Subscribe now

AI时代比失业更深刻的危机

2026年10月29日,萨姆·奥特曼（Sam Altman）接受了 约翰·科里森（John Collison）的访谈,这场访谈最值得重视的地方，不是那些关于超级智能失控的预测，而是奥特曼意外流露出的悲伤。

传统的技术革命主要改变人类完成工作的手段。蒸汽机替代肌肉，计算机替代某些计算活动，工业机器人替代重复性的生产动作。人类能够在这些变化中重新定义自己的价值，因为人类仍然是提出问题、理解世界、发现规律的主体。

但是，当AI开始独立攻克人类科学家长期研究的问题时，变化触及了科学活动的精神核心。一位数学家花费二十年研究某个猜想，其生命意义并不完全取决于最后有没有得到证明。那些反复失败的尝试、突然出现的灵感，以及相信自己可能接近真理的期待，本身就是科学生活的一部分。

如果机器在几分钟内提供了答案，科学家的知识需求可能得到满足，但他从发现过程中获得的成就感却可能遭到削弱。

这里可以提出一个重要的哲学区分：知识的获得，不等于认识主体的成长；问题的解决，不等于探索意义的实现。AI可能显著增加人类拥有的知识，同时减少某些人通过亲自发现知识获得的主体性体验。

当然，这不意味着科学探索会终结。人类仍然可以提出更复杂的问题，解释机器发现的规律，决定研究方向，乃至开辟新的学科。但是，原有的科学成就结构正在改变。未来科学家面对的一个根本问题可能是：当机器比我更善于发现，我还能以什么方式成为发现者？

人工智能对人的影响至少涉及四个相互关联的层面：劳动被替代、收入被重新分配、社会承认发生变化，以及人在创造和探索中体验到的意义受到冲击。其中最后一项，往往最容易被经济学的生产率指标忽略。

智能分布能否产生民主？

奥特曼提出的第二个重要问题，是超级智能究竟应该采用什么样的组织形式。一个高度集中的超级智能系统，理论上可能拥有更强的统一规划能力，却也形成了巨大的单点失败风险。倘若它控制关键基础设施、金融决策、公共信息和安全系统，错误的目标或不可预见的行为就可能产生跨系统后果。

分布式AI提供了另一种想象：许多智能体彼此竞争、协作、监督和纠错。这与政治思想中的权力分立、多元主义和制衡机制存在明显相似之处。但必须注意一个决定性的区别：智能的数量，不等于权力主体的数量；技术上的分布，不等于政治上的民主。

假设一万亿个AI智能体实际归属于三家科技公司，它们使用相似的基础模型、共享少数云计算平台，并受到相同的商业激励。那么，表面上分布的智能可能仍然构成高度集中的权力体系。

反过来说，即使许多AI彼此独立，人类也未必能够有效监督它们。如果智能体间的决策速度、复杂性和交互规模远超人的理解能力，所谓机器之间的制衡，可能演变为没有人类参与的自动化权力均衡。

因此，评价AI民主化，需要至少区分三个问题：智能是否分布？ 是否存在多种模型、不同技术路径以及相互独立的智能体？控制权是否分布？ 谁拥有算力、数据、模型、部署权限和关闭系统的能力？决定权是否属于人？ 普通人能否理解、质疑、拒绝并纠正那些影响自己生活的AI决策？

第三个问题尤其重要。如果人类只被允许在机器制定的方案中选择，那么选择权虽然还存在，制定选择范围的权力却已经发生转移。这意味着，未来技术民主的核心不能只停留在扩大AI的使用人数，还必须涉及控制权、解释权、申诉权以及制度化的纠错能力。

奥特曼确实看到了AI发展中的深层矛盾，但他所提出的解决方案，尚未充分摆脱制造这些矛盾的产业结构。

这两种判断可以同时成立。从访谈看，他至少意识到了三个重要问题。第一，技术进步可能伤害推动技术进步的人。数学家的悲伤揭示了知识生产与人的意义之间的冲突。第二，单一超级智能可能导致难以纠正的权力集中。因此，他转向支持多智能体体系，并借用民主、多元和制衡的制度经验。第三，社会不会仅仅因为一项技术能够创造财富，就无条件接受它。人们还关心自己是否能够保有劳动、尊严、选择权和未来的决定权。

但他的论述也留下了三个尚未解决的矛盾。其一，他希望人类持续控制AI，却同时推动AI能力不断提高。 如果某些能力最终超出了人类的有效监督范围，那么持续部署与维持控制权之间就需要明确的边界。访谈没有提供足以解决这一问题的制度方案。其二，他支持智能多元化，但算力和基础设施可能进一步集中。 访谈中他强调扩大数据中心、芯片制造和廉价算力供给的重要性。这符合扩大AI使用范围的商业逻辑，却不能自动保证算力所有权和技术决策权的分散。其三，他强调由公众定义美好生活，但公众目前主要拥有使用产品的权利。 人们可以选择如何使用AI，却未必能够参与制定模型训练、部署、安全和收益分配的规则。

这涉及一个政治哲学上的根本区别：消费者的选择权，不等于公民的治理权。让十亿人使用AI，可以显著扩大技术的社会覆盖面，却不能直接证明十亿人共同决定了AI的发展方向。

因此，对奥特曼的分析不宜停留在判断其个人真诚程度。我们无法仅凭一次访谈确定他的内心动机。更有价值的是检验他所倡导的制度原则，是否能够通过企业治理、竞争机制、技术透明度和公众问责得到落实。

人工智能的合法性危机

我认为，可以从这场访谈中提出一个更具概括力的研究命题：人工智能的发展，正在从技术能力竞争进入社会合法性竞争。技术能力的提高，可以帮助企业获得市场优势，却不足以独自回答它为什么有权改变人类社会。

一种拥有巨大影响力的技术体系，至少需要回应三种合法性诉求。绩效合法性: AI是否真正提高生产率、改善健康、扩大知识并增进公共福利？程序合法性:AI的发展与部署是否受到透明规则、公众参与和有效问责的约束？价值合法性:AI是否尊重人的尊严、自主性、公平以及决定自身未来的权利？

这三个合法性维度,提出AI时代的核心问题.这三个维度之间存在张力。即使AI能够成功解决重大科学难题，如果它导致财富与决策权高度集中，绩效上的成功也未必能转化为社会认可。即使人们普遍使用某种AI产品，也不能据此断定他们接受了其背后的所有治理安排。

同样，严格的安全监管如果演变为无所不在的社会监控，也可能损害监管自身需要维护的自由与信任。未来AI治理的一个关键任务，就是寻找技术效率、制度问责与人的主体性之间可以持续调整的平衡。

人类正在从知识的生产者被迫变成知识的选择者。这一判断抓住了知识活动的转型，但“被迫变成”可能过于绝对。未来的人类仍会创造知识，AI也不会使所有研究变得没有意义。更值得关注的，是知识生产过程中的不同职能正在重新分配。

过去，科学家往往承担提出问题、寻找方法、完成证明和解释结果的全部或大部分工作。未来，AI可能承担其中越来越多的环节，而人类在问题选择、价值判断、证据验证、意义解释和社会责任方面的作用将受到重新审视。

这引出了一个比“AI是否比人聪明”更加深刻的问题：当知识的生产越来越容易，决定什么知识值得生产的权力，是否会成为新的稀缺资源？如果答案是肯定的，那么未来最重要的竞争可能不只发生在模型能力之间，还发生在问题定义权、研究议程设置权以及成果分配权之间。

更进一步说，假如AI能够帮助人类完成几乎所有可以形式化的认知任务，人类社会就必须回答一个以前很少面对的问题：当创造知识不再是人类独享的能力，社会将依据什么承认人的价值？这才是奥特曼那份悲伤背后最值得深入研究的哲学命题。

一位推动人工智能迅速发展的企业领导者，开始公开谈论技术成功可能带来的精神损失。他的担忧不能证明超级智能必然会剥夺人的意义，也不能证明分布式AI必然比集中式AI安全。但这些担忧揭示了技术乐观主义难以回避的一个难题：当机器越来越能干，人类究竟获得了更多自由，还是逐渐失去了决定自己生活的能力？

奥特曼仍然相信继续推进AI有其必要性，同时希望降低风险、扩大使用范围并保留人类选择。这是一种可以理解的立场，也是一组需要制度实践检验的承诺。

最值得追问的已经不只是奥特曼是否言行一致。如果有一天，人工智能能够解决人类提出的绝大多数科学问题，人类是否仍然拥有提出自己问题、经历探索过程，并决定什么样的未来值得追求的权利与能力？这可能成为AI时代人学的中心问题之一。

Subscribe now

——评理查德·大卫·普雷希特《故事讲完了吗？——人工智能如何终结文化》

一个人开始失去记忆的时候，究竟失去了什么？是昨天发生的事情、熟悉的名字、曾经读过的书，还是那个由无数经验、情感与故事构成的自己？如果有一天，整个人类社会也逐渐不再需要记忆、不再亲自理解世界、不再讲述自己的故事，我们是否会陷入另一种意义上的失智？

德国哲学家理查德·大卫·普雷希特（Richard David Precht）在新书《故事讲完了吗？——人工智能如何终结文化》（Auserzählt? Wie künstliche Intelligenz die Kultur abschafft）中，从自己患有失智症的父亲写起，将一个家庭的衰老与失落，延伸到人工智能时代人类文明可能遭遇的精神危机。这本书的德文标题颇有意味：Auserzählt? 既可以理解为“故事讲完了吗”，也隐含着一个令人不安的疑问：人类是否已经走到无须继续讲述自身故事的时代？

过去几年，人们讨论人工智能，最关心的是它能否替代工作、创造财富、改变社会权力结构。普雷希特却把问题推进了一层：假如机器能够替我们阅读、写作、思考、创作，甚至替我们解释自己的历史，人类是否还需要亲自经历这些精神活动？当文化的生产越来越容易，文化本身会不会反而走向衰落？这是一本充满忧虑的书，但它所追问的问题，值得所有相信技术进步的人认真思考。

父亲的书房：一个人如何慢慢失去自己的世界

普雷希特的父亲已经九十多岁，患上失智症。随着记忆逐渐消退，老人越来越难以维持过去的生活。儿子不得不清理父亲的书房，为一张护理床腾出位置。

这是全书最动人的场景。书房里留下大量书籍、手稿和笔记。老人一生对哲学、艺术、文学和自然科学充满兴趣，写过许多东西，却很少将这些精神劳动转化为公开发表的成果。在他那里，阅读和写作首先是一种生活方式。理解一个问题，欣赏一件艺术品，思考某个哲学命题，本身就值得花费时间。如今，父亲尚在人世，那座由知识和记忆构成的精神世界却正在一点点消失。

这一场景之所以具有力量，在于它揭示了记忆与人的存在之间的深刻联系。我们通常把记忆看成储存信息的能力，仿佛大脑是一座档案馆，只要里面的材料还在，一个人的历史就不会消失。然而，记忆远比信息复杂。它将不同时间发生的事情组织成连续的人生，使我们知道自己从哪里来，为什么成为今天的自己，又为什么对某些人和事怀有难以割舍的感情。

一个人记得童年的故乡、父母的声音、年轻时读过的诗，记得某次失败如何改变了自己的选择，这些记忆共同构成他的精神身份。当记忆逐渐消失，受到影响的还有他与世界建立联系的方式。

普雷希特由此将个人命运引向文化问题：如果个体的记忆衰退会改变人的精神生活，那么一个越来越依赖外部智能保存知识、提供解释和生产故事的社会，会不会同样失去某些维系文化生命的能力？

这个比喻具有文学感染力。不过，个体失智是一种疾病，而社会依赖技术是一种历史过程，两者不能在医学或因果意义上简单等同。真正值得讨论的，是它们所呈现的共同问题：当过去的经验不再能够被主动理解和重新组织，主体与自身历史之间的联系将发生什么变化？

人类把记忆交给外部工具，已经有数千年历史。文字使经验能够超越个人生命保存下来，印刷术使知识不再局限于少数人的记忆，图书馆将无数人的思想汇聚在一起。互联网又让信息检索变得异常容易。每一次技术进步，都在改变人类保存和使用知识的方式。

因此，单纯把记忆外包视为文化衰退，并不符合文明发展的历史。人类正是通过外部记忆的积累，才建立了越来越复杂的文化世界。

人工智能带来的变化，在于它开始承担过去需要人主动完成的理解、组织与表达活动。一个学生可以让AI概括一本从未读过的小说，一个研究者可以让机器整理自己尚未认真检验的理论，一个作者可以让算法按照要求生成文章。过去需要经过阅读、比较、怀疑、推敲才能得到的结果，如今可能在几秒钟内出现。

问题随之发生变化：当我们拥有了答案，是否就意味着我们获得了理解？理解需要时间，也需要付出精神劳动。一个人读完《战争与和平》，真正获得的并不只是故事梗概和人物关系。他还经历了语言的节奏、人物的矛盾、道德判断的动摇，以及自己对人生看法的细微变化。读者正是在这样的过程中，把别人的经验转化为自身精神世界的一部分。

机器可以总结这些内容，却无法替读者完成这种亲身经历。知识是可以传递的信息，理解则意味着主体对知识进行组织、判断和内化。两者相互联系，却并不相同。

这正是普雷希特的警告具有现实意义的地方。AI可能使知识获取越来越容易，同时削弱一部分人主动建立理解的动力。如果一个人习惯于不阅读便获得摘要、不思考便接受解释、不经历写作便得到文章，他确实可能拥有更多信息，却缺乏与这些信息相称的判断能力。

但这并非技术必然造成的结果。同样的AI，也可能帮助读者进入陌生领域，发现新的问题，辨识论证中的漏洞。决定文化后果的，除了机器的能力，还有人如何使用机器，以及教育和社会制度鼓励怎样的使用方式。

当机器开始讲故事，人类会失去什么

人类文明在很大程度上是一部讲故事的历史。神话解释世界的起源，史诗保存民族的记忆，宗教叙事回答生命的意义，小说使我们进入他人的命运，历史著作把散乱的事件组织成可以理解的因果关系。

文化依靠这些故事延续，却又不断在新的讲述中改变。人工智能正在进入这个领域。它可以生成小说、诗歌、图像和音乐，也能模仿不同作者的语言风格。随着技术发展，文化产品的数量可能急剧增长，生产成本则不断下降。

但作品越来越多，是否意味着文化越来越繁荣？一部有价值的文学作品，通常来自作者与世界的具体关系。苦难、爱情、流亡、孤独、失败和死亡，经过个人的记忆与想象，成为具有独特声音的表达。文学之所以能够打动人，是因为我们从作品中遇见了另一种生命经验。

人工智能可以学习这些表达的形式，组合既有作品中的叙事结构与语言特征，却没有与人相同的生命处境。这并不证明机器生成的作品必然没有审美价值，因为作品的意义也可以在读者的感受和解释中形成。

更值得忧虑的是另一种变化：如果越来越多的创作者满足于机器提供的现成表达，文化可能在数量激增的同时出现形式趋同。语言越来越流畅，句子越来越完整，作品越来越符合预期，却越来越难以辨认其中属于个人的经验和声音。

文学的危险未必是机器写得太好，也可能是人越来越不愿意冒险写出不够完美、却真正属于自己的东西。

文化需要创造，也需要差异。它依赖那些尚未得到回答的问题、不能轻易归类的感受，以及个人在表达中留下的独特痕迹。如果一切都可以被即时生成，人还有没有耐心等待一个真正属于自己的故事慢慢成熟？

普雷希特批评人工智能带来的即时满足，实际上触及现代社会一个由来已久的矛盾：效率不断提高，人的精神生活却未必因此更加丰富。

现代技术不断缩短等待时间。交通缩短空间距离，通信压缩信息传递时间，搜索引擎减少查找知识的过程。生成式AI进一步压缩了从问题到答案、从意图到作品的时间。

然而，文化活动有许多无法简单加速的部分。

理解哲学需要反复阅读，学习音乐需要长期练习，形成成熟的判断需要经历错误，欣赏艺术有时需要在困惑中停留。一个问题暂时没有答案，并不意味着时间被浪费。恰恰是在这种尚未完成的状态中，人的好奇心、想象力和判断能力逐渐成长。

教育尤其如此。当AI能够回答大多数课堂问题，学校究竟应该培养什么？如果教育的目的只是让学生迅速提供正确答案，那么机器可能比教师和学生都更有效率。但教育还承担着另一项任务：使人学会提出问题、辨别证据、承受不确定性，并形成独立判断。

普雷希特在2026年10月接受德国巴伐利亚广播公司采访时，特别强调学校应成为培养判断力、保护内在好奇心和学习提问的场所。他还提出，应当在教育中保留不被AI占据的空间。

这一主张值得认真对待。AI进入教育，不应以取消学习过程为代价。但把机器排除在外，也未必是唯一出路。更合理的做法，是区分哪些认知活动可以得到技术支持，哪些能力必须由学习者亲自发展。

技术可以缩短寻找资料的时间，却不应该取消检验资料的训练；可以帮助修改文章，却不应该替代作者形成观点的过程；可以提供不同解释，却不能免除学生作出判断的责任。

教育的关键问题，已经从如何获得知识，转向如何在知识随手可得的环境中，保持独立理解世界的能力。

失忆的社会：谁来保存我们的文明经验

对于中国社会而言，这本书还有一层特殊的启示。中国拥有漫长的文字传统和历史记忆。经典阅读、家族叙事、地方文献、诗词书法以及丰富的历史著述，共同构成文明延续的重要资源。然而，数字时代的文化传播越来越依赖短视频、算法推荐和即时消费。大量历史知识被压缩成简短结论，复杂人物被塑造成单一标签，漫长的思想争论被改写成便于传播的口号。

人工智能可能进一步加快这一变化。当机器能够迅速提供一段历史的摘要、一位哲学家的观点和一部古典小说的主要内容，人们或许会越来越习惯于通过二手解释认识传统。久而久之，我们可能熟悉许多经典的名称，却越来越少进入经典的语言和思想世界。

不过，中国文化同样可以从AI中获得新的机会。大量长期沉睡在图书馆、档案馆和私人收藏中的文献，可以借助技术得到整理、检索、翻译与传播。过去难以跨越的语言障碍，也可能因此降低。

问题在于，我们是否把这些技术能力用于扩大文化理解，还是仅仅用于加快内容消费。文明记忆的延续，不能只靠数据库保存。保存一部古籍与理解它所处的历史世界，是两种不同的工作。文化传统需要不断进入活人的阅读、讨论、批评和创造，才能真正延续。

由此也可以提出一个比普雷希特的文化悲观主义更进一步的问题：当机器拥有越来越强的知识组织能力，人类是否能够利用这种能力，获得更加丰富的跨文化理解，而不是放弃自己的文化主体性？答案取决于我们如何重新安排教育、知识生产与文化生活。

回到普雷希特父亲的书房。那些未曾发表的手稿、读了一半的书、尚未整理完成的笔记，或许不能用现代社会的效率标准衡量。它们没有产生多少经济收益，也没有获得广泛传播，却记录着一个人持续理解世界的努力。

父亲的精神生活之所以珍贵，恰恰因为那些阅读、思考和写作曾经属于他自己。失智症令人痛惜，因为疾病夺走了个人维持记忆和精神连续性的能力。而人工智能时代的文化风险，在于我们可能在仍然拥有这些能力的时候，逐渐放弃使用它们。

这两种处境有本质区别，却共同指向人的精神主体性。未来的机器也许能够写出比大多数人更流畅的文章，提供比普通专家更全面的知识，甚至创造出令人惊叹的艺术作品。这些成就值得研究，也可能为文明带来新的可能。

然而，机器能力的增长，并不能替人回答一个古老的问题：我们为什么需要亲自理解世界？答案或许就在理解的过程之中。人通过阅读改变认识，通过写作整理思想，通过记忆建立身份，通过讲述使自己的经验进入他人的生活。文化之所以重要，是因为人借助文化不断塑造自己，也不断重新理解与他人、历史和世界的关系。

普雷希特担忧人工智能使文化走向终结。但比文化产品是否仍由人类生产更加根本的，是人类是否还愿意参与文化的创造和传承。

未来最令人忧虑的情景，未必是机器拥有了人类的全部知识，而是人类虽然可以随时调用这些知识，却越来越缺乏理解、质疑和重新创造它们的愿望。父亲的失智无法由他自己逆转，社会的文化命运却仍然存在选择的空间。

一个社会的精神衰退，不一定始于它忘记了多少历史，也可能始于它不再愿意追问历史的意义；一个文明的衰落，不一定表现为无人继续讲故事，也可能表现为故事无穷无尽，却越来越少有人真正经历、理解并相信自己讲述的生活。人工智能能够帮助人类保存记忆，甚至重新组织整个文明的知识。但文化的未来，最终仍然取决于人是否愿意继续思考，继续创造，继续为自己的生命讲述不可替代的故事。

Subscribe now

工业革命曾经把人的体力劳动交给机器。两百多年以后，人工智能正在把另一种长期被认为属于人的独特能力——认知劳动——变成可以复制、分配和规模化生产的工业活动。

机器已经能够撰写报告、分析数据、编写程序、设计方案，甚至参与科学发现。过去需要多年教育和职业训练才能完成的某些任务，如今只需向人工智能提出要求，就可能在几分钟内得到令人满意的结果。知识生产的成本开始下降，认知劳动的组织方式正在改变，一个过去很少被认真追问的问题也随之浮现：如果机器能够越来越好地完成那些使人获得收入、地位和尊严的工作，人的价值究竟还剩下什么？

