刘琪，林幼菁：语言互动理论下AI自然交际语言的生成丨语言生活研究

2026年第5期

语言生活研究

刘琪

北京大学博雅博士后、讲师，主要研究方向为人机交互、互动语言学、语音?韵律和句法语义

林幼菁_{（通讯作者）}

北京大学长聘副教授，主要研究方向为人机交互、中国民族语言、语音学与当代音系学和言谈分析

语言互动理论下AI自然交际语言的生成

刘琪，林幼菁

（北京大学　语言学实验室/中国语言文学系　北京　100871）

提?要?面对面交谈是语言最基本、最主要的用法。大语言模型的语言生成技术成功与否，关键在于能否在人机交互中最大限度地贴近人类语言的社会属性与交际本质。对此，互动语言学比传统语言学更能提供贴近交际本质的指标，它将隐性的言语行为规律与相关交际机制转译为可验证的显性知识，揭示人类如何、也指出机器应该如何操控语言，以达成自然的社会互动。互动语言学的一个核心概念TRP（话轮转换相关位置）已被纳入AI对话系统的标注框架，用来预测可能的话轮结束点，为大模型补齐“何时该接话”的互动感知短板，实现人机交互时话轮的流畅转换。韵律手段、填充成分、词语修复等“不流畅物”也被嵌入AI语言产出，使之显得更为自然。本研究采集大语言模型之间的对话语料，与人类自然口语会话进行对比，进一步考察话语中的“不流畅物”以及基于TRP预测而产生的话语重叠。分析显示，这些语言表现在人类言语中均承载互动功能，且有规律可寻；而在大模型语言产出中却较为稀少甚至缺失。研究结果表明：语言学一方面应深化言语互动行为模式的理论研究；另一方面应推动自然口语语料库的构建工作，打造包含多模态信息的精细标注语料库，以使人类互动复杂微妙的语言组织方式能被充分理解刻画，为人工系统的语言设计提供坚实的经验基石。

关键词?人工智能；互动语言学；人机交互；会话分析；大语言模型

一、引言

人工智能（以下简称AI）的语言生成能力，传统语言学分析方法在一定程度上已经负载不动了。语法研究分析语言单位，提出语法规则，依据这些规则可以将词组成语句；但人工智能显然不是用语法规则将词组合后，再一句一句蹦出来的。它不但可以快速生成流畅且合乎逻辑的语段，可以跟人类你一言我一语地进行言语互动，还可以不让话“掉到地上”，比一些自称“i人”、内向、不善言辞的自然人强多了。这些高度“拟人化”的聊天机器人^[1]在功能上已经超越专业问答与辅助，ChatGPT、豆包等手机应用提供各种角色的智能体陪人闲聊、练习外语口语，还有各种专门以情感陪伴为导向的应用。传统语法模型对此已难施拳脚（袁毓林2025：70）——语法、语义、发音早已不是自然语言生成的开发难点。

那么，这是否意味着AI已经全部掌握自然语言了呢？关于这一点，无论是在大众舆论、产业界，还是在学术研究中，已有热烈而持续的讨论。本文并非要在这场辩论中另辟蹊径，而是希望从互动语言学与社会交际的视角出发，基于口语会话，对比当代大语言模型的语言产出与人类的自然语言在语言行为各方面的异同，进而探讨人机交互中AI自然交际语言生成的现状与未来。

具体而言，本文关注大模型在互动层面的表现，从话轮组织、话轮转换相关位置判断以及迟疑、停顿等“不流畅物”的使用着眼，了解其是否遵循人类会话中已被考察并归纳的互动规律和原则，并将大模型间会话及人机互动实例与自然人际会话进行对照分析（第六节）。文章旨在揭示：大模型所呈现的“自然感”究竟源于何种语言形式与互动机制，它们在模拟人类互动时表现出哪些结构性的相似，又在哪些关键环节暴露出本质差异。由此，本文试图说明，理解AI语言生成的能力与局限，必须超越内容层面的评估，而回到语言作为社会行动资源的互动组织层面。

[1]　聊天机器人是一种能够与自然人进行自然语言对话的程序，包括早期的ELIZA以及现代依赖内嵌大语言模型的ChatGPT、Google Bard、Claude等。典型的聊天机器人，如LivingAI出品的AIBI Pocket等产品，是嵌入了语音、视觉传感器与大语言模型，能识别人脸、响应语音命令、执行基本互动行为（如被摸、唱歌、报天气等），在联网状态下可以调用类似ChatGPT的对话能力来回答复杂问题。

