Series 2 · 第 11 篇——不用 AI 自动学习规律 上一篇：为什么 Parser 康熙字典比 HTML Parser 更困难？
为什么 Quizzman 不使用 AI 自动学习音韵规律？
在人工智慧迅速发展的今天，许多人认为只要提供足够庞大的资料，AI 就能自动学会所有语言规律。这种方法确实适用于影像辨识、机器翻译或自然语言生成等领域。然而，历史音韵学（Historical Phonology） 面对的是另一种类型的问题。Quizzman Fanqie Engine 并不依赖 AI 自行发现或生成汉越音规律，而是建立在已经经过研究、验证与模型化的学术成果之上。这并不是 AI 能力不足，而是一项刻意的设计选择，目的是确保整个系统具备透明性、可解释性与可验证性。
AI 很强，但不是所有问题都属于同一种类
人工智慧已经在许多领域取得巨大成功。
例如：
- 语音辨识；
- 手写文字辨识；
- 机器翻译；
- 语意搜寻；
- 文字生成；
- 影像分类。
这些问题都有共同特征：
大量资料
↓
机率学习
↓
预测结果
这正是现代 AI 最擅长的工作。
但历史音韵学属于另一种问题
假设我们拥有数千个汉字及其汉越音。
AI 当然可以学到：
德
↓
đức
国
↓
quốc
学
↓
học
然而，
音韵学真正关心的问题却是：
为什么这些字会这样读？
这已经不是：
预测（Prediction）。
而是：
解释（Explanation）。
预测与解释是两件不同的事情
假设 AI 推测：
某字
↓
quốc
接下来，
研究者一定会问：
为什么？
如果 AI 只能回答：
因为训练资料大多如此。
对历史语言学而言，
这样的答案并不足够。
研究者真正需要知道的是：
- 哪个声母决定了起始辅音？
- 哪个韵部形成了主要元音？
- 为什么保留 -c 韵尾？
- 为什么属于去声？
- 套用了哪一条音韵规则？
因此，
研究工作不只是要求：
结果正确。
更要求：
理由清楚。
Rule Engine 拥有完整的推理路径
Quizzman Fanqie Engine
最重要的特点之一，
就是：
每一个结果，
都可以完整回溯。
例如：
国
↓
德红切
↓
声母
↓
韵部
↓
摄
↓
Middle Chinese
↓
音韵规则
↓
quốc
研究者可以逐步检查：
每一个推导步骤。
如果其中某一步出错，
只需要修正那一步即可。
这正是科学研究所需要的能力。
AI 很难直接指出具体规律
假设 AI 学到了：
通摄
↓
-c
那么，
它是否还能回答：
- 这条规律覆盖了多少比例的资料？
- 哪些属于例外？
- 例外形成的历史原因是什么？
- 如果更换声母，规律是否仍成立？
- 是否受到「等」或「开合口」影响？
通常而言，
大型模型很难完整回答这些问题。
而 Rule Engine
正是建立在这些问题之上的。
每一条规律都必须有证据
在 Quizzman Fanqie Engine 中，
没有任何规律，
只是因为：
「看起来合理」
就被加入系统。
每一条规律，
都必须经过：
资料调查
↓
统计分析
↓
学术比对
↓
模型化
↓
Audit
↓
Regression Test
也就是说，
每一条规律，
都有可以追溯的证据。
这是历史音韵学极为重要的原则。
AI 很难区分规律与例外
假设资料如下：
95%
↓
-c
5%
↓
-ch
AI 可以同时学会两种模式。
但 AI 很难自行判断：
- 这 5% 是例外？
- 还是另一条规律？
- 还是资料错误？
- 还是古层汉越音？
这些判断，
属于学术研究的范畴。
不能仅依靠统计机率。
Quizzman 并不是反对 AI
有些人误以为：
不用 AI，
就等于否定 AI。
事实并非如此。
Quizzman 在许多地方，
都大量使用 AI。
例如：
- 汉字 OCR；
- 语意搜寻；
- 资料分类；
- 辅助分析；
- 文件撰写；
- 协助发现可疑资料，供研究者进一步检查。
换句话说，
AI 是：
Research Assistant。
而不是：
Rule Maker。
规律仍由研究者建立
在 Quizzman Fanqie Engine 中，
所有规律，
皆来自于：
- 《广韵》；
- 《集韵》；
- 《康熙字典》；
- Nguyễn Tài Cẩn；
- 王力；
- Baxter–Sagart；
- 以及其他 Middle Chinese 研究成果。
完成学术验证之后，
这些规律，
才会被转化成演算法。
电脑负责：
高速、
一致、
大规模地执行规则。
但规律本身，
仍来自历史语言学研究。
AI 与 Rule Engine 可以互相补充
实际上，
AI 与 Rule Engine
并不是对立关系。
两者可以形成非常有效的合作。
例如，
AI 可以协助：
- 发现异常案例；
- 聚类具有共同特征的资料；
- 提示潜在 Pattern；
- 协助大规模资料审查。
之后，
研究者再负责：
- 验证；
- 对照文献；
- 分析原因；
- 判断是否形成新的音韵规律。
这正是 Quizzman
看待 AI 的方式。
真正重要的不是 AI 或 Rule Engine
真正重要的，
从来不是：
采用了哪一种技术。
而是：
是否可以验证。
当系统输出一个结果时，
研究者必须能回答：
- 使用了哪一条规律？
- 学术依据来自哪里？
- 是否能完整重现推理流程？
- 当新的资料出现时，是否可以重新评估？
这些都是科学研究最基本的要求。
Quizzman 选择可解释，而不是黑盒子
Quizzman Fanqie Engine
并不是为了与 AI 竞争而诞生。
相反，
整个专案在资料处理、
研究辅助等许多环节，
都积极利用 AI。
然而，
对于最核心的：
音韵规律建模（Historical Phonology Modeling）
Quizzman 选择另一条道路：
建立一套可以阅读、
可以验证、
可以解释的 Rule Engine。
在历史语言学中，
真正有价值的，
不是单纯得到正确答案。
而是能够回答：
「为什么它是正确的？」
因此，
Quizzman 并没有让 AI 自动从资料中生成一套无法解释的黑盒模型。
AI 扮演的是：
研究助理。
真正完成推理的，
仍然是建立于学术研究之上的音韵规则，
以及将这些规则实作为演算法的 Historical Phonology Rule Engine。
正因如此，
Quizzman Fanqie Engine 才能同时兼具：
- 科学性；
- 可追溯性；
- 可验证性；
- 可解释性。