第八章　语言更新寻址：这次改变，写进哪一层了

语言习得的本质：语言更新寻址的形成

——量子工程与量子控制 × 病理与诊断学 × 多智能体系统的三源对撞

本章提要

语言习得研究习惯把学习写成“获得更多正确形式”“提高正确率”“形成更稳的表征”或“根据误差更新内部模型”。这些表述共同隐藏了一项更前置的假设：一条偏差信息一旦被检测到，系统已经知道应当改写哪一个内部层次。现实并非如此。同一表面偏差——例如一个异常发音、一次非典型搭配、一个句法违例或一段听不清的语音——可能来自词项自身、语法构式、特定说话人、地域变体、传输通道、任务情境，甚至只是学习者本次执行失误。若学习者把“某位说话人的边界偏移”错写成“英语音位边界整体改变”，即时表现可以迅速改善，长期泛化却会在新说话人处失真。本章据此提出一个新的事件对象：同差异异址更新事件（Same-Discrepancy Different-Address Update Event, SDDAE），以及系统级构念“语言更新寻址”（Linguistic Update Addressability, LUA）。其核心命题是：语言习得的系统级本质之一，不只是能够从经验更新，而是使同一差异在因果来源改变时，被写入不同且正确的内部更新地址。本章从跨学科领域索引第543号“量子工程与量子控制”、第109号“病理与诊断学”、第357号“多智能体系统”三块随机来源出发。量子控制要求在漂移、串扰、泄漏与测量回写并存时追踪“哪一个动作造成结果”；病理诊断要求把相同表型放回分子分类、标本条件与检测可及性后重新归类；多智能体系统则把团队失败拆成模型、协议、伙伴与验证器的信用分配问题。三者共同逼出一个不能被平均正确率替代的问题：差异出现以后，谁取得了被修改的资格。本章给出七层候选地址、同差异异址更新的六项机械判据、更新寻址率 UAR、0.10 的目标层变化阈值与 0.05 的旁侧泄漏上限，并构造“即时适应 × 更新寻址”二维辨别格。对 Chiu 等（2025）五项多说话人语音实验的公开结果做字段审计发现：快速适应可以在 48 次试次内形成，却可迅速被撤销；两个延迟实验没有获得持久的说话人特异保持，两个多说话人实验也未显示稳定说话人特异学习。这一不利结果不证明“错址”，却直接推翻“即时适应已经表明更新地址正确”的强假设，并暴露现有研究缺少“同一差异、来源翻转、两个以上内部层的延迟选择性探针”这一关键字段。论文进一步与噪声容忍语法、理想适应器、线索竞争、归因理论、统计学习、潜在原因推断及作者既有同题理论逐项划界，给出十条可证伪预测、两套预注册实验、伦理限制与 2031 年撤回赌注。

关键词：语言习得；更新寻址；同差异异址更新；信用分配；说话人适应；可证伪性

Abstract

This paper proposes that a neglected problem in language acquisition is not whether learners update from experience, but where an observed discrepancy is written. The same surface deviation may be generated by a lexical item, a grammatical construction, a particular talker, a sociolinguistic variety, an acoustic channel, a task context, or the learner's own execution. Immediate behavioral improvement therefore does not guarantee that learning has been assigned to the right representational layer. Drawing on a constrained random collision among quantum engineering and control, pathology and diagnostics, and multi-agent systems, the paper introduces the Same-Discrepancy Different-Address Update Event (SDDAE) and the construct of Linguistic Update Addressability (LUA). A valid SDDAE requires matched surface discrepancy, alternative causal-source conditions, delayed no-reexposure probes of at least two candidate layers, selective target-layer change, bounded collateral change, and a source-flip that produces a corresponding address-flip. The Update Addressing Rate (UAR) is defined as the proportion of eligible paired events that satisfy the full conjunction. A hostile audit of recent work on talker adaptation, noisy-grammar learning, sociophonetic variability, bilingual distribution tracking, and high-variability phonetic training shows that each neighboring literature explains part of the problem but does not directly operationalize the full source-flip/address-flip design. An adverse audit of Chiu et al. (2025) further demonstrates that rapid adaptation can coexist with absent delayed talker-specific retention. The paper treats this as a constraint rather than confirmation: current public outcomes do not permit participant-level UAR computation. The central claim is therefore a falsifiable research proposal, not an established empirical law: system-level language acquisition includes learning to assign experience to the causally licensed layer while keeping excluded layers stable.

Keywords: language acquisition; update addressability; credit assignment; talker adaptation; causal attribution; falsifiability

一、问题重置：学习会“更新”，但更新究竟写到哪里

几乎所有现代学习理论都承认经验会改变系统：错误会改权重，输入会改分布，反馈会改选择概率，预测误差会改内部模型。问题在于，“发生了更新”仍然只是半句话。一次语言事件往往同时允许多个解释层。学习者听见一个陌生说话人把 /p/ 说得更接近自己熟悉的 /b/，可以把这次偏差归给“这个说话人的声学分布”，也可以归给“英语这个音位边界本来就应该往这里移”，还可以把它归给“耳机压缩造成的通道偏移”。三种解释在当前对话里都可能提高识别率，但它们对下一位说话人、下一副耳机、下一种语体的预测完全不同。若研究只看当场正确率，就会把三种内部改写记成同一种学习。

这个盲区不只存在于语音。学习者遇到一句不典型的双宾结构时，可以修改某个动词的词汇许可，也可以修改整个构式的语法概率；遇到教师的一次非常规冠词用法，可以改说话人模型，也可以改英语冠词系统；阅读到网页中的拼写异常，可以把它记为该词的另一拼写、网页噪声、方言身份或单纯笔误。可见，语言学习不是一个“误差进入—全系统更新”的单地址过程。真正的系统必须先回答：这条经验拥有改写哪个内部对象的因果许可证？

本章把这一问题称为“更新寻址问题”。寻址不是计算机隐喻的装饰，而是一个可以被实验打死的关系：同一表面差异在不同来源条件下，如果学习者真的识别了因果层，延迟测验中的变化就应出现在不同的预注册层；若差异来源翻转，更新靶层也应翻转。反之，如果不管来源怎么变，学习者都把经验写进同一个全局边界，或者所有层一起漂移，就不能说系统已经形成更新寻址。

