找一位英语母语的人，让他手掌放在嘴前，念 pin，再念 spin。pin 那个 p 有一股气打在手上，spin 那个几乎没有。你问他这两个 p 一样吗，他多半会说：一样啊，都是 p。
可你手上那个差别是实打实的，而且它正是普通话「趴」和「八」的全部区别。同样两个声音，在一门语言里是两个词的分界线，在另一门语言里根本不存在。
反过来也一样：「西」（xī）和「诗」（shī）是两个不同的字，英语在这一带只有一个 sh，所以英语母语者学中文常把这两个音收进同一格。耳朵收到的东西一样，听见的不一样，中间隔着一步：归格。下面讲这个格子长什么样、为什么有人的格子里没有 L 和 R 那条线、以及它们是什么时候画上去的。
先把两个词分开。音位（phoneme）是一门语言里能拿来区分意义的最小声音单位；实际念出来的具体的音，如果换来换去不改变词的身份，就是同一个音位的不同变体（allophone）。判据很土：能不能只换这一个音，就换出另一个词。
拿这把尺子量一下。普通话里把「八」的声母换成「趴」的声母，词就变了，所以是两个音位。英语里把 spin 那个不送气的 p 换成 pin 那个送气的 p，听着有点怪，但没人会以为你说了别的词——是一个音位的两个变体。同一对声音，在两门语言里身份完全不同。
格子的存在有个很直接的证据。Liberman 和同事 1957 年合成了一串音，沿一条轴等距排开：一头是清楚的 b，另一头是清楚的 p，中间十来步，每步的物理差距完全相同（用的就是「你嘴里那些看不见的动作」那期那个量——嘴唇放开和嗓音起来之间差多少毫秒）。然后让人做两件事。
第一件是一个一个听，报出这是 b 还是 p。如果耳朵老实反映物理量，答案该是一条平缓的斜坡；实际得到的是一级台阶：前面几步百分之百报 b，某一步之后突然百分之百报 p，中间几乎没有过渡带。
第二件更说明问题：两两拿来比，只问「一样不一样」。相邻两步的物理差距处处相等，难度理论上该一样。实际是：两个音落在台阶同一侧，人几乎分不出，答对率接近瞎猜；一旦跨过台阶那一步，突然就听得清清楚楚。
这个结果被重复过无数次，稳得像地基。但它的强版本——「格内的差别完全听不见」——后来被更细的方法推翻了。McMurray、Tanenhaus 和 Aslin 2002 年在屏幕上放四张图，念一个词让人去点，而这个词的声母在格子内部微调。人报出来的词始终不变，但他们的眼睛会往「竞争词」那张图上瞟，而且越靠近边界瞟得越多，连续地变。
所以更准确的说法是：被压平的是你的判断，不是进到你脑子里的信号。
EN A physically even continuum gets heard as two flat plateaus and one cliff — but the flattening is in the decision, not the signal.
日语母语者分不清英语的 r 和 l，这件事出名到快成刻板印象了。它值得讲，是因为有一个实验把「耳朵不行」这个解释干净利落地排除掉了。先说这两个音差在哪：声道形状会让某些频率上的能量堆起来，这些能量带叫共振峰（formant）；r 和 l 的主要差别落在从下往上第三条共振峰的起点高度上，r 起得低，l 起得高，然后各自滑向后面的元音。
Miyawaki 和同事 1975 年合成了一串从 ra 到 la 的音，只改这条共振峰的起点，等距排开。日语母语者做辨别任务，曲线几乎是平的；英语母语者在边界处明显冒尖，就是上一节那条虚线。
关键在第二步。他们把那条共振峰单独抽出来，其余部分全去掉，剩下的听起来像一声「啾」，完全不像语音。同样两组人，同样的物理差距，再做一遍辨别——两组曲线几乎重合，日语组和英语组一样听得出来。
这一步把话说死了：听觉系统本身没有差别，差别出现在「把它当语言处理」这一环——分不出来不是收不到，是收到之后被归进了同一格。证据强度：合成语音的对照实验，设计干净，此后被反复重做。
日语那边也不是「少了一个音」。日语只有一个流音音位，念出来接近闪音——舌尖朝上齿龈轻轻一弹，像美式英语 butter 中间那个一闪而过的 tt。它落在英语 r 和 l 之间，所以英语那两个音都往它那一格里掉。韩语同样只有一个流音音位：音节末尾偏 l（달 dal，「月亮」），到了两个元音中间变成闪音（다리 dari，「腿、桥」）。
方向是对称的，别只朝一边看。英语在硬腭到卷舌这一带只有一个 sh，普通话在同一带上有两条线：x（西 xī）和 sh（诗 shī）；英语母语者学中文时同样要在自己没画过线的地方补一条。每门语言都有别人听不出的对立，谁也没有「更好的耳朵」。
能不能补画？能，但没那么便宜。Logan、Lively 和 Pisoni 1991 年训练日语母语者辨认英语的 r 和 l，用多个说话人、多种语境的材料，十几轮后成绩明显提高，还迁移到了没听过的说话人和新词上。证据强度分两层：训练本身有效，很稳；但「材料越多样越好」这个配方，在 2022 年一项 166 人的复制研究里没能重复出来，作者说这个优势就算存在也比原先以为的小得多。方向对，剂量没定。
EN Strip the same acoustic difference of its speech clothing and the cross-language gap vanishes — the ear is fine; the sorting step isn't.
