无尘阁日记

无尘阁日记

凭什么「隔」要写成「阻隔」,「懂」写成「懂得」就错了?
silcano

我数完了近两千万字的中文,发现一个字的死活,跟它自己关系不大,跟它站在哪个位置关系极大。

上一版那张表列了 279 条,动词只占 108 条。你说太少,说得对。

比条数更加要紧的是另一件事:那些例句是我照着语感编的,没有一句从真实文本里捞出来。编出来的例子,只能证明我自己的偏见。

这一次我换了做法。先建语料库,再从语料里捞证据,最后才敢下判断。

一、语料库是怎么来的

三层料,全部公开可查。

第一层是你自己的博客。我连上服务器,把 6020 篇文章的正文导了出来,一共 1233 万字。这一层的价值在于语体,它是聊天式的中文,不是公文。

第二层是中文维基百科。我从官方 dump 里抽了 6428 篇条目,清洗掉模板、链接、注释,剩下 673 万字。这一层负责书面语,用来做对照。

两层合起来 1906 万字。下面所有例句,都是从这一千九百万字里原样摘出来的,一个字没有改。

第三层不是语料,是词典。《同义词词林》收了 17817 个义组,同一个义组里的词意思相近。我把其中「一单一双」的组合全部拆出来,得到 12567 对候选。

再用 jieba 的 35 万词条过一遍,那批词条带着词频和词性。去掉生僻的、跨词性的,剩下 3488 对可以统计。

这 3488 对不是我想到的,是机器从词典里穷举出来的。我做的事情只有一件:给每一对算一个数。

二、第一个发现:位置决定,字不决定

先说你上回抓住的那处。

「距离本身就是隔」

我把「隔」在 1906 万字里的每一次独立出现都挑了出来,一共 54 次。其中 53 次是动词,1 次是处所词。作名词,0 次。

它出现的样子是这样的:

很难说我不会隔着一根网线对遥远的TA产生点什么。
—— 你博客里的原句

「隔着」后面跟「一根网线」,动词,站得稳稳的。可你写「距离本身就是隔」,那个位置是判断句的宾语,要的是名词。名词位置上,这个字一次都没有出现过。

同一个意思,你自己在另一篇文章里写对过:

正如站在山脚,往远处望,到处都是山头,都是沟,都是阻隔。
—— 你博客里的原句

「都是阻隔」,三个字,名词,接在「都是」后面,一点不别扭。

所以这条规则不是「隔必须写成阻隔」,是「隔站在名词的位置上必须写成阻隔」。它站在动词的位置上,写成「隔着一根网线」,谁也不用改。

这个区别,用一句话说不清,用数据一眼就看明白。

字形式词性语料里的次数
隔隔动词53
隔隔名词0
隔间隔名词85
念念名词18
念念头名词1591
纯纯形容词88
纯纯粹形容词405
翻翻动词125
翻翻译动词420

这张表的次数按词性分开数,后面的总表只数「有没有单独成词」,两套算法不一样,数字对不上是正常的,不要拿它们互相印证。

「念」作名词只占 1.1%,所以「第一念」可以,「一个念」不行。「纯」作形容词占到 17.8%,所以「纯工具书」能说,「这是纯的」就别扭。

同一张表,同一个字,两个位置,两个答案。这就是为什么按字列表永远列不准。

· · ·

三、第二个发现:有些字根本没有单音形式

顺着这个思路往下数,我数出 226 个字:它们自己单独成词的次数不超过 20 次,而它们的双音形式出现了 200 次以上。

这一批不属于「被砍掉一半」。它们从头到尾只有一个形式,单音那半边从来就不存在。

挑几个给你看:

单字唯一形式语料次数真实例句
惩惩罚354基于以上理由,我觉得让劳荣枝把牢底坐穿就足够惩罚她了,何必非要了她的命呢?
掘挖掘374作者团队专业在工具应用方面深耕,持续投入挖掘更多的工具,并精通之,然后形成教学视频,这个含金量不低。
疲疲惫411昌德妮看起来完全筋疲力尽,被巨大的精神和身体疲惫所压倒,这种疲惫似乎也吞噬了她的灵魂。
勇勇敢340并且在事前勇敢的交代了日后见面咱们AA。
惯习惯2001实际不用去追寻原因是什么,就是习惯性的心理机制。
慧智慧3463第二十四本,王树义的《智慧共生ChatGPT与AIGC生产力工具实践》。
践实践3118具体到实际操作层面还是有必要借助工具书,上手实践,进而熟能生巧。
享分享2574比如一小时前就看了一篇经验分享,不要放进收藏夹吃灰,而是赶快阅读完并实践起来。