二、方法纪律：随机只制造候选，人工闸门决定谁能活下来

本轮按照本书的 What 型“三维度”程序重新开独立随机批次。固定种子为“语言习得的本质|2026-08-11T20:30+08:00|-本书的方法|new-independent-round-2”，其 SHA-256 前 16 位换算得到的数值种子为 10976149591330873890。抽样前将同题既有学科和既有理论轴同时列入黑名单；随机序列只决定“哪些学科先被迫见面”，不赋予任何学科天然优先级。80 组三元候选依次通过五道门：位置是否分别占住对象、路径、条件场；三家是否共享同一理论脊；是否与本书既有对象重合；是否有可引、可反向的材料；是否能形成零情态词的机械判据。

第一次人工深筛曾留下“变异—不变性”候选，但内部占位扫描显示，《承诺守恒域》已经研究“哪些变化应保持同一、哪些变化应在边界处改判”，《功能别名成功》又研究“多条线索的功能责任是否已经分开”。如果继续写“该把差异当噪声还是当信息”，绝大多数论证只需替换名词就能并入旧稿，因此主动淘汰。另一些候选落入反馈、自动化、统计学习、错误传播、来源可信度或空缺负证据，也分别被同系列论文与经典文献占位。

第 62 组最终胜出：第543号“量子工程与量子控制”×第109号“病理与诊断学”×第357号“多智能体系统”。胜出的原因不是三门学科“离语言远”，而是它们对同一个问题给出三种不能互换的判断：病理学要求先确定“这是什么层级的对象”；量子控制要求沿闭环追踪“哪一步造成了偏差”；多智能体系统要求决定“团队结果该把信用或责任分给谁”。三种判断咬合后，语言习得中的“经验更新”第一次被迫出现一个地址字段。

三、S 位：病理与诊断学——相同表型并不自动属于同一个病理对象

领域索引第 109 号面板把病理诊断的变化概括为：标本、分类规则、治疗入口、一致性、错分、周转时间和可治疗性必须进入同一本账。WHO 分子分类是最关键的对象侧压力：许多实体从“形态上像什么”转为必须由特定遗传定义来成立。表面形态相似的病例可能因为分子证据而被拆开；反过来，检测不可及时，一些病例会落入“未分类”空栏，随着检测条件改善再被重新归类。[2] 这里的核心不是医学术语，而是对象身份不应由可见表面单独决定。

把这一约束移到语言习得，同一个“表面偏差”也不能直接成为一个统一学习对象。某个元音偏移可能是个体说话人的声学分布，也可能是地域变体、语体变化、传输失真或目标语言中真实的音位分布变化；一个句法异常可能是词项许可、构式限制、语用椭圆或输入噪声。如果研究者在实验开始前就把所有偏差统一命名为“学习者需要修正的错误”，等于在病理诊断尚未完成前先把所有相似表型塞进同一疾病编码。

病理学因此占据本章的 S 位：它迫使我们冻结“被更新的对象是什么”。这个对象不是偏差本身，而是偏差被归属后的内部层。只要同一偏差可能由两个以上层产生，学习就必须留下“地址未决”的阶段；只有后续来源证据足以改变候选层的相对责任时，更新才有资格选择靶层。这个要求使本章与“看到错误就调整”的简单误差学习模型拉开第一条分离线。

四、D 位：量子工程与量子控制——结果偏了，不等于已经知道哪一步该校准

领域索引第 543 号面板直接把量子工程的难题写成：漂移、串扰、泄漏和测量回写同时存在时，仍要知道哪一个控制动作造成了结果。随机基准能把复杂误差压成平均衰减，但面板同时警告：当马尔可夫、门无关等假设破裂时，单一指数可能掩盖慢漂移、相干积累和泄漏；平均值越漂亮，相关错误反而越难被看见。[1] 因此，成熟控制不是“误差变小”四个字，而是脉冲、测量、解码、反馈与校准沿可追踪链闭合。

语言学习中的即时适应与此高度相似。一个人听陌生口音数十次后识别率上升，我们可以说“误差下降了”，但这并不告诉我们是哪个内部参数被改写：是当前说话人的类别边界、全局音位边界、词汇项的声学模板、通道补偿，还是短时任务策略？如果只看总体正确率，就像只看一个平均门误差。局部改进可以遮住相关错误：适应当前说话人越快，若它被写成全局边界，换人之后反而可能更糟。

量子控制因此占据 D 位：它要求本章把“偏差→更新”拆成一条可干预路径。真正的证据必须允许选择性改变来源线索，然后观察延迟更新向量怎样重排。只有当来源改变导致靶层改变，而不是所有层一起漂移，才能说系统完成了寻址；若平均表现提升却无法识别更新通道，则只能记为“适应成功”，不能自动升级为“习得成功”。

五、E 位：多智能体系统——团队结果必须回答信用分配与伙伴变化

领域索引第 357 号面板把多智能体系统的评价从“能运行、平均回报高”推进到非平稳性、信用分配、通信语义与伙伴适应。尤其在合作学习里，同一个团队回报可能来自不同代理的不同动作；共享奖励并不自动告诉系统谁贡献了什么。面板还把当代语言型代理的未决问题说得很直接：失败究竟应归因于模型、协议还是验证器，未来需要报告失败轨迹中系统设计、代理错位与验证缺口各占多少。[3] 这不是简单的“责任伦理”，而是学习更新的条件场。

语言环境同样不是单一教师向单一大脑输送数据。说话人、共同体、媒介、任务、词汇、语法与学习者自身都可能共同生成一个偏差。若伙伴发生变化，合理的更新地址也会变化：同一发音若只出现在一个说话人身上，应优先进入说话人层；若跨多个独立说话人稳定出现，则全局或变体层的证据增加；若只在一副耳机或一种编码格式下出现，则通道层更合理。学习者面对的其实是一个多来源信用分配问题。

多智能体系统因此占据 E 位：它规定“更新地址”不是学习者脑内固定标签，而是由伙伴结构、来源独立性、信息可见性和任务边界共同生成。这个条件场还提供反向约束：地址越细并非越好。若每个新说话人都建立一套永久独立语法，系统会碎裂；若一切都写入全局，又会过度泛化。成熟寻址是一种可随证据聚合和伙伴变化而重写的分配机制。

六、二十七次三向碰撞：不是把三门学科并排，而是让每一条都改变语言命题

二十七条碰撞里反复出现的不是“归因很重要”这句旧话，而是一项更窄的实验责任：同一偏差必须被固定，来源证据必须被翻转，延迟更新必须在两个以上候选层被分别探测。缺少其中任何一步，研究者都可以在结果出来以后用故事解释“为什么这次是说话人、那次是语法”，却无法证明学习系统自身真的完成了寻址。