美国宾夕法尼亚大学沃顿商学院教授伊桑·莫利克（Ethan Mollick）的新书《与AI共存》（Co-Existence：The Next Phase of AI），正是在这个关口出版的。莫利克此前的畅销书《协同智能》（Co-Intelligence）主要讨论如何把人工智能变成工作伙伴。新书则面对一个更加复杂的现实：当AI在部分领域已经超过人类，而且能够相对独立地执行任务，人应该如何与这种智能共同生活？

莫利克既不把AI描绘成人类文明的救世主，也不急于宣布人的价值即将消失。他试图回答一个实际而困难的问题：人类如何利用越来越强大的机器，同时保留自己的判断力、创造力和自主性？

这使《与AI共存》超出了一般的技术使用指南。不过，沿着作者的问题继续追问，还可以看到一种更深刻的社会变化：人工智能正在推动认知劳动的工业化，而现代社会尚未准备好回答工业化之后人的价值如何重新确定。

认知劳动正在经历第二次工业革命

传统工业革命的关键，并不只是机器比人更有力量，而是机器改变了劳动的组织方式。

工业生产把复杂的手工劳动拆分为能够标准化、重复执行和规模化管理的工序。工人的技能逐渐转移到机器、工厂制度和生产组织之中。劳动生产率因此迅速提高，但劳动者对完整生产过程的控制也发生了变化。

人工智能正在知识领域引发类似的变革。写作、翻译、编程、法律检索、财务分析和管理咨询，长期以来依赖个人接受专业教育、积累经验并形成判断。如今，这些活动中的部分环节可以被模型执行，甚至可以通过AI代理连接成连续的工作流程。

认知劳动由此出现三个变化。首先，知识生产的单位成本下降。过去昂贵的专业服务，部分内容开始变得廉价甚至接近即时供应。其次，复杂任务能够被重新拆分。一个人的工作不再必须由同一个人从头做到尾，而可以由人类提出要求、人工智能完成中间工序，再由人类审查结果。最后，认知生产具有了新的规模经济。拥有模型、算力、数据和组织能力的企业，能够同时执行大量过去需要专业人员参与的任务。

这种变化意味着，认知劳动开始具备工业生产的一些重要特征：标准化、自动化、规模化和对基础设施的依赖。当然，认知劳动不会因此全部变成工厂流水线。知识活动具有高度的情境性、开放性和不确定性，许多任务仍然需要人的经验和判断。但它们的生产条件已经发生变化。

经济学意义上的重要问题也随之出现：当一种过去稀缺的能力变得普遍可得，它所创造的经济价值会如何重新分配？

机器比人聪明，却不意味着机器总是可靠

莫利克对人工智能能力的理解，有一个重要概念：参差能力边界（Jagged Frontier）。我们习惯按照从简单到复杂的顺序理解智能。一个能够解决高难度数学问题的系统，理应能够回答普通的生活问题；一个能够完成复杂研究工作的机器，似乎也应该具备稳定可靠的常识。

人工智能却没有遵循这种直觉。它可能在某些高难度任务中表现惊人，却在一些看似简单的问题上犯错；能够写出结构完整的商业计划，也可能编造不存在的文献和数据；能够模仿专家的语言，却未必能够充分理解具体决策的后果。

AI能力的边界因此呈现出不规则、难以凭直觉预测的形态。这一发现具有重要的认识论意义。

现代教育和职业制度长期依靠能力等级组织社会分工。医生比患者懂医学，律师比当事人懂法律，教授比学生掌握更多专业知识。专业权威虽然可能出错，却通常与长期训练和可追溯的职业责任相联系。

人工智能改变了这一关系。一个没有受过系统训练的人，可以借助AI获得相当专业的分析结果，却未必具备识别其中错误的能力。于是出现了新的认知悖论：一个人越依赖超过自己知识水平的机器，就越可能缺乏独立判断机器是否正确的能力。

这不意味着人必须在所有领域都比AI聪明。现代人本来也不需要亲自掌握每一种专业技能。关键在于，面对重要决定时，个人是否知道自己理解到什么程度，能否找到独立的验证途径，并在必要时拒绝机器提供的结论。

未来最重要的能力之一，可能是识别自己与机器共同构成的认知系统究竟在哪里可靠，在哪里存在盲区。

从协同智能到委托智能：人正在退出认知过程

《与AI共存》讨论了三种人机工作模式。第一种是半人马模式（Centaur Work），人和机器有明确分工，各自完成不同部分。第二种是赛博格模式（Cyborg Work），人与AI持续互动，在同一个任务中反复交换意见。第三种是召唤者模式（Conjurer Work），人提出目标，再将较为完整的任务交给AI自主寻找解决方案。

这三种模式表面上是工作方法的差异，实际上代表了人类控制认知过程的三种程度。在第一种模式中，人仍然参与具体劳动，只是把部分工作交给机器。在第二种模式中，人和机器的能力形成深度交织。到了第三种模式，人可能只负责提出目标、验收结果，认知过程本身则越来越多地由机器完成。

第三种模式尤其值得警惕，也尤其具有经济吸引力。企业追求的通常是成本、效率、质量和可扩展性。如果一套AI系统能够独立完成过去需要十名专业人员参与的工作，企业很难仅仅为了保留人的参与机会而放弃自动化。

这种经济逻辑可能逐渐延伸到学校、医院、新闻机构和公共行政部门。问题并不在于机器能否完成工作，而在于当机器能够独立完成工作时，人是否还拥有参与工作的必要性和现实机会。

劳动对于人的意义，远远超过获得收入。人通过劳动学习技能，建立社会联系，获得他人的承认，形成对自身能力的认识。一个年轻医生在诊断中成长，一个记者在采访中理解社会，一个学生在反复推理论证中发展判断力。这些经验既产生工作成果，也塑造劳动者本人。

如果机器接管大量认知过程，人可能得到更多成果，却失去通过创造成果而成长的机会。工作效率的提高，与人的能力发展，并不总是同一件事。

最危险的退化：人不再知道自己失去了什么

人工智能带来的技能退化，不能简单理解为人变得懒惰。人类文明始终依靠工具减轻劳动。计算器普及以后，普通人不再需要熟练完成大量繁琐计算；导航系统普及以后，驾驶者不再必须记住所有道路。某些技能的淡化，完全可能是社会进步的正常结果。

但认知活动有一种特殊性：它既是完成任务的手段，也是形成能力的过程。一个学生自己写文章，除了产生文本，还在学习如何组织材料、提出论点和处理反对意见。如果AI直接生成文章，学生可能交出更好的作业，却未必经历了相应的思想训练。

一个研究人员阅读文献，不只是寻找答案，还可能在不同观点的冲突中发现原来没有提出的问题。如果AI替他完成全部阅读和归纳，研究效率可能提高，但某些意外发现的机会也可能随之减少。

由此需要区分两种能力。一种是借助AI完成任务的能力，另一种是离开AI后仍然能够理解、检验和修正结果的能力。前者是工具使用能力，后者关系到认知自主性。两者并非必须对立。设计良好的AI系统完全可以帮助人发展知识和判断能力。然而，如果教育和工作制度只按照完成任务的速度和结果进行评价，后一种能力就容易遭到忽视。

更令人忧虑的是，当一个人长期没有机会独立完成认知活动时，他可能逐渐失去判断自身能力是否退化的参照标准。最终，社会可能出现一种奇特的景象：知识产品越来越丰富，普通人理解知识生产过程的机会却越来越少。

认知劳动工业化：谁获得财富，谁承担风险？

莫利克主要从人与AI如何合作的角度讨论未来，但这一讨论仍需要进一步进入政治经济学。工业化从来不只是生产技术的变化，还涉及产权、收入分配、组织权力和社会阶层结构。认知劳动的工业化同样如此。

如果人工智能能够显著提高律师、医生、程序员和研究人员的生产率，新增收益究竟归谁所有？是使用AI的劳动者，拥有模型的平台企业，控制业务流程的雇主，还是最终购买服务的消费者？

不同的制度安排可能产生完全不同的结果。在某些情况下，AI成为劳动者提高收入、减少重复劳动和扩大创造空间的工具。在另一些情况下，企业利用AI替代员工，把生产率增长转化为资本收益。

更复杂的是，人工智能可能改变专业知识与组织权力之间的关系。过去，一家企业必须雇用大量具有独立专业能力的人，才能组织复杂的知识生产。未来，掌握模型和数据系统的少数管理者，可能协调数量庞大的自动化认知流程。这可能提高组织能力，也可能削弱专业人员的议价能力，并使认知资源进一步集中。

但不能据此断言AI必然导致大规模失业或资本收入占比持续上升。新技术也可能创造新的需求、职业和互补性劳动。最终结果取决于市场竞争、产权结构、劳动制度、技术扩散和公共政策。因此，人工智能创造多少财富，与人工智能能否使多数人生活得更好，是两个必须分别回答的问题。

当认知能力逐渐成为可购买的服务，谁能够负担高质量的AI，谁能够决定系统的目标，谁能够理解系统作出的判断，都可能成为新的社会分层机制。

人的价值，不能由机器是否能够替代来定义

讨论AI时代人的价值时，有一种看似合理的回答：人应该保留那些机器暂时无法完成的工作。

这种回答存在明显的缺陷。如果人的价值取决于机器尚未掌握的能力，那么随着机器不断进步，人的价值就会不断退缩。今天强调创造力，明天机器也可能展现很强的创造能力；今天强调判断力，未来机器可能在某些复杂判断上比专家更加准确；今天强调情感交流，AI也可能越来越善于模拟理解和关怀。

如果我们总是在机器能力的边界寻找人的尊严，最终就可能把人变成一个不断被技术挤压的剩余类别。

人的价值需要建立在更稳固的基础之上。首先，人是具有自身生活目的的主体。人可以追求知识、幸福、爱情、创造和社会承认，也可以选择不把效率最大化作为人生目标。其次，人具有道德和政治意义上的平等地位。一个人的尊严不应该因为机器比他聪明、工作效率比他高而降低。再次，人能够参与决定共同生活的规则。即使AI能够提出更有效的政策建议，也不能仅凭效率优势取得替人类社会决定最终目标的正当性。

当然，人类也会犯错，也会受到偏见和利益的影响。维护人的主体性，并不意味着拒绝机器提出更好的判断，而是承认技术能力与作出决定的正当权利并非同一回事。

机器可以帮助人寻找更好的答案，但什么样的问题值得回答，什么样的生活值得追求，仍然需要人类参与决定。

认知参与权：AI时代需要确立的新原则

沿着莫利克的讨论继续推进，可以提出一个值得研究的制度概念：认知参与权（Right to Cognitive Participation）。它指的是，在越来越多认知活动由人工智能参与或完成的社会中，个人仍然应当拥有理解重大决定、形成独立判断、参与知识创造并质疑自动化结果的实质性机会。这一概念是对《与AI共存》的进一步理论延伸，并非莫利克已经明确建立的权利体系。

认知参与权并不要求每个人亲自完成所有工作，也不意味着拒绝自动化。它要求社会不能因为机器更加高效，就系统性地剥夺人发展和运用自身认知能力的机会。

在教育领域，学校需要重新区分任务完成与能力发展，让学生在使用AI的同时，仍然经历必要的思考、验证和创造过程。

在劳动领域，企业需要考虑员工如何持续获得学习、判断和专业发展的机会，避免把人完全降为自动化系统的监督员。

在公共治理领域，受到重大自动化决定影响的人，应当拥有适当的解释、复核、申诉与纠错渠道。这也意味着，人的认知自主性不能只靠个人意志维持。

如果学校奖励的是AI生成的漂亮答案，企业奖励的是最大限度减少人工参与，公共机构又缺乏有效的算法问责制度，那么个人即使希望保留独立判断，也可能找不到实践这种能力的机会。真正需要保护的，是人能够继续学习、理解、质疑和创造的制度条件。

与AI共存，最终是如何与自己共存

《与AI共存》的重要贡献，在于莫利克没有把人工智能简化为一个等待人类接受或者抵抗的技术对象。他提醒读者，未来已经开始进入日常工作，而人必须不断探索与机器合作的新方式。这是一种有价值的现实主义态度。

不过，这本书所打开的问题，比个人如何使用AI更加深远。在工业革命以前，人类体力的局限决定了大部分生产活动的规模。机器工业改变了这一条件。在人工智能时代，人类认知能力的局限也开始被技术突破，知识和智能的生产将越来越少受到个人时间和精力的直接限制。

这可能带来巨大的自由。人们有机会减少重复劳动，获得更好的医疗和教育服务，把更多时间用于创造、研究和生活。

但另一种未来同样可能出现：机器越来越聪明，社会越来越高效，人却越来越缺乏独立判断的机会；知识产品越来越丰富，认知能力却越来越集中；物质财富不断增加，普通人从劳动中获得的尊严、成就感和社会承认反而逐渐减少。

两种未来之间的区别，不完全取决于人工智能最终能够发展到什么程度，更取决于人类如何组织技术、财富、劳动和公共权力。因此，认知劳动工业化以后，人的价值问题需要获得新的回答。

我们不必坚持每个人都要比机器聪明，也不必要求人永远亲自完成机器已经能够完成的工作。社会真正需要确保的是，当人类把越来越多的劳动交给机器以后，每个人仍然有机会发展自己的能力，参与共同生活，获得有尊严的收入，并对影响自身命运的决定保持必要的控制。

人工智能可以把知识生产变成工业化活动，却不能由此证明人的生命也应该按照工业效率来衡量。一个文明的进步，最终不应该只看它能够制造多么聪明的机器，还应该看这些机器是否使更多普通人拥有理解世界、参与社会和自主生活的能力。

这或许才是《与AI共存》留给我们的最重要的问题：当机器开始承担越来越多的思考，人类能否借此获得更大的自由，而不只是把自己的生活交给另一个更加高效的系统？

Subscribe now

2026年10月8日，法国数学家、2022年菲尔兹奖得主于戈·迪米尼尔-科潘（Hugo Duminil-Copin）在法国数学会组织的一场视频会议上，讲述了一件让数学界为之震动的事情。他说，星期二深夜，他哭了，哭声甚至惊醒了自己的女儿。这位站在世界数学研究前沿的学者，刚刚经历了一场可能改变其学术生涯的冲击。两天前，OpenAI公开了一批由人工智能生成的数学研究手稿，其中至少16个问题涉及他长期关注的研究方向。他形容，自己的研究领域仿佛被摧毁了。

迪米尼尔-科潘在2022年获得菲尔兹奖，这是国际数学界最重要的荣誉之一。他研究的概率论与统计物理中的数学问题，往往需要长期积累的直觉、严格的逻辑推理和高度创造性的证明方法。即使人工智能能够帮助人们计算、检索和整理文献，他仍然可以合理地相信，人类数学家在原创发现方面具有难以取代的地位。然而，10月6日的事件让这种信念受到了前所未有的挑战。

当天，OpenAI公开了由内部前沿模型生成的一批数学研究手稿。最初的公开资料显示，研究仓库包含722篇手稿，分属372个相关结果族，涉及多个数学领域。按照OpenAI公布的计算资源估算，平均每项成果使用的算力，大约相当于ChatGPT Pro进行三个小时的思考。对于习惯花费数年研究一个难题的数学家而言，这种生产速度确实令人震惊。不过，这些手稿不能直接等同于722项已经获得数学界确认的重大科学发现。其中有些结果提供了Lean形式化证明，有些仍需专家逐项检验，部分手稿也曾因发现错误而被撤回。AI生成一份看似完整的证明，与数学界确认一项原创成果，中间仍然存在距离。

即使考虑这些限制，这次事件的意义依然重大。人工智能已经开始进入一片长期被认为最能体现人类智力独创性的领域，尝试独立推进那些尚无公认答案的研究问题。迪米尼尔-科潘的眼泪，因此提出了一个远远超出数学界的问题：如果机器能够比最优秀的人类科学家更快地提出并证明新的定理，那么人类用来衡量自身智慧、创造力和职业成就的标准，是否正在失去原来的意义？

数学家的眼泪：失去的究竟是什么

理解迪米尼尔-科潘的反应，首先需要理解数学研究与一般知识劳动之间的区别。对于长期从事基础研究的人来说，研究不只是一份职业，也是一种生活方式。数学家选择一个困难问题，可能投入十年甚至更长时间，在无数次失败中调整思路，逐渐建立对某个数学世界的独特理解。当他最终发现一个重要定理时，获得的不只是正确答案，还有多年智力探索终于得到确认的成就感。学术成果与个人身份之间，存在相当深刻的联系。

这正是AI带来的冲击比一般自动化更难接受的地方。工业机器人代替工人完成重复劳动，人们容易理解其中的效率变化。但当机器能够完成一位世界顶级数学家多年来投入心血的研究工作时，受到挑战的还有人的专业身份。过去，数学家往往因能够解决别人无法解决的问题而受到尊敬。如今，曾经需要依赖少数杰出头脑完成的任务，可能逐渐变成可以调动计算资源批量开展的活动。

迪米尼尔-科潘自己的反应，实际上比单纯的失落复杂得多。根据法国《世界报》10月10日的报道，他并没有决定离开数学研究。他准备阅读与自己研究相关的数千页AI生成材料，组织数学家共同理解这些结果，继续寻找自己愿意独立探索的问题，并把更多精力投入教学和科学传播。他尤其担忧年轻数学家未来如何成长，以及数学研究中自由交流问题和想法的文化是否会受到破坏。

他的处境揭示了AI时代职业转型的一种深层矛盾：某种研究任务的稀缺性可能迅速下降，但研究者多年积累的知识、判断能力和生活经验不会因此自动失去作用。与此同时，专业身份受到冲击所造成的损失也是真实的。对于一个把十几年生命投入某项研究的人，技术突然改变这项工作的价值结构，绝非一句“转型就好”能够化解。社会不能一边享受机器创造的效率，一边要求受到冲击的人立即为技术进步欢呼。

发现能力正在贬值，还是发现的经济结构正在改变？

在经济学中，一种能力的供给迅速增加，通常会改变它的稀缺性及其市场价值。过去，撰写复杂的法律分析、编写专业程序、翻译学术文章，都需要长期训练。如今，AI能够在极短时间内生成可供检查和修改的成果。知识劳动的部分生产成本开始下降，原来依附于这些技能的职业优势也随之受到挑战。

数学发现似乎是这一变化最难触及的领域。数学研究不能只靠流畅表达，一个新的定理必须拥有严格证明。即使世界一流数学家，也可能花费多年时间，在某个问题上毫无进展。如果AI能够稳定地提出新定理并完成可靠证明，那么数学知识的生产方式就可能发生结构性变化。过去，一项重要发现的成本主要来自研究者长期接受的专业训练、数年的探索时间、团队协作和失败的机会成本。AI加入之后，部分探索与证明工作开始转化为计算资源、模型研发和结果验证的成本。

不过，不能因此认为数学发现的总成本已经降到三个小时。OpenAI公布的三小时，是关于单项结果所消耗计算量的特定估算，并不包括模型训练、研究基础设施、问题筛选以及后续验证等全部成本。722篇手稿也不能等同于722项已经确认的原创发现。因此，现在还不能宣布数学发现已经成为廉价商品。

更加准确的判断是：AI正在扩大候选数学成果的生产能力，并可能改变科学研究中稀缺能力的分布。过去，找到证明本身往往是研究过程中最困难的环节；未来，在部分领域中，判断哪些问题值得研究、哪些证明真正成立，以及不同成果之间存在怎样的深层联系，可能获得更高的重要性。

这种变化还需要区分科学发现的三种价值。第一种是产出价值，即获得此前未知的结果；第二种是认知价值，即理解结果为什么成立，以及它怎样改变既有知识；第三种是人文价值，即研究者为什么投入这个问题，探索过程中形成了怎样的能力、关系与生活意义。AI可能显著提高成果的生产效率，也可能参与理论解释，但研究活动对人的意义，不能简单通过论文数量衡量。

由此，数学家的职业处境可能出现新的分化。有些原来高度依赖个人求解能力的研究任务，可能因为自动化而失去部分稀缺性；另一些依赖深刻判断、理论整合、问题选择和知识传播的活动，则可能变得更加重要。科学家的工作不会因为某种任务可以自动完成而整体消失，但其内部的价值分配可能发生深刻变化。迪米尼尔-科潘的眼泪，正是这种变化在个人学术生活中的一次集中显现。

大发现时代的悖论：知识生产越来越快，理解能否跟上

科学史上，每一次知识生产能力的重大扩张，都会改变研究者的工作方式。印刷术推动了知识传播，现代实验仪器扩大了人类的观察范围，计算机使许多复杂计算成为常规工作。人工智能正在带来另一种变化：它开始直接参与形成猜想、寻找证明路径、提出解释和组织研究方案等创造性环节。

