Series 2 · 第 11 篇——不用 AI 自動學習規律 上一篇：為什麼 Parser 康熙字典比 HTML Parser 更困難？
為什麼 Quizzman 不使用 AI 自動學習音韻規律？
在人工智慧迅速發展的今天，許多人認為只要提供足夠龐大的資料，AI 就能自動學會所有語言規律。這種方法確實適用於影像辨識、機器翻譯或自然語言生成等領域。然而，歷史音韻學（Historical Phonology） 面對的是另一種類型的問題。Quizzman Fanqie Engine 並不依賴 AI 自行發現或生成漢越音規律，而是建立在已經經過研究、驗證與模型化的學術成果之上。這並不是 AI 能力不足，而是一項刻意的設計選擇，目的是確保整個系統具備透明性、可解釋性與可驗證性。
AI 很強，但不是所有問題都屬於同一種類
人工智慧已經在許多領域取得巨大成功。
例如：
- 語音辨識；
- 手寫文字辨識；
- 機器翻譯；
- 語意搜尋；
- 文字生成；
- 影像分類。
這些問題都有共同特徵：
大量資料
↓
機率學習
↓
預測結果
這正是現代 AI 最擅長的工作。
但歷史音韻學屬於另一種問題
假設我們擁有數千個漢字及其漢越音。
AI 當然可以學到：
德
↓
đức
國
↓
quốc
學
↓
học
然而，
音韻學真正關心的問題卻是：
為什麼這些字會這樣讀？
這已經不是：
預測（Prediction）。
而是：
解釋（Explanation）。
預測與解釋是兩件不同的事情
假設 AI 推測：
某字
↓
quốc
接下來，
研究者一定會問：
為什麼？
如果 AI 只能回答：
因為訓練資料大多如此。
對歷史語言學而言，
這樣的答案並不足夠。
研究者真正需要知道的是：
- 哪個聲母決定了起始輔音？
- 哪個韻部形成了主要元音？
- 為什麼保留 -c 韻尾？
- 為什麼屬於去聲？
- 套用了哪一條音韻規則？
因此，
研究工作不只是要求：
結果正確。
更要求：
理由清楚。
Rule Engine 擁有完整的推理路徑
Quizzman Fanqie Engine
最重要的特點之一，
就是：
每一個結果，
都可以完整回溯。
例如：
國
↓
德紅切
↓
聲母
↓
韻部
↓
攝
↓
Middle Chinese
↓
音韻規則
↓
quốc
研究者可以逐步檢查：
每一個推導步驟。
如果其中某一步出錯，
只需要修正那一步即可。
這正是科學研究所需要的能力。
AI 很難直接指出具體規律
假設 AI 學到了：
通攝
↓
-c
那麼，
它是否還能回答：
- 這條規律覆蓋了多少比例的資料？
- 哪些屬於例外？
- 例外形成的歷史原因是什麼？
- 如果更換聲母，規律是否仍成立？
- 是否受到「等」或「開合口」影響？
通常而言，
大型模型很難完整回答這些問題。
而 Rule Engine
正是建立在這些問題之上的。
每一條規律都必須有證據
在 Quizzman Fanqie Engine 中，
沒有任何規律，
只是因為：
「看起來合理」
就被加入系統。
每一條規律，
都必須經過：
資料調查
↓
統計分析
↓
學術比對
↓
模型化
↓
Audit
↓
Regression Test
也就是說，
每一條規律，
都有可以追溯的證據。
這是歷史音韻學極為重要的原則。
AI 很難區分規律與例外
假設資料如下：
95%
↓
-c
5%
↓
-ch
AI 可以同時學會兩種模式。
但 AI 很難自行判斷：
- 這 5% 是例外？
- 還是另一條規律？
- 還是資料錯誤？
- 還是古層漢越音？
這些判斷，
屬於學術研究的範疇。
不能僅依靠統計機率。
Quizzman 並不是反對 AI
有些人誤以為：
不用 AI，
就等於否定 AI。
事實並非如此。
Quizzman 在許多地方，
都大量使用 AI。
例如：
- 漢字 OCR；
- 語意搜尋；
- 資料分類；
- 輔助分析；
- 文件撰寫；
- 協助發現可疑資料，供研究者進一步檢查。
換句話說，
AI 是：
Research Assistant。
而不是：
Rule Maker。
規律仍由研究者建立
在 Quizzman Fanqie Engine 中，
所有規律，
皆來自於：
- 《廣韻》；
- 《集韻》；
- 《康熙字典》；
- Nguyễn Tài Cẩn；
- 王力；
- Baxter–Sagart；
- 以及其他 Middle Chinese 研究成果。
完成學術驗證之後，
這些規律，
才會被轉化成演算法。
電腦負責：
高速、
一致、
大規模地執行規則。
但規律本身，
仍來自歷史語言學研究。
AI 與 Rule Engine 可以互相補充
實際上，
AI 與 Rule Engine
並不是對立關係。
兩者可以形成非常有效的合作。
例如，
AI 可以協助：
- 發現異常案例；
- 聚類具有共同特徵的資料；
- 提示潛在 Pattern；
- 協助大規模資料審查。
之後，
研究者再負責：
- 驗證；
- 對照文獻；
- 分析原因；
- 判斷是否形成新的音韻規律。
這正是 Quizzman
看待 AI 的方式。
真正重要的不是 AI 或 Rule Engine
真正重要的，
從來不是：
採用了哪一種技術。
而是：
是否可以驗證。
當系統輸出一個結果時，
研究者必須能回答：
- 使用了哪一條規律？
- 學術依據來自哪裡？
- 是否能完整重現推理流程？
- 當新的資料出現時，是否可以重新評估？
這些都是科學研究最基本的要求。
Quizzman 選擇可解釋，而不是黑盒子
Quizzman Fanqie Engine
並不是為了與 AI 競爭而誕生。
相反，
整個專案在資料處理、
研究輔助等許多環節，
都積極利用 AI。
然而，
對於最核心的：
音韻規律建模（Historical Phonology Modeling）
Quizzman 選擇另一條道路：
建立一套可以閱讀、
可以驗證、
可以解釋的 Rule Engine。
在歷史語言學中，
真正有價值的，
不是單純得到正確答案。
而是能夠回答：
「為什麼它是正確的？」
因此，
Quizzman 並沒有讓 AI 自動從資料中生成一套無法解釋的黑盒模型。
AI 扮演的是：
研究助理。
真正完成推理的，
仍然是建立於學術研究之上的音韻規則，
以及將這些規則實作為演算法的 Historical Phonology Rule Engine。
正因如此，
Quizzman Fanqie Engine 才能同時兼具：
- 科學性；
- 可追溯性；
- 可驗證性；
- 可解釋性。