Let's Make AGI Real

【本系列博文读者对象：对AI感兴趣的哲学社会人文学科的研究人员、相关学科研究生、文科科研管理人员】

第十一章：以超光速“细读”：GPT-4时代的计算文学批评

回答问题：AI如何变革计算文学批评并实现超大规模的文本分析？ 

文学研究的核心，长期以来建立在对经典文本（canon）的“细读”（close reading）之上。然而，在人类历史上存在着数量庞大的“未读之作”（the great unread），这些作品因各种原因未能进入学术视野。计算文学研究（Computational Literary Studies, CLS）的兴起，旨在通过计算方法，对大规模文学语料库进行“远读”（distant reading），从而揭示出超越单一文本的宏观文学模式和历史趋势。如今，以GPT-4为代表的大语言模型，正为这一领域注入前所未有的动力，让“远读”得以“超光速”进行，并触及了以往计算方法难以企及的深度。

LLMs首先极大地简化了CLS的技术门槛，并拓展了其分析能力。传统的CLS方法，如词频统计或主题建模，虽然有效，但在处理语言的复杂性，如风格、情感和比喻等方面，能力有限。而LLMs，作为在海量文本上预训练的复杂模型，天然具备了对这些微妙语言现象的强大处理能力，这为文学分析提供了更丰富、更细腻的工具集。

一个典型的例子是LLMs在“比喻理解”上的突破。比喻，尤其是新颖的文学比喻，被认为是检验创造性语言能力的重要标尺。传统观点认为，LLMs只能理解和复述其在训练数据中见过的比喻。然而，近期的研究挑战了这一看法。一项研究测试了GPT-4解读从未公开发表过的、从塞尔维亚语诗歌翻译而来的新颖文学比喻的能力。结果显示，GPT-4能够生成相当合理且富有洞察力的阐释，其表现已接近甚至在某些方面超越了人类。这表明，顶尖的LLMs已经具备了一定的抽象推理和概念映射能力，能够处理复杂的创造性语言。

除了比喻，LLMs正在被广泛应用于文学文本的多个分析层面：

• 风格分析（Stylometry）：通过分析词汇选择、句法结构等特征，LLMs可以被用来进行作者归属鉴定，或研究特定作家、流派、时代的写作风格演变。
• 主题与情感分析：LLMs能够跨越数千部小说，识别出特定主题（如“工业化对乡村生活的影响”）的演变轨迹，或追踪某种情感（如“怀旧”）在不同文学时期中的表达方式。
• 叙事结构分析：更高级的应用甚至开始探索利用LLMs来分析小说的叙事结构、人物关系网络和情节发展模式。

值得注意的是，LLMs不仅是文学分析的工具，其自身生成的文本也成为了新的研究对象。例如，有研究对比了AI生成的科学文本与人类科学家的写作，发现AI文本在语言复杂度和“困惑度”（perplexity）上呈现出可被量化的差异，这为文本溯源提供了线索。

当然，将LLMs应用于文学批评也面临着挑战。在没有经过特定任务微调的情况下（即“零样本”zero-shot场景），LLMs在处理一些复杂的文本分类任务时，其表现往往不如那些在标注数据上训练过的专用模型 63。它们在理解包含密集事件、需要长距离推理的复杂叙事时，也可能出现困难。

尽管如此，LLMs为文学研究带来的最大启示在于，它可能使我们能够“操作化”并“检验”那些以往纯属阐释范畴的复杂文学理论。想象一下，一位文学理论家提出了一个关于“现代小说中讽刺手法的演变”的理论。在过去，他只能通过精读几部代表性作品来佐证自己的观点。而现在，他可以与计算语言学家合作，设计一套复杂的提示语或微调一个模型，来识别文本中的不同讽刺类型。然后，他们可以将这个模型应用于一个包含数万部小说的语料库。最终得到的，将是一幅关于“讽刺”这一文学手法在数百年间演变的数据地图。这并不能取代理论家的阐释，但它为阐释提供了前所未有的大规模经验证据，从而推动文学研究走向一种理论思辨与经验验证相结合的新阶段。