从源头领略中国文学之美

怎样写一部面向海外的中国文学史

中国文学史是中华五千年文学成就的缩影，不仅因其全面反映了中国文学的发展脉络和学术成果，也因其所涵盖的中华人文精神与文化特质而为国人所看重。在中华文化走出去的当下，编写一套面向海外的中国文学史确实有其必要性。

不过，我们自己编的中国文学史，很少会被翻译到国外去。近代以来，由于国内中国文学史的写作起步晚于海外中国文学史著作的写作，受当时西方近代思潮的影响，不仅在文学史观上以进化论为主，而且不可避免地参照了海外著作的撰写模式和方法，表现出鲜明的西方中心主义倾向。近年来，中国学界结合汉语国际教育编撰了一些简易的中国文学史入门读物，但从宏观性体系性角度编撰的中国文学史却十分少见。海外学者以域外理论视角与方法观照中国文学，扩大了中国文学的世界影响力。但是海外学者限于其阅读能力和文化隔膜，常常只研究一个很小的领域，很难在长远广阔的时空视野下把握中国文学史。其撰写的中国文学史也并非没有争议和错误。普林斯顿大学教授柯马丁曾撰文质疑《哥伦比亚中国文学史》，虽然宣称适于普及，但实际影响仍以高校与研究为主，作为专业的研究型著作，并不适合海外普通读者了解中国和中国文学。当然，如果泛泛而谈介绍中国文学，则又容易流于浅显，普通读者无法真正领会中国文学精神及其特质，更毋论文化隔膜带来的常识错误和不同文化背景带来的理解偏差。

其实，与海外学者编写中国文学史相比，中国学者对作者、文本和文献有更好的把握，但要编写一部面向海外能够反映中国文学发展面貌的中国文学史也面临不少困难。最大的困难是如何复原中国文学史历史原貌。比如赋是一种独特的文体，但如果以西方文学本位立场来看，就会陷入赋究竟是诗歌还是散文的分类困境，必须在中国文学本位的立场上才能认识到赋的独特性。其次是如何克服20世纪以来中国文化、中国学术体系中西方带来的影响，恢复中国文学的话语体系。另外，中、西文学之间毕竟存在诸多区别，而一个小小的不同，就可能造成巨大的理解障碍。本土学者中，有能力写出中国文学史的人不少，而有能力写一部面向海外的中国文学史的人不多，原因在于，这些学者对域外文化和文学的了解并不完整和深入。

在世界文学的视野下叙述中国文学，不仅要深入了解本国文学，也要深入了解域外文学，把比较的眼光和能力要内化为一种视野。不同民族、国家的人民有其共同的文学趣味，编撰者有必要从世界文学与文化的高度着眼，从比较文化与比较文学的实践入手，寻找中外文化、人性、情感、价值观以及文学思想与艺术的共识，选择既有中国民族特色与传统底蕴，又能拨动异国接受者心弦的作品和人物，提供适销对路的文学史。要把中国文学在他国语境中本土化，消除语言与历史带来的文化隔阂，以外国人听得懂的表达方式来书写中国的形象、情感、形式与修辞。在编撰者的组合上，最好能够以中外合作的方式联合进行，从而互通有无、扫除言点、优势互补。应当着眼于宏观的全球史互动与融合，将中国文化置于世界文化体系之中，将中国文学还原到世界文学的历史实际状况，突破中西二元对立思维带来的思想窠臼。

(摘编自刘剑等《怎样写一部面向海外的中国文学史》，《光明日报》2019年12月20日)

材料一

机器学习是一种人工智能技术，它通过设计算法，让计算机可以从有限的观测数据中分析并获取规律，然后利用“学习”到的规律对未知数据进行预测，从而帮助人们完成应用任务。运用机器学习解决应用问题，一般包含如下几步：首先是对观测数据作预处理，然后是从观测数据中提取有效特征并对特征进行转换，最后是构建函数并利用它进行预测。

传统的机器学习主要关注预测函数的构建，至于特征，则一般是通过人为地设计一些准则，然后根据这些准则从观测数据中获得。对机器而言，这可看作是一种“浅层学习”。由于浅层学习有时不能很好地获得有助于提升预测准确率的特征，“深度学习”应运而生。

深度学习需要构建具有一定“深度”的模型，让机器自动从观测数据中学习到有效的特征，帮助提升预测的准确率。“深度”与数据处理过程的组件数量密切相关，深度模型的原始输入与输出结果之间有多个组件，每个组件都会对数据进行加工，并影响后续组件。当得到最终的输出结果时，我们并不清楚每个组件的贡献是多少，判断每个组件对输出结果的影响称为“贡献度分配”问题。以下围棋为例，每当下完一盘棋，我们会思考哪几步棋导致了最后的胜利或失败，判断每一步棋贡献的多少就是贡献度分配问题。该问题在深度学习中至关重要，解决起来也非常困难。

目前，深度学习大多采用“人工神经网络”来实现。人工神经网络内部包含多个层次，正好能满足深度学习的“深度”需求。近年来，深度学习技术快速发展，其所使用的人工神经网络模型从早期的五至十层增加到目前的数百层，这极大提高了特征提取与转换的能力，也使预测的准确率随之上升。

深度学习技术被广泛应用于模式识别、自然语言处理等诸多领域并取得了重大突破。我们要想在方兴未艾的科技革命中占有先机，牢固掌握以深度学习为代表的人工智能技术是必要条件。

材料二

人脑神经系统是一个非常复杂的组织，包含几百亿个神经元。神经元与神经元之间没有物理连接，它们通过突触进行互联来传递信息。神经元可被看作是只有兴奋和抑制两种状态的细胞，突触将一个神经元的兴奋状态传至另一个神经元。突触有强有弱，其强度可以通过学习或训练来不断改变，具有一定的可塑性。一个神经元的状态是兴奋还是抑制，取决于它从其他神经元接收到的信号量以及突触的强度。当一个神经元接收到的信号量总和超过了某个阈值，细胞体就会兴奋，产生电脉冲，电脉冲通过突触传递到其他神经元。可以认为，在人脑神经系统中，每个神经元本身固然重要，但更重要的是神经元如何组成网络。

受人脑的启发，科学家构建了一种在结构、工作原理和功能上都模拟人脑神经系统的计算模型，称之为“人工神经网络”，简称“神经网络”。在机器学习领域，神经网络指由很多人工神经元相互连接构成的系统，这些人工神经元一般被称为节点，每个节点本质上是一个函数。神经网络不同节点间的连接被赋予了不同的权重，每个权重表示一个节点对另一个节点影响的大小。每个节点的“兴奋”或“抑制”，由来自其他节点的数据信息与节点间的连接权重综合计算得到。

深度学习利用神经网络构建模型，可以对数据进行更好的特征提取与特征转换，从而得到预测准确率更高的函数。除了神经网络模型，深度学习也可以采用“深度信念网络”等其他类型的模型。但由于神经网络能借助相关算法较好地解决贡献度分配问题，它成为了深度学习主要采用的模型。

（以上两则材料取材于邱锡鹏的相关著作）