格子是什么时候画上去的？比大多数人猜的早，而且过程是反着来的：不是学会新的，是关掉不用的。Werker 和 Tees 1984 年测了英语环境里的婴儿。6 到 8 个月大时，他们能分开印地语的两个 t（一个舌尖抵门牙背面，一个舌尖翻上去顶硬腭前部），也能分开 Nlaka'pamux 语（加拿大不列颠哥伦比亚省的一门萨利希语）的两个挤喉塞音（一个舌根抵软腭，一个更靠后、抵在小舌那一带）。这两组对立，英语成年人都分不出来。再测 10 到 12 个月大的：也分不出了。中间那几个月，网收了。
但「丢掉」这个词得小心用。同一段时间里，他们对母语那些对立的分辨在变好。这不是退化，是重新分配——学名叫知觉重组（perceptual reorganization）：一个只需要处理英语的系统，把资源挪到了英语真正用到的那几条线上。
怎么学的？没人教婴儿哪些音算一格，也没人给标签。Maye、Werker 和 Gerken 2002 年给 6 到 8 个月的婴儿放两分钟同一条连续体上的音，两组唯一的差别是分布形状：一组听到的两端多、中间少（双峰），另一组中间最多（单峰）。之后只有双峰组能分开两端的音。两分钟，没有反馈，光靠分布形状就够了——这也顺带解释了收窄：母语不用的那条线，在输入里根本不会冒出两个峰。
反过来推，在窗口关上之前灌进一门新语言的分布，格子应该能新增。Kuhl、Tsao 和 Liu 2003 年做的正是这件事：9 个月大的美国婴儿，12 次、每次 25 分钟，由讲普通话的真人陪着念书和玩。之后他们能分开普通话的 q（七 qī）和 x（西 xī）——这对对立英语里没有。同一批材料换成电视上放，或者只放录音，房间、时长、进度表全一样：结果和从没听过普通话的对照组没有区别。证据强度：小样本实验，方向后来被更多研究支持，但条件被收窄过——2018 年一项研究发现视频加上同伴在场时能学到一部分。顺带标一句争议：收窄现象本身很稳，但 Kuhl 用来解释它的知觉磁吸效应（母语里最典型的那个音把附近的音吸过去）到今天仍有争论，1998 年 Lotto 等人指出它对任务设计相当敏感。
最后一句要说清楚：格子不是牢房。上一节那些训练研究说明成年人还能动它，「你听不出来的差别，是被你自己压掉的」那节的眼动结果又说明格内信息压根没被销毁。真正的限制是怎么动：重画一条线靠的是改变输入分布加上外部反馈，不是更用力地听——用力听的那个「你」，正是被压平的那一层。
EN Between eight and twelve months infants stop hearing contrasts their language never uses — and two minutes of the right distribution can flip it.
报告说一样，眼动说不一样。那么「这个人分不出这两个音」是关于他知觉的陈述，还是关于他能报告什么的陈述？换一种不依赖口头报告的测量，很多「分不出」会不会都变成「分得出但说不出」？
如果成年人训练后还能部分补回来，被关掉的显然不是感受器。是分类那一步的输出被绑死了，还是通往报告那一层的通道被剪了？两种说法的预测不一样——后者预测非报告类的测量应该一直看得见残留。
候选至少三个：真人会跟着孩子的注意力调整说什么、真人给的是有回应的反馈、真人在场孩子更投入。这三样能拆开测吗？给视频加上实时应答（远程连线的真人），效果该落在哪一档？