七、五个候选对象的死亡记录：新理论来自删掉最顺口的答案

候选 B 尤其危险。Perkins 与 Hunter（2026）提出“噪声容忍语法选择”：学习者在限制性核心语法与噪声过程之间分配数据，从杂乱输入中选择更受限的语法。[6] 如果本章只说“学习者要区分语法规律与噪声”，完全没有新增价值。本章因此强制加入至少两个以上可更新层、同一表面偏差固定、来源证据翻转、延迟选择性探针与排除层稳定五项限制。

候选 C 也不能偷懒。Kleinschmidt 与 Jaeger（2015）的理想适应器已经把鲁棒语音感知写成对“当前说话人应使用哪个生成模型”的不确定性推断。[5] 新理论若只把 speaker model 改叫 update address，只是重新命名。因此，本章要求在语音之外也能定义同一事件，并且一个实验必须让“同一个偏差”分别支持说话人层、通道层、词汇层或语法层，然后检验地址随来源而翻转。

八、新存在物：同差异异址更新事件

本章把“同差异异址更新事件”（Same-Discrepancy Different-Address Update Event，SDDAE）定义为：在两个或以上匹配条件中，学习者遭遇物理/形式强度与任务后果等价的同一语言偏差 δ；实验只改变关于偏差来源的证据，使预注册的最合理更新靶层从 a₁ 翻转为 a₂；在不重新暴露目标材料的延迟探针中，a₁ 条件主要改变层 a₁，a₂ 条件主要改变层 a₂，且非目标层变化保持在预注册泄漏界内。这里“同差异”防止研究者用不同刺激制造不同学习；“异址”则要求变化真正落在不同内部对象上。

事件的最小单位不是“一个学习者”或“一个语法点”，而是一名学习者 × 一种偏差 δ × 一对来源条件 × 一组候选更新层 × 一个延迟窗口。这样定义有两个好处。第一，它允许同一学习者在不同偏差上表现不同，避免把寻址变成人格或能力标签。第二，它把理论从隐喻变成可否证对象：只要来源翻转后延迟变化仍落在同一层，或者所有层同步改变，SDDAE 就不成立。

为了防止把“知道来源”与“学习发生”混在一起，本章还要求来源线索不必进入显性报告。学习者可以说不出“这是说话人效应”，只要延迟探针显示他的更新具有来源相符的层级选择性，就可以记为寻址；反过来，即使他能口头解释来源，如果后续行为仍显示全局边界被错误改写，也不能以元语言知识替代事件证据。

九、系统级构念：语言更新寻址

“语言更新寻址”（Linguistic Update Addressability，LUA）指一个语言系统在存在多个合理更新层时，依据来源、伙伴、通道、任务和历史证据，把经验引起的长期变化分配到因果上被许可的层，并把不应被改写的层保持在等价界内的能力。它不是一个静态地址表。随着更多说话人出现、语域变化或新的诊断线索到来，原先合理的地址可以被合并、拆分或撤回。

本章预注册七类候选层：词项层（lexical item）、语法/构式层（grammar/construction）、说话人层（talker）、变体/共同体层（variety/community）、通道层（channel）、任务/情境层（task/context）、自我执行层（self-execution）。这七类不是声称大脑里存在七个盒子，而是一套实验地址空间。研究者可以按语言现象删减，但至少保留两个真正竞争的候选层，且必须在揭盲前说明什么行为读数代表哪一层变化。

因此，本轮对“语言习得的本质是什么”的回答是：对于同一经验可能由多个层生成的语言关系，系统级习得包含“更新寻址的形成”。最短一句话是：学会语言，不只是会从经验中更新，而是知道这次经验究竟该改哪一层。这里的“知道”是因果性的，不是自我报告性的；它必须在来源翻转后的延迟行为中显露。

十、形式化：把“更新了什么”写成可比较的变化向量

设候选更新层集合 L={lex, gram, spk, var, ch, task, self}。对一次偏差事件 e，表面偏差为 δ，来源证据为 z，实验预注册的目标层为 a*(e)。在延迟且无再暴露的探针中，得到各层相对基线的变化向量 Δe=(Δlex, Δgram, Δspk, Δvar, Δch, Δtask, Δself)。本章不把“最大变化层”事后认作正确地址，而是要求 a* 在数据之前由材料逻辑与控制条件给出。

一个事件被记为“正确寻址”，需要同时满足两条幅度门槛：目标层变化 Δe(a*)≥0.10（以比例/正确率变化表示时为 10 个百分点的示例阈值），且所有排除层最大绝对变化 max|Δe(l≠a*)|≤0.05。0.10 与 0.05 是本章为了统一编码而给出的预注册示例门槛，不是心理学自然常数；真实研究可以依据测量可靠性改阈值，但必须在数据揭盲前冻结，并在全文使用同一口径。

更重要的是成对翻转。若条件 e₁ 的来源证据指向说话人层，条件 e₂ 只改变来源证据而指向通道层，则正确的 SDDAE 不只要求两边各自有变化，还要求“赢家层”随来源翻转：e₁ 中说话人层过 0.10 且通道层≤0.05，e₂ 中通道层过 0.10 且说话人层≤0.05。这个交叉约束把一般适应、整体熟练化和重复暴露从事件中排除出去。

十一、单一主读数：更新寻址率 UAR 与编码手册

更新寻址率（Update Addressing Rate, UAR）定义为：通过全部 SDDAE 机械条件的合格成对事件数 ÷ 全部可判定、预注册的合格成对事件数。不可判事件必须单列，不得记为 0，也不得从报告中悄悄消失。UAR 是测量工具，不是理论本体；新存在物仍然是同差异异址更新事件。

十二、二维辨别格：最危险的是“当场适应得很好，长期却写错层”

“错址成功态”是本章最重要的隐藏失败。它之所以危险，是因为传统教学和实验都会奖励它：学生很快学会听懂某位说话人，系统正确率上升，研究者便说“发生了适应”。然而如果这次变化被写成全局音位边界，下一位说话人可能被系统性误听。眼前越成功，研究者越不容易意识到更新地址错了。

相反，“潜址态”提醒我们不要把 UAR 神化为速度。一个学习者可能已经根据来源把经验限制在正确层，却因为词汇量、工作记忆或运动执行不足而当场表现一般。只要延迟选择性探针稳定，它与“根本没学会”不是同一状态。二维格的意义正是把即时成效与内部更新地址拆开。

