如果艺术史的中心任务是研究视觉图像，那么“文字与图像”的问题主要关注的就是视觉再现与语言之间的关系。更宽泛地说，“文字与图像”表明了艺术史和文学史、文本研究、语言学以及其它所有涉及语词表达的学科之间的关系。甚至更概括地说，“文字与图像”是一种关乎人类再现、呈现和象征之经验的基本分类的简单命名。我们把这种区分称作可见与可言、陈列与叙述、展示与解释之间的关系。
试想你目前正在阅读的文字，它们是（人们希望）可以理解的语言符号。你可以大声地朗诵它们，把它们翻译成另一种语言，口译或意译它们。同时，它们也是书页上可见的标记，或者（假如大声朗诵的话）空间中可闻的声音。你可以将其看作白底黑字，它们有着特定的形状、尺寸大小和位置；你可以在一个相对安静的背景中听到它们的声音。简而言之，它们对你的眼和耳呈现出了双重面貌：一面是语言中的声音符号，另一面是视觉形式和听觉完形，即光学和声学图像。通常我们只看到了一面而忽视了另一面。我们往往不会过多地关注文本的印刷格式或图形；我们也没有倾听语词之声音的习惯，而偏爱聚精会神地去捕捉文字所表达的意义。不过，我们仍然有可能转移自己的注意力，使白底黑字成为视觉和听觉的中心对象，就像在这个自我指示的例子里。我们之所以能够转换注意力，是因为受到了凸现文字声音的诗学和修辞学语言运用，或受到凸现文字视觉形态的艺术和装饰化的书写形式（如泥金手稿，书法）的激励。但是，“从文字到图像”的转换的可能性依然存在，甚至最简约、朴素的文字语言形式也是如此。
一个类似的可能存在于视觉图像中，在阐释和描述图画的过程中，甚至在辨知画面再现之物的基本过程中，语言也进入了视觉领域。确实，所谓的对于世界的“自然”的视觉经验，迥异于对图像的观看，颇似一种语言。哲学家乔治·伯克莱（1709）认为，人的观察是一种“视觉语言”，即一种关涉视觉和触感之协调的复杂的、习得的技艺。当代神经生理学家奥利佛·萨克斯（1993）等人证实了伯克莱的学说，他们指出：在失明了一段时间以后，人必得重新学习观看的认知技能，甚至当眼睛的物理结构被彻底修复如初时亦是如此。作为一个实践问题，对视觉图像所再现之物的认知，甚至于对何物为图像的辨知，似乎是使用语言的动物才具备的潜力。著名的鸭-兔图像游戏说明了在对视觉形象的感知过程中，文字与图像之间密切而复杂的相互影响。只要我们能够协调图画和文字、视觉经验与语言之间的关系，这个图像就完全可能同时被看成鸭子和兔子，两种形象不停地进行着转换（维特根斯坦，1953）。
“文字与图像”已成为现代艺术史的热门话题，主要是因为那常被看作是文学理论对视觉艺术的入侵。人们发现，诸如诺曼·布列逊、米克·巴尔、迈克尔·弗雷德、温迪·斯坦纳等学者（包括我自己在内），穿越文学领域的边界而进入到艺术史领域，这些学者带来了原本为文本研究而发展起来的方法和术语，如符号学、结构语言学、语法学、话语分析学、言语-行为学、修辞学和叙事学（这里仅举几个例子）。
艺术史的卫护者们何其警觉地维持着自己所开拓的领域不被文学帝国主义所殖民，这一点也不足令人诧异。就连托马斯·克罗这位极富勇气、博学多闻的艺术史家，当他看到学者们纷纷从“文本研究的学科”转向视觉艺术研究时，也遵从于防御式的“艺术史家的反射”（克罗，1994，83）。虑及我们在对文本和图画这组范例的观察中揭示了文字和图像二者之间的亲密关系，这种防御也许看起来就很奇怪了；倘若我们考虑到艾尔文·潘诺夫斯基等伟大的艺术史家们对语言学和文学的强烈兴趣，这样的防御就显得更奇怪了。潘诺夫斯基图像分析科学的名称“图像学”即包含了图像（符号）和文字（观念）的缝合。毕竟，如果我们不去尝试寻找恰当的语词来说明、解释、描述和评价视觉图像，哪里会有什么艺术史呢？
