关于汉字数字化的几个观点

我小的时候曾热衷于拼音文字，晚年却在搞无字库汉字。写了一些文章，获得一些新认识，今把一些主要观点总结于下：

1、中国汉字是世界上唯一的还在使用的最古老的文字；是维系中华民族的纽带；是最古博精深的中华文化之载体；并形成了大半个亚洲的汉字文化圈。为什么19世纪末到20世纪反被认为是落后的文字呢？持这种观点的还都是中国先进的知识分子。鲁迅甚至说：“汉字不灭，中国必亡”，毛泽东也主张走世界共同的拼音文字道路。我认为其原因是：中国的活字印刷传到西欧后，反使拼音文字如虎添翼，因为它们只要用50－60种铅字，更加方便，很容易地导致了机械打字机的发明，文人的笔耕也机械化了。后来虽然也出现了中文打字机，但要带几千上万的汉字字模，十分笨重，不能用来写作、写信、写便条。现在已由机械化，经过电气化，进入了数字化时代，方块字已可以由50－60种笔画合成，象英文字由字母合成一样。汉字一点也不落后，反而突现它的种种优点和优势：字形易辨，信息量大，阅读快；词语短，组词方便，简称歧义少；能开发右脑，提高智商，思维快；超方言，通古今，现代使用则3000－5000个汉字就够了。但是现在的电脑，虽然都能处理汉字，都离不开庞大的汉字库，都是西文电脑，最后离不了英文。除不利于普及外，老外还有可能在英文软硬件中埋下窃听程序，不安全。我们应研制以汉字为第一语言的自己的真正的汉字电脑。

2、一方面是汉字落后论，另一方面是英文在世界上日益普及的现状，产生了世界文字向拼音化发展的理论。它认为：文字起源于图画，经过象形文字——表意文字——表音文字，最后达到最高级的拼音文字，而字形则由复杂走向简单。由于语言在先，文字在后，文字能记录语言，所以还有一个理论说：文字仅仅是为了记录语言的。于是不能按语言词序记录的文字，就是原始的文字。这句话本身就是矛盾的：文字的目的就是为了记录语言，怎么又有不能忠实地记录语言的原始文字呢？事实上，语言和文字是两套不同的符号系统，除作为人类交流信息的工具外，更重要的是作为人类思维的工具。在发明录音机之前，只有文字能记录语言。在纸和印刷术发明之前，文字的交流作用不能充分发挥，才突别显现其记录语言之职能。从聋哑人社会（据报道还有不会说话的人种）没有语言而可以使用文字，以及文字中的图表、公式，能大大促进人类思维而不易用语言表达的情况来看，文字决不是从属于语言的。最早的文字也不可能是图画。在能画图之前，人类只能作出简单的刻划符号，他们应该代表当时少量的音节，而不可能图示万千复杂的事物。文字之前还有结绳记事，它不可能是什么“大事大其结，小事小其结”所能说明的。近来在南美发现的结绳，主绳上连许多分支，分支的一定位置上打结，俨然构成一个二进制系统。这种结绳不可能像形、指物，只能记录不同的音节，所以文字应该由表音开始。另外，英文的扩张是由过去的军事、经济推动的，论表音它不是最好的表音文字，还要用国际音标注音，怎么能说拼音文字是发展方向呢？

3、感中文打字机的不便，引发汉字落后论，叹英文的扩张，误以为由于汉字难学而不能走向世界。上世纪三十年代就进行过拼音扫盲的试验，说成人学一个月就可以写信了。拼音字母虽然只有30－50个，但拼音的技能也不容易掌握，中国人常难拼准自己的发音。因为汉语只有400来个音节，不如直接学会400个简单汉字，用白字来代写，不是也可在一个月内学会写信吗？所以试验结论，看起来是带有偏见的。拼音文字推广了近百年，最后还是失败了。大家把原因归罪于汉字的同音字太多。于是近来又在设计新方案，加上各种标调的方法，增加部首、义项或叫什么基因的用来分化、鉴别同音字的符号。我不知道新仓颉们造的新字有多少种，可能与输入法的万码奔腾局面差不多吧。人人都指望被国家选中，加以推广。殊不知，语言文字是约定俗成的，不是少数几个人创造的，也不是权力、武力能强制推广和消灭的。秦王统一文字，解放后推广第一批简化汉字，行政权力是起了重大作用，但基本上是规范已有文字，而不是推广新文字。一些少数民族是推广了新设计的文字，那里是人口不多和原本没有文字。人口愈多，惯性愈大；使用愈久，载负文化成果愈多，冲力就愈大；想用拼音文字取代汉字，比螳臂挡车还难。武则天造的字，第二批简化字都不能被接受，用种种千奇百怪的新字代替汉字能成功吗？自信是优秀的方案，也应该想法子，逐步（可能每次一小批字或在小群体中）投入实际使用中，经过考验、修正，才能指望成功。文字要应付种种可能性，比软件会遇到的各种可能性要复杂得多。软件设计者无论如何也不可能考虑到所有可能性，所以要进行试验、试用，新文字不经试验使用，怎么能够满足实用的需求？