十三、全球最近邻一：噪声容忍语法已经占住“语法 vs 噪声”，本章必须再窄一层

Perkins 与 Hunter（2026）提出的 Noisy Grammar Learner 是本章最危险的 2026 年占位者之一。该模型让学习者在限制性核心语法与噪声规则之间划分数据：某些观察支持候选核心语法，另一些由未知噪声过程造成。模型能解释人工语言实验，并在自然语言语序与格标记案例中优于一般“向极端正则化”的偏好。[6] 这已经证明“学习者不必把每个观察都写入语法”不是新发现。

本章的分离线必须是机械的：第一，地址不只有“语法/噪声”两类；第二，噪声不是一个剩余桶，通道、说话人、词项、变体、任务与自我执行都能产生可学习且可保持的规律；第三，本章要求同一 δ 在来源证据翻转时，延迟行为的赢家层也翻转。若 Noisy Grammar Learner 或其自然扩展无需新增假设即可预测这套跨层翻转矩阵，那么 LUA 应并入该模型，而不是靠新名词维持领地。

十四、全球最近邻二：理想适应器已经解释“为当前说话人选模型”，本章不能把说话人模型当新东西

Kleinschmidt 与 Jaeger（2015）把鲁棒语音感知写成对当前情境生成模型的理性推断：熟悉情境被识别，相似情境被泛化，新情境被适应。一个说话人的 /p/ 在物理上甚至可能接近另一个说话人的 /b/，因此感知系统必须在缺乏不变性的世界中推断当前应该使用哪个模型。[5] 这一理论已经高度接近“地址”。

LUA 的新增责任因此不是再讲“说话人特异”。它必须跨出语音单领域，并对一个更强的配对实验负责：保持表面偏差等价，把来源从“说话人特异”翻转到“设备通道”或“跨说话人的构式稳定”，然后分别测说话人层、通道层和语法层的延迟变化。如果理想适应器的现有变量已经完整预测所有层的更新向量，LUA 没有独立地位；若它只能解释说话人情境，而不能解释多层地址竞争与排除层稳定，LUA 才留下额外可检验空间。

十五、真实公开结果反撞：Chiu 等 2025 五实验让“快速适应=正确写址”直接失败

为了避免新理论只靠语言学想象，本章选择 Chiu、Toscano、Toscano 与 McMurray（2025）的五项多说话人语音实验做最低成本公开结果字段审计。[4] 该研究并不以 LUA 为目标，因此审计不是把原论文“解释成支持本章”，而是问现有高质量适应研究是否已经提供计算 UAR 所需的全部字段。

公开摘要给出一组对本章很不利、却十分重要的事实：实验1（N=413）让参与者为新说话人获得新的清浊边界，并把边界泛化给另一说话人；1—3天后却没有保留第一说话人的证据，也没有学到第二说话人的证据。实验2（N=355）进一步表明这种缺少保持不能简单归咎于第二次学习的干扰。实验3（N=113）与实验4（N=125）分别在分布学习和监督学习条件下测试多说话人同时个体化，均没有说话人特异学习证据。实验5（N=97）则表明新类别可在少至48个试次中迅速学到，却也能在测试或新训练块里迅速“反学掉”。[4]

这组结果直接否掉一个方便的强假设：即时适应强，就说明说话人层已经被正确更新。事实上，五项实验更符合“系统快速调到当前环境的一条够用边界”，而不是持久保存每个说话人的独立边界。对 LUA 而言，这既不是验证，也不是证伪，因为原实验没有同时设置“同一 δ 的来源翻转”与两个以上内部层的延迟选择性探针。它真正提供的是一个缺口结论：当前行为可以很快变好，但我们仍不知道这次变化最终写进了哪一层。

真跑结论采用“字段覆盖”而非伪造参与者级重算：五个实验中，0/5 同时包含（a）同一偏差匹配、（b）来源翻转使目标层改变、（c）至少两个候选层的延迟选择性探针、（d）排除层稳定、（e）无再暴露五项完整字段，因此不能计算 UAR。这个 0/5 不是“没人测所以本章正确”，而是说明本章最关键的下一步不是继续扩写概念，而是做一个现有数据结构不能替代的实验。

十六、2025—2026 年前沿压力：变异可以增强词汇，也可以只形成当前环境的“够用适应”

Fichtner、Barcroft、Sommers 与 Olejarczuk（2025）在两项德语名词学习实验中比较低与高地域社会语音变异，两个实验都发现高变异条件准确率更高，作者据此认为区域多样样本可形成更鲁棒的词汇表征。[7] 这对 LUA 构成第一条反向约束：并非所有跨说话人差异都应该被隔离到说话人层。若变化在多个独立地域样本中重复，并且目标任务是词汇身份，那么把共同不变量上提到词汇层恰恰可能是正确寻址。

2025 年高变异语音训练的元分析汇总79项研究，报告预后比较 g≈0.92、处理—控制比较 g≈0.67，并观察到保持和一定程度的泛化。[8] 这再次阻止本章滑向“地址越局部越成熟”。好的语言系统既要能局部化，也要能在来源证据足够独立时合并。寻址的目标不是最大化细粒度，而是让更新层与因果生成层相匹配。

2026 年关于双语者同时追踪两套 VOT 分布的预印本又提供了更前沿的边界：更宽的 VOT 分布会产生更浅的分类斜率，但效应受语言结构、经验以及测量指标调节。[10] 这意味着学习者并非只能维护一个全局分布，也并非总能无成本地维护多套分布。LUA 对此的预测不是“永远分开”，而是当语言标识提供可靠来源线索时，多地址更新应比来源线索被打乱时更稳定。

Coetzee、Henriksen 与 García-Amaya（2025）对巴塔哥尼亚 Afrikaans–Spanish 双语者的研究还显示，跨语言影响会随目标音位与声学指标而改变；同一“弱化”现象在两种语言中的音系地位不同，互动模式也不同。[9] 这提醒本章：地址不能只按“语言A/语言B”粗分，还要让具体表征层与测量维度进入预注册。若一个理论只能在标签层写“这是西班牙语影响”，却不能告诉我们哪个声学/音系层发生了变化，它仍然没有完成寻址。

十七、经典层敌意拓宽：1960—1970年代已经告诉我们“错误、归因、预测误差”都能学习

Corder（1967）早已把学习者错误从“坏答案”改写为当前系统的证据；因此本章不能声称第一次发现“错误有信息”。Kelley（1967）的归因框架早已研究行为原因怎样在个体、刺激和情境之间分配；因此“判断偏差来自哪里”也不是新命题。Rescorla 与 Wagner（1972）的误差驱动学习进一步把预测误差与联结更新形式化；Reber（1967）的人工语法研究则表明学习可以在缺乏完整显性报告时形成。