二、对大语言模型输出的语言学研究盲点与进路

现在已有不少针对大语言模型输出展开的语言学研究，不过总体呈现出书面语与口语研究失衡的情形。目前已发表的文献普遍集中于学术论文、新闻报道等书面体裁（Fyfe 2022；Alexander et al. 2023；Herbold et al. 2023；Mu?oz-Ortiz et al. 2024；Reviriego et al. 2024；杨尔弘，等2024），这些研究指出AI生成文本具有高度名词化、句法复杂化等书面化倾向，同时缺乏情态动词、话语标记等互动特征（Fyfe 2022；Herbold et al. 2023）。尽管已有分析会话数据的研究，不过统计方法如果仍基于文本词典（LIWC，Linguistic Inquiry and Word Count）（Sandler et al. 2025），就无法触及自然口语互动的核心特征。这样的研究倾斜，一方面源于语料的可得性（书面语料较易取得）以及研究范式的成熟度，另一方面也体现出社会层面对生成文本是否真实准确及相关诚信问题的迫切关注。然而，我们认为，若要准确衡量大模型输出与人类自然语言的差距，语言学研究就必须把视线投向口语，尤其是自然会话。

事实上，很多语言学家早有共识，面对面交谈是语言最基本、最主要的用法（Clark 1996：8；Bavelas et al. 1997：5；Seyfarth & Cheney 2018：14），其他所有的语言使用形式“都应以之为基准来描述其偏离程度”（Fillmore 1981：152）。因为面对面交谈存在于所有人类社会中，不需额外的特殊技能就能进行，儿童也是在这样的交谈互动中习得母语的。语言的使用既是个人的，也是社会的。个体会做出运用语言的行为，而这些行为是为了能实践自己在社会集体中参与者的角色（Clark 1996：8—11）。

大模型基于概率预测的语言生成机制（Brown et al. 2020）并不意味着其“理解”语言（时仲，等2025：83），但“理解”语言并非语言的主要功用，交际才是（袁毓林2023a：9—11）。换句话说，语言生成技术成功与否，关键在于能否在交互中有效模拟社会存在与互动主动性。我们熟悉的会话教材都是相当“干净”“有序”的，一个人把话说完了才换另一个说，偶尔点缀一些“嗯”“啊”等话语标记或语尾助词，以显示口语味。然而，只要置身于真实的自然交谈，就会发现口语的组织与形式是随着交际互动而实时变动的。会话参与者必须即时处理话轮转换的问题（什么时候让别人说，什么时候换自己说，别人还在说的时候怎么取得话语权，等等）；听话人会插话，越热烈的交谈越容易出现话语重叠；在自然口语中，语音韵律是用来组织思想、进行互动和表达情感的常见手段；说话是一种社会行为，这个事实还体现在话语共建上，也就是说，说话人会帮对方把（还）没说的话说完。这些都是互动语言学研究的核心维度（Sacks et al. 1974；Sidnell & Stivers 2013），是自然口语之所以“自然”的基本构成要素，也是当前AI生成语言尚未完整具备的核心特征。

目前，触及口语会话维度的相关语言学研究倾向于将符合社会语用规范的语言表现感知为“智能”，并会主动调整自身语言（如简化表达、改变韵律）以适应AI的局限（Horstmann et al. 2024；Zellou & Holliday 2024）。例如，调整语速（Bell et al. 2003），改变语音响度及应答延迟（Suzuki & Katagiri 2007），调整句法结构（Branigan et al. 2003），乃至在语言选择、发音方式、语音片段处理和语调变化等方面进行适应性调节（Oviatt et al. 1998）。从语言属性与人际互动本质出发，AI生成的语言必须在结构、语用和交际功能上向人类语言趋同。这不仅是提升交际有效性的技术要求，更是保证AI能够融入人类语言共同体、发挥其“交互智能性”的必要条件。

简而言之，互动语言学所提出的研究问题以及所使用的工具、方法和理论框架，是可以用来研究人机交互中的语言变化的，其考察结果可以揭示人类是如何、而机器又应该如何操控语言成分以达成自然的社会互动。本文所聚焦的口语属性实际上在AI的语言交互中也能观察到，但其规律远非仅通过基于文本的LIWC词汇统计所能捕捉。因此，要分析大模型所生成的会话材料，亟须引入互动语言学和会话分析的方法论，以考察其在真实会话中的序列组织、互动策略和韵律特征，才能准确把握其与自然语言的具体差异。

