是我对自然语言理解兴趣，让我在10多年前就认识了晓辉。记得那是在十多年前在声学所的NHC网站上，我看到了带有“学术广告性”的留言，说他有个伟大的发明能建立“文化基因工程”。我惊为奇人，留言者竟和我身处同一城市，我却一无所知。于是，物以类聚，我很快结识了晓辉，在晓辉的指引下，我误打误撞进入了北师大系统科学之窗的圈子里，一下认识了一大堆的老师。我的视点从一个埋头coding的技术总监的峡谷中，一下子就提高到了系统科学和哲学的高广的天空上。直到现在，晓辉一直是我的良师益友。

 

最近非常高兴地看到晓辉的思想有了传播的机会。我也看到晓辉最近对自己的思想也进行了改进和提升。其中最突出的一个表述是：晓辉发现了自然语言处理的第二路径，而传统的语言处理是第一路径。晓辉说，第二路径比第一路径具有的一些创见，会引发软件工程的一场革命，我将信将疑。在一番探究之下，初步认为晓辉的新路径只是一种字符编码的方式，只是“形对形”的变化，说可以取得计算机“理解”自然语言的重大突破，可能是幻觉——我正刚读完彭罗斯的《皇帝新脑》。

 

为了纠正望文生意的误解和满足探究事实的好奇心，我决定再深入“虎穴”，捉捉晓辉的“真虎”，希望即便是“虚拟的虎”，也是“真虎”。看过晓辉的最近几篇论文，网上真正参与讨论的人并不多，我相信是因为晓辉的论文中使用的“术语”太多，其他人又不太熟悉，看不到可理解的东西，又不敢乱说，或许有名家出于善意的附和，并不意味着他们真的看懂了晓辉的文字。——因为我确实没有看懂其中大部分的内容。因为我以学生自居，不怕出错，所以，我敢妄言，有和晓辉多年的情谊在，也不怕误会。

 

晓辉在论文《间接计算模型和间接形式化方法》中举了中文语言信息处理的一个例子，有两幅晓辉其实很早就画出来的2张图，虽然图形表述没有规范，比较有个性。我自己以前也常常画这样的图给程序员指导编程，其实只有我自己很清楚要表达的内容，程序员总是似懂非懂，虽说一图胜千言，其实是对规范的图形表达而言的，所以，图，也有“术图”，对应“术语”。我读晓辉的这2张图，也许就象当年我手下的程序员读我的图一样。我相信，读懂了（和晓辉理解一致了）这两张图的话，就搞懂了什么叫“第二路径”。图如下：

这张图表达了晓辉对汉字字词、词组的进行编码的一种设计方案。类似汉字输入法对汉字进行的编码，我们输入什么字符，计算机就会知道我们输入的哪几个汉字。不过，这个编码体系，不一定是用过来指导我们进行汉字输入的，晓辉说，甚至是可以帮助电脑来读懂我们的汉语文字的。

 

该图的核心是GSCM（序位矩阵）。简单地说，可以看成是书架上的一排书，比如m本马列著作。实际上看作是一本有m页，每页是n行的一本书更准确。在“序位矩阵”的左边就是“序位矩阵”的每一页记录的信息，是按字数多少来分页的，具有相同字数的汉字或词组，同处同1页，图中左边只画了3页，按照中央序位矩阵的描述，应该会有m页，表示字数达到m个字的词组的列表。

 

每一页都是一个编码表，被晓辉称为“双列表”的，就是这种类型的表格，表格的左列是一个十进制数按顺序的编码；右列则记录一些同长度的汉字字符串，我不知道在晓辉的设计中，是靠什么来标记这些汉字字符的，我只能想到的应该是标准的汉字区位码。这样的记录表在我最开始编写交互式作图软件的时候就用过，为了保证图形记录格式的一致性，对图形中要显示的字符串的元语中，只记录一个整数索引值，指向一个公共的字符串表中的索引号，不同的是，晓辉是按字符串长度来分类字符串表的，这给字符串索引会带来一些好处。因为每个表中的字符串是定长的，在存储器中可以根据索引可以直接定位字符串。这只是编程中的雕虫小技。稍微成熟一点的程序员都会知道，用一个哈稀表来记录字符串会得到更好的双向搜索的性能。