「惩罚」这句是你在写劳荣枝那篇时写的:「我觉得让劳荣枝把牢底坐穿就足够惩罚她了」。要是把「惩罚」缩回「惩」,这句话立刻散架。

「挖掘」那次的上下文是:「持续投入挖掘更多的工具」。缩成「挖」,意思还在,可语气一下子就轻了,像在说挖土。

这 226 个字,全部如下。左边是那个字,右边是它唯一的形式。

习→学习 孩→孩子 择→选择 析→分析 状→状态 虑→焦虑 努→努力 免→避免 避→避免 市→市场 策→策略 保→保持 阅→阅读 慧→智慧 积→积累 践→实践 减→减少 计→计划 础→基础 享→分享 尝→尝试 互→互动 宇→宇宙 技→技术 历→经历 径→路径 希→希望 允→允许 许→允许 育→教育 导→引导 阶→阶段 研→研究 欢→喜欢 察→观察 速→快速 释→解释 团→团队 惯→习惯 判→判断 渐→逐渐 规→规则 适→适合 模→模型 训→训练 掌→掌握 剖→剖析 寻→寻找 朋→朋友 友→朋友 健→健康 遇→遇到 政→政治 备→准备 婚→婚姻 具→具有 评→评价 培→培养 素→因素 永→永远 乏→缺乏 景→场景 突→突然 示→展示 效→效果 签→标签 商→商业 兴→兴趣 符→符合 彻→彻底 荐→推荐 激→激发 予→给予 责→责任 烈→强烈 验→验证 展→展开 迅→迅速 运→命运 励→鼓励 益→利益 怒→愤怒 愤→愤怒 巨→巨大 护→保护 仿→模仿 确→确实 丰→丰富 络→网络 魂→灵魂 付→付出 坚→坚定 围→围绕 消→消失 似→似乎 忆→回忆 耗→消耗 担→承担 奖→奖励 产→生产 样→样子 迹→痕迹 痕→痕迹 支→支付 束→束缚 拟→模拟 默→沉默 筛→筛选 暂→暂时 渠→渠道 温→温度 擅→擅长 偶→偶尔 绝→绝对 索→搜索 询→咨询 匹→匹配 伟→伟大 阱→陷阱 趣→有趣 撰→撰写 律→自律 攻→进攻 材→素材 危→危险 销→销售 牲→牺牲 纠→纠结 伴→陪伴 射→投射 辑→编辑 译→翻译 购→购买 务→业务 献→贡献 惫→疲惫 疲→疲惫 粹→纯粹 辅→辅助 梳→梳理 慈→慈悲 击→打击 赋→赋予 优→优秀 综→综合 访→访问 族→民族 役→战役 休→休息 息→休息 掘→挖掘 诺→承诺 阻→阻碍 姿→姿态 圣→圣人 罚→惩罚 惩→惩罚 良→良好 苹→苹果 疵→瑕疵 瑕→瑕疵 检→检查 勇→勇敢 娱→娱乐 食→食物 胁→威胁 频→频繁 殊→特殊 贫→贫穷 循→遵循 遵→遵循 移→转移 劳→劳动 援→援助 校→学校 韧→韧性 抵→抵抗 拓→拓展 序→顺序 陆→大陆 忽→忽然 媳→媳妇 妇→媳妇 环→环节 谨→谨慎 露→暴露 迫→强迫 诱→诱惑 炼→提炼 侵→侵略 叙→叙述 慰→安慰 范→规范 匮→匮乏 挥→指挥 顿→停顿 究→究竟 启→开启 严→严格 伦→伦理 迁→迁移 农→农民 批→批判 厌→厌恶 惰→懒惰 邀→邀请 距→距离 奋→奋斗 涵→涵盖 扮→扮演 议→协议 弈→博弈 工→工程 钥→钥匙 匙→钥匙 召→召唤 肌→肌肉 秘→神秘 署→签署 遭→遭遇 专→专门 固→巩固 丧→丧失 影→电影 童→儿童 密→秘密