艺术史旨在成为一门批评学科，一门对自身前提和实践进行反思的学科，就此而论，它不应将其实践必备的文字当作为视觉图像服务的工具而已，也不应将图像视为文本解码磨坊里待磨的谷类。它必须要思考语言和视觉再现的关系，并把“文字和图像”的问题作为其自我领悟的核心特色。此问题的范围关涉“文本”与“视觉”学科的边界，它应当成为研究和分析，合作和对话的学科，而不应持防守反射姿态。
然而，有一种艺术史防御方式是有道理的，即对那种认为观看和视觉图像可以被完全简化成语言的论调的抵制。在当代艺术史中，更令人郁闷的现象之一，就是草率地确定一些重要的术语（话语，文本原义，指号过程，记忆中的文化），这可能会解释视觉经验和表征的秘奥，并消弭文字和图像之间的界线。于是，当怀着对这种区别的景仰之心时，维护甚至捍卫两者之间的边界就成了一项有益的事业。G.E.莱辛对此反复强调：
绘画和诗歌就像是两个平等而友善的好邻居，他们彼此都不被容许在对方的领地之中放任不合宜的自由，而是在双方疆域的边界上和平共处。当他们出现一点小小的摩擦时，也会及时地采取和平的解决方式，这会促使双方很快地站在对方立场上来考虑问题。
文字和图像这两个领域就像是操着不同语言的两个国家，它们在漫长的历史中进行着相互交融、文化交流等各种形式的交往。文字和图像的关系并不是消弭两者之间的既定边界或维持两者之间的固定边界的一种重要方法；它是对一个问题的指称，以及对一种不确定性的指称，这种不确定性即是对视觉机制（视觉艺术，视觉传媒，布展和观展的行为）与语言机制（文学，语言，话语，听、说、读、写的行为）之间不规范、不协调、不固定的边界的描述。
文字和图像之间的这种关系，是艺术研究以及修辞、传播和人类主观性理论中的一个非常古老的问题。在艺术中，诗歌与绘画的比较、文学与视觉艺术的比较，自古以来就是东西方美学的一个永恒话题。古罗马诗人贺拉斯有言，“画既如此，诗亦相同［”ut pictura poesis］，这已成为西方绘画中一个永久传统的基础，并且自那时起被用作文字和图像这对“姊妹艺术”的重要的比较标准。亚里士多德的戏剧理论包括了对悲剧中对白［lexis］和布景［opsis］的相对重要性的判断和厘定。修辞理论往往要诉诸文字/图像的关联模型，才能定义理由和证明、规则和范例、语词［verbum］和物质［res］之间的关系。有效的修辞被明确地定义为语言/视觉的双重说服策略，即演示的同时亦在表述，用典型的例子来形象地阐明其主张。使听众明白，而不仅仅听见讲演者的观点。古典的记忆理论通常把它描述为协调语词顺序与视觉场景和图像结构的技艺，好像人的头脑就是一块雕刻着文字和图像的蜡碑，或者一个堆满雕像、绘画和碑铭的庙宇或博物馆。
当代文化使得文字和图像之间的互动更为易变，更为复杂，也更为普遍。不论别的电影样式会如何变化，它们都是视觉形象和言语、画面和声音，以及（特别是在默片时代）图像和剧本的复杂合成。我们在鸭子-兔子的范例中所看到的视觉和言辞本身的形变，在数码控制的电子图像中成倍地增加。“计算机图像处理”可以从一系列种族和性别样式的影像资料中，迅速地扫描出迈克尔·杰克逊或吉列剃须膏的广告。任何一个玩着芝麻街字母游戏长大的孩子，都会知道字母是可见的符号，文字可以转换成图像然后可以再变回来，只需要一个“沉默的E”就行了。