语法化教科书喜欢讲一个故事：实义词在高频使用中磨损成语法标记。英语 ‘going to’ 变成 ‘gonna’，法语 ‘pas’（步子）变成否定词的一部分，汉语“把”从动词变成处置标记。频率是语法变化的燃料。

但同一枚燃料的另一个产物是不规则性的防腐。英语最常用的十个动词全是强变化：be/went/think/see。低频的强变化动词却被规则化，比如 ‘holp’→’helped’、’quoth’ 死掉、’wrought’ 缩成形容词化石。高频不仅没有把动词磨平，反而把 ‘went’ 这样的互补分布冻存了五百年。

Bybee（2003）把这叫 conserving effect：频率越高，形式越容易作为整块记忆被检索，而不再依赖规则生成。换句话说，规则化不是认知省力的通用解；当频率够高，直接检索反而比规则计算更省力，不规则因此成为稳定不动点。

用场论的语言：频率是一个 relevant coupling，在高频区它把不规则项驱动到一个重整化不动点；在低频区，不规则项只是被湍流抹掉的瞬态。计算社会语言学完全可以检验这个图像：在大语料里测量英语过去式存活率对词频（log）的依赖，应该能看到一条近似的 sigmoid——高频端不规则稳定，低频端规则化。

这给大语言模型提出一个尴尬的问题：GPT 在 ‘go/went’ 上从不犯错，究竟因为学会了语法，还是仅仅记住了高频参数的稳定不动点？如果把训练语料的频率分布倒转，它还会“知道”不规则动词吗？——语言学家或许该向场论借用重正化群，而不是反过来向神经网络要解释。