三、从互动语言学看AI语言的效应

有鉴于上述对语言主要功能的理解，我们认为，对于AI生成的语言“像不像”人类自然语言，互动语言学比传统语言学更能提供贴近交际本质的指标。互动语言学探索语言在人际互动中浮现的社会意义以及伴随的成系统的语言行为，其研究材料主要是自然的面对面会话。互动语言学认为，会话是一种用语言做互动的过程，目的是达成有效的社会交际（Couper-Kuhlen & Selting 2018）。在这个视角下，会话参与者听见内容并加以理解是个动态的过程，他们实时接收到的信息会促使他们不断形成关于对方交谈意图的假设，并凭借后续相关信息加以修正，同时通过自己的言语与非言语行为当场验证（Couper-Kuhlen & Selting 2018；于国栋2023）。因此，人类语言并非孤立的编码系统，而是一种在社会互动中逐步建构意义的实践（Halliday 1978；Gumperz 1982）。Gumperz认为，人在说话的时候是运用“会话策略”的，为的是维持会话进行、持续增强理解，好达成交际意图。也就是说，人类是带着目的使用语言的。Bender & Koller（2020：5187）对语言有这样的论断：“我们说话不是为了享受器官发音的乐趣，而是为了实现某种交际意图。”交际意图可以有很多种情况，可以是向他人传递某个信息，可以是要求某人做某事，还可以是寻求认同、减少分歧等。更进一步说，会话参与者在会话过程中的行为，就是调用语言资源进行相互协商、协作，同时凭借社会文化背景知识来促进彼此的表达和相互理解，以成功达成社会交际的目的（Goodwin 1990；Ochs 1996）。

以上论点并不是学者对人类语言使用情形的先验假设，而是源于真实言语互动的归纳性发现。在互动语言学基于使用的语言观中，频率并非单纯指语言形式在语料中出现的数量，而是反映某一语言形式（可以小至短语，也可以是一个小语段）在社会互动中被反复使用、逐渐常规化并内化为可预期互动资源的过程。高频语言形式更容易在认知与使用层面形成稳固表征，其功能与形式之间的关联也更为固定。由此，频率不仅体现使用概率，更体现语言形式在具体社会实践中的可得性与惯常性（Bybee 2006：712，730）。换句话说，互动语言学的研究早已发现，语言形式是因被高频用在特定序列里而获得了功能的稳定性。某些表达或者语言互动模式之所以在自然会话中显得自然并成为惯常，正是因为它们在相似的互动环境中被反复使用，从而成为会话参与者默认可调取的互动资源。

因此，大语言模型的开发，需要系统掌握人类的语言互动模式与互动资源；唯有如此，方能应对人机交互中同样存在的自然语言社会交际规律。比如，根据交际适应理论（Giles 1973；Giles et al. 1991，Giles & Ogay 2007），如果人们想要有效传递信息，或达成意见上的一致，又或尽量减少分歧，他们就会向对方的语言模式趋同。说话者使用特定语言策略适应对方之前，已经通过所感知的信息给对方做出了归因和评价。例如，与来华的外国人交谈时，即使不知道对方的中文怎么样，仅仅因为看见对方是外国人，中国人就会下意识地放慢语速、简化句子。这样的体验和人机交互有相通之处。请试着回想一下，当ChatGPT或DeepSeek这类大模型无法准确给出你想要的答案时，你是不是通常会拆解原来的问题，将之转换成更简单易懂的指令重新发送给它？紧接着我们要问：机器是否也会做类似的相应调整？

综上所述，大语言模型的研发边界并不在于它们是否能展现自己“拥有意识”，而在于它们能否在形式与功能上最大限度地贴近人类语言的社会属性与交际本质。如此，AI才能真正融入人类的语言共同体，并在交互中展现出有效的“交际智能”。而互动语言学所关切的，正是将这些隐性的话轮规律与交际机制转译为可验证的显性知识。事实上，互动语言学的一个核心概念TRP已被纳入AI对话系统的标注框架，工程界正用这一语言学概念为大模型补齐“何时该接话”的互动感知短板。

