我們主要是搞自然語言處理，涉及相關語言繁多。過去6個月，我們研究的語言有（深呼吸）：英語、葡萄牙語（巴西葡萄牙語及葡萄牙本地語）、西班牙語、意大利語、法語、俄語、德語、土耳其語、阿拉伯語、日語、希臘語、漢語普通話、波斯語、波蘭語、荷蘭語、瑞典語、塞爾維亞語、羅馬尼亞語、韓語、匈牙利語、保加利亞語、印地語、克羅地亞語、捷克語、烏克蘭語、芬蘭語、希伯來語、烏爾都語、加泰羅尼亞語、斯洛伐克語、印尼語、馬來語、越南語、孟加拉語、泰語，以及一點拉脫維亞語、愛沙尼亞語、立陶宛語、庫爾德語、約魯巴語、阿姆哈拉語、祖魯語、豪薩語、哈薩克語、信德語、旁遮普語、他加祿語、宿霧語、丹麥語和納瓦霍語。

自然語言處理（Natural Language Processing，下稱 NLP）就是要找到語言的模式。例如：錄入大量非結構化的文本，自動從中抽離結構。NLP 有一個公開的秘密：它極以英語爲中心。英語無疑是語言學家研究最多的一門語言，于計算機科學項目而言，也是具有最多可用資源的一門語言（就計算機科學而言，數據總是越多越好）。因此，測試一個 NLP 系統的最佳方式之一，就是換用不是英語的語言來測試。一個系統處理多樣化數據的能力越強，那麽其應付未預見數據的能力，也就更令人有信心。

爲此，我們也許可以選擇去根據英語的特性來定義“怪異度”。但是，這樣的定義可是相當令人惱火。所以咱們來試試換一種方法吧。

縱觀全球，糾出“語言異類”
語言結構世界地圖（World Atlas of Language Structures，下稱 WALS）根據一大堆各種語言特征，評估 2676 種不同的語言。這些語言特征包括詞序、聲音種類、否定方式，以及許多其他方面——共計 192 種不同的語言特征。

因此，與其采用一個以英語爲中心的世界觀，WALS 毋甯允許我們換用一個世界性的世界觀。也就是說，我們評估每一門語言，根據的都是其每種語言特征的不尋常度。例如，英語的詞序是“主語—動詞—賓語”， WALS 對 1377 種語言的詞序進行編碼，其中 35.5% 具有“主動賓”詞序。同時，只有 8.7% 的語言以動詞作爲起始，比如威爾士語、夏威夷語和馬揚語（Majang）。因此，從跨語言學角度講，以動詞作爲起始，就是不尋常。另外順帶一提，實際上全世界語言有 41.0% 是“主賓動”順序。（題外話：從事了一些夏威夷語和馬揚語的相關工作后，動詞對我而言，簡直就變成如結婚般重大的承諾：每每開口，我卻總是還沒有做好準備。）

WALS 的數據相當稀疏，所以我們把研究限定于 165 種語言特征，這些特征至少要包含 100 種不同語言的數據。（現階段，就這 165 種語言特征而言，數據不足其中 10 種的語言，我們也剔除掉了。因此共計還剩 1693 種語言。）

現在，有個問題就是，如果我們的篩選到此爲止，那麽數據共線性太高。之所以如此，部分是因 WALS 中列舉的語言特征本質而決定——有整體考量“主語／動詞／賓語”順序的特征項，另又有分別考量“賓語／動詞”和“主語／動詞”的項。理想情況下，我們希望基于不相關的特征評斷怪異度。我們可以集中關注互相之間沒有很強相關度的語言特征（在兩種互相關聯的特征中，我們選擇有更多語言編碼的特征）。最終我們篩得總計 21 種語言特征。

至于某種語言的每項數據值，我們考量其他所有具備該項編碼的語言，計算該項值的相對頻度。因此，如果我們把“主語—賓語—動詞”詞序也算進來的話，那麽英語得到的怪異度值就會是 0.355（實際上，我們根據每項語言特征的整體熵值對所有數據值統一化處理，所以這個值本身並不正好就是 0.355，但你懂這意思就行了）。因此，得到的“怪異度指數”（Weirdness Index），就是一項交叉考量 21 種獨特結構特征的平均值。但是，因爲不同的特征采集數值的數量不同，我們爲了減少統計偏斜，實際上取了調和平均值（又因爲我們希望“數字越大＝越怪異”，所以終值是用 1 減去這個平均值）。本篇博文我彙報所涉及的語言，就這 21 項語言特征而言，至少三分之二（即 14 項）具有數據值（即 239 種語言）。