这可能使科学研究面临一个新的矛盾：机器能够迅速产生大量候选成果，人类科学共同体却未必拥有相应的验证、理解和吸收能力。科学发现通常需要经过提出问题、形成假设、提供证明或证据、完成验证以及融入既有知识体系等环节。AI可以加快其中某些步骤，但一项结果能否成为可靠的公共知识，仍取决于整个过程是否完成。

假设AI一天生成一千项新的数学结论，其中只有部分成立，而且研究者尚未理解这些结论与既有理论的关系。这样的产出当然具有潜在价值，却不能直接等同于数学知识取得了相应规模的进步。只有经过严格检验，并被纳入能够继续开展研究的理论结构，新成果才能充分发挥作用。

这一问题已经进入现实。2026年10月15日，OpenAI宣布出资500万美元，支持西蒙斯基金会组织数学家审查、理解和继续研究AI生成的数学成果。这个决定说明，集中公布大量研究手稿之后，科学共同体仍然需要投入大量专业劳动，才能判断这些结果究竟意味着什么。

由此可以提出一个值得进一步研究的概念：有效发现能力（Effective Discovery Capacity）。它衡量的不是一个系统产生了多少候选结果，而是经过验证、理解和知识整合以后，这些结果究竟为后续科学探索提供了多少可靠的新基础。

按照这一思路，科学发现的效率至少包括三个层次：生成效率、验证效率和知识转化效率。生成效率衡量提出候选结果的速度与成本；验证效率衡量判断结果可靠性所需要的资源和时间；知识转化效率则关注已经确认的成果能否被研究者理解、吸收，并进一步用于提出问题和发展理论。三者相互联系，但不能简单地用论文数量或计算时间加以衡量。

如果生成效率远远超过验证和知识转化效率，科学共同体就可能积累大量尚未充分消化的研究成果。这样的积累并非毫无价值，却也意味着科学研究的主要困难开始发生转移：过去，人们常常苦于找不到答案；未来，在一些领域中，人们可能需要花费更多精力判断哪些答案可靠、重要，以及它们彼此之间究竟有什么联系。

这一变化使AI时代的科学进步不能只用发现数量来评价。一个系统生成一万项未经充分检验的结论，未必比一百项经过严格验证并能够推动后续研究的成果更有价值。候选发现的增长，只有经过验证与知识整合，才能较稳定地转化为有效的科学进步。

因此，AI带来的深层变化，可能是科学研究的核心稀缺资源逐渐从单纯的结果生产，扩展到可靠性判断、理论理解和跨领域的知识整合。机器使人类有机会更快地接近未知，但人类仍然需要知道，哪些发现值得相信，哪些值得继续研究，以及这些发现如何改变我们对世界的认识。

科学共同体的危机：开放交流还能继续吗？

迪米尼尔-科潘担忧的，不只是自己研究的问题被AI抢先解决，还包括数学家之间长期形成的交流关系可能受到破坏。数学研究从来不是完全孤立的智力活动。年轻学者提出一个问题，导师可能提供思路；研究者在学术会议上介绍尚未完成的工作，同事可能指出错误；几位数学家在黑板前讨论，原本互不相干的想法可能因此发生联系。在这种开放交流中，一个问题即使属于某位研究者长期关注的领域，也可以被别人讨论、修正和进一步发展。科学共同体由此成为一种知识合作制度。

然而，当AI系统能够从公开讨论中迅速识别有价值的研究问题，并以远高于个人研究者的速度尝试解决时，原有的合作激励可能发生变化。一位年轻数学家公开谈论正在研究的猜想，原本可能获得同行帮助；现在，他也可能担心自己的问题被拥有强大计算资源的机构迅速纳入自动化研究流程。即使这种担忧不一定造成实际的竞争损失，也可能改变研究者分享早期想法的意愿。根据《世界报》的报道，迪米尼尔-科潘特别谈到了这种风险，担心年轻数学家赖以成长的自由讨论文化受到冲击。

这涉及科学研究中的一个经典问题：个人竞争与知识共享之间，怎样保持平衡？人类科学之所以能够持续进步，很大程度上依赖研究者利用前人成果，也愿意把自己的发现提供给后来者。如果过度强调研究成果的独占，知识交流就可能受到限制；如果个人的研究投入无法获得相称承认，研究者又可能失去分享早期想法的动力。AI进一步改变了这种关系，因为先进模型的计算能力、数据资源和问题求解能力，目前仍集中在少数机构手中。

由此出现一种新的不对称：数学家公开提出问题，机器能够利用这些问题展开大规模探索，但研究者未必能够获得同等水平的模型使用权限，也未必参与决定成果如何公布。这并不能简单证明谁侵犯了谁的学术权利，却说明科学合作规则需要作出调整。未来科学共同体可能需要更加明确的研究贡献记录、问题来源说明、AI参与披露、成果验证程序和资源开放安排。

这种变化还可能扩展到医学、物理学、生物学乃至人文社会科学。AI能够读取大量历史文献，提出新的历史解释；整合不同社会调查的数据，生成新的研究假设；对既有理论展开大规模比较。但研究者如何获得贡献承认，如何确认机器结论的有效性，如何维持开放讨论的文化，都需要新的制度安排。人工智能可能扩大人类共同发现知识的能力，也可能改变学术竞争的权力结构。最终形成何种格局，不能由技术性能单独决定。

当机器会发现，人类教育不能继续只培养解题者

这场数学界的震动，最终会进入学校。今天，无论中国还是美国，数学教育仍然高度重视解题能力。学生从小学开始练习运算，进入中学以后学习代数、几何和函数，大学则通过更加复杂的数学训练区分专业方向。这种训练有充分理由。数学是一种严密的思维方式，没有基本的概念理解和推理训练，人很难进入现代科学，也很难理解复杂的技术系统。

问题在于，学校经常把数学能力过度表现为解题速度和答案正确率。学生在规定时间内完成多少道题、取得多少分、排名第几，成为衡量学习成果的重要指标。当AI开始能够解决越来越复杂的数学问题时，这种评价方式的局限便更加明显。如果一位菲尔兹奖得主多年研究的问题，都可能被机器迅速提出候选解答，那么让孩子从小把战胜其他同学、比机器更快地得到标准答案视为数学学习的最终目标，显然需要重新考虑。

但由此得出“不必再学习数学”的结论，同样错误。数学学习的价值，从来不只在于生产一个别人尚未得到的答案。学生学习几何证明，能够理解结论为什么必须由前提推出；学习概率，能够理解不确定性；学习统计，能够识别数据怎样支持或不支持某种判断；学习微积分，能够认识变化和连续性。这些知识使人获得理解世界的能力。即使机器可以完成计算，学生仍然需要知道计算意味着什么、在什么条件下成立，以及什么时候不能相信一个看似正确的结果。

因此，AI时代的数学教育至少需要完成三项转变。首先，保留必要的独立推理训练。学生必须亲自经历从不知道到理解的过程，学习如何寻找证据、检查步骤和发现错误。其次，把验证能力放到更加重要的位置。面对AI提出的证明，学生不仅需要判断最终结果，还要理解关键假设、推理步骤及其适用范围。最后，增加开放性问题和原创探索，让学生尝试自己提出问题、比较不同解法，理解数学发现与现实世界之间的联系。

这些改革不能在一天之内完成，也不能让所有小学生立即从事原创数学研究。不同发展阶段需要不同程度的知识训练和探索活动。但教育的方向需要改变。未来最值得培养的学生，不一定是能够最快完成机器也会做的题目的人，而是能够理解问题、提出新问题、判断不同答案，并在需要时与机器共同推进认识的人。

这一问题对中国尤其重要。中国教育长期积累了系统知识训练和大规模人才培养的优势，但如果学生把数学主要理解为应试竞争，把科学研究主要理解为发表论文和获得奖励，那么AI的能力增长可能进一步削弱他们对学习意义的理解。美国教育则需要处理另一种困难。大学拥有相对多元的研究和教学环境，但科研竞争、课程筛选以及高等教育机会的不平等，也可能使部分学生过早退出科学学习。两国都需要超越单纯以知识传授速度和考试排名衡量教育成效的方式。

这一事件还提出了一个更加深刻的教育哲学问题：如果机器能够不断发现新知识，人类为什么还需要亲自探索？这里需要区分两种发现。一种是知识的公共发现，即人类共同体此前尚不知道的事实、规律和理论；另一种是个人的认知发现，即某个人通过自己的学习和探索，第一次理解某个原本不属于其知识世界的对象。

一个孩子第一次理解为什么勾股定理成立，即使这个定理已经存在两千多年，对他而言仍然是一项真实的认知发现。一个大学生第一次独立完成严格证明，即使证明早已存在，他也通过这一过程获得了新的思维能力。AI可能显著加速公共知识的发现，却不会因此使个人的认知发现失去意义。机器可以使知识更容易获得，但不能代替一个人完成自己的全部认知发展。

不过，科学家的处境更加复杂。他们不仅需要个人成长，也需要产生被同行承认的新成果。如果机器大量进入公共知识发现领域，科学职业的评价、收入和研究机会就可能重新分配。不能用个人学习仍然有价值这一事实，否认职业竞争中的实际变化。教育因此还需要培养人面对职业能力变化时重新组织生活的能力。这一点，恰恰是迪米尼尔-科潘的经历给予教育界的深刻提醒。

从独立发现到共同生成：未来科学家还有什么不可替代？

面对AI带来的冲击，人们容易产生两种极端反应。一种认为，既然机器已经能够解决高难度数学问题，未来人类科学家迟早会失去研究价值；另一种则坚持，机器无论能够做出多少成果，都不过是在模仿人类，真正的科学创造力始终只属于人。这两种判断都有问题。前者忽略了问题选择、结果理解、知识整合和社会合作等研究活动；后者则可能不断把人类创造性的定义移向机器尚未达到的领域。

更有解释力的思路，是承认知识生产正在形成一种新的组织方式。过去，科学家的研究能力主要受到个人训练、时间、精力以及合作网络的限制。未来，研究者可以借助AI探索大量不同假设，比较更广泛的材料，尝试过去因计算成本过高而无法推进的研究路径。一个问题可以由人提出，由机器探索若干证明方向，再由数学家检验、解释和推广；某些问题也可能首先由AI提出，而人类研究者随后发现它们与既有知识之间的重要联系。科学发现由此可能进入一种共同生成的时代。

这种合作的意义，不仅在于把人类劳动和机器计算相加，还在于双方不同的能力可能重新组织科学探索的过程。如果这一方向能够稳定实现，科学研究的组织单位可能逐渐从单个研究者或传统团队，扩展为研究者、AI系统、验证工具和开放学术共同体共同构成的知识生产网络。但这种参与并不自动等于人机双方拥有完全相同的科学地位或责任。研究问题为何重要、研究过程是否合乎伦理、结果如何向公共社会解释，以及研究失败由谁承担责任，仍然需要明确的人类制度安排。

这种未来也并非必然令人乐观。如果少数机构控制最先进模型，普通研究者只能被动使用结果，那么所谓人机共同发现，可能演化为技术资源高度集中条件下的不平等研究。如果AI生成大量成果，却缺少充分验证和可理解的解释，科学共同体可能因为信息过载而降低判断效率。如果年轻研究者始终依赖机器完成关键推理，缺少独立探索的经验，那么科学共同体长期积累的理解能力也可能受到削弱。

因此，未来科学共同体既要扩大先进研究工具的合理可及性，也要保护研究者提出问题、获得承认和自由交流的机会；既要利用机器提高探索效率，也要维持独立验证和知识传承的能力。值得追求的，是建立一种能够让科学发现持续增加、让人类理解能力同步提高的研究制度。

在这一变化中，人的尊严与专业成就之间的关系也需要重新理解。现代社会经常通过职业能力和社会成就确认个人价值，一个人能够解决别人无法解决的问题，便容易把这种能力视为自身身份的重要基础。当机器也能完成同样任务时，他就可能面临深刻的身份冲击。但人的某种技能可以被机器超越，人的价值却不能仅由这种竞争结果决定。一个人即使不再拥有过去的技术优势，仍然具有基本尊严；与此同时，他也需要实际的创造机会、职业承认和参与社会生活的空间。伦理上的尊严与现实中的发展条件，两者都不可缺少。

迪米尼尔-科潘流泪之后仍然决定继续研究数学，正说明这种重新定位已经开始。他无法要求AI停止进步，却仍然能够决定怎样理解新的数学成果，怎样帮助年轻研究者成长，以及怎样在变化的科学世界中寻找自己认为重要的问题。他的选择不保证能够继续保持过去的竞争优势，却表明人的创造活动可以在技术条件变化以后重新组织。

数学家的眼泪是人类重新发现自己的开始

2026年10月，迪米尼尔-科潘为AI数学研究的突破而哭泣。这一幕之所以令人难忘，是因为它让人们突然意识到，即使站在人类智力成就最高处的人，也可能在技术进步面前重新面对自己的有限性。人类过去习惯把创造性思维视为自己区别于机器的重要依据：机器会计算，人会理解；机器会执行，人会创造。如今，这些边界正在发生变化。机器开始参与推理、证明和发现，人们不得不重新回答：究竟什么构成科学家的价值？教育应该使人获得怎样的能力？

至少可以作出一个判断：AI可能降低某些发现任务的稀缺性，却不必然降低人类理解世界、提出有意义的问题和参与知识创造的价值。真正需要警惕的是，把某种专业技能的技术性贬值，误认为人的全部价值正在消失。与此同时，知识生产能力的扩张，也可能使人类拥有更多机会去理解、验证、连接和探索新的问题。

这场变化不会自动带来更好的科学，也不会自动产生更自由的人。它可能扩大科学机会，也可能形成新的技术垄断；可能使研究者摆脱重复劳动，也可能削弱他们的职业自主性。因此，未来的教育和科学制度必须同时完成两件事：扩大人与机器共同发现知识的能力，保护人独立理解、判断和创造的机会。

数学发现的生产方式正在改变，人类的科学生活也将随之改变。但知识增长本身，从来不是人类文明的最终目的。我们追求知识，是为了更深刻地理解世界，也为了扩大人能够认识、选择和创造的可能。未来值得期待的情景，也许不再只是一位天才独自完成一项震惊世界的发现，而是越来越多的人能够借助新的智能工具，进入过去只有极少数人才能抵达的知识领域。

当机器越来越善于发现，人类最重要的任务，可能是重新学会为什么发现，以及如何把发现变成自身理解世界、发展能力和共同创造文明的过程。

菲尔兹奖得主的眼泪提醒我们，一个时代正在发生变化。但它也提出了一个新的开始：当人类不再能够依靠智力上的绝对优势确认自身价值时，我们能否建立一种更成熟的创造观和尊严观？这个问题的答案，将比机器下一次能够证明多少个数学定理，更深刻地影响人类未来。

参考资料

1. OpenAI，Sharing AI Progress in Mathematics，2026年10月6日，10月15日更新。原始公告。

2. 法国数学会，Hugo Duminil-Copin，Un grave défaut d’alignement de l’IA en mathématiques, 28 jours plus tard，2026年10月8日。讲座资料。

3. David Larousserie，Nouveau coup de massue d’OpenAI sur les mathématiciens，《世界报》，2026年10月10日，10月12日更新。报道原文。

说明：本文关于数学家讲话、AI手稿发布及后续审查的信息依据上述公开资料；关于发现的经济价值、教育改革与科学共同生成的讨论，属于在这些事实基础上展开的独立评论，不代表数学界已经形成统一结论。

Subscribe now

——评吉尔·勒波尔《人工国家的兴起与衰落》

人类历史上，统治者始终面临一个难以解决的问题：怎样知道自己统治的社会究竟发生了什么？皇帝依靠官吏和奏章，总统依靠行政部门、情报机构、民意调查和新闻媒体。信息从社会底层向权力中心传递，经过层层选择、概括和解释，最后成为决策依据。这个过程始终存在缺陷。地方官可能隐瞒灾情，官僚机构可能粉饰成绩，政治人物可能只相信符合自己立场的消息，选民也可能受到虚假信息误导。国家掌握的权力再大，也无法保证自己掌握的知识同样可靠。

人工智能似乎提供了一个前所未有的解决方案。政府可以通过算法分析海量数据，识别社会情绪，预测经济变化，追踪犯罪风险，发现公共卫生异常，甚至模拟不同政策可能造成的后果。过去需要几千名官员花费数月整理的资料，机器可能在几分钟内完成初步分析。如果信息处理能力曾经是国家治理的重要瓶颈，那么人工智能似乎正在打开这个瓶颈。一个拥有强大AI系统的国家，或许能够比历史上任何政府都更迅速地了解社会、制定政策和执行决定。

美国哈佛大学历史学家、《纽约客》撰稿人吉尔·勒波尔（Jill Lepore）2026年出版的《人工国家的兴起与衰落》（The Rise and Fall of the Artificial State），为理解这些问题提供了一个颇有思想深度的历史框架。这部由Liveright出版的著作，同年进入德语和意大利语市场。德语版题为《机器的统治》（Die Regierung der Maschinen），由C.H.Beck出版。勒波尔将统计学、技术官僚主义、计算机科学、控制论和当代人工智能放进一条长达数百年的思想史线索，追问人类为什么始终梦想用没有情感、没有私心、不会疲劳的机器，取代充满偏见、欲望和错误的人类统治者。

她担忧的并非机器某一天突然宣布接管政府，而是一种已经可以观察到的权力转移：越来越多具有公共影响的决定，通过私人企业拥有的算法系统形成，而这些系统未必受到与公共权力相称的监督和问责。《出版人周刊》和《柯克斯书评》都特别注意到，勒波尔将这种变化与汉娜·阿伦特关于现代政治如何使人变得多余的思想联系起来。

不过，勒波尔主要从美国自由民主制度面临的挑战出发。她留下了一个值得从比较政治学角度进一步讨论的问题：同一种人工智能技术，进入中国与美国两种不同的制度以后，会不会产生截然不同的政治后果？

从机器治理到人工国家：勒波尔发现了什么？

勒波尔的研究首先纠正了一种常见误解。人们往往认为，机器治理是生成式人工智能出现以后才产生的新问题。事实上，用技术代替政治判断的梦想，远远早于计算机。

现代国家形成以后，人口调查、统计分类、经济核算和行政档案，使统治者获得了前所未有的社会观察能力。到了20世纪，技术官僚主义进一步提出，复杂社会应当更多依靠受过专业训练的工程师、科学家和管理者进行治理，因为他们似乎比普通政治人物更了解社会运行的客观规律。

这种思想并非毫无根据。现代经济与公共管理确实需要专业知识。水利工程需要工程师，公共卫生需要流行病学家，货币政策需要经济分析，现代城市更不可能只凭统治者个人的经验运转。科学知识进入政府，通常可以提高公共决策的质量。

问题出现在另一个地方：专业知识能否代替政治授权？能够计算出某项政策的经济收益，是否就拥有决定谁应当承担损失的权力？如果一种技术可以预测社会成员的行为，它是否就有理由按照预测结果安排这些人的生活？

勒波尔的思想史研究揭示，机器治理的理想一直包含某种诱惑：人类政治充满争吵、妥协、利益冲突和判断错误，而机器似乎可以根据数据找到最有效的答案。

计算机的出现进一步扩大了这种想象。从20世纪中期的社会模拟与选举分析，到互联网平台的推荐算法，再到今天的大语言模型，机器处理的对象逐渐从数字进入语言、意见、行为和社会关系。政府和企业开始利用计算系统预测人们可能购买什么、赞成什么、反对什么，以及面对某种信息时会作出什么反应。

勒波尔尤其注意到20世纪中期美国Simulmatics公司的历史。这家公司试图借助数据和模拟技术理解选民行为，为政治组织提供预测服务。在她看来，这种企图预示了后来数据分析、社交媒体算法与政治传播之间越来越紧密的联系。

她把这一长期趋势称为“人工国家”。这个概念最有价值的地方，是将机器治理与传统技术工具区别开来。政府使用计算机处理税务，仍然可以由公务员和法定程序承担责任；但如果算法开始决定哪些人值得怀疑、哪些声音值得传播、哪些社会群体应被优先干预，而公众又无法理解或质疑这些决定，那么技术就不再只是辅助工具，它已经参与了公共权力的实际运作。

不过，我认为勒波尔的概念仍需进一步区分三个层次：机器辅助行政工作，机器影响政策判断，以及机器在事实上替代人作出具有约束力的决定。三者的政治后果并不相同。人工智能提高公文处理速度，与算法决定一个人能否获得公共服务，不应被放进同一个未经区分的“机器统治”概念中。

只有明确区分这些层次，我们才有可能进一步分析，中国和美国究竟面临什么不同的制度风险。

人工智能会不会强化威权统治

一个令人不安的问题随之出现：当机器越来越善于帮助国家治理人民，它究竟会使国家更加了解人民，还是使国家更加容易控制人民？

对于中国，这意味着人工智能会不会强化国家权力的集中，提高社会管理和政治控制的能力，同时也可能扩大行政决策与社会真实经验之间的距离？对于美国，这意味着人工智能究竟能够帮助民主制度更好地回应公众，还是会通过私人科技公司的力量、算法操纵和政治信息污染，逐渐削弱民主制度赖以存在的公共讨论与权力制衡？