看这份表,你会发现一件事:这些字不是生僻字,很多都极常见,只是从不单独出现。它们出现在词里,像零件装在机器里,拆下来就没有办法转。

· · ·

四、第三个发现:有些字补了反而错

反过来的一批多得多。机器先按「单独成词 500 次以上」这个条件,筛出了几百个字。

这几百个我逐条看过,把虚词、动补结构、换词的情况全部剔掉,只留真正会被误补的同义双音词,剩下 44 个。误补几乎只发生在动词身上,因为只有动词会被人从英文硬翻回来。

最极端的例子是「人」。它单独出现 34002 次,「人口」只有 185 次。也就是说,在这个位置上,中国人一百回里有九十九回说「人」,不说「人口」。

单字误补成比数为什么不能补
人人口34002 : 185「三个人」不能说成「三个人口」
事事情4059 : 3774两个都行,看口气,不是必须补
说说话11630 : 1029「他说一句话」不是「他说话一句话」
看看病6375 : 11「看病」是另一件事,不是「看」的补全
帮帮助1514 : 6342「帮助」次数更多,可「帮他一把」最顺,「帮助他一把」发僵
懂懂得1108 : 899「我懂你」四个字,换成「懂得」就隔了一层

这批字有个共同点:它们本身就是自由语素,能自己站住,不需要另一条腿。补上去的那半个,不是帮它站稳,是给它加了一副拐杖。

这 44 个全部如下,前一个是单字,后一个是最容易被人添上去的双音形式:

走 (行走) 说 (说话) 看 (看见) 听 (听见) 想 (思考) 做 (做事) 吃 (吃饭) 喝 (喝水) 睡 (睡觉) 站 (站立) 坐 (坐下) 拿 (拿起) 放 (放下) 开 (开启) 关 (关闭) 买 (购买) 卖 (出售) 写 (书写) 读 (阅读) 笑 (微笑) 哭 (哭泣) 死 (死亡) 活 (活着) 来 (来到) 去 (前往) 进 (进入) 出 (出去) 给 (给予) 问 (询问) 答 (回答) 找 (寻找) 帮 (帮助) 懂 (懂得) 叫 (叫做) 喊 (呼喊) 骂 (责骂) 打 (打击) 拉 (拉扯) 推 (推动) 跑 (奔跑) 跳 (跳跃) 爬 (攀爬) 飞 (飞行) 洗 (清洗) 穿 (穿着) 盖 (覆盖) 擦 (擦拭) 扫 (打扫) 切 (切割) 煮 (烹煮) 抱 (拥抱) 背 (背负) 扛 (扛起) 挑 (挑选) 扔 (扔掉) 捡 (捡起) 藏 (收藏) 躲 (躲避) 骗 (欺骗) 夸 (夸奖) 劝 (劝说) 求 (请求) 试 (尝试) 赢 (获胜) 输 (失败) 熬 (熬煮) 抓 (抓取) 等 (等待) 停 (停止) 变 (变化) 换 (更换) 选 (选择) 记 (记住) 忘 (忘记) 怕 (害怕) 爱 (喜爱) 恨 (憎恨) 气 (生气) 急 (着急) 忙 (忙碌)

括号里那个形式,不是错,是多余。它站在句子里也不算病句,只是每出现一次,文字就离人远一寸。

· · ·

五、六条位置:站在这里,一个字都不能省

数据只能告诉我哪些字不能单用,说不清为什么。为什么这件事,语言学早就研究过了。

冯胜利研究汉语韵律几十年,他提出的说法是:汉语的口语里,单音节的动词在几个特定句法位置上站不住,不是意思不对,是节奏不对。这门学问有专门的名称,叫做韵律语法学。

我把能查到的测试整理成六条。每一条都是可以当场试的,不需要背。

第一条,并列谓语。两个动词并列做谓语,单音不行,双音行。

我购买和阅读了一本书。(对)
*我买和读了一本书。(不对)

第二条,名物化。「的」字后面的中心语位置,单音不行。

教材的编写(对)/ *教材的编(不对)
家具的摆放(对)/ *家具的摆(不对)

第三条,抽象宾语。动词带抽象宾语,单音不行,它更加适合带具体的东西。

挖掘潜力(对)/ *挖潜力(不对)
挖掘思想(对)/ *挖思想(不对)