答案揭曉：全世界最怪異的語言是——
與全世界大多數語言最不同的語言，是一種以動詞起句的聲調語言，在墨西哥的瓦哈卡（Oaxaca）有 6000 人使用，名叫“恰卡通戈米斯特克語”（Chalcatongo Mixtec），又名“大聖米格爾米斯特克語”（San Miguel el Grande Mixtec）。第二名在西伯利亞有 2.2 萬人使用：涅涅茨語（Nenets）——英文里“派克大衣”或稱毛皮風雪大衣（parka）一詞就來源于這種語言。第三名是喬克托語（Choctaw），約有 1 萬人使用，大多在美國俄克拉何馬州。

但是，難就難在這兒了——有些實際上最怪異的語言，是你聽說過的：德語、荷蘭語、挪威語、捷克語、西班牙語，以及漢語普通話。而且，實際上英語在“語言怪異度指數”（Language Weirdness Index）表中也位列第 33 名。



世界上最怪異的 25 種語言：北美洲的，恰卡通戈米斯特克語、喬克托語、大梅薩迪埃格諾語（Mesa Grande Diegueno）、庫特奈語（Kutenai）、索克語（Zoque）；南美洲的，帕烏瑪利語（Paumari）、特魯邁語（Trumai）；澳洲暨大洋洲的，皮詹加加拉語（Pitjantjatjara）、拉伍卡萊維語（Lavukaleve）；非洲的，哈勒爾奧羅莫語（Harar Oromo）、伊拉庫語（Iraqw）、剛果語、穆穆耶語（Mumuye）、祖候語（Ju|'hoan）、科伊科伊語（Khoekhoe）；亞洲的，涅涅茨語、東亞美尼亞語、阿布哈茲語、拉達克語、普通話；以及歐洲的：德語、荷蘭語、挪威語、捷克語和西班牙語。

順帶一提，皮詹加加拉語（Pitjantjatjara），這名字還能更牛嗎？（另外，你能猜出這個拉丁化拼寫中哪個音節不發音嗎？*）

以兩項特征爲例：問句與代詞
“這很怪。這很怪嗎？”（This is odd. Is this odd?）區分各種語言的特征之一，是“是非問句”的提問方式。絕大多數語言都有特別的疑問語助詞，添加在句中某處（例如日語問句句末的“か”[ka]）。在 WALS 中，有 954 種語言具有這項值的編碼，其中 584 種有疑問語助詞。（譯注：又如本段段首的普通話提問方式，添加語助詞“嗎”實現簡單疑問句提問。）但像英語那樣的提問方式，即調換詞序，其比例在所有語言中僅爲 1.4%。也就是說，一共只有 13 種語言采用這樣的方式，而它們大部分都是歐洲語言：德語、捷克語、荷蘭語、瑞典語、挪威語、弗里西亞語、英語、丹麥語和西班牙語。

但還有一種語言，其是非問句的提問方式更加不走尋常路，那就是恰卡通戈米斯特克語：提問時，什麽都不變。我們調查所涉及語言中，唯有這種語言提問時沒有疑問語助詞，沒有詞序調換，沒有語調變換……這種語言就“是否”提問時，以及作簡單陳述時，講話真的是毫無任何區別。我花了好些時間，想象用這種語言做電視遊戲節目會是什麽樣。

語言還需應付的另一個問題，是如何處理簡單主語代詞，比如“我”（I）、“他們／她們／它們”（they）、“它”（it）。這些詞稱爲“代詞主語”（而像“有關部門負責人含糊其辭”這樣的說法則是使用了名詞主語）。最通常的做法，是將代詞信息附加到動詞上——所調查的 711 中語言中有 437 中語言采用這樣的做法，如西班牙語、意大利語和葡萄牙語。但是，荷蘭語、德語和挪威語，與英語一樣，甯可使用特別的主語代詞，而這些代詞通常——或必須——在句中出現。不過，在 WALS 有編碼的 711 種語言里，也只有 82 種語言采用這樣的處理方法。庫特奈語（加拿大不列顛哥倫比亞省有 100 人使用）和穆穆耶語（尼日利亞有 40 萬使用者）的處理方法更不尋常：它們有類似主語代詞的東西，但其在句法中的位置，則與完整名詞性短語的位置不同。而比這還更不尋常的，又是恰卡通戈米斯特克語：這種語言混合多種不同策略，所以既有附著在動詞上的主語標記，又有代詞，而且這些代詞在句中出現的位置，還與完整名詞短語不同。

