從「詞元」到「符元」：Token 中文名背後的 AI 底層認知之爭

近日，全國科學技術名詞審定委員會發布公告，推薦將人工智慧領域中的“Token”譯為“詞元”，並面向社會試用。隨後，《人民日報》發文《專家解讀 token 中文名為何定為“詞元”》，對這一命名從專業角度進行了系統闡釋。

文中提到，“token”一詞源自古英語 tācen，意為“符號”或“標記”。在語言模型中，token 是文本經過切分或位元組級編碼後得到的最小離散單元，既可以表現為詞、子詞、詞綴或字元等不同形式。模型正是通過對 token 序列的建模，展現出一定的智慧能力。

這一譯名在專家論證體系中被認為符合單義性、科學性、簡明性與協調性原則，也在當前中文語境中具備一定的使用基礎。然而，在閱讀相關解讀後，我對這一命名路徑形成了不同的理解。

從規範化角度看，這一定名方案在短期內具有可理解性與傳播優勢。但若從計算本體、資訊結構、多模態演進及回譯一致性等維度審視，其長期適配性仍有待進一步檢驗。在這一背景下，一個同樣值得關注的替代路徑——“符元”——逐漸顯現出更強的結構一致性與跨語境穩定性。

一、定義的錯位：不能用“起源”替代“本質”

文章觀點（中國科學院計算技術研究所研究員陳熙霖）：Token 在人工智慧中的初始角色是“語言基本語義單元”，因此“詞元”能夠更貼合其本質。

這一判斷在歷史語境中具有合理性，但在技術範式大躍遷的當下，這種思維本質上是一種“學術刻舟求劍”。

在術語定義的邏輯層面，必須嚴厲區分“初始應用場景”與“結構本質屬性”。

Token 確實起源於自然語言處理（NLP），但在 AGI 的進化路徑中，它早已突破了語言模型的邊界，演化為統一處理文本、圖像、語音乃至物理信號的基礎單元。在現代計算體系中，Token 真正的結構本體是“離散符號單元”，而非單一模態的語言單位。

如果按“初始角色”定名，電腦（Computer） 至今應該叫 “電子計算手”（源於其最初代替人工計算員的職能）；網際網路（Internet） 應該叫 “冷戰軍用網”。這種命名邏輯的致命傷在於：它只看到了技術在特定歷史時刻的“臨時工種”，卻忽略了其跨越時代的“物理本體”。

歷史路徑不能等同於本質屬性。同樣，我們也不能因為 Token 最初被用於處理文字，就將其永久鎖定在“詞”的狹隘語境中。

用“初始應用場景”來定義基礎概念，本質上是用歷史的路徑依賴替代了結構的本體真相。這種定義在技術早期或許能提供理解便利，但在多模態爆發的範式擴展階段，它會迅速失效並成為阻礙認知的枷鎖。相比之下，「符元」直接對齊了跨模態計算的符號本體，它定義的不是 Token 的“過去”，而是 Token 的“真相”。

二、類比的邊界：解釋一旦變成定義就會開始偏離

文章觀點（清華大學電腦系副教授東昱曉）：可以通過“詞雲”“詞袋”等類比，將多模態中的離散單元理解為“廣義的詞”。

東昱曉教授的類比有助於理解，但不應替代定義。這一思路在解釋層面具有一定啟發性，但若進一步上升為命名依據，則可能引發概念層面的範疇錯位。

從方法論上看，類比的作用在於降低理解門檻，而定義的職責在於劃定語義邊界。當“詞”被擴展以覆蓋圖像塊（patch）、語音片段、向量表示（embedding）乃至更廣泛的感知信號時，其原有的語言屬性已被不斷稀釋，語義邊界趨於模糊。這種由“類比驅動”的擴展路徑，在短期內可以維持解釋的一致性，但在長期演化中容易造成語義漂移。

在跨模態擴展能力上，需要警惕“類比”向“定義”的滑移。在術語審定的語境中，必須區分“解釋性隱喻”與“本體性定義”的邊界，避免前者對後者形成替代。

一個更直觀的對照是：在科普語境中，我們可以將燈泡類比為“人造太陽”，以增強理解的直觀性；但在科學命名體系中，不可能據此將電流單位“安培”（Ampere）重新命名為“光元”。前者屬於描述性表達，後者則涉及嚴格的度量體系與標準化定義，二者不可混用。

同樣地，“詞雲”“詞袋”等術語本質上屬於描述性或統計性隱喻，其功能在於幫助理解資料結構或分佈形態；而 Token 作為大模型中的基礎計量單元，已深度嵌入算力計費、模型訓練與學術度量體系之中。當其使用規模達到日均百億至萬億級調用量時，其命名所承載的已不只是解釋功能，更是一個具有工程與標準意義的基礎概念。在這一層面上，術語更需要對齊其本體屬性，而非依賴類比延展。