如果古代的记忆体系是一块刻图的蜡碑和堆满艺术品的庙宇，那么现代记忆技能就是在一个虚拟的电子空间里调谐数字信息和模拟信息，使图像和文字互相转化。正如格林伯格所指出的，虽然20世纪现代主义艺术的主要目的是探究语言媒介和视觉媒介的差异性，希图找寻一种纯粹视觉之绘画和一种纯粹言辞之诗歌，但是大众文化层面已几乎被庸俗美学所占据，它们随心所欲地侵入和损害着媒介。究竟是人类大脑构成的哪些因素，使得文字与图像间的相互影响看起来颇类似于普遍的文化模式，而与无穷的历史性和地域性的波动毫不相关？一是可以诉诸于人类的脑半球构造，它可以分为视觉的、空间的、直觉功能的区域，以及语言的、逻辑推理功能的区域；二是可以采取精神分析的方法来描述人的不断提升的主体性构成，从幼年时的意象性的“镜像时期”一直到成年时的象征性的、语言建构的自我；三是可以利用神学的解释，通过文字和图像来再现上帝创造人类的过程。上帝用取自地上的黏土塑造了亚当和夏娃，并且在他们脸上吹了一口气，使其不再仅仅是上帝的“图像”，而是可以言说文字的活生生的人。在我看来，这与其说是对文字/图像之关联的解释，还不如说是这种现象的极其普遍的神话示例。它是一种基本的文化描述，把文字和图像的分类转换成类似遵从于无限变化、历史变革和地理变迁的戏剧角色的东西。诸如此类的叙述使得文字和图像之间的关系不再仅仅是辨别各种不同符号的学术问题，而将其与深刻的价值、意趣和权力机制联系起来。然而，在我们对这些更宽泛的问题作进一步的探究之前，我们最好是先去分析一下这样的问题：文字与图像间的关联是怎样的，这种关联通常是被如何定义的，它为何在艺术、媒介和意识的讨论中如此活跃而又极难把握。
文字/图像之间的关联蕴涵着许多活力和趣味，这主要是因为它的简约和朴实极易被人误解。还有什么比阐明画中之树与文中之树的区别更简单的问题呢？
作为一个实践问题，我们可以毫不费力地指出何为文字，何为图像。而当我们试图去解释两者间的区别，并准确地阐明它们之所以一为文字、一为图像的各自的特色时，问题便产生了。一个通常的解释需要将差异建构在适合两种符号形式的知觉“通道”上。文字是一种语音符号，它需要被大声地朗诵或低声默读，并“听起来”像声学的结果；而图像则是一种视觉符号，它代表了对象的视觉显现。文字和图像之间的区别其实就是听与看、言说和描绘的区别。
这种差异的明显程度决不会比第一印象来得可靠和确定，毕竟我们看到了书面的文字“树”，它使我们联想到“树”类的符号象征对象，这与图像所指示的类别一致。而我们是否明白地“看见”了图像所表征的“树”，却仍然是不完全确定的。我们会很容易地把这些标志看成别的东西，比如一株慈姑或一个指示方向的箭头。要把这个标志看作树的图像，就意味着给它指定了标签，并将其命名为树。试想，如果我们是在史前山洞壁画或象形文字的碑刻上看到这些图像，我们也许就会揭示一系列象征符号的内涵：一个看起来像树的图像可以使人联想到一片森林，或某些相关的概念如生长和生产；一个看起来像箭头的图像就会使人联想到战争或狩猎，或者武士和猎手。图像甚至会失却与树的视觉外形的所有关联，而仅仅成为一个语音符号，来指明音节单位“树”。在这一点上，图像很自然地进入了语言的范畴，以至成为语音书写系统的一部分。这并不意味着文字与图像之间就没有区别了，而只是这种区别不能简单归因于观看和倾听之间的区别。我们能够观看文字和倾听图像；我们能够阅读画面和浏览文本的视觉外观。文字与图像的差别已经超越了视觉经验和听觉经验的差别。
