外语，一扇不该关闭的门

一、从大语言模型说起

"我们在学习语文和其他课程的时候，再去学第二门语言，语文和其他课程的成绩会不会受到影响？"这个担心听起来很合理——人的时间和精力有限，多学一样会不会挤占另一样？但最前沿的人工智能研究给出了一个反直觉的回答：恰恰相反。

2020 年，Facebook AI 团队在《Unsupervised Cross-lingual Representation Learning at Scale》中公布了一个重要发现：在 100 种语言上同时训练的大语言模型 XLM-R，不仅在低资源语言上取得巨大提升，且英语性能几乎没有损失。2025 年发表在 IJCNLP-AACL 上的《Ability Transfer Through Language Mixing》进一步证实：混合数据训练能让模型在原本无法完成任务的语言上从 0% 准确率飞跃至 100%。这些研究指向了一个反直觉的结论——多语言不是单向搭车，而是双向互益。

大语言模型的底层是神经网络。与手写规则的传统程序不同，神经网络不依赖任何人去定义概念的含义——它通过海量文本的训练，在数千亿个权重参数中自动生成了对世界的结构化理解。这个过程与人的认知高度相似：没有一个孩子在学"猫"这个词时先背诵定义，而是通过反复接触"猫"在不同语境中的使用，在脑海里逐渐形成"猫"的形象。大模型的训练，本质上是对这种人类认知过程的大规模模拟。

二、"吃饭"里的认知世界

每种语言都在用独特的方式切割同一个概念。以"吃饭"为例——

中文的"吃"抽象力极强，可以吃"亏"、吃"香"、吃"醋"——无论具象与抽象，皆能入口。英语的 eat 精确地区分吃的方式：chew 是细嚼、nibble 是小口咬、devour 是狼吞虎咽。日语的食べる嵌入了社会关系：対长辈要说"召し上がる"，対自己说"いただく"表示谦逊。德语的 essen 只用于人类，动物吃只能用 fressen——物种边界赫然分明。

一个只说中文的人，对"吃"的理解是一维的；一个同时学习中文和英语的人，则在"吃"之上叠加了"怎么吃"的维度；如果再加上日语，他还会意识到"和谁吃"同样重要。

大模型之所以在多语言训练后对"吃饭"的理解更精准、联想更丰富，正是因为它从多种语言的不同切法中提取了跨越语言的共性——这个机制和人大脑的认知建构过程别无二致。

三、教育不能走的路

大模型用多语言训练让自己更强，而非更弱。多训练一门语言，不是"稀释"模型的能力，而是扩展它的概念空间。人的大脑也是如此。

然而当前基础教育中，一种危险的思潮正在蔓延：以"减负"为名，降低甚至取消外语的必修地位，认为孩子不需要在认知尚未成熟时接触"太多"语言。这套逻辑的错误在于——它把语言当成了负担，而不是认知工具。

学习一门外语，不是记住几百个单词和几条语法规则。它是在孩子的思维里植入另一套观察世界的坐标系。当孩子学了英语，他就知道了"eat"有精细的吃法分支；学了日语，他就能感受社会关系如何嵌入日常表达；学德语，他就能区分"人吃"和"动物吃"背后隐含的分类思维。这些差异积累起来，最终构成一个更多元、更理性、更立体的认知结构。

不要在孩子最需要拓宽认知半径的时候，替他关上那扇通向更广阔世界的门。一门外语，不是负担，而是一副全新的眼镜——戴上它，世界不再是模糊的一团，而是层次分明、万象森然的