单词将它们所指的语义字段分类，以最大程度地提高通信准确性，同时又将复杂性降到最低。最近的研究表明，人类语言在准确性和复杂性之间达到了最佳平衡。例如，许多语言都有一个表示红色的词，但是没有一种语言有单独的词来区分十种不同的颜色。这些额外的单词会使词汇复杂化，并且很少用于实现精确的交流。

3月23日发表在《美国国家科学院院刊》上的一项研究分析了人工神经网络如何发展自发系统来命名颜色。UPF翻译和语言科学系(DTCL)的ICREA研究教授Marco Baroni与Facebook AI Research(法国)的成员进行了一项研究。

对于这项研究，研究人员组成了两个人工神经网络，并分别用两种通用深度学习方法进行了训练。正如Baroni解释的那样：“我们让网络玩了一种色彩命名游戏，其中他们必须就连续色彩空间中的色彩芯片进行交流。我们并没有限制它们可以使用的“语言”，但是，当他们学会玩游戏时，就可以使用这些语言。游戏成功完成后，我们观察到这些人工神经网络自发产生的颜色命名术语。”

研究人员发现，新兴的颜色词正好有优化复杂性/的相同属性精度权衡中发现的人类语言。此外，只有在系统通过离散通道进行通信时才能保持此结果：当允许系统使用连续信号(例如口哨声或非语言手势)时，其语言将失去效率。

从认知科学的角度来看，结果表明，复杂性和准确性之间的最佳权衡可能是离散通信系统中出现的一种普遍特性，与人类生物学的特定特征无关。Baroni补充说：“结果表明，现代AI系统自然会采取与人类相似的行为，但这令人惊讶。”

这表明自然语言中颜色​​(以及可能的其他语义域)的有效分类不依赖于特定的人类生物学约束，而是离散通信系统的一般属性。