这些经典文献迫使本章把新意压缩到一个实验几何，而不是抽象口号：同一个差异保持不变；来源证据跨条件翻转；系统的延迟更新赢家层跟随翻转；排除层变化受限；整个效应不依赖显性来源报告。只要去掉这套几何，LUA 就会退回归因理论、误差学习或隐性学习的应用实例。

同样，经典线索竞争与 blocking 也能解释为什么某一信息没有被学到，但它们通常关心“哪条线索获得预测权重”；LUA 关心的是“由这些线索组成的事件最终修改哪一个生成层”。一条说话人身份线索可以权重很高，却被用来更新全局音位边界；线索权重正确并不自动保证更新地址正确。因此两者必须在实验中同时测，不能互相代替。

十八、五方向敌意拓宽与 1:1 替换检验

检索词保存为：“same discrepancy different update target language learning”“speaker-specific adaptation versus generalization speech perception”“noise tolerant grammar selection language acquisition”“latent cause inference speech perceptual learning”“credit assignment language learning error”“L2 sociophonetic variation representation”“hierarchical Bayesian talker adaptation”“error attribution learner grammar speaker channel”，以及本书中文“语言习得 更新层 归因 说话人 语法 噪声”“语言习得 写域 功能别名”等。保存检索词的目的不是增加仪式感，而是让未来研究者能够复现“我们到底找过哪些占位者”。

十九、与同系列既有理论的硬划界：不是再造一个“域”或“边界”

这里最危险的是“语言写域”。写域也使用“写入”词汇，但两者坐标轴不同。一个学习者可以正确判断某个说话人的特殊发音只应影响这个说话人的未来理解（写域很窄），却仍把内部改变错误写进“全局音位边界+说话人条件标签”的组合，而不是建立真正的说话人特异声学模型；反过来，他可以正确修改说话人层，却把这个更新错误泛化给整个地区。前者地址错、范围对；后者地址对、范围错。只要四种交叉格在实验上可出现，两个构念就不能互相替代。

第二个危险近邻是功能别名。学习者完全可能知道“说话人身份”与“声学 VOT”是不同线索，也能在冲突时分别利用，但在一次适应后仍把结果写入错误层。线索角色回答“谁提供了判断依据”；更新寻址回答“谁因此被修改”。信息来源与被修改对象之间没有逻辑必然的一一对应。

二十、六类语言场景：同一个偏差如何要求不同更新地址

这六类场景的价值在于，它们不需要假设一种“标准英语”消灭所有差异。说话人层、共同体层和语体层都可以是正当地址。社会语音变体如果稳定承载地域身份，把它当作“通道噪声”才是错址；真正的更新寻址不是标准化工具，而是防止研究者把自己的规范偏好冒充因果层。

同样，“全局语法层”也不是最高级的地址。一个词项的次范畴限制就应停在词项层；把局部事实提升成全局规则是过度归纳。LUA 的成熟方向不是从局部一路升级到全局，而是从“所有经验都改同一层”发展到“不同来源证据选择不同层，并能在证据改变时重新寻址”。

二十一、十条可证伪预测：不是“应该如此”，而是让数据有权杀死理论

二十二、反向约束：什么时候“全局更新”反而是成熟，什么时候“分层”反而是过拟合

第一条反向约束来自高变异训练：当多个独立说话人、多个语境反复提供同方向证据，而且变化与词汇/音位身份稳定相关时，继续把每个样本锁在说话人层会造成碎片化。此时正确寻址可能是把共同规律上提到词汇、变体或全局层。LUA 因此不能使用“越局部越好”的价值序。

第二条约束来自资源理性。维护七套地址有成本，实际语言系统可能采用近似策略。Chiu 等的“good-enough”适应表明，在日常目标下，一条迅速适配当前环境、随后可快速撤销的边界可能已经足够。[4] 如果任务只要求短暂听懂而不要求长期说话人模型，那么不形成持久说话人地址未必是失败。本章把“寻址成熟”限定在研究目标本身要求长期、可迁移的学习时。

第三条约束来自社会语言学伦理。某种口音、方言或跨语实践不是“错误来源”。地址的正确性必须相对于预注册的交际对象、共同体规范与研究问题定义；研究者不能先把非标准变体定义成通道噪声，再用高UAR证明学习者“纠正成功”。若共同体把变体当作身份资源，变体层可能正是目标地址。

第四条约束来自单层问题。有些微学习事件只有一个合理更新层，例如明确教授一个新专名的词形—指称关系。此时不存在竞争地址，UAR没有诊断价值。本章不声称每一次词汇记忆都必须经历地址竞争；它只针对同一经验合理支持两个以上内部改写层的系统级问题。

二十三、实验原型 A：同一 VOT 偏差的说话人层—通道层来源翻转

实验 A 采用 2×2 配对设计。学习阶段固定同一组 VOT 偏移刺激，偏移幅度、词项、试次数与即时反馈完全匹配。条件 T（talker-source）让偏移只随说话人身份稳定：同一说话人在两副设备上都偏，同设备的另一说话人不偏；条件 C（channel-source）让偏移只随设备/通道稳定：所有说话人在设备 A 上偏，在设备 B 上不偏。两条件的听觉偏差本身匹配，只有来源协方差不同。

学习后设置至少24小时延迟，期间不再呈现目标 VOT 分布。延迟测试分别构造四类组合：旧说话人×旧通道、旧说话人×新通道、新说话人×旧通道、新说话人×新通道。若 T 条件正确寻址，边界变化应跟随旧说话人而跨通道保持；若 C 条件正确寻址，边界变化应跟随旧通道而跨说话人保持。两个条件的赢家层因此形成交叉翻转。

为排除显性推理，学习阶段不告知来源结构，测试可加入来源置信判断但不作为 UAR 分子。为排除一般熟悉度，所有说话人与通道曝光量配平；为排除短时适应，延迟窗口与无再暴露规则写死；为排除总体速度，UAR 只根据层级变化向量判断。若 T/C 两组最终都只形成一条全局边界，或者都只表现为当前试块快速撤销，本章关于持久更新寻址的强版本失败。