四、TRP：互动语言学概念的引入

人类会话中，说话者和听话者角色的快速交替通常被称为轮流发言。从互动语言学的视角来看，这种轮替能否顺畅，秘诀在于TRP的识别。所谓TRP（Transition Relevance Place，话轮转换相关位置），是一个话轮中“可投射的结束点”，即其他参与者认为可以接过发言权、发生话轮转换的关键位置。TRP是由多种互动资源共同投射的结构性位置，其界定线索包括句法、语义、语用的完成点，以及相应的韵律信号（如终结调、音长拉长与停顿等）（Sacks et al. 1974：703—706）。在该位置上，听话者可以合理地启动新话轮而转变为说话者的角色。它决定了会话的流畅性。

人机交互也有话轮自然转换的需求，但是大语言模型或任务型代理在这方面的一个开发难点是，机器在人机自然发生的（非脚本）会话中“该在什么时候开口”（Umair et al. 2024；Liao et al. 2025）。为了实现人机交互中话轮的自然转换，AI的开发者也引入了TRP的概念加以应用。最早的TRP指征很简单，就是在前一个发言完全完成以后生成回复。所以，许多口语对话系统（Spoken Dialogue System，SDS）在传统上采用基于沉默的策略来确定说话者话轮的结束，即检测到超过预定阈值的沉默（Patamia et al. 2025）。但是，基于静音时长判断话轮转换时机的大模型常常发生不自然的打断或迟滞，因为语音端点检测（Voice Activity Detection，VAD）的阈值设置和端点判定策略会直接影响系统对语音响应的时点（Shi et al. 2023），造成机器在自然会话里频频出现“抢半句”“死沉默”或“人机对喊”的现象，用户体验生硬。

不过，当前最先进的对话系统已经经历了从沉默阈值模型（silence-based model）、IPU边界模型（IPU-based model）到连续增量模型（continuous model）的技术迭代，先后用静默或语流特征来指征TRP，实现低延迟话轮转换，从而实现更流畅的话轮转换和及时反馈（Patamia et al. 2025：8）。不仅如此，工程界的学者还注意到，大语言模型不应只关注话轮结尾的TRP，也应该掌握话轮内部的TRP，这样或许能更好地解决大模型在建模无脚本口语互动时的不足（Umar et al. 2024）。

从互动视角看，对TRP的准确判断体现的是会话参与者对言语行为完成点的在线预测能力，它依赖于句法、语义、语用与韵律等多重资源的协同；而在工程实践中，交互系统若无法有效识别或预测这些潜在的TRP，就难以预测自然、无脚本会话中的发言机会，从而破坏人机互动的流畅性。近年来工程界围绕TRP的应用探索，正是试图在技术层面模拟对话轮结束与转换时机的敏感性。

由此可见，互动语言学与大模型工程所关注的并非不同对象，二者共同指向“行为”的组织问题：前者关注言语行为与互动行为在人类自然会话中的实现方式，后者则试图在人工系统中重现这种行为组织逻辑。虽然训练机制、认知本质与言语产生目的迥异，但大模型与人类均在“大规模输入—统计归纳—反馈修正”的循环中浮现出可类比的语言行为。互动语言学视角由此获得可操作的研究切口——通过各项语言互动行为的核心指征检验模型的互动合理性。换言之，表面相似性本身即可成为实证研究的对象。

接下来第五节介绍语料的采集及处理程序后，第六节将就AI生成的语言实例，演示两种可以使用互动语言学框架进行的具体研究。

五、语料的采集与处理

本研究共采集6小时的模型间会话。模型运行于iPad（iPadOS 18.4.1）或MacBook（macOS 14.4.1），由设备内置麦克风拾音、内置扬声器放音；会话录音使用iPhone 16 Pro（iOS 18.7.1）录制。

所选取的模型为国内外两大主流语言模型——豆包和ChatGPT。目前模型间的会话主要是豆包11.5.0和ChatGPT-4.o的输出。在会话录制开始前，我们分别启动两个模型的实时语音模式，分别告知二者要参与的会话任务，如：“接下来，你将和ChatGPT/豆包进行一次日常聊天，聊天主题是电影。”我们将两个模型完整的会话内容录制下来，并使用Discourse Transcription言谈转写系统（Du Bois et al. 1992）做精细化转写。

第六节的探索涉及人机交互，考察的模型版本除了上述两种，还使用了目前最新版本豆包11.8.0及ChatGPT-5.2旗舰版。

六、大语言模型里的“不流畅物”

