当一个大模型能在一秒钟内解释任何词义时，我们还需要词典吗？这个问题看似简单，却触及了词典存在的根本理由。本文提出“活字典”的概念：在AI语境下，词典不应是书架上静止的成品，而应是一个持续生长、能被检索、能被追问，也能被引用的知识系统。文章从规范与描写两种传统出发，梳理AI词典的结构要素、功能形态与可信度设计，并结合千今词典的实践，探讨词典从“产品”走向“服务”的可能路径。
一、为什么还要词典：大模型时代的“确定性”缺口
先承认一个事实：日常查词的需求，已经很大程度上被大模型接管了。想知道“酬酢”是什么意思、“提示词”从哪来，直接问一句，几秒钟就能得到一段通顺的解释。既然如此，词典凭什么继续存在？
答案在于，即时回答解决的是“够用”，而不是“确定”。大模型的回答至少有三个难以回避的缺口：
口径漂移
同一个问题在不同时间、不同措辞下，模型给出的解释可能并不一致。对日常对话无妨，对需要反复核对语义的写作、翻译、教学则不够可靠。
不可溯源
模型给出的解释通常不附出处。它可能正确，也可能是在“合理地编造”（幻觉），而使用者很难就地判断。
不可引用
对话是一次性的。你无法像引用一条词条那样，为某次回答指定一个稳定的身份、版本与出处。知识没有被“落账”。
由此可以给出一个并不对立的判断：AI 擅长“回答”，词典擅长“确定”。两者不是替代关系，而是互补关系。这也正是“活字典”的出发点——让词典吸收 AI 的能力，同时守住词典最核心的价值：可核查。
二、从“书”到“系统”：活字典的三个特征
传统词典是一个成品：编纂数年，出版一次，修订以版次计。活字典则更像一个系统，它有三个可以被清楚界定的特征。
2.1 生长性
词条可以随时新增、修订、拆分、合并。新词出现即收录，义项演变即补充，错误被发现即更正。修订不再是“下一版”的事，而是日常动作。语言本身是活的，词典的记录方式理应跟上它的节奏。
2.2 对话性
既可以“查”，也可以“问”。前者是检索：输入词，得到释义；后者是追问：用自然语言提问，得到有出处的回答。词典从一件读物，变成一个可以被对话的界面。
2.3 可引用性
每个词条拥有稳定的身份标识，可以标注出处、修订时间与成熟度。别人引用它时，指向的是一个确定的记录，而不是一段随时会被重新生成的文字。这是词典区别于普通问答的根本。
一句话概括：活字典让词典从“产品”变成“服务”，从书架上的一本书，变成随时可取用、可回溯的语言基础设施。
三、两种传统与第三条路：规范、描写与活体描写
理解活字典，需要回到词典学的两种传统。
规范型词典（prescriptive）确立标准，服务于教学、公文与公共表达。中文世界里，《现代汉语词典》是这种取向的代表：它给出的是“应当怎么写、怎么说”。
描写型词典（descriptive）则记录语言的实际用法与历史演变，不轻易裁决对错。《牛津英语词典》（OED）以历史主义原则立身，为每个词给出历时的书证，让词义的变化过程本身成为内容。
互联网又带来了第三种生产方式的雏形：众包描写。以 Urban Dictionary 为代表的平台，展示了语言使用者如何自下而上地生产释义。它极其贴近语言的实时状态，却普遍缺少把关与来源核查。
活字典要走的，是值得称之为“第三条路”的活体描写：以数据和众包提供语言的鲜活样本，以编辑与流程守住确定性的门槛。AI 在这里恰好可以充当两种力量之间的中介——它擅长在海量语料中发现模式、生成初稿、比对异同，但它的产出必须经过核查，才可以进入定稿层。
四、一个词条应该包含什么：结构设计
无论技术如何变化，词典的基本单位仍是词条。一个面向AI语境的完整词条，至少应包含以下层次：
词形与读音
词条的正体、异体与缩写形式，拼音或注音，词性标注。对缩写词（如 AI、SI）尤其要处理全称与简称的对应关系。
义项分层
本义、引申义与当代用法分层列出，避免把不同年代的用法挤进同一句话里。义项之间最好能标出演变关系。
语源与演变
来源、首次使用、词形与词义的演变脉络。这是“确定”最有价值的部分，也是纯对话式回答最难稳定提供的部分。
用例与出处
典型用例应尽量标注来源。例句不是装饰，而是释义的证据。
用法与语体
搭配习惯、语体色彩（书面、口语、网络、专业），帮助使用者判断“这个词能不能用在这里”。
时代标签与生命周期
标注一个词是新词、稳定词还是正在退潮的词。词有生命周期，词典应当记录它此刻所处的位置，而不是笼统归档。
关联网络
近义、反义、同源与高频共现词。词从不孤立存在，关联本身就是释义的一部分。
元数据
来源、成熟度、最后修订时间。这是词条“可核查”的技术底座，也是活字典与普通词库的分水岭。
五、AI 给词典加上的新能力
下面这些能力，都是近年技术积累自然生长出的，而非凭空设想。它们的共同目标只有一个：让查词这件事，更接近“确定”。
5.1 语义检索：按意思找词