似乎文字与图像的差别并非是要成为我们的感官装置的组成部分，或者存在于各种象征形式中，而必须与协调符号及其所代表之物的方法相联系。我们可以这么说，图像就是表示相似或相仿的特性：树的图像看起来就像一棵树。与之相比，文字则是凭习惯和风俗来表示，是一种武断的符号。这是关于文字与图像之间差异的最不朽的真理之一，它早在柏拉图的《克拉底鲁篇》中就已出现，并在此后漫长的象征理论发展史中被不断重复。此外，它还有着另一种作用，即可以解释为何图像并非必须是可见的，以及为何会有与图像完全一样的东西。相似性是一种非常普遍的关联，它可以在一切感性知觉的系统中起作用，并可以和所有的感性经验相联系。
其实问题在于，相似性普遍地应用于从视觉图像中抽取出特殊性，不仅非常适宜，而且极其有效。一颗树也许很像另外一颗树，但并不意味着一棵树就是另外一棵树的图像。很多事物之间都非常相似，但并不等于需要彼此作为对方的图像。也许，相似性是成为图像的必备的前提条件，当然这还不够，它还需要其它一些条件：图像必须表示或象征了它所代表的意义。此外，还有一个问题就是，许多图像除了像它们自己以外，几乎什么也不像。很多我们所称的视觉图像（装饰物品的形式图样，抽象绘画中形状与颜色的布局），却并不像我们视觉领域里那些彼此非常相似的东西。
此外，那种认为图像是某些东西的复制品，以及它们表示的是相似性的理论，有两点不足：一方面，它不能解释那些不相似于或不代表任何东西的图像的存在；另一方面，它只是为那些相似于和代表了某些东西的图像提供了必需的但并不充分的条件。在这个时候，似乎要让图像再度起作用，就必须使其与语言领域相联系，并借助习惯和风俗的手段。树的图像表示树，不只是因为它相似于树，而更是因为社会的约定俗成和习惯传统使然。于是，我们会自然地把这个符号“读”作树，而不相似于和不代表任何东西的抽象的或装饰的图像则被看作单纯的图像。这是因为，它是在社会习俗环境中才能运作的图像。在此意义上，图像已不再是一种表征，而是一种典型的样本，它成了一种有意味的视觉形式，即便它不代表任何东西。
直截了当地讲，文字与图像的实际差别要比我们对它的第一印象来得更为复杂。事实上，这种情况有可能变得非常地自相矛盾。我们开始往往很明白两者之间的差别，但当我们愈是要给这种差别作理论化的解释时，那解释就变得愈不可靠。眼睛和耳朵的感官分区既维持着文字和图像之间的边界，又试图超越它，尤其是在书写或“可视语言”中。当我们反复审视着习俗性符号和相似性符号时，两者之间的符号差别就可得以澄明。语词（如“嘎嘎”，即鸭鸣）可以相似于其所代表的东西；而图像牵涉了诸多的习俗，如没有习俗的隐喻，它就无法存在，而图像本身则不需要代表任何东西。
于我来说，要去发现关乎文字与图像之差别的严谨而明确的根据，是超出我的能力范围的。当然，这并不意味两者之间的一切现实的差别都无法被认识，也不意味着相似性/习俗性，视觉/听觉的分区是毫不相关的。它所暗示的是，文字与图像的差别不太可能通过任何单一的概念术语或固定的二元对立模式就可以明确地固定下来。“文字和图像”似乎作为一种辨证的隐喻，才更容易被理解。它是包含了一系列关联性和差异性的隐喻或象征的集合，并存在于美学、符号学、知觉描述、认识、交流以及媒介分析等领域（这是一种鲜明的“复合”形式，混合了文字和图像的超文本）。它是一种辨证的隐喻，因为它排斥二元对立的平衡，而在两种不同的观念层面上来回摆动，在矛盾性与同一性、差异与单调之间往复穿梭。我们也许可以通过概括而得出肯定的结论，用一组全新的符号“相对/相比”来联结文字与图像之间的关系：“文字相对于图像”表明两者之间的张力、区别、对立；而“文字相比于图像”则表明两者之间的趋同、互容、转换。包括差异性和类似性在内的一切关联，都必须被同时放在相对/相比的情境下进行考量，这是为了能够抓住这组关系的殊相。