 

当然，只要我们愿意，我们可以把全体汉字可能组成的词组和单个的汉字，按这种方式进行再次的编码（除了汉字本身的区位码标识外）。实际上，我们得到的仅仅是一个区位码和十进制矩阵编码的一个映射表。当然，我们也可以假设，右列的汉字不是区位码，而是直接的图形点阵码或汉字矢量码。这样，就可以直接用十进制的矩阵码来寻址要显示的汉字字符的图形信息。

 

晓辉的序位矩阵编码表的基本信息实质上就是这个样子的，剩下2个求和式：

1. A = (∑nixi)

2. ∑amnXn = bm

也是晓辉的个性化表达。也是需要经过“仔细思考和猜测并得到晓辉认定”这样的繁杂过程才能得到和晓辉一致理解的表达，是误解风险很高的表达。我遇到这样的表达时，也会对自己的“善解人意”能力的信心大打折扣。

 

先来看：A = (∑nixi)，我猜测如下：

晓辉可能是想说：对于任何一个多字组成的字组（词）A。我们同时启用了2个编码nixi同时记录其中的每个字，这两个编码分别来自最开始的单字双列表的十进制编码id和汉字字符编码x。因为是多个字组成一个词，所以，就需要用多个“双码”（nixi）串起来表示一个词。至于得到这个A用来干什么，我猜可能是对一段“文”进行分词编码用吧——把一段文字中出现的多字连接的词用一个双码字符串来表示。即图6中所谓的[“文”的数据字化]，其中包含词组的这类编码。并把这个字词组的双码串填到与之长度一致的“双列表”的字符码这一边（右边）。左边赋予一个十进制序列，就得到一个复合字的双码——左边是新十进制序号编码，右边是单字的双码串。可以想像，多字的双列表中，如果统一取单字的双码串来复合，可以重新构造这个“序位矩阵”。这个矩阵中的所有词组的编码，使用的是单字双列表中的“双码”（nixi）串，就不再需要填标准汉字区位码的串了。

 

这样的好处，是把词组的编码，用组成该词的每个字的“序位矩阵码”连接来记录了。把一个高层的序位矩阵码用多个低层序位码的集合来进行表达。如果想得再复杂一点，高层词组（长度更长），不仅可以使用单字的序位矩阵码，还可以使用比它短的任何一层的词组序位码。方案会很多，可以很复杂，估计晓辉没有想这么复杂。因为，那样做，就存在了序位码递进表达的应用，就可以把多个长度不同的双列表，叫做“递进双列表了”，我原以为晓辉会这样设计，可被晓辉否认了。即便晓辉否认了多层之间的连续递进（递归）表达，但至少也用了一层的递进——所有长度大于1的词组的双列表的字符编码，都用的是最基本的单字的双列表中的单字双码。也就是说：每个词组的字符码都只是单字双列表中的一个分布，然后对这个分布再编一个十进制的序位码而已。

 

再看 ∑amnXn = bm，这个式子需要猜测的成分就更大了，我严重怀疑我再猜测下去的必要性了。因为再猜测下去，恐怕误解的成分会摧毁我已经做的较大的努力了。

 

 

在我目前能理解的程度看来，这个编码体系并没有显现什么独特的巧妙和使用价值，或许我不能理解的剩下的内容可能才是晓辉真正思想的体现。在得到晓辉的反馈之后，我再努力，我甚至怀疑我在表达晓辉这两个图的思想上所做的文字表达的努力，已经超过了晓辉自己，我希望晓辉也能再努力一点。