newport (1996) exposed 8-month-olds to two minutes of a pause-free synthetic syllable stream in which transitional probabilities ran at 1.0 inside words and .33 across boundaries; infants discriminated words from part-words. A 1998 follow-up equated frequency, so the computation is conditional probability, not raw counts. Tamarins, rats and tone sequences show the same ability — but a 2017 meta-analysis puts the effect at small, and sensitive to synthetic versus natural speech.

光靠数数不够，节奏在旁边当路标

真实的话不是那条平得像机器的流。它有轻重、有长短、有高低，而这些恰好可以当路标——不同语言给的路标还不是同一种。

英语给的路标是重音。Cutler 和 Carter 1987 年翻了两本电子词典又数了一大堆真实对话，得到一个很有用的比例：日常对话里大约九成的实词（名词动词形容词这类，不算「的」「了」这种）都以重读音节开头。那么一条粗暴的规则就很划算：听见一个重音，就假设一个新词从这里开始。

怎么知道英语环境里的婴儿真在用这条规则？看它出错的时候。英语里 guitar（吉他）是少数的「轻—重」词，重音在后。Jusczyk 等人 1999 年发现，七个半月大的婴儿听到「guiTAR is…」这样的句子，切出来的是 TARis——把 tar 当成词头，又把后面那个轻读的 is 收了进来，拼成一个根本不存在的词。规则用错了地方，反过来证明规则在被用。

而这条路标是英语的，不通用。法语的词没有英语那种固定落点的重音，法语使用者切的单位是音节；日语切的单位比音节还小，叫「拍」（mora，音节内部再分的节奏单位）——「サッポロ Sapporo」在日语使用者听来是 sa-p-po-ro 四拍，中间那个促音自己占一拍。普通话又不同：几乎每个音节都带声调、都念得饱满，强弱交替的格局根本不成立。同一件事，四种语言四套量法。

更早的证据来自出生没几天的新生儿。1998 年 Nazzi 等人给法国新生儿放经过低通滤波的句子——把清晰的辅音元音糊掉，只剩下节奏和语调的轮廓。新生儿能分开英语和日语，却分不开英语和荷兰语。前一对节奏类型不同，后一对相同。这说明进入母语之前，孩子先抓的是这条粗轮廓。要补一句：近年有汇总分析和计算模型在质疑「这是不是真的靠节奏」，机制层的解释还没定。

路标之所以必要，是因为纯统计很脆。Johnson 和 Tyler 2010 年只改了一件事：让假语言里的词长短不一，两个两音节词加两个三音节词，条件概率照样是完美线索。八个月大的婴儿这回失败了。词长一不齐，光数相邻音节就撑不住——真实语言里的词当然长短不一，所以线索必须是几种一起用。

EN Cues to word boundaries are language-specific. Cutler & Carter (1987) found ~90% of content words in English conversation begin with a strong syllable, and Jusczyk et al. (1999) caught 7.5-month-olds misapplying that rule, pulling "TARis" out of "guiTAR is". French listeners segment by syllable, Japanese by mora (Sapporo = sa-p-po-ro, four morae), and Mandarin has no such strong-weak alternation. Newborns already discriminate rhythmically distinct languages (Nazzi et al. 1998), though whether rhythm is the operative variable is now contested. Pure statistics is brittle: Johnson & Tyler (2010) broke it just by mixing word lengths.

切出来的还只是一块声音，离词还差一步

就算全切对了，孩子手里也只有一堆反复出现的声音块。「词」还要求这块声音是某个东西的名字。这一步是白送的吗？

Graf Estes 等人 2007 年把两件事接在了一起。先让十七个月大的孩子听一段统计切分的音流，紧接着教她物体的名字。名字分三种：一种是刚才流里的完整词，一种是跨接缝截出来的块，还有一种是全新的音节串。只有第一种学得会。关键在于第二种——它在流里出现的次数一点不少，只是从来没有作为一个整块站住过。

所以切分不是词汇学习的附属品，是它的前置工序：被切出来的那块声音才有资格当候选名字。这也解释了一件本来很怪的事——为什么孩子在完全听不懂的时候，仍然值得听。她在攒的是候选清单。

那会不会只在实验室那种干净的假语言里成立？2009 年 Pelucchi 等人给母语是英语、从没接触过意大利语的八个月大婴儿放真人朗读的意大利语——真嗓子、真语调、真词。他们依然能按条件概率把高低两类音节组合分开。统计切分因此走出了人造流。

但也别把这一步吹大。绒顶柽柳猴能切，可没人报告过猴子因此把切出来的块当成东西的名字。所以真正要解释的不是那台统计机器——它分布很广——而是紧接着的那一步：为什么只有人会顺手把一段声音认作某个东西的名字。这一步至今没有公认的说法。

EN Segmentation yields sound chunks, not words. Graf Estes et al. (2007) showed 17-month-olds could attach object labels only to previously segmented sequences, not to equally frequent part-words. Pelucchi et al. (2009) extended statistical segmentation to naturally produced Italian heard by English-learning 8-month-olds. Yet tamarins segment and no one reports them treating a chunk as a name — the step that needs explaining is what follows segmentation, not segmentation itself.