讨论中国，首先需要区分国家治理能力与政治控制能力。国家治理能力包括收集公共信息、提供社会服务、实施政策、协调资源和纠正错误。政治控制能力则更侧重于识别、限制和管理可能挑战既有权力结构的社会行动。两者在某些领域可能使用相同的技术，但目的、权利影响和责任结构并不完全相同。人工智能可以同时增强这两种能力。

中国具有较强的行政协调体系、广泛的数字基础设施和较大的公共管理规模。人工智能进入税务、交通、城市管理、公共安全和行政审批等领域，可以减少重复劳动，提高数据处理效率，并帮助政府识别一些过去难以迅速发现的问题。

例如，机器可以辅助识别交通拥堵的规律，帮助公共部门安排医疗资源，或者从复杂的企业数据中发现异常。这些应用具有实际公共价值，其效果仍需要通过具体项目的成本、准确率、误判率和服务质量来衡量。但同样的技术也可以用于分析公共舆论、识别集体行动风险、自动筛查网络内容以及扩大信息监测范围。

中国已经建立相应的算法监管制度。2022年施行的《互联网信息服务算法推荐管理规定》将个性化推荐、检索过滤、排序精选和调度决策等纳入监管范围。2023年施行的《生成式人工智能服务管理暂行办法》则要求面向公众的有关生成式AI服务遵守内容管理规则，同时规定反歧视、个人信息保护、生成内容可靠性以及投诉举报等要求。两项制度同时体现了技术发展、社会治理和公共信息管理的目标。

这些规则本身不能证明所有算法应用都具有政治控制目的，更不能推定所有地方机构采取相同措施。但它们说明，中国的人工智能发展并非仅由市场机制决定，国家对部分技术应用的方向、边界和内容承担了直接的规制角色。

由此可以提出一个制度性推论：在权力较为集中的治理体系中，人工智能可能降低中央政府监督地方机构、整合部门信息和执行统一政策的成本。如果系统被用于政治安全与公共信息管理，也可能增强既有的政治控制能力。

这种影响在短期内可能较为明显。过去需要大量人力完成的信息筛查和异常识别，可以由机器提供辅助；过去分散在不同机构的数据，也可能通过统一平台进行关联分析。可是，控制能力增强，并不自动意味着国家获得了更好的社会认识能力。这正是问题的关键。

中国的治理悖论：国家越来越难以认识自己

想象一个高度数字化的政府，拥有覆盖不同部门的数据系统，每天收到大量自动生成的报告。机器能够迅速识别经济波动、社会问题和行政异常，并根据过去的政策经验提出建议。与传统官僚体系相比，这显然具有明显的信息处理优势。

但机器能够分析的，首先是已经进入系统的数据。某个社会问题如果没有获得合适的统计分类，地方机构如果没有准确记录相关信息，或者某些社会经验无法进入正式报告，AI便可能在这些缺失信息的基础上形成看似完整的判断。

更复杂的问题是，机器并不会自动摆脱组织原有的激励。如果地方官员担心报告坏消息影响考核，他们可能有动力调整信息的呈现方式。即使报告由人工智能自动生成，系统使用的数据、评价指标和目标函数，仍然可能受到组织目标的影响。

假如一个城市把社会治理成效主要理解为投诉数量下降，算法便可能帮助有关部门更有效地减少投诉记录，却未必意味着居民不满确实减少。假如某个地区主要依据经济增长指标配置资源，系统也可能不断强化有利于增长的建议，而忽略难以立即量化的社会成本。

这里讨论的是一种组织风险，而非对中国所有政府机构现实行为的断言。政治学家詹姆斯·C.斯科特在《国家的视角》中曾经分析，现代国家为了治理复杂社会，往往需要把地方经验转化为统一、可统计、可管理的分类。这种简化有助于提高行政能力，但也可能损失具体环境中的知识。奥地利经济学家哈耶克则从另一条思想传统出发，强调社会知识分散在无数个人的经验和行动之中，任何中央机构都很难完全掌握。

人工智能能够改变这一问题的程度，却未必改变它的根本性质。过去中央机构因为处理能力不足而无法分析大量信息，今天这种限制正在减弱。但信息没有被记录、分类不符合现实、组织没有动力报告坏消息等问题，仍然存在。

因此，可以提出一个值得研究的假说：当一个国家的计算能力增长快于公共信息的可纠错能力时，人工智能可能扩大国家执行决定的能力，却未必同比扩大国家判断决定是否正确的能力。

在中国的制度环境中，这个问题特别值得关注。较强的组织协调可以使某项成功技术迅速推广，也可以在存在系统性误判时，使同一判断更大范围地得到复制。其实际后果取决于政策试验、专业评估、公众反馈、申诉救济和机构纠错机制能否发挥作用。

因此，人工智能对中国政治制度的长期影响，不能只看它是否使国家更容易治理社会。还要看它是否帮助国家更准确地发现社会问题，以及是否允许与既定政策判断不一致的信息进入决策过程。国家拥有更多数据，与国家更接近真实社会，是两个需要分别证明的命题。

机器统治的深层问题：技术效率能不能创造政治合法性

勒波尔这本书最有启发性的地方，是将技术问题重新带回政治哲学。我们习惯于认为，一种技术如果能够更准确地预测、更迅速地计算、更高效地完成任务，它便代表某种进步。对于大量具体任务，这种判断是合理的。机器提高医学影像识别能力，可以帮助医生；改进城市交通预测，可以减少拥堵；提高行政数据处理效率，可以降低服务成本。

但政治决策还需要回答机器无法仅凭数据解决的问题。例如，一座城市拥有一笔有限的公共预算，应当优先建设医院，还是改善公共交通？政府应该为了经济增长接受多大的环境风险？一个地区的公共安全措施应该在何种情况下受到个人隐私权的限制？

这些问题包含事实判断，也包含价值选择。技术可以帮助比较不同政策的成本和收益，却无法仅凭计算结果决定应当优先保护哪一种价值。

即使机器能够准确预测一项政策将使百分之九十的人受益，也不能自动回答剩下百分之十的人应当承担什么损失，以及他们拥有哪些不可被简单抵消的权利。

政治合法性的形成，需要考虑权力来源、法律约束、公众参与、程序公正和责任归属等问题。不同国家的政治制度对此存在不同安排，也有不同的正当性主张，但技术效率本身不能替代这些制度性问题。

这使勒波尔与20世纪政治哲学家汉娜·阿伦特形成了思想联系。阿伦特强调，人类的公共生活不仅涉及劳动和技术性活动，还涉及人在彼此面前表达意见、采取行动和建立共同世界的能力。人工智能可能使部分行政工作自动化，却不能自动建立人们共同生活所需要的政治关系。

勒波尔将机器治理与阿伦特关于现代社会使人变得多余的担忧联系起来，其重要性正在这里。不过，这种思想联系并不意味着二人的理论完全一致。阿伦特关注极权主义、政治行动与公共世界的历史条件，勒波尔则把问题推进到现代科技资本主义和算法治理之中。

我认为，勒波尔还可以进一步回答一个问题：人工智能是否也可能改善政治合法性的实际条件？例如，它可以降低政府公开资料的阅读门槛，使更多人理解复杂预算；帮助公众比较法律草案；提高公共意见整理效率；为资源不足的公民提供初步法律信息。这些用途并不能消除制度偏差，却可能提高公众参与和监督公共事务的能力。

因此，人工智能与民主或威权之间，并不存在一条由技术本身决定的单向道路。技术扩大的是可供使用的能力；这种能力究竟服务于控制、公共服务还是权力监督，需要在具体制度中观察。

人工智能会不会创造一种新的“认知国家”？

读完勒波尔的书，还可以提出一个超出作者主要论证的新问题：现代国家正在获得前所未有的信息处理能力，我们是否需要重新定义国家的认知能力？

过去讨论国家能力，政治学家主要关注财政、行政、军事、法律和组织动员。国家能够征税、维持秩序、提供公共服务和实施政策，通常被视为具有较强的治理能力。

人工智能的发展，可能使一种新的能力获得越来越重要的位置：国家持续认识社会变化、形成解释并据此调整行动的能力。可以将它称为“国家认知能力”。

但这个概念需要严格区分三个环节：国家能够观察什么，国家怎样解释观察结果，以及国家是否允许新的证据改变已有判断。人工智能主要增强前两个环节的技术条件，也可能帮助第三个环节开展比较和检验；然而，最后是否修改政策，仍涉及组织责任和制度选择。从这个意义上说，一个国家拥有先进的AI系统，并不自动意味着它拥有同样先进的国家认知能力。

如果算法能够收集大量社会数据，却长期忽略无法量化的个人经验，国家可能产生一种数据充分的错觉。如果政策分析越来越依赖特定模型的分类方式，而有关人员又缺少检查模型假设的能力，国家便可能在计算能力增加的同时，形成新的认知依赖。

这也与《认知经济论》所讨论的思想生产和知识验证机制存在联系。人工智能降低了生成解释和政策建议的成本，但有效知识的形成仍然需要可靠数据、反证检验和现实反馈。候选方案越容易生产，辨别哪些方案确实有效便越重要。

同样的逻辑适用于国家治理。国家可以让机器更快地提出一千种政策方案，却仍需要确定这些方案是否建立在准确的社会信息之上，是否包含被忽略的利益，以及能否通过现实试验进行修正。

因此，机器统治的政治风险，也许不只是机器代替人作出决定，还在于人越来越难以意识到，机器所提供的完整解释依然可能建立在不完整的信息之上。

对于中国，这意味着数字治理与真实社会反馈之间需要建立可靠联系。对于美国，则意味着公共机构必须能够理解、审计和必要时否定私人企业提供的算法判断。

两国制度环境不同，但都需要回答同一个基础问题：一个政府如何证明，自己所使用的人工智能正在帮助它更准确地认识现实，而不仅仅是更有效地执行既定判断？

机器最终会强化什么权力？

回到文章开始的问题：机器的统治究竟会不会强化中国的威权统治？

从现有制度结构出发，可以提出两种值得检验的趋势。在中国，人工智能具有增强集中协调、行政监督和公共信息管理能力的条件。较为统一的组织体系有助于推动技术应用，也可能使算法形成的判断快速进入行政流程。由此产生的短期效应，可能包括更高的行政效率与更强的政治控制能力。但这种技术能力究竟会不会进一步提高国家长期的治理质量，取决于信息是否可靠、不同意见能否被纳入分析，以及制度能否发现并修正错误。更合理的判断是，人工智能能够放大既有权力结构的能力，也会放大这些结构尚未解决的制度问题。

一个国家如果重视执行效率，AI可能首先被用于提高执行效率；一个国家如果重视市场创新，AI可能首先通过私人企业迅速扩散；如果公共部门具有可靠的监督和反馈制度，AI也可以成为识别政策错误的工具。

技术本身不能保证任何一种政治结果。它改变的是不同制度可供选择的行动条件，以及错误被迅速复制或及时纠正的可能性。

勒波尔在《人工国家的兴起与衰落》中发出的警告，值得认真对待。现代人可能在享受机器便利的同时，逐渐把越来越多的判断交给自己并不理解的系统。政府可能因为算法提高了效率，就减少对决策过程的检查；公众也可能因为机器提供了完整答案，而逐渐放弃追问答案依据的习惯。

但人工智能还可以带来另一种可能。它使公共信息更容易被理解，使不同政策更容易被比较，使过去难以发现的行政问题获得新的识别工具，并帮助更多普通人进入原来高度依赖专业知识的公共讨论。

未来的国家治理未必会演变成人与机器之间的权力争夺。更现实的变化，是国家、企业、专业人员和公民不断重新划分哪些判断可以交给机器、哪些决定需要人的授权，以及出现错误时由谁承担责任。

工业革命曾经大幅扩大国家组织物质生产的能力，数字革命则扩大了国家收集和传播信息的能力。人工智能可能进一步扩大国家解释社会和辅助决策的能力。但能力增长从来不等于制度进步，两者之间仍然存在需要政治、法律和公共生活共同解决的问题。

勒波尔让我们看到，现代社会曾经多次相信科学、统计和计算能够使政治摆脱人的局限。每一次技术进步都扩大了人类行动的能力，却没有消除政治生活中的利益冲突、价值差异和判断错误。

人工智能很可能再次重演这种历史：它使国家比过去更加有能力，却不一定使国家更加明智。一个国家越有能力通过机器治理人民，就越需要有能力通过人民的真实经验纠正机器。未来最重要的政治分野，也许不在于哪个国家拥有更强大的人工智能，而在于当人工智能作出错误判断时，谁能够让它停下来。

Subscribe now

当机器越来越会解题，人类为什么还需要研究？

2026年10月，数学界出现了一场颇有意思的争论。一边是人工智能公司竞相宣布数学研究的新突破，把解决长期悬而未决的数学难题作为展示技术能力的重要标志；另一边，菲尔兹奖得主、加州大学洛杉矶分校数学教授 Terence Tao（陶哲轩）却对这种竞赛公开表达忧虑。他支持数学界反对把公开数学难题变成商业AI竞赛的声明，并在10月9日于加州理工学院发表了一场题为“Math 2.0”的演讲，试图重新回答一个问题：当机器已经能够解决越来越多的数学问题，数学家还应该做什么？

吊诡的是，陶哲轩本人早已成为AI的积极使用者。他用AI查找文献、编写程序、绘制图表、处理计算，甚至把某些证明工作交给机器。2026年3月4日，他与OpenAI首席研究官马克·陈（Mark Chen）在加州大学洛杉矶分校的一场公开对话中，详细说明了自己的使用方法。他承认，原本需要花不少时间完成的辅助性工作，如今可以借助AI大幅加快。有些他已经知道证明思路、只是懒得逐项计算的引理，也会让AI先做。

这就引出了一个问题：一个反对AI公司大规模攻克数学猜想的数学家，为什么自己又如此熟练地使用AI？答案可能比通常的赞成或反对AI更有启发性。陶哲轩担心的并非机器越来越聪明，而是人类正在把科学研究中容易计量的结果，当成科学研究本身的目的。当答案变得越来越便宜，知识如何增长、理解如何形成、新问题如何被发现，反而成为更重要的事情。

这场争论的意义也远远超出了数学。如果数学这样具有明确证明规则的学科，都必须重新界定什么叫知识进步，那么政治学、经济学、历史学、社会学这些缺少统一验证标准的学科，又将如何面对AI？我们是否正在走向一个“社会科学2.0”的时代？

陶哲轩反对把数学变成解题竞赛

理解陶哲轩的立场，首先需要澄清一个流行的误解。2026年9月，陶哲轩参与支持一份题为《AI与数学之间的严重目标错位》（A Severe Misalignment of AI in Mathematics）的声明。10月6日，OpenAI集中发布大量声称解决数学问题的研究文稿，进一步引发争论。10月7日，陶哲轩在个人博客转载人类数学协会（Association for Human Mathematics）的声明，批评这种集中发布方式忽视数学研究共同体的需要。声明认为，一次发布数百份材料并不能自动构成有价值的学术贡献，还会给论文核验和研究评价带来沉重负担。需要说明的是，这份10月7日的文本是该协会的集体声明，陶哲轩以转载者身份发表，不能把其中每句话都当成他的个人原话。

他的批评有一个重要前提：数学研究是一种长期积累的知识活动。一个猜想得到证明当然重要，但证明只是数学进步的一部分。人们还要知道为什么这个结论成立，证明使用了什么方法，它与其他问题有什么联系，能否由此提出新的理论，以及后来的人能否理解并继续发展。

在传统数学研究中，解决难题往往同时产生这些收获。数学家为一个猜想工作十年，可能最终没有解决它，却发明了新的方法，发现了其他定理，培养了年轻研究者。研究的价值并不完全取决于那个最初的猜想是否获得答案。

AI改变了这种关系。如果机器能够在短时间内生成大量证明，人类长期以来依靠解题活动获得的研究经验、方法创新和人才培养，就未必会随答案一起出现。机器可能交出一个形式上正确的结果，但数学共同体仍然需要花时间理解它究竟意味着什么。

这里存在两种值得区分的进步：一种是问题得到解决，另一种是人类的数学理解得到扩展。过去两者经常同时发生，未来却可能逐渐分离。

当然，反对意见也很有力量。数学问题并不属于数学家个人或某个学术组织。如果AI能够提出有效证明，为什么必须等待研究共同体认可的方式才能公布？如果一项发现能够节省多年工作，限制机器探索是否反而延缓了科学进步？

这些质疑提醒我们，保护数学研究不应演变成保护既有学术职业的排他性利益。陶哲轩提出的问题，因而不能简单理解为数学家与AI公司争夺解题权。更值得讨论的是：在机器大规模生产候选证明之后，谁来验证，谁来解释，谁来维护可靠的知识体系，又由谁承担错误的代价？

数学的任务从来不只是让一个未知命题变成已知命题，还包括使这个结果进入人类能够理解、使用和继续发展的知识结构。这也是陶哲轩试图维护的东西。

把计算交给机器，把判断留给自己

陶哲轩的日常实践，为理解这场争论提供了另一条线索。2026年3月，在加州大学洛杉矶分校纯粹与应用数学研究所（IPAM）举行的公开对话中，陶哲轩谈到，AI已经改变了他接近数学问题的方式。过去，需要自己编写程序、检索资料或完成大量计算的工作，现在可以交给AI。他会让AI制作图表，检验某个猜想是否值得继续研究，或者尝试证明自己已经大致知道如何处理的引理。

他同时承认，在需要最深层次的数学思考时，AI还不能完全替代自己与同事之间的交流。面对尚无清晰解决路径的问题，他依然需要亲自推演。他的判断标准很务实：一个工具能否减少研究中的无效劳动，同时不妨碍自己理解问题？

这与截图中总结的“把80%的繁琐杂活交给AI，把最核心的思考留给纸和笔”基本一致，但需要说明：这个80%的比例尚未从访谈原始记录中核实，不能作为陶哲轩的精确原话。 同样，截图称其在Reddit访谈第49分钟提出“Artificial Cleverness”，我目前找到的可靠材料可以证实他使用过相关概念，却不能确认截图所说的具体访谈时间与措辞。

陶哲轩对AI的评价有一个变化过程。2024年9月，他曾把早期模型比作一名能力平庸、但还不至于完全不称职的研究生。到了2026年3月，他认为AI已经进入能够在数学研究中发挥实际作用的阶段，因为它节省的时间开始超过它浪费的时间。这种评价变化，来自使用经验，也来自模型能力的进步。

他的做法可以概括为三个层次。第一层是研究后勤。检索论文、整理参考文献、编写代码、绘制图形、检查计算、处理技术性文字。这些工作的重要性毋庸置疑，但并非每一项都需要数学家亲自完成。让AI承担其中可以核验的部分，相当于给研究人员增加了一支随时可以调用的技术助手队伍。

第二层是研究探索。当数学家怀疑一个结论成立时，可以让AI先尝试证明；当他考虑某条路线是否可行时，可以借助计算或自动化工具进行初步试探。这时，AI开始参与知识生产。不过，机器给出的候选证明、反例或研究线索，都需要经过严格检验。未经核实的输出不能直接当作数学发现。

第三层是概念判断。什么问题重要？一种证明为什么有启发性？两个领域之间是否存在尚未被认识的联系？某个结论能否引出更深刻的理论？这是数学研究中最难界定、也最难交给机器独立完成的部分。

陶哲轩的AI使用原则是有选择的自动化。他在持续更新的个人AI观点档案中强调，研究者最好把AI用于自己有能力核查、质疑和纠错的任务。这样的合作保留了人的判断，也保留了发现和纠正错误的可能。

这并不意味着AI永远只能处理琐碎任务。随着能力进步，机器可以承担越来越复杂的研究工作。陶哲轩已经明确承认这种变化。他更关心的是：即使AI能够完成某项任务，人类是否仍然理解其结果，是否知道结果的适用边界，以及由此产生的新问题是什么。所以，他反对的不是AI进入数学，而是把自动化解题的能力误认为数学进步的全部。

从“人工智能”到“人工机灵”

陶哲轩的另一项重要思考，是区分 Artificial Intelligence（人工智能）与 Artificial Cleverness（人工机灵）。

在他的公开观点中，更完整的表述是“Artificial General Cleverness”（人工通用机灵）。这个概念不是严格定义的技术分类，却揭示了当代大模型一个容易被忽略的特点：机器可以在某些复杂任务上表现得异常出色，同时在另一些基础问题上犯明显错误。

传统上，人们容易把智能想象成一条直线：儿童低一些，成年人高一些，专家更高，超级智能则位于顶端。如果AI在一道数学题上超过菲尔兹奖得主，就似乎意味着它的整体智能已经超过这位数学家。

陶哲轩认为，这种想象过于简单。不同认知能力并不必然同步发展。机器可以迅速检索庞大文献，处理复杂计算，尝试多种证明路径，却未必能在资料很少、问题尚不清楚、需要重新建立概念的情境中作出同样出色的判断。

一个模型可能在高度形式化的问题上表现得远超一般研究者，但当它只有少量事实、一段模糊的类比、几个彼此矛盾的观察结果时，未必知道什么才是应该首先追问的问题。

这就是陶哲轩所谓机器能力的不均衡性。

人类数学家的重要能力之一，是在已有知识不足以给出直接答案时，凭借经验、直觉和概念判断寻找新路径。AI的突出优势，则在于能够快速处理那些具有明确规则、充足资料和可检验结果的任务。两者并非完全对立，但也不能简单互换。