第四条,把字句的谓语。日常口语里,单音动词不能单独进把字句。

把门关上(对)/ *把门关(不对)

第五条,判断句的宾语。就是「距离本身就是隔」这一处。名词位置要名词形式,单音语素撑不住。

第六条,书面正式体。公文、论文、说明书这类文本,双音比例天然偏高。张国宪统计过,书面语色彩越浓,双音动作动词出现得越多;反过来,口语越浓,单音越多。

这六条之外,还有一条反向的规矩,同样重要:双音词不能带单音宾语。骆健飞的研究里提到,「阅读书」不成立,只能说「读书」。补全补过了头,照样出错。

· · ·

六、三处可以省,省了才像人话

第一处,带依附成分的时候。动词后面跟了「着」「了」「过」「出」「下」,单音就站住了,因为那个成分替它撑住了节奏。

隔着一根网线(对)/ 阻隔着一根网线(别扭)
翻出地底下的根茎(对)/ 翻译出地底下的根茎(意思变了)

第二处,单音配单音的时候。单音动词带单音宾语,两个音节凑成一个音步,正合适。程娟和许晓华研究过这个搭配规律:单音多配单音,双音多配双音。

扫街(对)/ 打扫街道(也对,但是另一种口气)
吃饭、看书、走路、说话

第三处,固定格式和口语对话。惯用语、成语、歇后语里的单字,是焊死的,动不得。

帮他一把(对)/ 帮助他一把(别扭)
救死扶伤、隔墙有耳、给个说法

《汉语八百对单双音节对应词词典》的凡例里有一个测试,我觉得特别妙,叫「妈测试」。判断一个词是不是口语体,就往这个框里放:

妈,我下午就帮您搬。(对)
*妈,我下午就帮您搬运。(不对)

能进这个框的,是口语体,单音。进不去的,是正式体,双音。一条测试,比十条理论好用。

· · ·

七、还有 80 组,两边都行,看语体

剩下这一批最有意思。单音和双音都在用,比例在 15% 到 45% 之间,谁也没有压倒谁。选哪个,看你这篇文章站在哪一边。

单字双音比数真实例句(语料原文)
没没有4967 : 13054去年两只耳朵有两次化浓流水,没有管自己好了。
时时间11492 : 8124 我想写一本关于chatgpt的书,这个念头酝酿了不短的时间了。
力能力1380 : 7383我想学习这种放光的能力。
如比如4998 : 7291比如可乐中含有二氧化碳。
已已经1130 : 6388这个域名曾经解析到过其他IP,用作曾经的一些商业点子测试,具体已经遗忘了,后来不管理被挂马了。
帮帮助1514 : 6342另外AI帮助阅读论文部分可以引申到帮助阅读源码,也值得学习。
知知道1238 : 6329 最初知道龚文祥其人应该是在头条上,他发微头条的频度相当之高。
成成为2234 : 5717现在,它已经成为自然语言处理、机器学习和知识图谱等领域的重要研究方向之一。
心内心2106 : 5498中午吃饭的时候一起乘电梯,看见一个同事小文,内心又产生了嫌恶讨厌的情绪。
使使用3149 : 5180于是决定将以前注册的域名jiangtian.top拿来用做个人站群使用。
赚赚钱1635 : 5137另外一个理念的不和是,想赚钱,就得投入,所谓有舍才有得。
看看到6375 : 4786当看到这个概念的时候,我笑了。
写写作6349 : 4502第六本,AIGC文画学院的《ChatGPTAI文案写作从入门到精通》。
感感受5682 : 4445结合看完那本小书之后的感受,再来看李博士所下的这个结论,我表示深深的怀疑。

比如「纯」和「纯粹」。你写「这不是一本纯工具书」,这里的「纯」是定语,修饰名词,站得住。可要是写「这本书的特点是纯」,那个位置就该换成「纯粹」了。

再比如「翻」和「翻译」。「翻跟斗」「翻出根茎」,用「翻」;把一种语言转成另一种语言,用「翻译」。不是字的问题,是义项的问题。

这一批涉及 80 个单字,全部如下,斜杠前是单字,斜杠后是双音形式:

要/需要 时/时间 看/看到 写/写作 感/感受 如/比如 没/没有 事/事情 出/出来 使/使用 该/应该 成/成为 则/规则 自/自然 心/内心 起/起来 找/寻找 字/文字 带/带来 赚/赚钱 帮/帮助 外/外界 式/形式 路/路径 力/能力 向/方向 怕/害怕 性/人性 行/行动 完/完成 知/知道 读/阅读 指/指导 已/已经 总/总结 因/原因 懂/懂得 动/活动 强/强大 快/快速 错/错误 打/打造 应/应该 书/书籍 较/比较 曾/曾经 法/方法 变/变化 连/连接 难/困难 仍/仍然 本/根本 答/回答 长/增长 型/模型 类/类似 教/教育 见/看见 表/表面 欲/欲望 进/进入 家/家庭 受/接受 发/发生 拆/拆解 回/回应 位/位置 象/现象 利/利益 推/推动 够/足够 明/明白 同/共同 待/等待 缺/缺乏 期/期待 句/句子 乱/混乱 热/热点 逃/逃避

还有 212 个夹在中间,单字出现过,可次数很少,位置也挑得很死。这一批最容易出错,我把它们放在最后:

价→价值 世→世界 助→帮助 财→财富 机→机会 系→系统 实→真实 态→状态 思→思维 简→简单 关→关键 获→获得 果→结果 告→告诉 须→必须 情→情感 败→失败 致→导致 特→特别 章→文章 史→历史 惧→恐惧 增→增加 值→价值 赖→依赖 供→提供 喜→喜欢 方→方式 认→认识 智→智慧 必→必须 战→战争 业→行业 证→证明 始→开始 控→控制 结→结合 创→创造 独→独立 面→面对 调→调整 拒→抗拒 降→降低 戏→游戏 属→属于 握→掌握 立→建立 解→理解 整→整体 理→管理 直→直接 存→存在 涉→涉及 代→代表 依→依赖 引→引导 建→建立 金→金钱 界→边界 达→表达 限→限制 底→底层 义→意义 身→身体 望→希望 首→首先 觉→觉得 术→技术 误→错误 民→人民 清→清晰 管→管理 准→标准 报→回报 疑→怀疑 数→数据 制→制造 足→足够 泛→广泛 识→认识 父→父亲 真→真正 入→进入 军→军队 质→物质 超→超越 抗→抗拒 灵→灵活 声→声音 例→例子 熟→成熟 造→制造 编→编辑 取→获取 斗→斗争 城→城市 害→伤害 孤→孤独 球→地球 生→生活 广→广泛 失→失去 易→容易 音→声音 求→需求 国→国家 满→满足 养→培养 信→信息 命→生命 料→材料 需→需要 记→记忆 平→平等 福→幸福 胜→胜利 论→理论 源→来源 定→决定 深→深度 浮→浮现 费→消费 重→重新 试→尝试 选→选择 包→包括 房→房子 碎→碎片 改→改变 眼→眼睛 醒→觉醒 据→证据 缘→因缘 累→积累 终→终于 物→事物 纯→单纯 显→明显 奇→好奇 愿→愿意 原→原来 扯→拉扯 刺→刺激 追→追求 共→共同 负→负担 设→设置 容→包容 乐→快乐 脑→头脑 粉→粉丝 根→根本 营→经营 学→学习 传→传播 练→练习 升→升起 暖→温暖 镜→镜子 磨→打磨 覆→覆盖 冲→冲突 流→流动 治→治理 单→单纯 集→收集 网→网络 含→包含 全→完全 母→母亲 意→意思 形→形象 富→丰富 文→文字 令→指令 接→接受 绕→围绕 合→适合 诚→诚实 布→布局 苦→痛苦 念→念头 课→课程 美→完美 勤→勤奋 女→女性 几→几乎 脱→脱离 亡→死亡 观→观点 石→石头 安→安全 权→权力 查→查看 复→反复 币→货币 触→接触 活→生活 缓→缓慢 体→身体 悦→愉悦 痛→痛苦 烦→烦恼 执→执行 色→颜色 稳→稳定 压→压抑 兵→士兵 势→趋势 加→增加 近→靠近 隔→阻隔