如果我们要继续探究文字和图像间差异的要义，就必须进一步深入分析视觉/听觉与相似/习俗之间的差别，将其与莱辛那段经典论断相联系，即时间艺术和空间艺术的分类（图像在空间中被观看，文字在时间里被阅读），这为我们的研究提供了基本的原则。我们也可以采代写论文用纳尔逊·古德曼对“集中式”和“区分式”符号的辨别法。图像被当作集中的、类似的象征来理解，大量的视觉外观的特色于是就具有了重要意义；而文字则被当作区分的、数字的象征来解释，只要那些最简单的、极清晰的特性一经显现，许多视觉/听觉的特色就由此被忽略了（古德曼，1976）。外形相似和随意指称的二元对立因第三种术语——“指示”符号或“实体”符号等符号概念——的介入而趋于复杂化，而这种术语是由指称或成为因果链上的联结点而表示出来的（山林足印意味着动物的活动，亲笔签名意味着作家的活动，图画笔触则意味着艺术家的活动）（皮尔士，1931-58）。
对文字和图像之间的关系的探索，会最终使我们回归诸如此类的真正的语言符号。这肯定无法避过机敏的读者的眼睛，我使用“树”这个语词以及它所对应的图像唤起了索绪尔描述语言符号之双重结构的著名图示，用语词（“树木”）来代表能指或完整的图像，而用图画来代表观念（索绪尔，1966）。
在此示例里，图中的树往往被人们所“忽视”（在语词的各种意义上），它只是被当作一个区域占有者或代表一个虚构的实体。它的图例也只是一个临时符号性质的，或合宜的解说性的特写而已。但其画面所指概念的示意图或索绪尔所说的“象征”构成了对索绪尔主义关于“语言符号是武断的”的主张的根本损害（67）（换句话说，就是语言符号是“空洞的”，“漫无目的的”，在能指和所指之间没有任何“内在关联”）。问题是，符号的一个重要部分似乎并非武断。正如索绪尔特别提到的，画中之树，这个扮演了所指概念角色的“符号”，“并非从来都是全然武断的；它不是空洞的，因为在所指和能指之间有着内在关联的基础”（68）。总而言之，文字/图像的差别不仅仅是学科之间、媒介之间或艺术样式之间的差别：它是一条语言表征和视觉表征之间的内在界线，以及可能存在于语言符号的微观结构和图画符号的微观结构之间的差距。在索绪尔的图示中，这种差距和间隔通过皮尔士的指示符号而明晰可见：那根把图像之“树”和文字之“树”分离开来的水平线既不是文字也不是图像，而是观念空间中两者关系的指示物，正如索绪尔椭圆形框架图两侧上升/下降的箭标，在此结构中传达着“完整的观念”，并产生了意义的循环。
我们对文字/图像的区别的探究越深，就越清晰地认识到这不仅仅是一个有关两者的符号类型之间形式或学术上的区别问题。它更超越了概念的日常考辩或维持艺术史与文学理论的边界。被理解为一个辩证的隐喻而非二元的对立，“文字与图像”成了一种符号、审美和社会差异间的转换，它从不会未经与权利、价值、人类旨趣相关联就以问题的面貌被呈现出来，虽然只是微妙地。当没有一点争议、反驳和辩论的迹象时，它一般也不会成为问题。这种不顾文本的艺术史的自我防御，只是专业的、学科的典范的再现而已，或者只是视觉艺术与语言艺术的辩争，而这至少在莱奥纳尔多·达·芬奇作出其“绘画优于诗歌”的著名论断之后就一直在进行着。但是，这种论争的变化不断延伸，并在所有的艺术和媒介领域都呈现出来。莱辛的《拉奥孔》旨在保卫诗歌王国不受其所认为的视觉艺术的侵入；克莱门特·格林伯格那本合宜地冠以《走向更新的拉奥孔》之名的书则旨在整肃一种纯净的绘画视觉；本·琼森写下《给英尼格·琼斯的忠告》则是抨击后者创造的奇观其实就是给伪装的“诗性灵魂”披上华丽的外衣；亚里士多德早就明确了，在戏剧艺术中布景［opsis］必须让位于对白［lexis］；潘诺夫斯基则认为，声音的出现是对单纯的默片视觉形式的粗暴蹂躏。正如克里斯蒂安·梅茨所指明的，电影理论“发现要避免在两极——作为语言的电影和迥异于口述语言的电影——之间来回摇摆是何其的困难”（梅兹，1974）。