谷歌公司在2018年实施了一个名为Duplex的项目，它是一种谷歌助手扩展程序，应用于电话交谈。该项目要求Duplex模仿人类声音给一家美发店打电话进行预约。其合成语音成功地欺骗了店家，让对方误以为是真人来电，并完成了预约。^[2]这个结果应该会让会话分析的研究者感到欣慰，因为致力于这项研究的谷歌工程师说Duplex这么自然，首先要归功于系统添加了加点儿“不流畅物”（disfluency），比如hmm、uh。^[3]换句话说，他们发现，“太流畅是不自然的”。

[2]　O. Solon. Google’s robot assistant now makes eerily lifelike phone calls for you. The Guardian. [2018-05-08] https://www.theguardian.com/technology/2018/may/08/google-duplex-assistant-phone-calls-robot-human.

[3]　Y. Leviathan & Y. Matias. Google Duplex: An AI system for accomplishing real-world tasks over the phone. Google Research Blog. [2018-05-08] https://research.google/blog/google-duplex-an-ai-system-for-accomplishing-real-world-tasks-over-the-phone/.

（一）基于韵律手段和填充成分之“不流畅物”的应用

具体来说，人类日常会话并不是完全流畅、连续的；相反，真实的口语充满了停顿、延长等韵律手段，也常见填充成分（“嗯”“额”等），甚至吸气也不是因为肺里的气快用完了，而是一种语用策略——在自然言谈里，吸气的出现次数远高于“换气需求”所能解释的范围（Winkworth et al. 1995）。

Duplex在语音合成的模块插入了填充成分充当“不流畅物”，因此增加了机器语音的自然度；而基于深度学习的AI系统所使用的“不流畅物”就更多了，上述人类的手段都能在大模型输出中听到，给人一种AI在会话过程中会停下来思考的错觉。基于此次收集到的大模型间会话，我们初步发现两个模型都会使用停顿（“..”是短停顿，“...”是中停顿）；不过ChatGPT-4.o使用的“不流畅物”更多，尤其是在接续话轮时经常用“(H)呃”（也就是先吸一口气然后说“呃”），以及在语调单元（每行为一个语调单元）末尾把最后一个音节延长（标记为“=”）。请看例（1）这段会话：

（1）AI 聊电影

ChatGPT-4.o在第4行开始阐述观点时，在语调单元的末尾对音节做出延长；在第9行不直接说出具体描述的词语，而是延长了“更加”的“加”。在人际互动中，拖长的音节作为一种互动资源，可以起到强化态度或制造悬念的作用（Ogden 2010：88—90）。另外，我们还注意到，“(H)呃”是ChatGPT-4.o维持自身话轮的主要手段，如第8行和第11行所示。吸气在人际互动中，是一种防止他人接话的非常有效的方式（Schegloff 1996：105），而“呃(uh)”也往往与犹豫、态度修饰或情感表达相关。以上这些，在人类的自然言语互动中常常作为延长话轮持有时间的手段，在避免被打断的同时为自己争取思考时间（Schegloff 1996：101）。换句话说，这些声音信号并不是“口误”或无用的“噪音”，而是人际互动中常规化的语言手段，由会话参与者即时运用和捕捉，共同推动会话的进行。

（二）基于修复之“不流畅物”的应用

人类的自然会话中还有一种常见的“不流畅物”，就是在相邻的序列中重复相同的语句和词语，或者说出后又拿其他表达替代，这在言谈分析中被统称为“修复”（repair）（Fox et al. 2010；Clift 2016）。这些手段和成分让话语听起来没有那么流畅，甚至有点儿磕巴。心理语言学研究表明，这些通过操控韵律和词汇语句所表现出的“迟疑”甚至“磕巴”，并不是言谈的缺陷或瑕疵，而是人类语言产出过程的自然表现，它们标记着说话者当下的思路、对话轮的组织与规划，甚至是一种礼貌的表达（Clark & Fox Tree 2002）。例如，在例（2）这段对话中，两个人在讨论五指毛桃：^[4]