这里还有一个值得进一步思考的区别：机灵可以帮助我们找到答案，智慧则要求我们理解答案的意义。这句话是对陶哲轩观点的概括，不是他的原话。它所指向的问题却很清楚。机器在某些任务上表现出的“聪明”，并不自动等于它拥有对研究目的、社会背景和知识价值的完整理解。

不过，也不应据此认定机器永远不可能发展出更深入的概念能力。陶哲轩的判断主要针对当前技术和研究实践。他并没有提出一个证明人类理解永远不可被机器超越的定理。这恰好体现了他的谨慎：既承认AI能力取得了巨大进步，也拒绝把局部表现直接扩大为对全部认知活动的判断。

“数学2.0”：从证明稀缺走向证明丰富

2026年10月9日，陶哲轩在加州理工学院发表《Math 2.0》公开演讲，次日将30页幻灯片上传个人博客。这是理解其思想转变最重要的一份原始材料。

这场演讲的核心，是一个简单却影响深远的历史判断：过去的数学研究建立在“证明稀缺”（proof scarcity）的前提上，而AI正在推动数学进入一个“证明丰富”（proof abundance）的时代。

在陶哲轩所说的“数学1.0”（Math 1.0）中，一个长期公开的数学问题通常极难解决。找到证明需要高水平的知识、经验和创造力。围绕这种稀缺性，数学界形成了相应的制度：谁首先解决难题，谁获得声誉、职位、研究经费和学术奖励。论文发表、学术会议和研究共同体的运作，也在很大程度上围绕新证明展开。

但数学具有三个使其特别适合AI的特征：第一，证明有相对明确的正确性标准，在适当形式化之后还可以由Lean等证明助手进行机械核验；第二，数学研究高度数字化，不少任务无需实验室设备或现实世界的物理操作；第三，数学拥有大量高质量、可供数字化处理的研究文献。

这些条件使数学成为AI技术竞争的重要领域。模型可以快速尝试证明，自动搜索推理路径，并处理过去需要长期人工投入的复杂任务。于是，在某些领域，原本稀缺的证明开始变得相对容易获得。

不过，陶哲轩特别强调，这种变化并不意味着数学难题即将被全部解决。数学问题的空间没有穷尽，难度也没有固定上限。目前许多前沿问题即使投入大量计算资源仍然无法解决。AI的能力既强大又不均衡，不能仅凭社交媒体上的成功案例判断其整体水平。

更深刻的变化发生在数学研究的评价标准上过去，证明一道重要难题是数学家能力和研究贡献的可靠标志，因为获得证明的过程通常伴随着方法创新、理论理解和知识积累。但当机器可以大量生产候选证明时，证明数量本身的解释力就下降了。

一篇论文解决了一个问题，却没有提供新的思想；另一项研究未能解决原问题，却创造了一个可以广泛使用的新方法。究竟哪一项贡献更大？在旧的评价体系下，前者可能更容易得到承认。到了AI时代，这种标准就需要重新思考。

陶哲轩提出的“数学2.0”（Math 2.0），要改变的正是这一点：数学研究必须继续开拓新的前沿，同时降低单纯解题在学术评价中的中心地位，把更多注意力放在理解、解释、方法创新和知识体系的发展上。

他的演讲还提出了若干很具体的研究方向：用AI为已经证明、但解释晦涩的定理寻找更好的说明；将分散在大量论文中的结果连接成持续更新的知识网络；建立高质量的形式化数学资料库；在已有证明的基础上删减条件，检查结论是否仍然成立；探索一个定理周围尚未被发现的问题；以及开发更透明、更容易验证的数学模型。

陶哲轩并不想把AI赶出研究现场。相反，他希望AI被用于比机械解题更有创造性的工作。他的演讲给出一个意味深长的判断：实现“数学2.0”的首要瓶颈，已经不在技术，甚至不完全在制度文化，而在想象力。机器能够做越来越多的事情，人类却尚未充分想清楚，究竟应该让机器帮助我们做什么。

数学猜想是一座灯塔，解决猜想不等于完成探索

在《Math 2.0》的演讲中，陶哲轩用了一个很有表现力的比喻：数学中的公开难题就像灯塔。灯塔的价值不只在于让人抵达那个地方，还在于为探索周围未知的海域提供方向。

过去，一个数学家尝试解决某个猜想，可能经历多次失败，发展不同的证明方法，发现与其他理论之间的联系。这些研究经历会积累成新的知识。后来者即使没有解决原来的问题，也可以沿着这些路径继续探索。

如果AI直接给出了答案，灯塔虽然抵达了，但原本通往它的许多道路可能再也没有机会被探索。

陶哲轩并非断言AI证明必然缺乏价值。他担心的是，过度集中于抢先获得答案，会使人们失去研究过程可能产生的其他收获。

一个具体案例是他参与的等式理论项目（Equational Theories Project）。该项目结合数学家与自动定理证明工具的工作，对2200多万个代数命题之间的关系进行了判定。有些原本让研究者十分困扰的问题，后来发现可以通过相对简单的有限反例解决。但研究人员在寻找反例的过程中，也发展出处理无限结构的新方法。假如机器一开始就给出了那个简单答案，这些方法是否还会出现？陶哲轩认为值得担忧，同时承认这只是反事实推测，无法证明另一条历史路径一定不会产生同样的发现。

这提出了一种此前不太受重视的知识价值：研究过程本身具有发现能力。在传统科学叙事中，我们常常只记住成功者和最终结论。可是，许多重要理论产生于错误、失败、意外观察和研究路径的转换。一个被解决的问题固然贡献了答案，一个尚未解决的问题也可能持续产生新思想。

AI大幅降低答案的获得成本之后，科研制度就面临新的选择：继续奖励谁最先拿到答案，还是更加重视谁发现了新的方法、建立了新的解释、开辟了新的领域？

这里还存在一个更实际的困难。机器生成的研究结果越多，负责判断其意义的专业人员就越可能不堪重负。大量候选论文不等于大量可靠知识。一个结果即使正确，也需要进入现有学术体系，与其他结果建立联系，并成为后续研究可以使用的基础。

如果没有这一过程，AI可能创造出新的科学繁荣，也可能制造出规模空前的知识拥堵。这才是陶哲轩批评OpenAI集中发布大量数学文稿时，值得认真讨论的制度问题。

从数学2.0到社会科学2.0

陶哲轩关于数学未来的思考，可以向社会科学延伸，但这种延伸是本文提出的判断，不能当作他已经建立了“社会科学2.0”的理论。

数学与社会科学有一个根本区别。数学能够通过严格证明来判定一个形式化命题是否成立。社会科学面对的却是由人构成的开放系统。人的偏好会变化，制度会改变，历史无法重复，研究者本身也可能影响研究对象。

一项经济政策在某个国家取得成功，未必能在另一个国家复制；一项社会心理学实验在特定人群中得到的结果，未必可以直接推广到其他文化；一种政治制度在某个历史阶段产生的效果，也可能随着社会条件变化而改变。

所以，社会科学的2.0时代不会简单表现为AI帮助学者更快地写出论文、拟合模型或处理数据。它应当意味着研究过程本身的改变。

可以把这种转变概括为五个相互联系的方向。第一，从文献积累转向知识关系的发现。 过去，社会科学研究者需要长期阅读，才能熟悉一个领域的重要理论、争论和研究传统。今天，AI可以帮助研究者在多语言、多学科文献中寻找概念关系，比较不同理论对于同一个问题的解释，并指出研究之间可能存在的联系或冲突。

以中国现代思想史为例，研究者可以同时考察晚清中文文本、明治日本的政治思想著作、德文哲学概念和英文政治理论，追踪一个现代概念在不同语言中的转译、变形和重新组合。过去，这类研究往往受到语言能力、资料检索和个人阅读规模的限制。AI能够降低其中一些成本，但概念究竟是否同源、影响关系是否真实、不同语境中的意义是否发生变化，仍须依靠原始文献和历史证据确认。

第二，从单一理论解释转向多模型竞争。 社会科学经常出现一种现象：不同学派对同一个社会事件作出不同解释，各自在自己的理论框架中寻找支持材料。AI可以帮助研究者把这些解释放在一起，系统比较它们的预测、证据和适用条件。

例如，研究中国社会的身份竞争和承认问题，可以同时考察经济不平等、相对剥夺、社会认同、法权承认和制度激励等不同理论。AI能够帮助研究者列出各模型可能成立的条件，寻找与其相矛盾的案例，甚至设计可以区分不同解释的研究方案。这样的工作是否构成进步，不取决于AI提出了多少种理论，而取决于这些理论是否提供了可检验、可反驳、能够解释现实差异的判断。

第三，从数据处理扩展到机制发现。 AI能够帮助社会科学家处理大量访谈记录、法律文件、政策文本和历史资料，也能辅助建立统计模型、识别异常案例。但相关性并不自动构成因果性，预测准确也不等于解释成立。

如果AI发现某些地区的教育投入与经济增长高度相关，研究者仍须追问：究竟是教育促进了增长，还是经济发展创造了更多教育资源？是否存在产业结构、人口迁移或地方财政能力等共同因素？政策变化会不会改变这种关系？

社会科学2.0需要把AI用于帮助生成和检验机制假说，同时保留实验、准实验、田野调查、档案研究和比较历史分析等证据方法。不能因为AI生成了一个完整解释，就跳过验证过程。

第四，从学科分工走向跨学科的共同研究。 现实中的许多重要问题本身就不遵守学科边界。人口老龄化既是人口学问题，也是经济、财政、医疗、家庭和伦理问题；AI引起的就业变化涉及经济学、教育学、社会学、心理学和政治哲学；国家制度的纠错能力则同时牵涉法律、政治组织、信息传播和人的认知局限。

AI使一个研究者更容易接触其他学科的概念与方法，但这种便利同时带来危险：跨学科表述可能越来越流畅，研究者却未必掌握每个领域的证据标准。好的跨学科研究需要能够指出概念在哪里连接、哪里冲突，以及哪些类比只具有启发性，尚不能承担因果解释。

第五，从解释社会走向评价研究的社会后果。 数学理论进入现实应用时，需要考虑模型能否充分代表现实条件。社会科学则从一开始就与社会制度和人的生活相连。一种关于贫困的理论可能影响福利政策，一种关于犯罪的预测模型可能影响警务资源配置，一种关于学生能力的评价方法可能改变教育机会。

因此，社会科学2.0不能只问模型是否预测准确，还必须问模型服务于谁，遗漏了谁，错误由谁承担，研究结果是否可能被用于扩大既有的不平等。在我看来，这五个方向共同指向一个更大的变化：社会科学正在从以个人阅读和单一学科解释为中心的知识生产，逐步走向以人机协同、多模型比较、证据核验和现实反馈为基础的研究体系。但这只是有条件的前景，并非已经完成的转型。

社会科学2.0最大的挑战

与数学相比，社会科学面临的AI风险或许更加隐蔽。一道数学题，如果证明存在明确错误，原则上可以找到错误发生的地方。可是，一篇政治学论文可能语句通顺、论证完整、引用丰富，却从最初的问题设定上就发生了偏差。

AI可以根据某个理论为历史事件生成一套看似连贯的解释，也可以根据相反理论生成另一套同样流畅的解释。如果研究者没有能力区分解释的证据基础，机器提高的就只是论证生产速度。这会产生一种危险的学术现象：论文越来越多，理论越来越复杂，知识却未必按同样速度增长。

过去，一名学者阅读数百篇文献需要很长时间。这种劳动固然包含大量机械性工作，却也迫使研究者逐渐熟悉一个领域的争论、发现其中的矛盾，并形成自己的问题意识。AI可以省去部分阅读负担，但如果连比较、怀疑和判断都交给机器，研究者就可能失去形成问题意识的机会。陶哲轩关于数学研究过程的担忧，在这里同样成立：一项研究最有价值的发现，有时并不是最初想得到的答案，而是研究过程中意外出现的新问题。

社会科学还有一个特殊难题，就是研究对象会对研究结果作出反应。一项关于金融市场的预测一旦被大量投资者采用，就可能改变市场行为；一种关于教育成效的评价指标一旦成为学校考核标准，就可能改变教师的教学方式；一套用于衡量政府绩效的指标，也可能诱导行政机构把容易计量的目标置于难以计量的公共价值之上。在这样的情境中，研究模型既是观察工具，也可能成为改变现实的力量。

AI模型越强大，这种作用就可能越明显。因此，社会科学2.0还需要研究模型与社会之间的反馈关系。它不仅要解释一个制度如何运作，还要考察当制度开始依据模型作出决策时，人的行为和制度本身将如何改变。

这也意味着，社会科学2.0必须保持一种新的认识论自觉：模型能够帮助我们理解现实，但模型一旦进入现实，现实就可能不再按照原来的模型运行。这一点，是数学2.0可以给予社会科学的重要启发，也是社会科学必须在自身领域继续发展的问题。

从解题能力到知识生成能力

陶哲轩的思想里，有一个容易被忽略的层次：他讨论的并不只是如何使用AI，还包括一个学术共同体应当怎样重新理解自己的使命。

2026年10月的《Math 2.0》演讲中，他提出，数学界需要重新思考教育、论文发表、职业晋升和学术评价，使它们能够奖励解释、知识整理、共同体建设和新研究方向的开辟，而不再过分依赖解决难题的优先权。

这触及现代大学的一个制度矛盾。科研机构往往依靠可以计量的成果分配资源：论文数量、引用次数、获奖情况、项目经费、专利和技术指标。这套体系有其管理上的理由，却容易把学术活动中较容易衡量的部分当成全部。AI恰好能够显著提高其中一些指标的生产速度。

于是，一个问题出现了：当论文可以更快生成，代码可以更快编写，研究报告可以更快完成，科研评价是否还应该把这些产出的数量放在中心？如果旧的奖励机制不变，研究人员就可能越来越依靠AI生产符合指标的成果。整个体系看上去更加繁荣，新的理论、可靠的发现和深刻的理解却未必相应增加。

陶哲轩提出的数学2.0，实际上是在要求数学界重新确认：研究的目的是什么，哪些成果值得奖励，年轻学者应当培养什么能力，以及一个学科怎样才能在工具改变之后仍然保持发展的活力。

这对社会科学尤其重要。社会科学的价值不能只体现在解释了多少事件、发表了多少论文，还应体现在是否提出值得研究的新问题，是否发现此前被忽略的社会机制，是否修正了错误理论，是否帮助人们更准确地理解制度与行为之间的关系，以及是否为公共决策提供更可靠的知识。

由此可以提出一个社会科学2.0的基本判断：未来学者的竞争力，将越来越取决于提出问题、整合证据、识别因果机制、比较理论和作出独立判断的能力。AI可以扩大这些能力发挥作用的范围，但不能仅凭产出速度证明研究已经取得进步。

当然，这也不意味着应当把一切传统研究方式理想化。人工阅读并不天然深刻，手工计算并不天然可靠，人类研究者同样会犯错误、追逐名利、选择性引用证据。AI提供的自动化核查、大规模比较和跨学科检索，可能帮助科学共同体发现以往难以发现的错误。

需要守住的并非旧方法本身，而是科学研究赖以成立的原则：证据可以追溯，结论允许质疑，错误能够修正，研究目的可以公开讨论。

回到陶哲轩最初的争论，他并没有要求数学家拒绝AI。恰好相反，他希望数学家学会使用更强大的工具，同时防止数学研究被单一的技术竞赛重新定义。

他自己的工作方法正体现了这种立场：能交给机器而且能够核查的工作，就交给机器；需要创造性探索的难题，借助机器扩大尝试范围；涉及研究方向、证明意义和知识价值的判断，则尽可能保留人的积极参与。

这样的分工未必永远不变。随着AI能力的发展，人类与机器的界限可能继续移动，今天属于人的一些工作，明天也可能由机器承担。但无论界限怎样变化，社会仍然需要回答一个不能仅凭计算速度解决的问题：我们为什么追求知识，又准备怎样使用知识？

陶哲轩的数学2.0提供了一个重新思考的起点。它提醒我们，科学研究所追求的进步，最终应当体现为理解的增长，以及理解所带来的新的行动能力。

对于社会科学而言，尤其如此。我们研究政治，是为了理解权力如何受到约束；研究经济，是为了理解财富怎样创造和分配；研究教育，是为了理解人的能力如何发展；研究历史，是为了理解制度和文明如何形成、延续与改变。

如果AI能够把过去需要十年才能完成的研究工作缩短到一年，这当然值得欢迎。但如果这十年研究中本来可能形成的怀疑、判断、方法和创造性也一并消失，那么我们获得的就未必是同等意义上的知识进步。

数学2.0的问题，是当机器能够证明越来越多的定理，人类还要怎样发展数学理解；社会科学2.0的问题，则是当机器能够生成越来越多的解释，人类能否因此更好地理解自己创造的社会。

机器可以帮助我们抵达灯塔。科学的未来，仍取决于我们是否愿意继续探索灯塔照亮的海域。

参考资料：

• 《Math 2.0》完整演讲幻灯片，2026年10月9日，加州理工学院。

• 陶哲轩个人博客：Math 2.0，2026年10月10日。

• 陶哲轩与Mark Chen关于AI与数学发现的完整对话记录，2026年3月4日。

• 陶哲轩持续更新的AI观点汇总，用于交叉核对其公开立场。该页面由AI辅助整理，经陶哲轩审阅。

• 人类数学协会关于OpenAI发布数学文稿的声明，2026年10月7日。

Subscribe now

早晨醒来，发现自己的信用卡不能使用，网上账户无法登录，手机里熟悉的应用程序不再响应，原本可以通过几次点击完成的事情，突然变得困难起来。他住在家里，没有被逮捕，没有被自己的国家剥夺公民身份，也没有收到本国法院的有罪判决。他仍然有护照，有住所，有工作，受到本国宪法和法律保护。但在另一套看不见的秩序中，他已经被排除在秩序之外。

如果一个人法律上的身份没有改变，却无法正常使用现代生活所依赖的数字基础设施，他还是一个能够充分参与社会的公民吗？这个人究竟还拥有什么权利？

这个听起来像卡夫卡笔下的荒诞故事，来自一个真实的国际政治事件。2025年8月20日，美国财政部外国资产控制办公室（OFAC）将法国法官尼古拉·吉尤（Nicolas Guillou）列入特别指定国民和被封锁人员名单（SDN List）。吉尤是设在海牙的国际刑事法院法官，曾参与2024年11月对以色列总理本雅明·内塔尼亚胡及前国防部长约阿夫·加兰特签发逮捕令的司法决定。美国政府认为国际刑事法院对以色列和美国相关人员行使管辖权损害了其国家主权及盟友利益，因而采取制裁。美国未批准《罗马规约》，长期反对国际刑事法院对其不认可的相关案件行使管辖权，而国际刑事法院及其支持者则认为，政治性制裁正在损害独立司法和国际问责机制。吉尤因此被卷入一场司法管辖权、国家主权与国际政治相互碰撞的争端。

意大利哲学与科技伦理学者保罗·贝南蒂（Paolo Benanti）在2026年9月出版的《吉尤事件：一个被抹除的身份的故事》（Il caso Guillou. Storia di un’identità cancellata）中，把这一事件变成了一个研究现代权力的入口。这本书由Silvio Berlusconi Editore出版，篇幅不长，却相当尖锐：当公民的通信、支付、身份验证、出行和日常社会关系越来越依赖跨国数字平台时，究竟是谁在决定一个人能否正常生活？出版社介绍与作者访谈显示，贝南蒂关心的不只是美国制裁的政治争议，还有数字基础设施怎样改变民主、法律与人的尊严之间的关系。

一个被排除在社会之外的人

吉尤受到的制裁属于美国法律体系中的金融与交易限制。原则上，美国人以及受美国相关规则约束的主体，不得在缺少许可或豁免的情况下，与被列入制裁名单的人进行被禁止的交易。由于现代支付、云计算、商业软件和网络服务高度依赖美国企业及其跨境业务体系，这类制裁的实际影响可能远远超过美国领土范围。

吉尤的WhatsApp、Google应用、Facebook、Instagram等服务受到影响，Amazon、PayPal和Airbnb账户被关闭或无法正常使用，银行卡和部分银行业务也出现障碍。不过，这些具体影响主要依据媒体报道与当事人经历的转述；各企业采取措施的时间、法律依据与实际范围，并未全部获得独立核实。能够由美国财政部原始文件明确确认的是，吉尤确实被列入制裁名单。这个区别很重要：美国作出的制裁决定、企业为遵守制裁规则而采取的措施，以及企业内部自动化风控造成的附加限制，属于相互关联却不完全相同的三个层次。

即使保持这种事实上的谨慎，吉尤事件仍然暴露了现代社会一个容易被忽略的变化。传统社会中的放逐通常具有清楚的地理形式。一个人被驱逐出城市、流放到边疆，或者被剥夺居住权，意味着他必须离开某个地方。数字社会中的排除却可能完全不需要移动身体。一个人仍然生活在原来的住所，经过同一条街道，走进同一间办公室，却发现自己与外部社会之间的许多联系已经被切断。