二十四、实验原型 B：词项层—构式层—教师层的三地址翻转

实验 B 把同一异常搭配 δ 放入三种来源结构。词项条件让异常只与一个新动词稳定共现；构式条件让多个独立新动词都出现同一种搭配；教师/说话人条件则让异常跨词项但只由一位说话人使用，另一位说话人在相同语境坚持目标语常规。三条件的偏差频率、句子长度、语义可理解度和反馈量匹配。

延迟测试不用原句，而分别给出：旧动词+新构式、全新动词+目标构式、旧教师+新词、新教师+旧词等正交组合。词项寻址应只改旧动词的许可；构式寻址应跨新动词泛化；教师层寻址应跟随说话人而不改变全局构式。只要学习者把三条件都统一泛化为“英语语法改变”，即时正确率再高也属于错址成功。

这个设计还能正面区分统计学习与 LUA。统计学习当然预测频率与共现会改变选择概率；LUA 额外要求“哪些共现被合并为同一生成层”必须随来源结构而变。若一个普通分布学习模型在不编码来源层的情况下就能完整预测三地址交叉矩阵，本章应并入该模型。

二十五、发展性含义：儿童、成人二语者与双语者不应被排成一条单线

儿童早期语言学习可能在某些阶段更愿意把跨说话人稳定规律上提，因为他们正在形成类别本身；成人二语者已有强 L1 类别与元语言资源，可能更容易把异常解释为“说话人特殊”或“自己听错”，从而出现过度局部化。LUA 不预设谁更高，只预测不同年龄的地址先验、证据需求与撤回速度会不同。

双语者还提供天然的多地址压力。2026 年关于双语者同时追踪两套分布的研究表明，语言结构和经验会调节分布学习。[10] 如果语言标识足够可靠，双语系统可能维持语言特异地址；如果标识弱或两语长期共变，系统也可能形成共享层。这里“共享”并非低水平，“分开”也并非高水平，关键是地址是否能预测真实来源结构。

因此，发展研究不应只比较UAR平均值，还要比较“地址图谱”：哪些现象更容易进入词汇层、哪些进入说话人层、哪些需要多来源证据才能上提到语法层；一次地址形成后需要多少反证才能撤回。真正的成熟可能表现为更快寻址，也可能表现为更谨慎地维持未决，而不是立即把每个异常写入某一层。

二十六、教学含义：不要只纠正答案，要训练“这次经验该改哪里”

课堂最常见的反馈结构是“你错了—这是正确形式—再说一遍”。它解决了当前答案，却把更新地址替学生决定好了：通常默认为“你的语法规则错了”。更好的训练可以故意保持表面差异相似而改变来源。例如同一个非常规表达，一次来自固定角色的口语风格，一次来自多个说话人的共同结构，一次来自录音压缩。教师不必讲“寻址理论”，而是通过配对材料让学习者体验何时应局部化、何时应上提。

第二个教学动作是延迟异层测试。今天学一个词，不只明天问“还记得吗”，还可以问：换说话人后是否仍采用同一边界？换设备后是否撤销补偿？换动词后构式是否泛化？这些测试把“保持”从单一纵轴改成地址矩阵。教师由此能区分“没学会”和“学会了，但写错地方”。

第三，人工智能反馈尤其需要地址纪律。AI 可以在一句话中修改冠词、语序、语体与内容，但若学习者无法区分“这是我个人这次执行失误”“这是这个词项的搭配”“这是正式文体要求”，一次全改可能制造错误全局化。AI 教学系统应把反馈同时标注为候选层，并在后续新情境中检验变化是否停在合适层，而不是只追求最终文本零错误。

二十七、人工智能反向映照：模型权重、提示词、检索、工具与代理协议也会争夺更新地址

生成式 AI 使“寻址”问题更容易看见：一个失败答案可能来自基础模型知识、系统提示、检索文档、工具调用、上下文记忆、代理通信或验证器。若把所有失败都通过继续微调基础模型解决，系统会把本来属于检索或协议的问题写进错误层；若所有问题都靠提示补丁，又会让基础能力缺口长期存在。多智能体面板对“模型、协议还是验证器”的未决归因正提供了一个工程平行物。[3]

但本章不把人类学习者等同于 AI 系统。AI 只提供一个反向压力：如果一个工程系统都必须区分更新地址，人类语言研究更不能从“当场表现提高”直接推断“表征已经正确学习”。同时，AI 也提供实验工具：可以批量生成来源翻转但表面差异匹配的刺激，帮助人类研究把 δ 控制得更严。

最重要的伦理限制是，AI 不应把“标准化地址”强加给多语者。跨语实践、方言与社群变体往往拥有真实共同体地址。系统若把所有差异写成“用户错误层”，会通过反馈循环制造语言同质化。更新寻址的目标是因果分层，不是把社会差异消灭。

二十八、自反与失败方式：这篇论文自己也可能正在“错址”

本章最大的自反风险是把一个方法学缺口错写成“语言习得的新本体”。Chiu 等五实验缺少完整异层延迟探针，可能只是因为原研究根本不需要这些字段，而不是因为领域漏掉了一个重要现象。0/5 只能证明“当前设计不能计算 UAR”，不能证明 UAR 必须存在。本章因此把所有“新存在物”表述为待检验事件，而不是已经发现的自然定律。

第二个风险是层级选择由研究者预注册，可能把理论偏好偷偷写进 a*。缓解方法不是事后让数据决定地址，而是建立独立材料验证：由目标语言母语者、语音/语法专家或物理通道测量先确认来源操纵；并允许“多地址/不可判”进入分母。若大量真实事件无法可靠指定唯一目标层，强版本 LUA 必须退回“更新归属的不确定性框架”。

第三个风险是量子控制、病理诊断与多智能体只是漂亮类比。为防止这一点，本章不把三域术语直接搬成语言机制，而只接受它们逼出的禁止性条件：表面不等于对象；平均改进不等于通道识别；团队结果不等于信用已经分配。最终所有主张都必须由语言行为实验独立验证。三域证据只能产生研究问题，不能替语言学证据完成验证。

三十、2031 年撤回赌注：什么结果出现时必须放弃“本质”主张

本章把强主张的撤回日期写到 2031 年 12 月 31 日。届时，如果至少三个相互独立团队，在至少三类语言对象（如语音、词汇/构式、社会语用）中采用“同 δ 匹配→来源翻转→无再暴露延迟→两个以上层级探针→排除层稳定”的完整设计，而结果满足以下任一组条件，本章必须撤回“语言更新寻址是系统级本质”的表述。