4、当前数字社会中汉字是还存在种种问题；乱码；缺字；不能科学地排序、难于搜索；万码奔腾，却常不能输入一个冷僻字……人们还没有认识到问题根源，难以克服，这成了文改派要求拉丁化的主要理由。实际上根源很简单：是当初错误地选择了汉字本身作为编码对象：给每个汉字规定一个内码（信息交换码）。要对文字进行数字化，必须对它的某个集合进行编码。任何数字通信，包括个人一对一的或小集团内部的密码通讯，首先要选定一个元素固定、有限的讯号源集合，作为编码对象。文字是公开的，最大众化的讯号，更必须如此。现阶段规定信息交换码时，没有应用信息论原理，引用信息论熵公式计算文字熵没有实际意义。汉字熵比英文熵大，不是好事，也不是问题的本质。如果计算英文词的熵，它同汉字熵一样大或更大，所以不作为编码对象。汉字集元素无定数，不稳定，当然也不能作为规定交换码的对象。另外，它是个大集，人为地限定汉字数目，也是成千上万，记不住，也难编研出无重码的输入法。而且限定汉字数，就使汉字僵化，不能发展。当前光怪陆离的网络词语，主要就是由僵化的“字库加编码”方式逼出来的，否则他们应该是纯正的新汉字或新词语。造成上述错误，有其历史原因及技术原因。我们是参照了中文打字机，看到汉字和英文字母同样有铅字字模，就被看作是同类事物。实际上，在信息化时他们根本不是同类的。只有英文字母集，元素少（52个），已稳定，才可作为编码对象。与字母同类的应是汉字笔画。但当时的软硬件技术还不能做到笔画组字。现在可以解决此困难，应该着手纠正这一错误，否则总有一天要触发“定量炸弹”：汉字编码集一有变化，过去数字化劳动的成果，会像世贸大厦一样被炸毁了。

5、文字应定义为“人类用改变物质载体状态的办法来记录的信息”。这个定义既包括了纸张上的文字，也包括了过去的结绳文字，及现在电脑中的文字。因此，文字形态必受物质载体和所使用工具（笔）的影响。两河流域的泥板上只能是丁头字；黄河流域的甲骨及竹简上，刻的字较长，后来压缩成方形，横笔就比竖笔多；轻贱的纸和文字的普及，促成了隶变；等等。但有一个疑问，曾在网上提出讨论，仍无结果：西欧17－18世纪还用羽毛笔，不容易画圆弧，但字母中有半数带有圆弧；中国两千多年前就用毛笔，画圆弧很容易，为什么最后在隶、楷、宋体中都没有圆弧，连点和弯钩都不是圆的。

电脑内存、磁盘、光盘中的文字，是人类不能直接感知的数码（编码），它必须还原成视觉符号才被人类识别和思考，虽然将来由电脑自己识别和思考时，不需要这个还原的步骤。上面说过，这些编码的原象是印刷时代的铅字。这对拼音文字是合适的，但对汉字型文字是错误的，因为被编码的信号源元素无定数。处理一种拼音文字，因为字母少而定数，只要一个字节的编码就可以了。但在互联网世界，要容许同时使用万国文字。即使一种拼音文字字母不多，但要容纳所有拼音文字，一个字节肯定不够。而且文字种数未定，字母表也不会都相同，包容一切拼音文字字母的符号集必很大且非定数，再加上所有汉字型字苻，就更繁杂了。现在准备用的解决办法是，扩大编码空间，一个字符用4个字节，可容纳40亿（256的4次方）字符。各国正在像抢注域名一样，抢占属于本国文字的编码空间。从中国汉字的“字库加编码”方式存在问题的经验来看，这条道路也是走不通的。主要问题不在于编码空间不够，而是字符根本没法收全。在手写时代，只要纸和笔，可以随意写出任何字形。机械印刷时代，就只能使用制造了铅字的文字。相信有不少文字还没有来得及进入铅字库。电脑技术应该能取消这个字库的限制，又可以写出任何字形。我在最繁杂的汉字世界里试验，只要用50个笔画，就已经组出2万汉字，一定也可以组出10万以上的汉字。拉丁字母应该可以只用横、竖、左斜、右斜、点及圆弧等几个笔画组出，其他字母文字也应该可由少量、可能是有点特色的笔画组出。再深入研究，所有文字可能只要由更少的元笔画组出。研究现有的部分文字，得出规律，使它适应于处理古往今来的所有文字，一定程度上也就能适应不远将来之需要，这才是正确的方向。

2004.5.18

陕西省气象局张时钊邮编：710015

网站：汉字电脑研究所；汉字电脑与气象历

网址：www.chancezoo.net （或com）

电子信箱：postmaster@chancezoo.net；mzsgls@pub.xaonline.com