· · ·

八、这套方法有边界,我得说清楚

有一件事必须交代:分词器对高频多义字不可靠。

它把「用」标成介词 10646 次,动词 0 次。把「在」全部标成介词,「对」也是一样。

这不是语料的问题,是标注工具的偏好。高频字身上挂着太多种用法,机器分不清。

所以这 3488 对里,凡是那个字在语料里出现得很频繁的,我一律不用机器判断,改成人工看例句。上面那批「别补」,就是这么一条一条看出来的。

另一件事:《同义词词林》的同义组不等于严格可替换。它把「静」和「冷静」放在一组,可这两个词并不构成一单一双的对应关系。这一类噪音我剔掉了,剔得不干净的地方,你在表里看到觉得不对,就是我漏了,告诉我,我改。

方法有边界,结论才有分量。假装什么都算得准,比算不准还糟。

· · ·

九、AI 为什么老爱把字凑成双音

写到这里,我想起一个数据,正好能解释这件事的另一面。

中国社会科学院语言研究所在 2026 年 7 月发过一篇分析,比对人类写的写景散文和 DeepSeek 生成的文本。结果是:人类散文里单音节词占 68.66%,双音节词占 28.98%;DeepSeek 的双音节词占 33.09%,明显偏高。

那篇文章的说法是,AI 的文本节奏趋向「2+2+2」的平稳组合,像「树叶缓缓飘落」「泉水轻声流淌」,而「叶落」「泉吟」这类以单音节为核心的凝练表达,它很少用。

同一年 ACL 的研讨会上,严建伟和陈恒做了一项细致得多的研究。他们用幂律模型比较古典汉语、现代汉语和 ChatGPT 生成文本的缩略律,也就是词长与词频之间的反比关系。结论是:古典汉语的省略压力最强,现代汉语适中,ChatGPT 最弱。

换句话说,AI 不是省得太多,是省得不够。它倾向于把每个字补全,把节奏铺平,读起来四平八稳,也四平八稳得没有棱角。

这也解释了我自己为什么会犯错。我写「距离本身就是隔」的时候,觉得这个字收得干脆,是我故意留的。

可我写别的地方,又不自觉地补上一堆双音词。两种毛病同时存在,方向还相反。

· · ·

十、给你一个能用的自查法

不要用脑子里的字表。我试过,那条路走不通,因为人只能想起自己想得到的字。

正确的做法是三步。第一步,把文章切成词。分不清就装一个分词器,jieba 免费,一行命令。

第二步,把长度为 1 的词全部留出来,一个一个看。第三步,对每一个字问两句话。

第一句:这个位置,中国人平时会这么说吗?这一句管对错。

第二句:这么说,是口语还是别扭?这一句管语体。

两句话都过了,就留着。第一句过不了,必须补。第二句觉得别扭,那就别补。

最后留一道保险:文章写完,把所有数字过一遍。年份、次数、条数、比数,前后必须对得上。这一条我吃过亏,写过「两件事」后面讲了三件。

· · ·

十一、表在这儿,拿去用

说到这儿,剩下的就是工具。我把上面查过的东西压成一张表,一共 562 条,分成四档。

必补 226 条,位置受限 212 条,看语体 80 条,别补 44 条。每一条后面都挂着语料里的原句,句子从一千九百万字里原样摘出来,一个字没有改动。

网页版可以直接搜。查「隔」,敲一个字就跳出来,上面的按钮还能按档位筛。改稿的时候开一个在旁边,写完一段搜一遍。

要拿去批量改,下载 CSV,用 Excel 或者 WPS 打开,能够排序,也能够筛选。

用法只有一句话:写完一段,把拿不准的那几个字搜一下,看它站在哪个位置上。

这张表不是拿来看的,是拿来用的。用得多了你会发现,真正要查的字就那么几个,剩下的全是老熟人。

表会漏。你在里面找不到、或者觉得判得不对的,告诉我,我改。上面所有判断都摆着数据,能查,也能推翻。

· · ·

回头看这次做的事情,其实只证明了一件事:语言的规矩不在字典里,在用法里。

字典告诉你一个词是什么意思,不告诉你它站在哪儿合适。要知道这个,只能去看真实的中文怎么写,看几千万字,一个字一个字地数。

数完你会发现,「隔」和「阻隔」都是对的,「懂」和「懂得」也都是对的。错的只有一种情况:把一个字放到了它站不住的位置上。

这个道理说穿了很朴素。字没有好坏,位置有。