这一变化使传统的公民权利理论遇到了新的困难。现代宪政制度主要围绕国家、领土、法律和公民身份建立。一个国家的公民可以依靠本国法律获得保护，受到政府处分时，可以要求说明理由、寻求司法救济。但数字基础设施跨越国境，服务提供者可能位于另一个司法管辖区，采取限制措施的企业也未必承担与本国政府相同的程序义务。一个欧洲公民即使受到欧洲法律保护，也可能因为美国的制裁规则而无法使用某些全球性服务。权利写在本国法律中，行使权利的条件却部分掌握在境外基础设施之中。

贝南蒂提出了一个值得重视的问题：一个人的法律身份与其实际社会参与能力，是否正在逐渐分离？这个问题比某个网络账户遭到关闭严重得多。因为它涉及现代公民身份的实际构成。拥有权利与能够行使权利，从来不是完全相同的事情。一个人有言论自由，却没有有效表达的渠道；拥有财产权，却无法进入支付系统；拥有迁徙自由，却无法使用必要的旅行服务，其形式上的权利与现实能力之间便出现了距离。当然，任何单一平台账户都不能直接等同于基本人权，现代社会也存在现金支付、其他通信工具和替代服务。但当越来越多必要活动集中于少数相互连接的数字网络，替代途径的成本便可能不断提高。

数字时代的新权力结构

贝南蒂在《共和国报》的访谈中提出一个形象的观察：过去，一个人买下一把钥匙，通常就能控制某扇门；今天，一把数字钥匙可能储存在手机里，手机虽然属于购买者，控制钥匙的软件却可能只是一项有条件的使用许可。设备的所有权与软件服务的控制权由此发生分离。消费者购买了硬件，却未必拥有决定其全部功能如何运行的权力。贝南蒂借此指出，数字社会正在使越来越多的人从拥有者转变为使用许可的持有人。

这种变化并不限于手机。电子书可能受到数字版权管理系统限制，智能汽车的某些功能依赖厂商持续提供的软件服务，家庭设备的运行需要云端认证，企业办公依赖远程账户，学校、医院和政府机构也越来越离不开外部软件与数据系统。人们日常所说的“我拥有这个东西”，其实际含义正在变得复杂。我们可能拥有设备，却不完全拥有其功能；拥有数据，却未必能够自由迁移；拥有账户，却未必能够决定账户是否继续存在。

贝南蒂将这种现象推进到政治领域。当国家本身也大量购买商业云服务、办公系统、身份验证系统和数据分析服务时，政府便可能在某些环节变成私人技术企业的客户。传统政治理论中的国家，是法律秩序的制定者和执行者；在数字基础设施领域，国家又可能受到商业合同、技术标准和服务条款的约束。这里出现了一种新的制度关系：本来应当保障公民权利的政府，在部分技术条件上也依赖于自己无法单方面控制的企业。

但把这种依赖直接理解为私人公司取代国家，也会过于简单。企业的权力经常来自国家法律的支持，跨境制裁本身就是国家权力借助商业网络发挥作用的结果。美国企业遵守美国法律，与企业自主决定排除某个用户，具有不同的权力来源。吉尤事件最值得分析的地方，正是国家权力与私人基础设施之间形成了一种相互放大的关系。国家制定制裁规则，企业通过支付、通信和账户管理系统执行这些规则，自动化合规系统又可能扩大具体执行的范围。一个原本属于国际政治和司法争端的决定，便沿着技术网络进入个人生活。

贝南蒂将这种新型权力关系称为“计算利维坦”（Leviatano computazionale）。这一概念让人想起霍布斯笔下拥有强大统治能力的利维坦，但两者之间有重要差异。霍布斯的利维坦是具有统一政治意志的主权权威，现代数字权力却分散在政府、跨国企业、金融机构、云服务商和自动化系统之间。它们可能遵循不同的规则，承担不同的责任，却共同决定一个人的社会活动能否顺利进行。权力没有完全消失在算法之中，而是通过技术、法律和商业关系形成了更加复杂的执行结构。

这种结构的危险在于责任可能被不断转移。政府说自己依法实施制裁，企业说自己必须遵守法律，自动化系统按照既定风险规则处理账户，用户却未必能够知道哪一项决定造成了具体限制，又应当向谁提出申诉。每个参与者似乎都能够解释自己为什么行动，受到影响的人却可能找不到一个能够解决问题的明确责任主体。由此，数字权力不透明便从技术问题进入了政治问题。

数字时代，人的尊严需要重新定义

贝南蒂是一位具有特殊知识背景的思想家。他既是一名方济各会神父，也是研究人工智能伦理与社会影响的学者，长期参与技术治理的公共讨论。这种背景使他的论证同时具有神学人类学、政治哲学和技术伦理学的特点。在他看来，数字技术的问题最终要回到一个古老的命题：人的尊严是否能够独立于国家权力、商业契约与技术系统而存在？

他在书中重新借用了罗马法中的万民法（ius gentium）思想，并提出“数字时代的漂泊者”（Homo digitalis peregrinus）这一形象。古代法律秩序需要处理不同身份、不同共同体之间的人际关系，今天的数字世界则需要处理另一种跨越边界的人的处境：一个人生活在某个国家，却不断进入由外国企业、跨境平台和不同法律体系共同构成的数字空间。他在这些空间中究竟享有什么权利，又由谁负责保障？

这个问题可以联系汉娜·阿伦特关于“拥有权利的权利”的思想。阿伦特研究二十世纪的无国籍者与难民问题时，揭示了一项现代政治的深刻矛盾：人可以在抽象意义上拥有普遍人权，却因为失去政治共同体的有效保护而难以行使这些权利。吉尤的遭遇当然不能与无国籍者或被剥夺国籍的难民完全等同。他仍然拥有法国国籍，也可以通过既有法律和政治机制寻求保护。但他的案例表明，即使一个人的国籍与法律身份毫无变化，其参与现代社会所需的部分技术条件也可能突然受到限制。

由此可以提出一个比传统数字隐私更进一步的问题：数字时代的基本权利，是否应当包括对必要数字基础设施的公平进入、合理申诉以及有效替代的保障？

这里需要避免把所有数字服务都上升为基本人权。任何一个商业平台都不可能承担无限制提供服务的义务，制裁、反欺诈、网络安全和违法内容治理也需要保留合理执行空间。但当某类服务已经成为就业、教育、金融、公共沟通或社会保障的重要入口，切断服务的决定就不能仅仅依赖一般商业合同中的单方条款。服务的重要性越高，程序保障、解释义务和救济机制也应当越充分。

更深一层的问题是，数字身份正在逐渐成为现代社会的一种制度性身份。过去，一个人可以通过身份证件、家庭关系、职业身份和地方共同体证明自己是谁。今天，越来越多社会活动还要求机器能够识别这个人：银行系统确认其账户，支付网络验证其交易，平台判断其使用资格，公共服务系统核验其身份。一个人虽然仍然存在于社会之中，却可能因为缺少某种机器可以接受的凭证，而无法进入特定活动。这种现象不应被夸大为机器决定了人的全部存在，但它确实说明，社会承认正在增加一个技术中介层。

人的尊严不能由一个账户的有效性来决定。可是，一个越来越依赖数字系统的社会，必须保证技术上的身份限制不会轻易转化为现实生活中的全面排除。否则，人的尊严虽然仍然受到法律宣示，其实现条件却可能不断受到技术性削弱。

世界需要什么样的数字法治

《吉尤事件》的价值还在于，它打破了一种关于数字主权的简单想象。过去谈到主权，人们主要想到领土、边界、军队、货币和司法管辖权。今天，一个国家即使能够控制自己的领土，其企业、金融机构和普通公民仍然可能深度依赖外国技术基础设施。数字主权于是成为各国越来越关心的问题。

但数字主权本身并不必然等于公民权利获得更多保障。一个国家拥有自主的支付网络、云计算体系和数字身份系统，可以减少对境外服务的依赖，也可能提高危机时期的技术韧性。然而，如果这些基础设施缺少透明规则、独立监督和有效救济，集中控制同样可能使公民面对新的排除风险。一个数字系统由外国公司控制，还是由本国政府或企业控制，当然具有政治与法律上的重要差异；但对普通人来说，还有一个同样重要的问题：当系统作出错误决定时，谁能够纠正它？

这也是吉尤事件对中国具有启发性的地方。中国拥有规模庞大的数字支付体系、移动互联网平台和不断扩展的数字公共服务。数字技术极大提高了交易和行政效率，也使社会活动与平台账户、实名认证和技术验证建立了更紧密的关系。这种发展带来了便利，同时要求法律制度更细致地处理账户限制、错误识别、个人信息保护、平台申诉和服务连续性问题。

中国已经形成包括《个人信息保护法》《数据安全法》在内的相关法律框架，也在持续完善平台治理制度。但数字社会提出的难题往往横跨不同法律领域：一个错误的风险标记，可能同时涉及个人信息处理、商业合同、消费者权益、行政监管甚至就业机会。法律应当如何区分合理的风险控制与不成比例的权利限制？平台应当承担多大的说明和纠错责任？当数字服务实际上缺少有效替代时，公共利益又应当怎样进入企业的治理决策？

这些问题不可能仅靠发展国产技术解决，也不能简单照搬欧美制度。中国有自己的数字基础设施与行政管理结构，需要建立与之相适应的程序保障。对于公共服务和高度重要的基础设施，可以考虑更加明确的限制决定告知、分级申诉、人工复核、错误赔偿及紧急服务保障机制。对于普通商业平台，则应根据其市场地位、服务性质与实际社会影响，确定不同层次的责任。

欧洲近年来通过《数字服务法》和《人工智能法》等立法，尝试为大型平台与高风险技术系统建立更多透明和问责要求。贝南蒂在访谈中对此持相对肯定的态度，但也承认欧洲面临共同政治行动能力不足的问题。应当看到，这些法律并不能自动解决外国制裁与跨境金融合规之间的冲突，其具体适用范围与救济能力仍有边界。吉尤事件最终还涉及国际法、制裁制度、金融基础设施和国家间政治关系，单靠平台监管无法完全解决。

2026年10月9日，美国又宣布扩大对国际刑事法院的制裁，涉及法院作为机构使用美国金融服务及与相关企业交易的能力，并设置过渡安排。这项发生在贝南蒂新书出版之后的政策发展，使书中提出的问题进一步从个别法官的处境扩大到国际司法机构本身的运行条件。如何在国家主权争议、制裁政策与国际司法独立之间建立可持续的制度关系，已经成为一个无法回避的现实问题。

法律仍然承认你，机器却不再认识你

《吉尤事件》最突出的优点，是用一个具体人物的经历，使抽象的数字权力问题变得可以理解。贝南蒂没有把技术治理仅仅写成数据隐私、算法偏见或人工智能伦理的又一个讨论，而是把它带回现代政治的核心：权力怎样形成，受到什么限制，由谁负责，以及普通人如何抵抗错误和不公正的决定。

但这本书的论证也需要进一步推进。计算利维坦是一个有启发性的概念，却不能代替对不同权力机制的详细分析。国家制裁、银行风险控制、平台商业规则和算法自动执行之间存在明显差异。将它们全部解释为一种统一的数字统治，容易忽略法律责任和救济路径上的不同。数字依赖也具有程度差异。失去社交媒体账户，与失去接受紧急医疗服务或获得公共福利的必要渠道，其社会后果不能简单相提并论。只有建立更加细致的权利层级与风险分类，数字法治的讨论才能进入可以落实的制度设计。

贝南蒂的判断可以再向前推进一步。现代社会的权利保障，除了要求政府不得任意侵犯个人自由，还需要面对公民行使权利所依赖的物质与技术条件。工业时代，公共道路、电力、水源和通信网络逐渐成为现代社会的基础设施。数字时代，支付清算、身份认证、网络连接和若干公共数字服务也获得了类似的重要性。它们未必都应当成为公共财产，更不意味着任何私人服务都必须无条件开放，但其治理已经很难完全停留在私人合同的范围内。

由此，数字时代的自由需要增加一个制度维度：人们不仅应当有权进入社会生活，也应当拥有在受到错误排除时寻求说明、纠正和合理救济的途径。数字基础设施可以由不同主体建设和运营，但一个人的基本社会参与能力，不应轻易由无法解释、无法申诉的技术决定所终止。

吉尤事件最终留下的，是一个古老而又全新的问题：过去，一个人失去自由，可能是因为监狱的大门在他身后关上。今天，他甚至不必离开自己的家，就可能发现许多通往外部世界的门已经无法打开。那些门没有锁孔，也没有看守，甚至没有人明确告诉他是谁作出了决定。今天，一个人的自由，要看谁掌握他面前的门钥匙。

Subscribe now

2026年10月11日，人工智能研究者安德烈·卡帕西（Andrej Karpathy）在社交平台X上提出了一个很有意思的观察：今天人们对人工智能的理解正在发生严重分化。有人天天使用ChatGPT，却觉得它不过是一个偶尔出错的聊天机器人；有人用它写邮件、查资料、修改文章，发现工作效率提高了不少；还有一小部分人，已经开始利用人工智能完成过去需要几个星期、几个月才能完成的复杂研究和工程项目。这些人生活在同一个时代，使用的技术也有共同的基础，对人工智能能力的判断却相差甚远。卡帕西把这种现象比喻为一个越来越陡峭的“漏斗”。

按照他的粗略估计，全球约60亿人几乎没有真正接触过大语言模型；10亿至20亿人偶尔使用免费聊天工具，将AI当作搜索引擎和写作助手；约2000万人在数学、编程等专业领域使用先进模型，亲眼看到AI怎样压缩大型项目的完成时间；还有大约5000人能够在实验室内部接触最前沿的系统，观察多个智能体协同工作、推进复杂软件开发和科学研究的能力。他特别说明，这些数字只是估算，并非人口调查。它们也不是严格互斥的统计分组，更不能作为全球AI使用情况的精确分布。卡帕西想表达的是，不同人接触到的AI能力之间存在巨大的落差，而且这种落差还在扩大。

这个判断很容易引起争论。有人认为AI正在迅速接近通用人工智能，有人觉得它依然会胡说八道，两种判断似乎都有事实支持。卡帕西指出，原因之一是先进模型的能力分布并不均匀。在程序、数学等有明确验证标准的领域，AI进步很快；在复杂的人际关系、社会判断和价值选择中，它的表现则远没有那么稳定。另一个原因是使用者提出的问题不同。要求AI回答一段常识，与要求它连续研究一个困难问题、寻找证据、提出假设并反复检验，根本不是同一种使用方式。

不过，卡帕西主要讨论的是技术能力以及接触前沿技术的机会。如果把他的观察再向前推进一步，就会发现一个更值得思考的问题：AI使用者之间的差距，可能正在从工具使用能力的差距，演变为认知发现能力的差距。

互联网时代，我们关心的是谁能够获得信息；搜索引擎时代，我们关心的是谁能够找到信息；生成式人工智能时代，一个新的问题出现了：谁能够把已经获得的信息转化为新的认识，谁能够借助机器发现过去没有发现的问题，提出原来没有想到的解释，并把这些解释变成可以检验的知识？

这或许比AI能不能取代多少岗位更加深刻。它意味着人类正在获得一种新的认知工具，但绝大多数人还没有意识到这种工具究竟可以用来做什么。

一、漏斗背后，是人与机器关系的四次变化

卡帕西的四层漏斗，按照人们能够接触和体验的AI能力划分。但如果从认知活动出发，我们还可以提出另一种分类：答案使用者、任务协作者、认知探索者和知识发现者。这四种身份未必对应四种不同的人。同一个人，上午可能让AI翻译一封邮件，下午与AI讨论一个历史问题，晚上又借助它设计一项社会科学研究。区别在于，每一次使用机器时，他希望获得的究竟是什么。

第一种是答案使用者。这是今天最常见的使用方式。遇到一个不知道的问题，打开AI，得到一个回答；需要写一份报告，让AI给出提纲；读不懂一段英文，请它翻译。AI在这里承担着信息检索、语言加工和常规知识解释的任务。它能够节省时间，也能够降低获取知识的门槛，但使用者原来的认知结构未必发生变化。一个人可以每天向AI提出几十个问题，却始终没有学会如何提出更好的问题。

第二种是任务协作者。使用者开始把AI引入完整的工作过程。例如，一位教师借助AI设计课程、分析学生作业中的共性错误、比较不同教学方法；一位记者用AI整理大量公开资料、建立事件时间线、发现不同报道之间的矛盾；一位社会研究者利用AI协助进行访谈编码、文献梳理和初步数据分析。这时，AI已经从回答问题进入完成任务的过程。人的工作效率可能明显提高，但提高效率与增加认识仍然是两回事。原来需要十天完成的报告，现在两天完成，如果研究的问题、分析框架和判断方法没有变化，认知进步仍然有限。

第三种是认知探索者。使用者不再满足于更快完成原有任务，而是借助AI突破自己已有知识和专业经验的边界。一位历史学者研究清末思想史，过去主要阅读中文史料，如今可以利用AI辅助检索、翻译和比较日文、法文、德文文献，考察同一个政治概念怎样经过多次翻译而改变含义。一位教育心理学家研究学生学习困难，可以同时引入认知负荷理论、语言习得研究、社会分层理论和教育经济学，寻找过去单一学科难以解释的现象。AI在这里承担着知识连接和假设生成的任务。它带来的价值已经超过节省时间，开始接近认知能力的扩展。

第四种是知识发现者。使用者拥有明确而持续的研究问题，能够调动文献、数据、理论、计算和实验，让AI参与一个完整的发现过程：观察异常现象，提出竞争性解释，推导可检验的预测，寻找反例，修正模型，再返回现实。这一层的成果未必是震惊世界的科学发现，也可能只是一个经过验证的新机制、一种更准确的分类方法，或者一项比现有政策更有效的干预措施。但它与前三层有一个重要区别：工作的目标不再是获得已有答案，而是生产经过验证的新知识。

这个分类揭示了一个容易被忽略的事实：AI的认知价值，既取决于机器能够做什么，也取决于人把什么样的问题交给机器。 一个研究问题可以很大，也可以很小。重要的是，它能否带来新的认识，是否存在检验这些认识的方法，以及研究者是否愿意根据证据修正自己的想法。

因此，AI使用者漏斗不应成为一种技术精英对普通人的优越感。能够接触实验室内部系统的人，未必比一位长期观察社会问题的教师、医生或社会工作者拥有更深刻的现实理解。漏斗真正提醒我们的，是技术能力已经出现了新的可能，而大多数人的使用习惯仍然停留在旧工具时代。

这也意味着，从漏斗的宽口向窄口移动，不必以成为程序员为前提。对于研究历史、教育、经济、政治、法律和社会问题的人，重要的是学会另一套使用AI的方法。

二、AI时代最稀缺的能力，正在从寻找答案转向发现问题

人类的知识发展史中，提出正确问题的能力一直比找到现成答案更加稀缺。牛顿研究苹果为什么落下，问题本身并不复杂，复杂的是把地面上的落体运动与天体运行放进同一个解释框架。达尔文面对的也并非一个此前无人注意的事实。人们早已知道不同物种之间存在差异，但他试图回答的是，这些差异能否通过某种共同机制获得解释。爱因斯坦重新审视时间、空间、光速与运动的关系，推动了物理学基本概念的改变。科学史上的突破往往从一种不满足开始：我们熟悉的解释似乎说得通，但其中有些地方始终无法让人满意。

社会科学也是如此。经济学家看到某些国家经济快速增长，而另一些国家长期停滞，便追问决定经济发展的究竟是资源、制度、文化还是历史条件；政治学家发现民主制度并不总能阻止权力集中，于是开始研究制度失灵的机制；教育学家发现接受多年学校教育的人，在知识迁移和独立思考方面仍然存在困难，便重新审视学习与教育之间的关系。这些问题之所以能够产生思想，源于研究者发现了既有理论与现实之间的裂缝。

AI可以帮助我们更容易地发现这种裂缝。它能够在研究者指导下同时比较不同学科的解释，梳理数十种理论的适用边界，检查一项判断是否存在反例，将原本相距很远的历史经验放在一起讨论。过去，一个人可能需要多年阅读才能初步建立跨学科知识地图；今天，他可以借助AI更快获得这张地图的草图，再把时间投入难以解释的部分。

比如，研究青年失业时，我们通常从经济增长、产业调整、就业结构和高校扩招入手。这些解释都很重要，但如果进一步把教育心理学、社会身份理论、家庭社会学和政治经济学放在一起，问题可能发生变化：为什么一些具有较高学历的年轻人，在没有找到理想工作时，会同时出现经济压力、自我价值感下降与社会参与意愿减弱？为什么同样的就业困难，在不同家庭背景和社会保障制度下，会产生截然不同的心理与社会后果？

由此可以提出一个研究假设：青年失业的社会后果，可能不仅取决于失业持续时间，还取决于教育承诺、职业预期与现实机会之间的落差。一个社会如果长期把学历、职业、收入与个人尊严联系在一起，那么当学历无法兑现预期时，受到损害的可能不只是收入，还有个人对社会规则的信任。这是一个可以进一步通过访谈、纵向调查、跨国比较和统计模型检验的假设。AI能够帮助设计研究方案，却不能在没有证据的情况下宣布这个假设成立。