传统检索依赖关键词匹配，你得先知道词，才能查到词。语义检索把词映射到向量空间中，让意思相近的词彼此靠近。2013年的 Word2Vec 让“词向量”成为常识，2018年的 BERT 让上下文相关的表示成为主流。结果是：你可以描述一个模糊的意思，让系统把可能对应的词找出来。
5.2 按需释义
同一条词条，面向孩子、面向专业读者、面向文学爱好者，合适的写法并不相同。AI 可以基于同一份定稿释义，生成不同深度的表达，而核心事实仍来自权威层。
5.3 对比释义
近义词的差别，往往是语言学习中最难的部分。AI 可以并置两三个近义词，从语体、搭配与感情色彩上给出对照，帮助使用者选出更准确的那一个。
5.4 时代曲线
基于公开语料，可以让一个词的使用频率随时间变化以曲线呈现，直观看到它是何时兴起、何时退潮。词的兴衰本身就是一段可读的历史。
5.5 跨语言对照
对外来词与缩写词，中外译名、全称简称、使用语境的并置尤其有价值。这类词往往是理解一个领域的入口。
5.6 问答式查阅：从“查词”到“问词”
词典不再要求你精确输入词形。你可以问“这个词和那个词有什么区别”“它在什么场合不合适”。回答仍可回溯到词条，兼顾便利与确定。
5.7 众包、审核与 AI 辅助的闭环
使用者提交新词与用例，AI 负责初筛与生成初稿，编辑负责审核与定稿。三者形成闭环，既保留了众包的鲜活，也保留了编辑的门槛。
需要警惕的是：这些能力的价值，都应体现在“更确定”，而不是“更热闹”。如果一条释义无法被核查，它再华丽也不该进入定稿层。
六、可信度设计：别让活字典变成“幻觉词典”
“活”是一把双刃剑。更新越快，越容易被不该信的内容污染。因此，可信度设计不是附加项，而是活字典的第一原则。
- 来源标注：每条释义尽量可回溯到具体来源，而不是无出处的转述。
- 成熟度分级：用状态区分词条的可靠程度，让“刚收录”和“已定稿”在视觉与语义上就能分辨。
- AI 内容与人工定稿分离：AI 生成的解读必须明确标注、仅供参考，并且可以被重新生成，不能混入定稿释义。
- 稳定标识与引文格式：每个词条有唯一身份，方便引用与继承，避免“引用了一段再也找不回来的文字”。
- 版权与伦理红线：不收录受版权保护的现代短文与歌词原文；古典引用注明出处；对争议性词汇保持中立。
说到底，活字典的底线只有一句话：活，但不能乱。
七、案例：千今词典的实践
上述设想并非纸上谈兵。作为一次具体尝试，千今词典在若干设计上给出了可参照的答案。
起因很具体：AI 领域的英文词汇与缩写大量涌入，普通读者往往一头雾水。与其零散地解释，不如按通用词典的方式，搭建一部可检索、可对照、可作为阅读辅助的 AI 词典。
收录标准采用五维评估：文学性、音乐性、艺术性、科学性、时代感，五者并重，兼顾语言之美与概念的准确。
用成熟度分级管理可信度：新词条默认草录（DRAFT），审核后进入考证中（VERIFYING），考证完成标记为定稿（FINALIZED），经时间检验者可升为经典（CLASSIC）。与之配套的是“推敲考正”四步法，把“能不能信”变成流程问题而非个人判断问题。
AI 辅助考证：调用模型生成深度解读，覆盖现代含义、构词分析、使用场景与古今关联等维度，解读内容缓存并可重新生成，同时明确标注为 AI 生成、仅供参考，不替代定稿释义。
这些设计背后的体会是朴素的一句：词典的价值不在词条数量，而在可核查的确定。
八、结语：词典是语言的基础设施
人类一直在为语言建立坐标系：从结绳记事，到韵书、字书，再到今天的检索系统。词典从来不只是工具，它是一个文明为语言建立索引的方式。
在AI时代，这个坐标系正在改变形态。词典的角色，从一部权威文本，转向一种可调用的语言基础设施：它可以被问，可以被引用，也可以被继承。它不再宣判语言的对错，而是为语言的变化提供可靠的记录。
如果说传统的词典是一张拍好的照片，那么活字典是一段持续更新的影像。它坦然承认语言的流动，也为这份流动留下可回溯的底稿。
千今词的立场始终没有变——千今何为典，万物皆可词。每一个词，都是时代的印记；每一次推敲，都是对语言的敬意。
参考与延伸阅读
- 《牛津英语词典》（Oxford English Dictionary），历史主义编纂原则
- 中国社会科学院语言研究所词典编辑室编：《现代汉语词典》，商务印书馆
- Mikolov, T. et al. "Efficient Estimation of Word Representations in Vector Space" (2013)
- Devlin, J. et al. "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding" (2018)
- Brown, T. et al. "Language Models are Few-Shot Learners" (2020)
- Lewis, P. et al. "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (2020)