如果將這種類比邏輯進一步推至命名層面，其實隱含著一個危險前提：既然人們已經習慣用“詞”來理解 Token，那麼不妨繼續沿用這一類比。但這實際上是一種路徑依賴的延續——用既有認知的便利，替代對概念本體的校正。在這一意義上，這種命名更接近於一種“語言學上的浪漫主義”，而非對計算本體的嚴格對齊。

我們不能因為“馬力”帶有“馬”，就要求在電機中討論“電子馬”。類比可以啟發理解，但不能定義標準。

相比之下，“符”作為更為中性的概念，天然具備跨模態適配能力，不依賴額外解釋即可覆蓋文本、圖像、語音等多種資訊形態。因此，以“符號單元”為核心的命名路徑，在定義層面更接近 Token 的結構本質。在這一邏輯下，“符元”作為對應譯名，具備更高的概念一致性與長期適配性。

三、認知的代價：當語義錨點製造系統性誤解

文章觀點（綜合專家意見）： “詞元”表述簡潔，符合中文習慣，易於傳播。

這一判斷在傳播層面具有一定合理性，但其隱含前提是：公眾能夠接受“詞”的跨模態類比。然而，類比本質上是一種專家思維工具，而非大眾的自然認知方式。對於普通用戶而言，“詞”具有極強的語義錨定效應——一旦聽到“詞”，其直覺指向必然是語言系統，而非圖像、聲音或動作等其他模態。這一認知路徑並非技術問題，而是認知心理學層面的穩定結構。

在此基礎上，當“詞”被擴展為所謂“廣義的詞”時，實際上已經在用戶認知中製造了偏差。用戶首先形成的是“詞=語言單位”的直覺理解，而非“跨模態符號單元”的抽象概念。一旦這種誤解被建立，後續所有解釋都將變成對既有認知的修正，而非自然理解的延伸。

例如，當媒體報導“模型使用了 10 萬億詞元訓練”，公眾很容易將其理解為“閱讀了大量文本”，而忽略其中包含的大量圖像、語音與其他模態資料。這種誤解並非個例，而是由術語本身的語義錨定所產生的系統性誘發。

在實際工程語境中，這種命名還可能帶來跨學科溝通的摩擦。當視覺模型或語音模型中的離散單元被稱為“詞”時，不僅容易引發語義誤解，也會在不同領域之間製造不必要的語言衝突。多模態系統需要的是“符號層”的統一，而非語言範疇的擴展。

相較而言，“符”作為更抽象的概念，雖然初始理解門檻略高，但其語義指向更加中性，不會將認知預先鎖定在語言層。在長期使用中更有利於建立穩定、統一的認知框架，從而降低整體解釋成本，並為多模態統一提供更穩定的認知基礎。

命名的成本並不發生在定義之時，而是發生在糾正之時；一旦早期命名形成語義錨定，後續認知修復的代價將呈指數級上升。

專家可以通過類比擴展“詞”的邊界，但大眾不會以類比理解概念。命名不是為專家服務，而是為整個時代的認知系統負責。

四、單義性的幻覺：當一個詞試圖承載兩個體系

文章觀點（名詞審定原則）： “詞元”符合單義性原則，有助於解決譯法混亂問題。

在術語單義性方面，需要特別關注“一詞兩義”可能引發的系統性風險。在科學名詞審定中，“單義性”是基礎性原則之一。一個術語如果需要依賴語境或額外解釋才能區分含義，那麼它作為標準件的價值就已經喪失。

然而，從現有學術體系來看，這一判斷仍存在進一步討論空間。“詞元”一詞在語言學與自然語言處理（NLP）領域早已“名花有主”，在經典語言學中，其長期對應的英文概念為 Lemma，即詞的規範原形（例如 is/am/are 的詞元為 be）。這一用法在語言學與 NLP 基礎教材及學術論文中已形成穩定共識。

在此背景下，若將 Token 同樣譯為“詞元”，則在具體表達中容易產生語義衝突，會出現災難性的現場。

例如，在描述“NLP 中的詞形還原操作（lemmatize a token）”時，中文表述將出現“對‘詞元’進行‘詞元化’”的結構。這種表達不僅增加理解成本，也會在學術寫作與資訊檢索中引入歧義，使讀者難以區分“詞元”究竟指向被切分的離散單元，還是詞的規範原形。

從概念功能上看，二者亦存在明確區分：Lemma 強調的是語言層面的“還原”，對應詞形變化後的規範表達；而 Token 強調的是計算過程中的“切分”，對應模型處理資訊時的最小離散單位。這種“還原”與“切分”的差異，正對應語義層與符號層的不同維度。

因此，當一個術語需要通過“廣義化”來同時覆蓋多個既有概念時，其單義性實際上已轉化為“解釋層面的統一”，而非“語義層面的穩定”。

當一個術語需要通過解釋來維持統一時，其作為標準術語的穩定性，往往已經開始動搖。

相比之下，“符元”在現有術語體系中不存在語義衝突。一方面，它保留了 Token 作為離散符號的本體屬性；另一方面，也避免了與 Lemma 既有譯名的重疊，從而在語義清晰性與體系一致性方面表現出更高的穩定性。