世界上最“不怪異”的語言
如果我現在請你考慮一下以下這幾種語言，你覺得它們有多怪呢？立陶宛語、印尼語、土耳其語、巴斯克語，以及粵語。嚇一跳吧！它們的怪異指數排名相當低呢。對于語言學家和語言學習者而言，這幾種語言可能並不顯得典型；但就我們研究的 21 種語言特征而言，它們相當隨大溜。請注意，在怪異度各級分布中，我們有一些孤立語言（比如巴斯克語）。巴斯克語很“典型”；但是另一種孤立語言，庫特奈語，則相當怪異。更令人驚訝的是，漢語普通話名列 25 大最怪異語言，但粵語卻棲身倒數十大。這與二者發音系統不同有關：與粵語不同的是，普通話有小舌延續音（uvular continuants），而且在軟颚鼻音方面有一些局限（普通話同英語類似，可以發出英語“song”詞尾的那個音，比如漢語“頌”[song]；但無法將這個尾音置于單詞的詞首發音——世界性地來看，這個特定限制實屬罕見。）

而在怪異指數列表最末尾的幾種語言里，有兩種你聽過，有 3 種你可能沒聽過：匈牙利語，通常享有“語言學異類”的美譽，但在我們考量的這些維度里，卻是徹頭徹尾的典型語言。（我去年夏天在布達佩斯住過，我發誓匈牙利語絕對有其怪異之處，只是隱藏在其他地方了而已。）查莫羅語（關島有 9.5 萬使用者）、阿伊努語（僅在日本有少量使用者的瀕危語言），以及布雷佩查語（Purepecha，5.5 萬使用者，多在墨西哥），這三種語言都很正常。但是，所有語言中最最正常、超級典型、最不詭異的一種語言，怪異指數僅 0.087 的語言，是印地語——只有一項怪異特征。

這一點，一部分說明，有些你想當然以爲正常的語言（如英語、西班牙語或德語），其實一貫與世界上其他語言格格不入。這令我想起心理學的一個基本問題：如果我們調查研究主要基于大學生——即如約瑟夫•亨利希（Joseph Henrich）及其同事所認爲的，西方的、受過教育的、工業化的、富裕的、民主的大學生——那麽這樣的研究，其概括程度到底能有多高？換句話說，有時輸入的信息本身就“不正常”，或曰怪異，那你就要問問自己，這是否會導致研究的變化。

你講英語，你很怪
盡管這里采用的方法沒有以英語界定，但仍然夾帶了一些文化特異性的私貨。即是說，開發這個系統以及注釋這些語言特征的語言學家，大部分都是歐洲語言使用者。如果換爲巴布亞新幾內亞、埃塞俄比亞或亞馬遜的某個人來做研究，最終確定的語言特征又是哪些呢？而且，當然，WALS 並不具備全球約 4000 種語言的所有數據；其所擁有數據資料的語言，也並不真正足夠隨機。

話雖如此，英語排名仍然很高，是挺不尋常的一種語言（排名 33 位，指數值 0.756）。如果你能帶著一個英語思維的大腦，去讀這篇文章英語原文，那你可真是怪怪哒。（譯注：你操漢語，能讀這篇譯文，那你的腦子更怪。）

附錄：十大與倒數十大
下列爲怪異語言列表十大及倒數十大，共 20 種語言。

排位        語言名稱（中）        語言名稱（英）        怪異度指數
1        米斯特克語（恰卡通戈）        Mixtec (Chalcatongo)        0.972
2        涅涅茨語        Nenets        0.935
3        喬克托語        Choctaw        0.924
4        迪埃格諾語（大梅薩）        Diegueno (Mesa Grande)        0.920
5        奧羅莫語（哈勒爾）        Oromo (Harar)        0.919
6        庫特奈語        Kutenai        0.908
7        伊拉庫語        Iraqw        0.900
8        剛果語        Kongo        0.883
9        亞美尼亞語（東部）        Armenian (Eastern)        0.861
10        德語        German        0.858
......                           
230        巴斯克語        Basque        0.189
231        波羅羅語（譯注：巴西）        Bororo        0.153
232        克丘亞語（因巴布拉）        Quechua (Imbabura)        0.151
233        烏桑語（譯注：巴布亞新幾內亞）        Usan        0.151
234        粵語        Cantonese        0.143
235        匈牙利語        Hungarian        0.132
236        查莫羅語        Chamorro        0.128
237        阿伊努語        Ainu        0.128
238        布雷佩查語        Purepecha        0.100
239        印地語        Hindi        0.087


內容注釋：
譯注：原文表述略有不當；皮詹加加拉語（Pitjantjatjara）在當地原住民語言中或可簡稱爲“皮詹加拉語”（Pitjantjara [ˈb̥ɪɟanɟaɾa]） ，所以這個完整的拉丁化拼寫並非“有一個音節不發音”，而只是有一個音節“可以”省略且不發音。