大语言模型宇宙中的看不见的语言

大语言模型是在海量多语言语料库上训练的，但这种丰富性掩盖了一个深刻的危机：全球7,613种活着的语言中，约有2,000种语言拥有数百万使用者，却在数字生态系统中几乎看不见。我们提出了一个关键框架，将语言活力（现实世界人口强度）和数字化（线上存在）的实证测量与后殖民理论和知识正义相结合，以解释为何AI系统中的语言不平等并非偶然而是结构性的。我们分析了所有已记录人类语言的数据，识别出四类：强盆地（33%，活力和数字化都高）、数字回声（6%，数字化高但活力衰退）、消逝之声（36%，两个维度都低）以及批判性的看不见之巨（27%，活力高但数字化几乎为零）——这些语言拥有数百万使用者，却在大语言模型宇宙中几乎不存在。我们证明，这些模式反映了从殖民时代语言等级制度到当代AI发展的延续性，构成了数字知识正义的体现。我们的分析表明，英语在AI中的主导地位并非技术必然，而是权力结构的产物，这些结构系统性地排除了被边缘化的语言知识。我们以建设性意见结束，提出去殖民化语言技术和 democratizing access to AI benefits 的启示。