第一组：来源翻转几乎从不导致延迟赢家层翻转，表现变化被单一全局适应参数或一般熟练度完整解释。第二组：所谓 UAR 在控制即时正确率、总反应时、工作记忆、显性来源判断和总体熟练度后没有任何增量预测。第三组：目标层 a* 无法由独立材料验证稳定预注册，大多数事件只能事后解释。第四组：层级贝叶斯/理想适应器/噪声容忍语法等既有模型无需新增结构即可同时预测目标层变化和排除层稳定。出现这些结果时，LUA 应降级为“多层学习设计的实验协议”，不再保留系统级本质地位。

相反，如果跨语言、跨年龄和跨任务都稳定出现“错址成功态”：即时表现提高，但来源翻转后延迟更新仍落错层，并且 UAR 对新伙伴、新通道和新语境表现具有增量预测力，那么语言习得研究就需要在“是否学了”之外增加一列“学到哪里”。这才是本章真正希望被数据决定的命运。

三十一、结论：真正的“会更新”，必须同时回答“谁有资格被改变”

从病理与诊断学看，相似表型不自动构成同一对象；从量子工程与量子控制看，结果偏差不自动说明哪一步应校准；从多智能体系统看，团队成败不自动完成信用分配。三家材料合起来逼出语言学习中一个经常被动词“更新”遮掉的空位：我们知道经验改变学习者，却常常没有测这次经验究竟改变了谁。

本章因此提出“同差异异址更新事件”和“语言更新寻址”。前者要求同一偏差在来源翻转后产生延迟更新地址翻转；后者指系统逐步学会把经验写入因果许可层，同时保持排除层稳定。它允许即时适应与真正习得分离，因而发现“错址成功态”：当场越来越会，长期却把经验写进错误层。

所以，本轮对“语言习得的本质是什么”的回答可以压成一句：语言习得的系统级本质之一，是更新寻址的形成——学会语言，不只是从经验中改变，而是让正确的经验改变正确的内部对象。若未来实验不能证明这项地址结构提供超出适应、层级贝叶斯、噪声过滤和普通归因的额外解释力，这句话就应被撤回；在那之前，它至少为“学习发生在哪里”提供了一套能够失败的实验语言。

三十二、更新地址的生命周期：建立、冻结、合并、拆分与撤回

如果把更新地址只理解成一次实验中的“选哪个层”，理论仍然太静态。真实习得更像地址本身也有生命周期。第一阶段是候选并存：学习者刚接触异常时，说话人层、通道层、词项层与语法层都可能解释它，此时最合理的状态不是立即定址，而是保持多个候选。第二阶段是暂定寻址：来源协方差逐渐支持某一层，系统开始把更新主要限制在那里，但仍保留较高撤回能力。第三阶段是地址冻结：跨时间、跨材料的证据足够稳定，系统降低重新归因成本，让该层获得默认更新权。第四阶段则可能因反例到来而重新拆分或撤回。

这种生命周期可以解释为什么“熟练”有时让人更难改口。一个地址如果长期冻结，例如学习者把某个 L2 音位偏差固定归给自己的发音执行层，那么后来即使大量输入显示真正问题在感知类别，他也可能继续把每次失败解释为“嘴巴没练好”。这不是简单的错误知识，而是更新地址本身被历史强化。反过来，初学者地址较松，虽然表现不稳定，却可能更容易在新证据下重新分配学习。

生命周期还要求研究把“撤回”当成成熟能力，而不是失败。比如最初只有一位说话人使用某变体，把更新写入说话人层是合理的；后来发现整个地区都稳定使用该变体，系统应把地址从单人层合并到共同体层。如果原先说话人特异模型永久不动，学习者会积累大量重复地址；如果一开始就全局化，又会在证据不足时过度泛化。成熟发生在地址能随证据结构从暂定到冻结、从冻结到重新开放。

三十三、地址合并与地址拆分：语言系统不是固定七层，而是一张可重构的因果目录

本章列出的七类地址只是实验索引，不是认知解剖图。更深的问题是：学习者何时把两个原本分开的地址合并，何时把一个原本统一的地址拆成两个。比如儿童早期可能把家庭成员的语音差异看作同一语言分布，随着社会经验增长才区分地域、年龄、角色和风格；成人学习新语言时又可能先把多个陌生变体压成“外国口音”，后来才形成更细的共同体模型。地址化因此不仅是把数据投递到既有邮箱，也包括邮箱目录本身的重构。

合并的最低证据是跨来源稳定性：两个地址在独立材料、独立说话人和新任务中长期产生近似的预测与更新结果，分开维护不再提供增量解释时，系统可以合并。拆分的最低证据则是可重复反号：原先同一地址内出现两组材料，它们对新项目或新伙伴产生系统不同的预测，且差异不能由噪声解释时，统一地址应被拆开。这个判据与“差异越多越好”完全不同；它要求目录复杂度由预测收益承担成本。

这一点也把 LUA 与一般层级贝叶斯模型的关系说得更清楚。层级模型可以在形式上允许聚类、分组与部分池化，但本章关心的是行为上何时能够观察到地址目录重构。研究者可以用层级贝叶斯实现它，也可以用神经网络、实例模型或其他机制实现；只要同一来源翻转实验显示合并/拆分后的延迟选择性变化，就属于 LUA 的测量范围。反之，若“七层”只能靠研究者解释、无法在行为上产生可区分后果，应放弃层级本体叙述。

三十四、错址的远端成本：为什么短期正确率可能在几周后才暴露代价

错址最难研究之处，是它的成本常常不在当前试次出现。把某位说话人的特殊边界全局化，当场会提高该说话人的识别；只有后来换到标准边界说话人时，错误才出现。把一个动词的局部搭配限制上提为全局构式规则，在训练材料里完全不受惩罚，直到遇见另一个动词才表现为过度限制。把耳机失真写成音位变化，在同一设备上甚至可以越来越流畅，直到换设备才显露。这种“远端结算”解释了为什么即时学习曲线对更新寻址尤其不敏感。

因此，LUA 的实验不能只把延迟测验当作记忆保持。延迟的真正作用是给错误地址制造“反事实结算场”：把原来源拿走或重新组合，让不同地址对未来产生不同预测。一个优秀设计应预注册至少一个地址诊断性场景，而不是简单重复原任务。例如说话人层与通道层只有在“旧说话人×新通道”和“新说话人×旧通道”交叉后才可区分；词项层与构式层只有在“旧词×新构式”和“新词×旧构式”交叉后才可区分。