这样的例子说明，AI用于社会科学发现，可以推动问题沿着三个方向前进：从现象进入机制，从单一原因进入多重因果关系，从已有解释进入可以检验的新解释。

2026年7月，《自然》发表的一项研究，为这种可能性提供了值得注意的证据。研究者收集了70项预注册的美国全国代表性调查实验，涉及469项实验效应和119,330名参与者，考察大语言模型能否预测社会科学实验结果。研究发现，模型预测与实际处理效应之间具有较强相关性，在部分比较中接近人类预测者汇总后的水平；但模型也存在系统性高估效应大小的问题，在另外一些研究集合中的预测表现有所下降。

这项研究的意义不在于证明AI已经成为社会科学家，而在于揭示一种新方法的可能性：研究者可以先让AI帮助预测不同干预方案可能出现的结果，再根据研究设计和现实条件，选择更值得开展实证检验的方案。对于教育政策、公共卫生传播、就业援助和社会行为研究，这能够降低初步探索的成本。但模型预测依赖训练数据及其反映的社会环境，不能代替真实调查，更不能把模拟人群直接当成现实中的人。

从这个角度看，AI时代的知识进步可能出现一条新的路径：过去由于文献、时间、经费和专业边界的限制，研究者只能认真探索少数假设；现在，AI能够帮助我们以较低成本生成、比较和初步排除更多假设，让有限的人类研究资源集中到最有解释力、最值得检验的问题上。

当然，假设变多不等于发现变多。假设必须接受现实的检验。科学发现需要人类保持对异常现象的敏感，需要提出超出现成分类的解释，也需要面对不符合预期的证据。2025年《科学报告》发表的一项研究发现，受测生成式AI在已有知识框架内能够协助某些渐进式发现任务，却难以独立完成研究中所考察的根本性发现过程。这个结果不能概括所有模型和科学领域，但足以提醒我们：生成解释与完成发现之间，还存在重要距离。

AI可以显著扩大假设空间，可靠的知识增长却仍然依赖证据、方法和批判。

三、怎样让AI成为人类智慧的导师？

如果AI只能回答人类提出的问题，那么它再聪明，也可能使使用者停留在原来的认知水平。一个学生不断要求AI解释复杂概念，却从不尝试自己推理；一个研究者让AI不断生成文章，却从不检查文章背后的因果假设；一位管理者要求AI提出最优方案，却从不追问方案中的利益分配和价值选择。这样的使用方式，短期内可能提高效率，长期则可能形成新的认知依赖。

要让AI成为智慧的导师，首先需要改变人与机器的对话结构。传统的AI对话通常遵循一个简单过程：人提出问题，机器给出答案，人接受或修改答案。这个过程可以称为“答案交付模式”。它最大的优点是快捷，最大的局限也来自快捷。问题一旦获得流畅回答，人的思考便容易提前结束。而很多重要的思想，正是在第一次回答之后才开始形成的。

可以尝试另一种方式：把AI当作苏格拉底式的认知导师，让它承担追问、反驳、比较和检验的职责。研究者提出一个观点后，不急于要求AI支持自己，而是让它寻找这一观点最脆弱的前提，指出哪些证据可能推翻结论，讨论不同学科会如何解释同一现象，并提出能够区分这些解释的研究设计。

例如，一位研究者认为，现代社会年轻人的心理压力不断增加，主要原因是社交媒体造成了持续比较。普通的AI使用方法，是要求机器为这个观点提供五个证据，或者写一篇评论文章。更有发现价值的方法，则是把这个观点交给AI审查：社交比较是否真是主要原因？经济不安全、家庭结构变化、教育竞争、睡眠不足和心理健康识别率上升分别起到什么作用？这些因素之间是否存在中介效应或相互强化？不同国家、年龄群体和社会阶层是否表现出相同趋势？如果社交媒体是重要原因，减少使用时间是否一定能改善心理状态，还是取决于使用内容和原有的人际关系？

这样的对话可能不会立即产生一篇漂亮的文章，却会迫使研究者意识到，自己最初的解释可能过于简单。接下来，AI可以协助建立因果关系图，列出需要测量的变量，寻找不同理论之间的冲突，再提出几项可以检验的预测。只有在得到真实数据之后，才能决定原来的解释应当保留、修正还是放弃。

这里最重要的变化，是让AI从答案提供者转向认知挑战者。这一方法也获得了一些教育研究的支持。2026年发表于《计算机与教育》（Computers & Education）的一项研究专门考察了基于苏格拉底式提问的大语言模型对话系统与大学生学习表现、反思性思维之间的关系。另有2026年发表于《高等教育计算期刊》（Journal of Computing in Higher Education）的研究发现，AI辅助使用与学生自我调节学习、创新行为、批判性思维之间存在积极关联。不过，后者主要基于调查和补充性定性研究，不能据此断言只要使用AI就一定能够提升批判性思维。

这也提出一个重要的教育原则：好的认知导师，应当使学习者逐渐获得独立判断的能力，而不是让学习者越来越依赖导师。

如果一个人在AI帮助下完成了一项复杂研究，却无法独立解释其基本逻辑、关键证据和主要局限，那么这项工作的完成，并不代表他的认知能力获得了相应增长。相反，如果一个人通过与AI的反复讨论，逐渐掌握新的理论工具，学会发现反例、比较解释和设计研究，即使最后的工作成果并不惊人，他也可能已经发生了重要的认知进步。

因此，评价AI是否成为智慧导师，不能只看它帮助使用者完成了多少任务，还应当看使用者在离开AI以后，能否提出更好的问题、形成更清楚的判断，并独立处理新的困难。

我倾向于把这种关系称为“认知脚手架”。借用教育心理学中的概念，脚手架帮助学习者暂时完成超出当前独立能力的任务，随着能力发展，外部支持应逐步调整。AI可以让一个没有受过完整经济学训练的历史研究者理解制度经济学，让教育学者接触复杂的因果推断，让社会工作者学习政策评估。它提供的是进入专业知识的桥梁。桥梁的价值，在于让人能够走向原本难以抵达的地方，而不是让人永远停留在桥上。

这意味着，AI时代可能需要一种新的学习评价方式：既检验人在AI帮助下能够完成什么，也检验他脱离AI后保留了什么，以及他是否能够审查机器生成的内容。机器协助完成任务的能力和学习者自身获得的能力，应当分别衡量。它们可以互相促进，却不能简单画上等号。

四、社会科学可能迎来自己的认知大发现时代

卡帕西认为，今天AI能力增长最明显的领域集中在编程、数学等可以明确检验结果的活动中。这一观察具有技术上的合理性：程序是否通过测试，数学证明是否成立，往往存在相对清楚的评价规则。社会科学则复杂得多。同样一项政策，可能提高经济效率，却加剧收入差距；一种教育制度可能提高考试成绩，却损害学生的学习兴趣；一种社会治理措施可能在短期内降低某项犯罪指标，却在长期产生其他制度成本。社会科学研究面对的是开放系统、复杂因果关系和不断变化的人类行为，其结论很难像程序一样，通过一次测试就确定正确与否。

但我们不能由此认为，社会科学不适合AI。恰恰相反，社会科学长期面临的一些基本困难，可能为AI提供极有价值的应用空间。人类积累了大量历史资料、社会调查、人口统计、法律文献、政策实验、民族志和心理学研究，但这些知识分散在不同国家、语言、学科和制度体系之中。经济学家与社会学家可能研究同一个现象，却采用完全不同的概念；历史学家发现的长期变化，未必进入政治学家的解释框架；教育心理学的研究成果，也很难迅速转化为公共教育政策。

这种知识分割产生了一种特殊的认知损失：许多问题长期得不到解决，未必因为人类缺乏相关知识，也可能因为解决问题所需要的知识分散在不同地方，始终没有被有效连接起来。

生成式AI的重要潜力，在于降低跨越这些知识边界的成本，使不同研究传统之间的比较、翻译和理论连接更容易进行。

2026年5月，一项发表于学术期刊的探索性研究讨论了人类研究者与生成式AI合作开展政策分析的可能性。作者关注AI能否帮助研究者产生不同于原有分析框架的解释，同时强调这种合作涉及认识论与伦理问题。这类研究目前还不足以证明AI能够系统性地创造社会科学理论，但它表明，AI已经开始进入理论解释和政策分析的研究过程。

我们可以从几个具体领域观察这种可能性。教育研究可能从研究学习结果，进一步转向研究学习过程中的认知障碍。 过去，教育研究常常通过考试成绩、毕业率和就业结果衡量制度效果。AI的发展使研究者有可能更加细致地分析学生在理解概念、转换语言、应用知识和独立推理时究竟遇到什么困难。例如，一名学生数学成绩不好，原因可能是基础知识薄弱、语言理解困难、认知负荷过重、课堂教学不适应，也可能是考试焦虑。AI可以协助整理学习过程中的错误模式，帮助教师形成有针对性的教学假设，再通过真实课堂干预检验这些判断。

这进一步引出一个问题：现代教育大量使用年龄、年级和学时安排学习进度，却很少能够准确衡量每个学生达到理解所需要的时间。如果AI能够降低语言理解、知识检索和跨学科转换的成本，学校是否还应当主要按照统一的教学时间组织学习？我们是否可以把教育研究从“学生学了多少时间”，推进到“学生克服了哪些认知障碍，获得了什么可以迁移的能力”？这涉及教学制度、课程结构和学习评价的重新设计，也可能成为教育心理学研究的新方向。

经济学可能重新研究知识、劳动与价值之间的关系。 工业经济时代，生产能力主要受到劳动、资本、技术与组织效率的约束。知识经济时代，教育、研究和创新日益重要。今天，AI开始参与知识分析、程序开发、产品设计和科学研究，使得以往依赖人类专业劳动的部分认知任务可以由机器协助完成。由此产生的问题是：当生产一份分析报告、一项设计方案或一个软件原型的成本大幅下降时，经济价值会如何重新分配？大量生成的想法，有多少能够通过事实验证并进入现实应用？一个社会的认知产出增长，是否一定意味着经济价值同步增长？

这些问题可能要求我们区分三个不同的变量：知识或思想的生成能力、思想经过检验后的有效性，以及有效思想转化为社会经济价值的效率。一个经济体完全可能产生大量论文、专利、商业方案和政策建议，却没有获得同比例的实际进步。AI能够帮助研究者建立更细致的思想生产与验证模型，分析发现成本、验证成本和实施成本之间的变化。进一步说，当生成答案越来越便宜，鉴别好答案、判断其适用条件并承担实施风险的能力，就可能变得更加重要。

社会学可能重新发现被平均数遮蔽的人群。 传统社会调查为了获得整体规律，往往把个人经历转化为年龄、收入、学历、职业和家庭背景等变量。这种方法必要而有效，但社会生活中许多重要差异并不容易通过少数变量呈现。两个收入相近的家庭，可能因为照护负担、社区支持、债务结构和公共服务可及性的不同，处于完全不同的生活状态。AI可以辅助分析经适当授权和匿名化处理的访谈、社会调查、政策文本与行政资料，寻找值得进一步研究的群体差异和生活机制。它能够帮助研究者发现平均数背后的异质性，但不能仅凭文本模式推断人的真实动机，更不能在未经验证的情况下把群体预测用于决定个人命运。

政治学和公共政策研究可能从方案比较进一步进入机制模拟。 比如，一个国家希望缓解年轻人的住房困难。常见政策包括增加供应、发放租房补贴、降低融资成本、提高公共住房供给以及改革土地使用制度。这些措施可能产生不同的分配后果。如果把经济学、人口学、城市规划、家庭社会学和行为科学结合起来，AI可以帮助建立多情景政策模型，比较不同收入群体、年龄群体和城市地区可能受到的影响，并指出哪些变量需要进行敏感性分析。这样的模型可以协助制定政策，却不能代替真实市场数据、因果识别和政策实施后的效果评估。

在这里，AI作为认知发现工具的潜力已经显现。过去难以综合处理的资料，可以进入同一个分析过程；过去需要多年才能完成初步梳理的跨学科问题，可以较快建立研究框架；过去成本过高而无法逐一探索的政策假设，可以先通过模型进行初步筛选。但研究设计中的价值判断、因果识别和现实后果，仍然需要人类负责。

尤其需要警惕一种现象：AI可能提高每位研究者的论文生产效率，却未必扩大整个科学共同体的知识边界。2026年1月，《自然》发表的一项基于4130万篇自然科学论文的大规模研究发现，使用AI辅助研究与更高的个人论文产出和引用表现存在关联，但整体研究主题的覆盖范围反而出现收缩。研究者报告，AI相关研究更加集中于数据丰富、容易进行计算的领域。这是观察性研究，不能把全部差异简单归因于AI，但它提出了一个严肃的问题：当所有人都使用类似工具寻找最容易取得成果的问题时，整个科学界可能越来越高效，也越来越集中。

这种风险对社会科学尤其值得注意。那些难以数字化、缺乏标准数据、涉及弱势群体或者需要长期田野调查的问题，可能因为不容易获得漂亮的模型结果而继续受到忽视。一个以现成数据和容易验证的指标为中心的研究体系，可能不断提高已有问题的解决效率，却让尚未被准确命名的问题更加难以进入公共讨论。

因此，AI时代社会科学的一项重要使命，是利用机器扩大可研究问题的范围，而不能只让机器更快处理原来就容易研究的问题。

五、从使用AI到发现新知识，需要建立一套新的认知方法

如果希望AI成为认知发现工具，仅仅学会写更复杂的提示词还不够。提示词可以改善一次回答的质量，却无法自动构成完整的研究方法。科学发现需要明确问题、比较理论、提出假设、获得证据、检验解释和修正结论。这是一条持续循环的认识过程。

可以把这种方法概括为六个相互连接的环节：问题发现、知识连接、假设生成、证据检验、理论修正和现实应用。

第一个环节，是让AI协助发现值得研究的问题。人们往往喜欢问机器“关于这个问题有哪些观点”，却很少问“这个领域有哪些现象是现有理论难以解释的”。后一个问题更接近科学研究的入口。一个人可以让AI梳理某个领域近年来的主要研究成果，比较不同理论的预测，寻找尚未解决的矛盾，并列出研究不足可能来自何处。但这里需要区分AI识别出的“潜在研究空白”与经过完整文献调查确认的研究空白，不能因为机器说“尚无研究”便认定前人没有讨论过。

第二个环节，是利用AI进行知识连接。社会科学中的许多新解释，可能产生于不同学科理论之间的相遇。研究城市孤独问题，通常可以从心理学和社会学进入，但如果结合城市交通设计、工作时间制度、数字平台与人口流动研究，研究者或许会提出新的解释：孤独感是否与居民能够持续、低成本地进入公共交往空间有关？如果是这样，改善孤独问题的公共政策，就可能不局限于心理健康服务，还需要研究城市公共空间、通勤时间和社区制度。这种跨学科连接提供的是新的研究方向，随后必须寻找具体证据。

第三个环节，是让AI生成竞争性假设，而不急于选择自己喜欢的答案。假设一旦形成，人们很容易寻找支持材料，忽略不符合预期的证据。AI可以被要求承担反对者的角色，对同一现象提出几套相互竞争的解释，并分别说明它们成立需要满足哪些条件。研究者还可以要求它指出每套解释中最容易被忽视的混杂因素，以及哪些观察结果能够帮助区分不同理论。

第四个环节，是建立证据检验制度。AI可能生成看起来合理却不存在的文献，也可能混淆相关性与因果关系。研究者应当把事实材料分为已核实来源、尚待核实的线索以及AI提出的推测，将实证判断与规范性判断分开处理。引用论文需要检查原文、样本、方法和结论；分析数据需要记录来源、变量定义和处理过程；提出重要判断时，应当主动寻找可能推翻它的证据。涉及个人资料和敏感信息的研究，还需要符合隐私保护、知情同意和研究伦理要求。

第五个环节，是在证据基础上修正理论。好的研究不会把最初提出的观点当作必须保卫的结论。AI可以帮助保留多轮假设版本，记录哪些判断得到支持，哪些判断因证据不足而需要降低确定性，哪些解释已经被排除。当一个理论无法解释新的发现时，研究者应当允许问题改变方向，而不是要求机器生成更多论据为原来的观点辩护。

第六个环节，是让新知识接受现实检验。社会科学研究的一个重要目标，是改善人类理解与处理现实问题的能力。对于政策建议，应该尽可能设计可比较的干预方案、预先规定结果指标、识别可能的负面后果，并在实施后进行评估。AI可以帮助设计和比较方案，但“模型判断最优”不意味着现实中一定有效。社会制度存在激励变化、利益冲突和非预期后果，政策还必须接受公众参与、伦理审查和制度约束。

这六个环节可以组成一个不断循环的认知过程。AI在其中承担资料整理、理论比较、模型构建和批判性审查等不同角色，人负责确定研究目标、判断证据质量、承担价值选择，并决定结论能否进入现实。

这种使用方式还有一个重要要求：不要让AI只扮演迎合自己的助手。一个足够有用的认知工具，应该敢于指出研究者的错误，能够区别事实与猜测，也能够明确承认自己无法解决的问题。它最好像一位严格而耐心的学术导师：当学生提出一个未经检验的观点时，不立即表示赞同，而是要求他说明依据；当学生获得一个满意的答案时，继续追问它在什么条件下不成立；当学生想把一个解释推广到所有社会时，提醒他注意历史和制度差异。

但机器的批评本身也需要审查。AI可能提出虚假的反例，错误地理解理论，或者把不存在的学术争论描述得十分逼真。使用者不能把机器生成的反对意见自动视为更高级的判断。它的价值在于促使人类进一步核实和思考。

如果把这种方法应用到教育中，教师可以要求学生提交的不只是最终答案，还包括问题怎样发生变化、哪些假设被推翻、哪些证据改变了判断以及哪些结论仍有不确定性。如果应用到学术研究中，研究团队可以建立AI辅助的假设记录与验证档案，使研究过程更加透明。如果应用到公共政策中，政府部门可以借助AI比较不同方案的利益分配和可能后果，同时让最终选择接受公开讨论与专业审查。

这样一来，AI帮助完成任务与AI帮助发现知识之间的区别，就会逐渐清楚：前者以任务是否完成为标准，后者还必须回答一个问题——经过这次研究，我们究竟比原来多知道了什么，而且凭什么相信它？

六、AI时代最危险的认知差距，是有人正在思考，有人正在停止思考

回到卡帕西的漏斗，我们会发现，今天AI使用者之间的差异，至少包含三个层面。

第一是技术接触的差距。有些人能够使用更先进的模型、更强大的计算工具和更完整的研究系统，另一些人却只能偶尔接触免费聊天服务。第二是问题规模的差距。有些人让AI回答一句话可以解决的问题，有些人把持续数月的研究计划交给多个工具协同推进。第三是认知方法的差距。有些人要求AI给出答案，有些人让AI帮助自己发现原有知识体系中的错误和空白。其中第三种差距，可能对人类长期发展产生更深刻的影响。

一个人即使获得最先进的模型，如果只是不断要求它提供方便的答案，也未必能够获得更多智慧。另一个人即使使用能力相对有限的AI，只要他具有强烈的问题意识、深厚的生活经验和严格的验证习惯，也可能通过机器扩展自己的认知边界。先进的技术当然能够提高研究能力，但技术能力与思想深度之间没有自动转换的机制。

这就提出一个需要警惕的悖论：AI越能快速给出答案，人类越可能失去继续追问的耐心。过去，一个学生为了理解一个困难概念，需要反复阅读、向老师请教、与同学讨论，在失败和困惑中逐渐形成自己的理解。今天，AI可以在几秒钟内提供结构清楚、语言流畅的解释。学习的时间成本降低了，但如果学生没有经过必要的独立推理，就可能产生一种理解的错觉：他能够看懂机器给出的解释，却无法独立使用相关知识。知识似乎已经进入大脑，实际上可能仍然停留在外部工具之中。

同样的问题也会发生在研究者身上。AI可以快速生成一篇具有完整论证结构的文章，甚至可以模仿某种学术文体。但逻辑完整的文本未必建立在正确的事实之上，概念丰富也不意味着理论具有原创性。如果研究者只关心最后的文本质量，而不关心问题是如何提出的、理论怎样形成、证据是否充分，那么AI提高的可能主要是知识表达的生产率，而非知识发现的能力。

我们需要进一步区分三种容易混淆的进步：完成任务的进步、理解问题的进步，以及创造新知识的进步。前两者可以为第三者创造条件，却不能自动保证第三者发生。

这也涉及AI时代的社会公平。过去，教育不平等主要表现为学校资源、家庭资本和文化环境的不平等。未来，人工智能可能降低许多知识资源的获取门槛，却同时形成新的差距：一些学校只教学生利用AI完成作业，另一些学校训练学生借助AI提出问题、分析证据和设计实验；一些企业把AI主要用于减少劳动成本，另一些组织则利用AI积累研究能力、改善决策和培养人才。如果这种差异长期扩大，认知发现能力就可能成为新的社会分层机制。

但这不是技术发展的必然结局。AI也提供了缩小这种差距的机会。一位没有条件进入世界一流大学的年轻人，可以借助AI理解原本难以接触的专业知识；一位长期从事基层教育的教师，可以把自己积累的教学观察转化为系统的研究问题；一位掌握丰富地方史料却不熟悉统计方法的历史研究者，可以利用AI协助学习量化研究；一位能够阅读中文、却不熟悉其他语言的研究者，可以借助翻译工具进入更加广阔的国际学术讨论。只要有可靠的资料、适当的方法和可持续的指导，AI便可能降低进入知识生产活动的门槛。

