今天去听了同事的讲座“语言研究中的科学与技术”，同事从蛮哲学的角度出发，讨论了科学史上对科学和技术的定义以及二者的关系，一个小时的讲座，我觉得还是颇为受益。

科学研究曾经是无用的，没有实用价值的，一旦为了有用，就不自由了、不科学了，科学在寻找规律、原理、理论。而技术是为实用服务的，很多行业是不需要科学就能发展的，比如纺织行业，再比如飞机的制造不需要流体力学的知识，工程师们直接在“风洞”中进行试错和模拟，是通过数据、实验、试错和结果来进行飞机制造和更新的。

在很多行业里，科学和技术似乎是两条平行发展的轨道，包括我所在的语言学领域。

现在我们经常说到“应用科学”、“应用语言学”，某种程度来说，这样的叫法是不科学的。语音识别、自然语言处理和大语言模型和语言学理论可以说毫无关系，前者作为技术的发展不需要语言学理论、原理和规律，它们进步的机制是一个黑箱，通过算法的革新推动了准确率，而这个算法不涉及任何语言学规律。

所以，在我校语言学本科专业培养方案里的这段话，让“技术与语言深度融合”某种程度上是不成立的。

“这些知识（语言知识）并非孤立存在，而是与技术有着天然的融合接口:语音学可支撑语音识别与合成，语义语用学能优化大模型理解与生成，语篇分析可提升文本对齐与风格迁移效果，认知语言学则为模型的人类语言适配提供理论依据，等等，只有吃透语言规律、精通技术工具，让理论指导技术、技术验证理论，才能真正实现双向赋能。”

——这段话看起来好有道理，事实上无论过去还是将来，都是两条平行线，彼此都在做不同的问题，甚至算不上“兄弟爬山各自努力”，因为目前来看，大语言模型并没有为语言学理论研究带来任何洞见（只有东风压倒西风的危险），反之亦然。

语言学研究里最偏向实用和应用的小方向依然是理论驱动的，试图回答理论框架下的研究问题，需要去验证一些假设，哪怕是纯粹数据驱动的语料库研究，最终也是想要探索一些规律、原理和假设，而这些，都是科学研究的“白箱”问题，而非技术（如大语言模型）只探讨解决实际问题的效率与效果——是一个“黑箱”问题。

对于选择了语言学专业的本科生或者不知道小方向该如何抉择的研究生来说，我不认为这两个方向目前能交融起来，甚至作为交叉学科也有风险，最后学成编程、算法能力不如纯工科出身、语言学研究功底（理论导向、数据驱动、实验设计、统计建模）不如语言学出身，反而更不好给自己定位了。