（2）PKU C071吃的幸福感（北京大学语言学实验室2024）

[4]　为避免与本次讨论无关的转写符号干扰对语料内容的理解，本例在呈现时省去部分转写标记。

例（2）呈现的现象是自然会话中很常见的：苏凡在尝试澄清“五指毛桃是否为桃、食用部分为何”这些问题时，话语并未以一气呵成的流畅方式展开，而是伴随明显的停顿、重复与自我修复（“它首先”“首先”“它-”“它首先它不是桃”），如此逐步组织话语内容。这种递进式修复并非针对“错误”的纠正，而是说话人在实时组织解释框架、寻找合适表述方式，以更精确地表述意思或表达态度（Fox et al. 2010：2491）。过程中出现的吸气、停顿及填充成分（如“..(H)”“(H)呃呵”）起到了维持话轮、阻止他人过早接话的作用，使说话人得以继续完成认知与表达上的规划。有鉴于语言学本体的分析讨论较少触及这些“不流畅物”，林幼菁（2024：55）在谈及自然言谈转写与记录方法时强调，“吸气、咳嗽、吸鼻子、‘啧’等[…]在言谈中会被用来表达社会互动功能，甚至是高频率构式的构成部分，如‘你有完没完啊！？’这种强烈情绪的表达一般会先发‘啧’或者明显吸一口气才说出来。很多言谈标记都反映了语言与社会族群的特点。语言学者如果只是因为没接触过而不知如何处理，就不该草率决定这些形式是‘没用的’而不转写。”

从我们所收集考察的大模型间会话材料来看，AI系统的“修复”行为非常罕见。豆包完全没有，GPT-4.o仅有一例。例（3）中的AI输出修复形式和例（2）人类的一样，互动语言学称之为“循环”（recycle），是一种自我发起的修复，也就是说话人对刚说出的一个句法成分进行重复的过程。

（3）《美丽人生》

由以上的对比我们可以看出，尽管“不流畅物”的运用有效地提升了大模型语言输出的自然度，但从互动语言学的视角进行对比分析，能观察到在运用的形式、频率以及策略等方面，与人类的自然言谈还有哪些具体的差异。

六、AI的“说话时机”与话语交叠

从大模型间的会话材料来看，大模型的言语互动遵守着一方说完才换另一方的规则。但人类的言语互动往往并非如此，参与者彼此共享话轮承接的节奏，提醒他人可以说话，也会打断别人的语流。人类甚至在婴儿时期就已经具备了这种互动能力（Patamia et al. 2025）。人际语言互动常出现话语交叠，一方还没说完另一方就发话讲起来了，讨论热烈的时候尤其如此（Tannen 1990：60—63）。例（4）这段人际电话会话中，方括号“[ ]”标记的就是话语交叠的部分：

（4）PKU C071吃的幸福感（北京大学语言学实验室2024）

这段会话中的两位参与者并未等待对方话轮完全结束才发言，而是基于对对方话语的实时理解、预测以及自身的交际意图，在“可能的结束点”介入，从而产生了多轮自然的话语交叠。特别是第11行，在莉莉说完“然后我就顺路我j- --”（第9行）“..就去菜市场”（第10行），也就是句子语义完整后，苏凡就开启了自己的话轮。可是，莉莉其实还在持续自己的话轮，两人因此在第11和第12行发生话语交叠。

在本次收集的语料中，我们没有发现一例大模型彼此打断对方说话的情况。于是我们进一步考察了人机交互的情况，在iPhone上运行两个大模型的最新版本：ChatGPT-5.2和豆包11.8.0。当人在大模型仍进行语音输出时开启自己的话轮，ChatGPT-5.2和豆包11.8.0都能够快速感知插话行为，并及时中止当前正在进行的话轮；另一方面，其语音识别与语义解码能力可精准抓取插话的核心信息，随即围绕插话内容生成贴合需求的新回应，让会话能够自然切换到用户关注的新话题上。迄今尚未观察到大模型打断人类话轮，这一点与它们彼此交谈时从不插话的表现是一致的。

事实上，在人类的自然会话互动中，话语交叠的发生并不是随机、任意打断和插入的。Sacks et al.（1974）通过观察自然会话，归纳出“一次只有一方说话”这条实证规律，会话参与者会通过语法、韵律、语用、手势等线索去判断对方话语中的“可能结束点”，并在这些节点发话，才算“合法”地接过话轮。而这些“可能的结束点”就是第四节讨论过的TRP。目前TRP应用在大模型开发上，主要是用来预测可能的结束点，好在人机交互时流畅转换话轮；但人类获取TRP信息，却可以用来在对方话轮结束前在“合法”的位置提前开启自己的话轮，因此两者在话轮组织上呈现出迥异的面貌。而工程界学者（如Umair et al. 2024）将TRP的关注位置从话轮尾拓展到话轮内部，可以说是进一步逼近人类运用TRP的模式。