而且，文字/图像相对立场的来回摇摆几乎必然地与更大的社会与文化问题相关联。莱辛维持诗歌与绘画之间的界线的努力，明显地与他捍卫德国文学和文化，抗拒那些过度视觉化的法国艺术相关，并且隐约地与其对性别角色混淆的担忧相关（米切尔，1986）。格林伯格对“文学性绘画”中类型模糊的攻击，就是对精英主义、先锋文化的保卫，而拒斥大众文化的浸染。文字/图像的差别就体现在看似“科学的”有关美学和符号学的判断，以及深刻地承载了价值观念的对阶级、性别和种族的意识形态判断之间的互动中。传统的关于视觉文化（孩子们应当被看见而不应被听见，妇女成为男性注目下的视觉愉悦的对象，黑人是天生的模仿者，大众则很容易被图像所欺骗）的论调，主要是建立在一种心照不宣的文字相对于视觉图像的优先权的假设之上的，甚至在最基本的关于主体间性的现象学反映中，“自我”也被建构成一个言说和观看的主体，而“他者”则是沉默和被看的客体——一个视觉的图像（蒂凡内，1989）。正是这些关于符号和社会的差别背景的假设，使得偏离似乎是有违事理和异常奇特的：当妇女们可以大声地表达，当黑人们获得了读写能力，当大众拥有了自己的发言权，他们便冲决了那种将其建构成视觉图像的政治束缚。当沉默的图像开始言说，当文字似乎成为可见的、实质的呈现，当媒介的边界消失后——或者相反，当媒介被“净化”或沦为单纯的元素——“自然的”符号和审美秩序遭受了重压和断裂。感觉的天性、传播媒介、艺术形式被置入了这样的拷问：“自然”之为谁？“自然”之源起？“自然”之为何？
从文字/图像的立场出发，存疑的、困难的、深刻的艺术史的伦理/政治任务就略微清晰了一些。如果艺术史只是一门言说和谈论图像的艺术，那么显然它是一门商榷文字与图像间复杂而有争议的边界的艺术，一门论及何为“沉默”与表述其不可自明的艺术。此项事业断然不可能相互矛盾：一方面，假如艺术史把图像变成言辞的信息或“论述”，图像便会从我们的视野中遁形；另一方面，假如艺术史拒斥了语言，或使语言沦为仅仅是视觉图像的侍者，图像就会继续沉默和无法澄明，而艺术史家也会就此成为视觉图像的不可言说性与不可阐释性的陈词滥调的重复制造者。我们的选择，只能介于语言的霸权和图像的防御性反映之间。
没有什么方式——符号学、图像学、话语分析学——可以帮助我们出此两难境地，“文字与图像”这个恰如其分的短语实际上就是一种符号传达的方法。它不是艺术史中的一种批评“术语”，就好像相关的其它概念一样，它只是这样一组措辞，两者之间的关联开启了理智的辨析、历史的探究，以及艺术/批评的实践空间，而我们唯一的选择就是去探索并栖居于其中。和米克·巴尔以及那些撰述过这个问题的学者相比，我不认为我们可以在一个更高的层面上“超越文字和图像”，虽然我敬重渴望完成这一使命的艺术史家及其所怀有的理想主义和浪漫主义之希冀。“文字与图像”就像文化研究中的种族、性别和阶级的概念一样，指明了社会与符号的差异特征的多元领域。当然，不论我们是否关注它，都可以照样生活，但我们必须不断创造和重新审视它。