远端成本还意味着教学评价要谨慎。短期考试可能奖励错址，因为考试材料与训练来源高度同构。学习者把题型线索写成语法规则，反而比真正依赖语义和构式关系的人做得更快；一旦进入开放表达，题型地址失效。所谓“学得很扎实却一离开题就不会”，其中一部分可能不是知识量不足，而是长期经验被写入了“任务层”而没有上提到目标语言层。这个解释必须由跨任务地址探针验证，不能仅靠故事推断。

三十五、跨模态与跨技能边界：听到的证据会不会错误改写“怎么说、怎么写”

语言更新地址并不只在同一感觉通道内部竞争。学习者听到一个变体，可能更新听觉分类，也可能更新自己的发音运动计划；看到一种拼写，可能改正字法词项，也可能反过来改变对语音的期待；在字幕视频中，视觉文字可能成为听觉识别的补偿桥。若研究只测一个通道，就无法判断经验是否发生了跨模态错址。

一个典型实验可以把同一词的异常读音安排为“只在音频压缩时出现”和“跨设备、跨说话人稳定出现”两类。延迟后分别测试纯听、朗读、无声拼写判断与口头产出。如果通道来源条件只改变纯听的设备补偿，而不改自身发音与拼写，是较窄的正确寻址；如果一次设备失真导致学习者随后稳定改变自己的发音，说明经验跨到了自我执行层。后者未必永远错误——若共同体本来就使用该读音，跨模态整合可能是成熟——关键仍是来源证据是否许可。

跨技能边界还能帮助区分“自动化”和“寻址”。一个规则在写作中已经自动化，并不代表口语中也应立刻共享同一更新；两个技能可能拥有不同执行条件。反过来，如果大量跨模态证据长期一致，永久隔离又会浪费经验。LUA 因此预测：真正成熟的系统会出现条件化共享——能在证据支持时让更新跨模态传播，也能在来源局部时把传播截断。这个“传播是否被许可”的读数，为未来神经语言学和多模态学习研究提供了比单一迁移率更具体的实验靶点。

附录 A：80 组三元随机抽样日志（固定种子）

附录 B：敌意拓宽检索日志与最近邻清单

附录 C：最小预注册编码表

证据边界与人机分工声明

本书三门学科的选择与学科内部承重判断，以公开的跨学科领域索引面板为起点；索引之外的公开文献仅用于占位、反例与前沿压力测试。本章没有把 面板中的跨域判断当作语言学习的经验验证，所有语言机制均标记为待实验检验。

公开数据“真跑”采用 Chiu 等（2025）五实验的公开结果字段审计，而非声称完成参与者级原始数据重算。能够从公开摘要锁定的实验样本量与主要结论被纳入；无法从现有公开结果直接得到的多层延迟变化向量被明确标记为缺失，因此不计算虚构 UAR。

研究问题、方法约束与产出目标由委托者提出；固定种子抽样、近邻检索、理论淘汰、形式化、公开结果审计、文献整理和文本成稿由语言模型辅助完成。新术语“同差异异址更新事件”“语言更新寻址”均为研究构念，不代表已获同行评审确认。这是本章最大的一处疏漏，必须补上，因为它是全书距离本章最近的一个理论。

Gershman、Blei 与 Niv 提出了一个关于情境与消退的计算解释：学习者并不简单地把刺激与结果关联起来，而是不断推断有哪些潜在成因在负责当前这一组观察；同一个表面事件，若被归给一个新的潜在成因，就不会改写旧成因下已有的关联，若被归给旧成因，就会。Gershman 与 Niv 后来把这条思路写成一个更一般的主张：学习的关键在于把经验切分到正确的潜在结构上——按关节把自然切开。

把这段话与本章的核心命题并排，重叠几乎完全：本章说“同一个表面偏差，改变关于来源的证据，就应改变被改写的那一层”；潜在成因推断说“同一个表面观察，改变关于成因的证据，就应改变被更新的那一簇关联”。若本章只是把这一条搬进语言，1:1 替换必然成功，本章应当撤销。

本章剩下的空间只有三条，全部要写成可被数据杀死的形式。

第一，成因数目与地址种类不是同一件事。潜在成因模型里的成因是同质的、由推断动态自行生成的、数目无上界的簇；本章预注册的是七类异质的地址——词项、语法、说话人、变体、通道、任务、自我执行——它们有各自的行为读数与不同的持久性。判决性预测：若把来源证据在两个异质地址之间翻转（例如从“说话人特异”翻到“设备通道”），本章预测赢家层随之翻转且排除层保持在阈内；潜在成因模型只预测切出了两个不同的簇，不预测哪一个簇对应哪一类语言表征。若数据只能支持“切成了两簇”而不能支持“切在了预注册的那一层上”，本章没有独立地位。

第二，本章要求延迟且无再暴露的选择性探针。潜在成因模型的经典证据来自即时行为（消退、更新、自发恢复）；本章明确规定当场适应不算证据，必须在延迟窗口内、不重新呈现目标材料的条件下测量各层变化。这条自缚使本章更容易失败：若所有跨层翻转都在即时测试里出现而在延迟测试里消失，本章的对象不存在。

第三，本章不要求学习者能报告来源。这一条与潜在成因模型一致，因此不构成分离；写在这里是为了防止把“知道来源”当成本章的成立条件。

还须处理一位与之同族的近邻。Qian、Jaeger 与 Aslin 讨论过在多情境环境里学习者如何形成与选择生成模型——同一段输入在不同情境标签下被归入不同的分布。这一框架同样已经包含“选哪个模型”。本章的分离线与上面第一条相同：选模型与选地址的区别在于，前者的输出是一个当前使用的分布，后者的输出是哪一个内部对象被持久改写。一名学习者完全可以为当前说话人选对模型（选模型正确），却把这次经验写进全局音位边界（选地址错误）。若这一格在实验上不可得，本章并入生成模型选择。

三十七、与《语言的智慧》的跨书分界

“语言修痕环”主张修复过程被压成可定位的痕迹，并进入下一轮的激活阈值。它与本章共享“这次经验在系统里留下了什么”这一问题，距离最近。

分离线：修痕环关心的是痕迹能否被定位——修复有没有留下位置信息；本章关心的是改写落在哪一个候选层。可分的交叉格：一名学习者可以为每次修复留下清晰可定位的痕迹（修痕读数高），而这些痕迹全部堆在同一层上（更新寻址率低）；也可以寻址极准而几乎不保留任何修复痕迹。若这两格在数据上不可得，两个构念应合并。