七、结语

当我们和“伪装”成人类的AI互动时，我们当然知道，那些非常符合人际互动特征的表现都是假装的。但那又怎样？主动陷入大模型营造的这场“骗局”，陷入一种自己在和一个真人对话的错觉中，以此获得娱乐，这不就是我们使用它的目的吗？对话式AI研发的最高境界，就是让用户暂时忘掉自己是在和机器对话。大模型对话系统嵌入了表示迟疑或其他互动意义的附加音质特征、特定词汇和语言表达习惯，这和在机械鸭子^[5]内部存储粪便而实际上并没有消化产生一样，无非是想在用户身上产生特定效果。否则，大模型完全可以秒回你提出的任何问题，又怎么会出现“犹豫”的状况呢？

AI依赖于物理和话语层面上人造物的生产，它的对话系统以修辞为中介，意义、价值和形式都由语言赋予（Zdenek 2003）。因此，语言学研究之于AI研发的意义也就不言而喻。要理解人类如何使用语言进行社会互动，对克服当前AI在自然语言生成方面的局限而言十分重要。对此，我们不仅需要考虑生成式AI模型生成的语言内容，还需继续深入探究它们所生成语言的形式特征，尤其是与话轮管理、互动协调和社会行为建构密切相关的语言细节。

这一点在人机交互的早期实践中已有清晰体现。机器人对语言互动标记的运用的一个经典案例，是2015年俞舟^[6]和她的同事们将使用Excuse me作为吸引听者注意的手段加入到机器人的对话系统中。具体过程如下：一位研究人员先是向机器人询问某信息。在机器人回答的过程中，该研究人员假装没在听它说话，将头扭向另一位研究者并与之交谈。面对这种会话被打断的情况，机器人先是停下来，而后用Excuse me将研究人员的注意力重新拉回到自己身上。而当研究人员将头转回并注视着机器人时，它才重述了刚才被打断的话语。在接下来的几轮测试中，机器人通过这一手段吸引听者注意的成功率几乎是百分之百。^[7]该案例从侧面说明，互动标记并非语言装饰性的附加元素，而是能够直接影响人机互动是否得以顺利展开的关键机制。

一如本文研究所示，大语言模型若要在形式上持续逼近人类自然互动，关键并不仅在于模型规模或算法复杂度的提升，更在于是否能够系统性地吸纳人类语言互动的组织原则。就语言学研究而言，未来的重要方向之一，是进一步揭示人类在真实互动中如何通过话轮竞争、语音?韵律和具身资源（也就是目光注视、手势等语言之外的手段）来协调社会行动，并将这些发现转化为对人工智能对话系统具有解释力的分析框架。这一过程不仅涉及具身认知意义上的词语接地与环境可供性的讨论（袁毓林2023b），更要求语言学对互动中形式与功能之间的细微对应关系进行更精细的描述。

与此同时，语言学视角也有助于重新界定当前自然对话系统所面临的“瓶颈”。正如Natale（2023）所指出的，对话系统的发展并不是仅受限于算法能力，也受制于训练与验证的高质量互动数据本身。从这一角度看，未来语言学研究的一个关键任务，在于参与并推动自然口语语料库的构建工作，打造包含语音、韵律乃至手势与目光注视等多模态信息的精细标注语料库。在此基础上，人类互动复杂而微妙的语言组织方式才能被充分理解与刻画，并为人工系统的语言设计提供坚实的经验基石。

[5]　1739年由法国雅克·德·沃康松制造。

[6]　俞舟2017年毕业于卡耐基梅隆大学计算机专业，获博士学位。2018年入选福布斯全球30位30岁以下科学家榜单。现为美国哥伦比亚大学助理教授，致力于人工智能多模态对话系统研究。

[7]参见：https://youtu.be/RrWSetIOR2Q?feature=shared&t=1564。

该文发表于《语言战略研究》2026年第5期，引用请以期刊版为准，转发请注明来源。

编排：逯琳琳

审稿：王飙余桂林

相关推荐

《语言战略研究》入选为CSSCI（2025—2026）来源期刊

《语言战略研究》入选为CSSCI（2023—2024）来源期刊

《语言战略研究》入编《中文核心期刊要目总览》2023年版语言学类核心期刊

《语言战略研究》2026年第1期目录与提要

《语言战略研究》2026年第2期目录与提要