五、本體的回歸：Token 本質上是“符號”，而非“詞”

文章觀點（通用解釋）： Token 是語言模型中用於處理文本的最小單位。

這一表述在功能層面是成立的，但仍停留在“如何使用”的層級，而未觸及其在計算理論中的本體屬性。從資訊論與計算理論的角度看，計算系統所處理的基本物件並非“詞”，而是“符號”（symbol）。

這一點可以從兩個層面進一步理解：

一方面，在資訊論視角下，資訊的本質在於消除不確定性，其度量單位為位元（bit），其承載實體是離散符號。符號並不關心語義內容，而僅與概率分佈與編碼結構相關；

另一方面，在計算實現層面，大模型底層並不“識字”，其處理物件是離散的索引表示（ID）。無論這一 ID 對應的是一個漢字、一個圖像塊，還是一個音訊採樣點，在計算過程中均以統一的符號形式參與運算。

在這一框架下，正是因為其本體位於“符號層”，而非“語義層”。符號本身並不承載語義，而是作為編碼與計算的基本載體存在。

將 Token 命名為“詞元”，在一定程度上引入了語言語義層的隱含指向，使這一原本處於符號層的概念被重新拉回到以語言為中心的理解路徑之中。這種命名方式可能在解釋層面提供直觀性，但在理論層面容易模糊“符號計算”與“語義理解”的邊界。

相比之下，“符元”在概念上保持於符號層之內。一方面，它準確反映了 Token 作為離散符號的計算屬性；另一方面，也避免將語義特徵引入本體定義，從而更符合資訊論與計算理論的基本框架。

從更廣泛的視角看，隨著人工智慧系統不斷向多模態與通用智慧演進，基礎概念的命名若能夠直接對齊其數學與計算本體，將更有利於構建穩定、可擴展的認知體系。在這一意義上，以“符號單元”為核心的命名路徑，不僅是語言選擇問題，更是對計算本質的一種一致性表達，而“符元”正是在這一框架下的自然對應。

從符號層出發定義概念，是對計算本質的對齊；從語義層出發命名概念，則更接近於解釋而非定義。

六、語言的斷裂：回譯機制中的映射失效

文章觀點（綜合解讀）： “詞元”已在中文學術界逐漸形成使用基礎，具備一定傳播優勢。

在跨語言語境下，需要警惕術語“回譯斷裂”所帶來的系統性影響。衡量一個科技術語是否具備長期生命力，不僅取決於其在中文語境中的表意能力，更取決於其能否在國際學術體系中實現穩定映射。理想的術語應當具備“可逆性”，即在不同語言之間能夠實現語義上的一致往返。

上述判斷反映了“詞元”在本土語境中的可接受性，但從跨語言角度來看，仍存在進一步討論空間。如果一個術語僅在單一語言體系中成立，而無法在國際語境中形成穩定對應關係，則可能在學術交流中引入額外的理解成本。

具體而言，“詞元”在回譯過程中缺乏清晰、唯一的對應路徑。當其被還原為英文時，往往會在多個近似概念之間產生分歧：例如“word unit”缺乏嚴格的學術定義，“morpheme”對應語言學中的語素，“lexeme”則指向詞位。這些概念均無法準確覆蓋 Token 在計算語境中的含義，反而會引入範疇偏移。

相比之下，“符元”可以較為自然地對應“symbolic unit（符號單元）”。這一概念在資訊論、離散數學以及多模態表徵等領域中具有明確的理論基礎與穩定用法，能夠在不同語境之間保持一致的語義指向。因此，在中英文之間更容易形成一對一的映射關係。

從實踐角度看，術語一旦進入學術論文、技術文檔與國際交流場景，其回譯能力將直接影響表達效率與理解準確性。如果一個術語需要通過額外解釋才能完成跨語言轉換，其長期使用成本將持續累積。

因此，在跨語言體系中，“詞元”所面臨的主要問題在於映射路徑的不穩定，而“符元”則在語義對應與概念一致性方面表現出更高的確定性。在人工智慧日益全球化的背景下，選擇具備良好回譯特性的術語，將更有利於構建開放、可互通的學術與技術體系。

術語的國際可逆性，本質上是其是否具備長期學術生命力的關鍵標尺。

七、統一的誤區：形式一致不等於結構一致

文章觀點（綜合專家意見）： “詞元”在表達風格上與“嵌入”“注意力”等術語保持一致，簡潔、抽象，符合中文技術語境。

結論先行：術語體系的統一，應建立在“概念同構”之上，而非“語言同形”。

在“詞元”的支持論證中，一個常見理由是：其表達風格與“嵌入”“注意力”等術語保持一致，簡潔、抽象，符合中文技術語境。這一理由抓住了術