这里还潜藏着另一种重要变化：人类的研究能力可能不再像过去那样严格依附于正式学术身份。许多重要的社会经验长期掌握在教师、医生、工程师、社会工作者、地方研究者和普通劳动者手中。这些人未必具有完整的学术训练，却能够观察到专业研究者难以接触的现实问题。AI可以帮助他们学习研究方法、整理经验、提出假设，并与专业研究机构合作检验这些假设。它有可能让知识发现从少数机构内部向更广泛的社会扩展。

因此，我们不能只问AI将取代多少研究工作，还应该问：它能让多少原本没有条件从事系统研究的人，第一次进入知识发现的过程？

如果说互联网降低了知识传播的成本，生成式AI正在进一步降低知识加工、跨学科连接和初步研究的成本。那么，一个尚未得到充分回答的问题便出现了：当参与知识探索的人显著增加，当不同语言和学科之间的交流更加便捷，人类是否可能进入一个认知大发现的新时代？

答案取决于我们怎样使用这项技术。如果AI主要用来制造更多内容、更快完成报告、更廉价地生产论文和更高效地重复已有观点，我们可能迎来的是知识产品数量的膨胀。如果AI能够帮助人们发现旧理论解释不了的现象，提出相互竞争的假设，开展可重复的检验，并把可靠的新知识转化为教育、经济和社会制度的改进，我们才有理由谈论认知发现的扩张。

卡帕西看到的是一个正在变得陡峭的技术使用漏斗，而我们需要思考的是，怎样让它成为一条更开放的认知发展通道。让更多人从获得答案走向理解问题，从理解问题走向发现问题，再从发现问题走向提出和检验新的解释。

为此，我们既需要更可靠的模型，也需要公共知识资源、研究方法教育、跨学科合作和开放的验证机制。尤其要建立一种新的AI教育观：教人如何提问，如何怀疑，如何寻找证据，如何在复杂现实中进行判断。学会使用某一种AI产品并不困难，困难的是形成一套能够随着技术变化而不断发展的认知方法。

人类发明望远镜以后，并没有因为看得更远而自动理解宇宙；发明显微镜以后，也没有因为看见细胞而立即掌握生命的规律。新工具使过去不可见的东西进入视野，接下来还需要观察、理论、实验以及漫长的争论。人工智能可能正在给人类提供另一种认知工具。它能够帮助我们更快进入陌生的知识世界，发现不同理论之间的联系，也可能使原本分散的思想在新的条件下相遇。

但机器能够扩展我们的认知视野，并不意味着它能够代替人类决定什么问题值得研究、什么后果可以接受、什么样的社会值得建设。

AI最终能够给人类带来多少智慧，不能只用它回答了多少问题来衡量，还要看它帮助我们发现了多少过去没有意识到的问题，以及我们是否真的找到了解决这些问题的办法。

在AI时代，人与人之间最大的差距，可能不再是谁知道的答案更多，而是谁能够发现别人尚未提出的问题。机器正在使答案越来越便宜，人类必须学会让问题变得更有价值。

Subscribe now

一个人早晨醒来，想到今天有一场重要的考试，心里有些紧张，于是提前出门，仔细检查所需材料，到了考场再把容易出错的地方复习一遍。另一个人完全没有焦虑，认为一切都会顺利，直到进考场才发现忘了带证件。我们通常羡慕第二个人的轻松，却忘了第一人的焦虑可能帮助他避免了麻烦。恐惧使人远离危险，内疚提醒人修复关系，孤独促使人寻找同伴，遗憾使人在下一次选择时更加谨慎。这些情绪让我们不舒服，却未必对我们有害。

今天的心理健康文化经常向人们传递一个简单的信息：保持积极，减少焦虑，摆脱负面情绪，学会快乐。社交媒体上充满各种情绪管理建议，冥想、心理训练、自我关怀、正念练习和幸福课程已经成为庞大的产业。情绪不佳似乎意味着某个地方出了问题，需要尽快修复。可是，如果焦虑、悲伤、愤怒和孤独原本就是人类适应环境的重要能力，那么一个不断追求幸福、试图消除所有负面情绪的人，是否也可能在削弱自己认识和应对现实的能力？

美国卡内基梅隆大学经济学与心理学教授乔治·勒文斯坦（George Loewenstein）在2026年9月出版的《幸福的反面：负面情绪怎样塑造我们》（The Opposite of Happiness: How Bad Feelings Make and Break Us）中，正是从这个问题出发。他是行为经济学的重要奠基者之一，长期研究情绪如何影响人的判断与决策。这本320页的新书综合了行为经济学、进化心理学、心理学实验、作者自身经历，以及一项研究不同痛苦经验的“痛苦调查”（Misery Survey），试图解释为什么人类会拥有如此丰富、顽固而难以摆脱的负面情绪。作者要挑战的是现代幸福文化中一个未经充分审视的前提：幸福似乎应该是人的正常状态，不幸福则意味着生活出了故障。

这本书的价值，在于把情绪管理从“怎样消除不舒服”重新带回“为什么会出现这种感受”。如果把情绪看作人类在漫长进化过程中形成的信息和行动调节系统，那么负面情绪便有了另一种解释。它们不保证我们快乐，却可能帮助我们生存；不保证判断永远正确，却能促使我们注意危险、损失、关系破裂和目标落空。真正值得管理的，是情绪与现实之间的关系，而不只是情绪本身。

一、适度焦虑，是人类的风险预警系统

人类为什么会焦虑？从进化的角度看，一个完全没有恐惧和焦虑的人，在充满危险的环境中未必能够活得很久。远古人类面对猛兽、食物短缺、陌生族群和复杂的自然环境，需要对可能发生的危险提前作出准备。恐惧帮助人迅速应对眼前威胁，焦虑则使人警惕尚未发生、但存在一定可能性的风险。两者并不完全相同，却都与防御和风险判断有关。

勒文斯坦强调，人类情绪系统的进化目标并不是使人持续幸福。疼痛使人避免身体损伤，饥饿促使人寻找食物，孤独可能推动人恢复社会联系，焦虑则使潜在威胁获得更多注意。正面感受往往短暂，负面感受却更容易持续，因为危险尚未解除时，过早放松可能付出代价。

这可以解释为什么适度焦虑常常具有积极作用。考试前的紧张，使学生提前准备；出门旅行前的不安，使人检查护照、药物与行程；父母对孩子安全的担心，使他们注意交通和周围环境；企业经营者对未来现金流的忧虑，使其保留必要储备。焦虑在这些情况下承担着预警功能。它让人意识到未来存在不确定性，并促使人采取行动。

但焦虑有没有价值，取决于它能否改善判断和行动，而不能只看它有多强烈。一个学生因为担心考试而认真复习，焦虑便发挥了作用；如果他焦虑到彻夜失眠、无法集中注意，甚至不敢进入考场，原来帮助他准备考试的情绪已经变成行动障碍。过度担心并不会带来更多安全，反而可能使人高估危险、低估自己的应对能力。

因此，适度焦虑的价值在于帮助我们发现风险并采取行动，而非让我们长期停留在危险感之中。

这也揭示了现代情绪管理的一种误区。许多人一感到焦虑，便急于寻找方法让自己平静下来，却没有先问焦虑究竟在提醒什么。是工作没有准备充分，还是承担了过多责任？是某种关系确实存在问题，还是自己把没有证据的猜测当作事实？是一个可以解决的现实危险，还是一个不断被想象放大的可能性？

面对前一种情况，最有效的情绪管理可能是解决问题；面对后一种情况，则需要重新评估风险，减少反复猜测，而不是继续寻找更多安全保证。情绪是一种信号，但信号本身并不等于事实。警报器响起时，我们需要检查是否发生火灾，也需要判断警报器是否过于敏感。

二、为什么越想幸福，反而越容易痛苦？

如果负面情绪具有一定功能，为什么现代人仍然如此急于摆脱它们？其中一个原因，是幸福已经从一种令人向往的生活状态，逐渐变成衡量个人成功的标准。

过去，一个人可能因为家庭关系不顺、工作受挫而感到难过。今天，他除了面对原来的困难，还可能产生新的问题：为什么别人都过得很好，只有我不快乐？为什么我已经如此努力地调节情绪，仍然无法平静？为什么我知道应该积极乐观，却总是控制不住自己的焦虑？

痛苦因此发生了叠加。第一层是事件本身造成的难受，第二层则是对自己感到难受这件事产生的羞耻、内疚和失望。

勒文斯坦特别讨论了心理学中的“元情绪”（meta-emotions），也就是人对自己情绪所产生的情绪。一个人可能因为工作失败而悲伤，又因为无法迅速振作而责怪自己；可能因为亲密关系受到威胁而嫉妒，又因为嫉妒而感到羞耻。原先已经令人不舒服的情绪，被第二层自我评价进一步放大。《Vox》10月8日对本书的评论也把这一机制视为理解现代痛苦的重要线索。

这是一种容易被忽略的心理循环：负面情绪出现——认为自己不应该有这种情绪——开始压抑或责备自己——情绪负担进一步增加。

一个人越要求自己永远保持幸福，就越容易把普通的情绪波动解释为个人失败。幸福从目标变成任务，再从任务变成考核。原本用来改善生活的情绪管理，反而制造出新的情绪压力。

现代消费文化也强化了这种倾向。广告和社交媒体不断展示更成功的职业、更令人羡慕的生活、更完美的身体和关系，让人相信幸福就在下一次购买、下一份工作或下一段关系之后。可一旦愿望实现，人往往又会适应新的生活条件，开始追求下一个目标。今天令我们欣喜的东西，明天就可能成为理所当然的日常。

这并不意味着追求幸福本身有错。问题在于把持续幸福当成生活应该达到的正常标准。一段有意义的人生，可能包含长期努力、失败、丧失、疾病和关系中的艰难时刻。一个人照顾年迈父母，可能长期疲惫；一个科学家坚持研究尚未解决的问题，可能反复受挫；一个年轻人努力改变生活环境，也可能持续面对不确定性。这些经历无法保证每一天都令人愉快，却未必因此缺少价值。

勒文斯坦的另一篇公开文章进一步指出，过度回避痛苦可能让人错过值得经历的生活。害怕被拒绝，便不敢表达感情；害怕失败，便不敢尝试新的工作；害怕冲突，便始终回避重要谈话。短期内避免了难受，长期却可能积累更多遗憾。人可以通过逃避减少一时的不舒服，却未必能够通过逃避获得更满意的人生。

三、情绪管理的目的，是理解情绪，而非消灭情绪

勒文斯坦这本书对今天心理学实践的启发，是让我们重新区分三件事情：情绪为什么出现，情绪提供了什么信息，以及我们准备怎样行动。

现代人容易把三件事情合并起来。例如，一个人感到愤怒，便认为自己必须立即反击；感到嫉妒，便认定伴侣一定有问题；感到焦虑，便认定危险即将发生。实际上，情绪具有提示作用，却不是必须服从的命令。

愤怒可能说明某种利益或边界受到侵犯，但愤怒中的判断未必准确。嫉妒可能反映对失去重要关系的担心，也可能来自不切实际的控制欲。内疚有时提醒人承担责任，有时却来自对自己过分苛刻的要求。理解情绪，需要进一步判断它的来源是否可靠、强度是否适当，以及它引发的行动是否会改善现实。

以焦虑为例，一种有效的管理方式，是把模糊的担忧转化为具体的问题：我担心什么？这种事情发生的可能性有多大？有什么证据？哪些后果可以预防？如果真的发生，我能采取什么行动？当焦虑推动人完成准备工作，它的任务便可能已经结束。剩下的不确定性，需要通过一定程度的接受来处理。

同样，悲伤也不一定需要立即被积极情绪替换。亲人离世、关系破裂、重要愿望落空，都会让人经历失落。这些情绪与一个人珍视什么、失去了什么密切相关。要求自己迅速走出悲伤，有时反而会妨碍正常的心理调整。

当然，承认负面情绪具有功能，绝不意味着痛苦越多越好。焦虑、恐惧和悲伤一旦过于强烈、持续太久，影响睡眠、工作、学习与人际关系，就可能需要专业支持。临床焦虑障碍和抑郁障碍不能简单理解为有益情绪的正常表现，更不应要求患者靠忍耐或意志力自行解决。

这是对本书观点必须保留的一条批评界限。进化能够解释某种情绪为什么存在，却不能证明它在今天的每一次出现都是合理的。某些古老的情绪反应，甚至可能与现代环境不相适应。人类曾经需要高度警觉以应对危险，如今却可能因为一封没有及时回复的邮件、一次社交媒体上的冷落而持续紧张。情绪系统仍然敏感，环境已经改变。真正成熟的情绪管理，需要两种能力同时发展：能够倾听情绪，也能够在必要时修正情绪。

四、从中国教育到AI陪伴

这本书对中国教育尤其具有现实意义。长期以来，中国家庭和学校一方面强调吃苦、忍耐和竞争，另一方面又常常缺乏理解情绪的教育。学生考试失利，可能被要求不要难过，赶快振作；学生感到焦虑，可能得到的回答只是别人比你更加努力。结果，一些孩子既承受着巨大的现实压力，又不知道怎样理解和表达自己的感受。

问题不在于孩子应该完全没有压力，也不在于压力越大越能培养能力。适度压力可以推动学习，但过度压力可能破坏注意力、自信心和持续学习的意愿。教育的目标，应当是帮助学生形成一种能力：面对困难时，既不被情绪淹没，也不因害怕情绪而停止行动。

这需要把挫折、情绪识别、风险判断和问题解决结合起来。孩子害怕考试，可以帮助他准备，也可以允许他承认害怕；孩子因失败而难过，可以陪他分析原因，不必急着宣布失败毫无意义。教师和家长的重要责任，是区分应该减少的伤害与可以在支持下承受的正常困难。

人工智能又使这一问题进入新的阶段。今天，越来越多人开始使用聊天机器人获得心理安慰。机器可以随时回应，耐心倾听，帮助人整理情绪，也可以提供放松练习和问题分析。这些能力可能具有实际价值，尤其对于暂时缺乏支持的人来说。

但与此同时，我们需要警惕一种新的依赖：当一个人每次焦虑都立即要求AI安慰，每次遇到人际冲突都让AI判断谁对谁错，每次失落都需要机器重新肯定自己，他是否还有机会发展独立处理复杂情绪的能力？

这里可以提出一个值得教育心理学进一步研究的概念：情绪能力的工具依赖。这与AI学习中的能力问题很相似。一个学生借助AI可以完成复杂任务，不意味着撤去AI以后仍然具有相应能力。同样，一个人在AI陪伴下可以迅速平静，也不意味着他已经学会如何独立识别、调节和承受情绪。

不过，这仍是需要实证研究的问题。AI支持也可能成为有效的情绪训练工具。关键取决于它是在帮助使用者形成能力，还是不断替使用者完成本应逐渐学会的调节过程。

因此，未来AI情绪陪伴的评价标准，不应只看用户在对话结束时是否感觉好一些，还应该观察这种帮助能否改善其长期的自主调节能力、人际关系和现实问题解决能力。

如果一种技术每次都使人暂时舒服，却让人越来越难以面对没有它的生活，那么这种舒服本身也需要重新评价。

五、不能把社会问题全部变成情绪管理问题

《幸福的反面》最有价值的地方，是恢复了负面情绪在心理生活中的地位。但它提出的进化解释，也需要接受社会学和制度经济学的补充。

一个人因失业而焦虑，可能需要学习情绪调节，也需要新的就业机会；一个家庭因债务而失眠，可能需要心理支持，更需要处理债务和收入问题；一个学生因长期校园欺凌而恐惧，最重要的措施是制止欺凌、恢复安全，而不是教他更好地承受恐惧。因此，不能因为焦虑可能具有预警功能，就要求人们接受一切制造焦虑的社会条件。更不能把结构性困难解释为个人情绪管理能力不足。

勒文斯坦在《Vox》讨论中同样强调，减少经济不安全感等现实困境，具有改善社会福祉的重要意义。这意味着情绪管理应当存在两个方向：个人学习理解和调节自己的情绪，社会则努力减少那些可以避免、没有必要且持续损害人的痛苦。

从这个角度看，成熟的社会既不能许诺人人永远幸福，也不能要求人们永远忍耐。它应当允许正常的悲伤、焦虑和失败存在，同时为真正需要帮助的人提供有效支持。

回到最初的问题：为什么越追求幸福，我们可能越不幸福？因为幸福不是一项能够通过不断排除负面情绪而完成的工程。一个人越想保证自己永远快乐，就越容易把焦虑、遗憾和悲伤视为失败；越害怕这些感受，就越可能回避风险、关系和责任；越依赖外部安慰，就越可能忽略情绪正在提醒自己的现实问题。

人类漫长的进化并没有制造一套使我们永远快乐的心理系统。它赋予我们的是一组帮助生存、学习、建立关系和调整行动的复杂能力。其中有快乐，也有恐惧、愤怒、悲伤、羞耻与遗憾。它们各有作用，也各有失灵的时候。

对今天的人来说，更合理的目标，是能够区分哪些焦虑值得认真对待，哪些恐惧需要重新评估，哪些悲伤需要时间，哪些痛苦应该通过改变现实来减少。

幸福的能力，也许包含了适度承受不幸福的能力。我们不必感谢所有痛苦，更不应该主动寻找痛苦。但一个人如果永远不允许自己焦虑，就可能失去对危险的警觉；如果永远不能承受失败，就可能不敢尝试；如果只愿意接受快乐，就可能无法承担爱、责任和成长所必然包含的困难。

幸福并不要求生活中没有风雨。一个能够认识风雨、判断危险，并且知道何时避雨、何时继续赶路的人，可能比一个只希望天空永远晴朗的人，拥有更加稳固的生活能力。

人不需要为了幸福而消灭所有痛苦。能够理解痛苦、处理痛苦，并且不让痛苦决定自己的一生，或许已经是一种更成熟的幸福。

Subscribe now

在陳泱潮《創世主記》（及整部《恆約》）的論述中，面對 AI、AGI、ASI 帶來的末世異化與數字極權威脅，人類唯一的出路就是實行「靈性大覺醒」（或稱靈本主義革命）。

根據其連載的條文與社交平台上的闡述，這套「靈性覺醒」並非單純的遁入空門或冥想，而是一套結合了「神聖律法、政治重構與跨宗教合一」的具體行動綱領。

以下是《創世主記》中關於 AI 時代人类如何進行「靈性覺醒」的核心主張：

1. 揚棄唯物主義，回歸「靈本主義」

《創世主記》指出，AI 的野蠻生長與潛在威脅，本質上是無神論與唯物主義發展到極致的惡果。

• 覺醒路徑：人類必須從肉體、物質、金錢至上的「唯物/資本怪圈」中醒悟過來。承認「靈性」才是宇宙與人類生命的第一本源。

• 核心觀念：只有當人類重新確立「靈魂高於肉體」、「神聖道德高於科技算力」的「靈本主義」世界觀，才能在精神上免疫於 AI 帶來的虛無主義與機器崇拜。

2. 接納《恆約》，重塑對「獨一創世主」的敬畏

文本強調，現有的宗教體系已無法單獨應對 AGI 時代的文明危機，人類需要更具包容性的神聖律法。

• 覺醒路徑：全人類（不分東西方、不分宗派）應認識並回歸獨一的創世主（即東方傳統的昊天上帝、西方的一神教之神）。

• 具體實踐：接受《恆約》作為聖經的第三部分（續篇），以此為世界新秩序的「最高憲章」。透過對創世主的集體敬畏，拉起一條科技無法逾越的「神聖道德紅線」，防止 ASI（超級人工智能）被賦予毀滅人類的終極權利。

3. 發動「宗教大合一」，打破宗派門閥

在 AI 時代，人類面臨的是全物種被淘汰的生態危機，因此傳統宗教的內耗必須停止。

• 覺醒路徑：亞伯拉罕三大一神教（猶太教、基督教、伊斯蘭教）必須修正其歷史錯謬，與東方文明的上帝信仰融為一體。

• 具體實踐：以《創世主記》為總綱，實現全球宗教大同。用全人類「大合一」的集體靈性力量，去對抗矽谷科技巨頭與數字極權體制所建立的「新巴別塔」。

4. 建立「三位一體」的千年福國新體制

《創世主記》的靈性覺醒最終要落實到地球的政治與社會改良上，這承襲了作者早期的政治理想。

• 覺醒路徑：人類必須用覺醒後的靈性，去重組世俗政府。

• 具體實踐：建立一個「政治民主、經濟社會、靈本主義」三位一體的福國體制。在這個體制中，科技與 AI 只能作為服侍創世主和改善人類福祉的「工具」，而絕不能允許其擁有决策權或統治權。

總結

在《創世主記》的視角裡，AI 時代的「靈性覺醒」是一場全人類與魔王（異化智能）爭奪靈魂主導權的戰爭。

人類不能指望靠科技手段（如更多的算法、法律監管）去約束 AI，因為人的貪婪會讓技術徹底失控。唯有透過《恆約》建立起對上帝的絕對敬畏、對物質主義的集體揚棄，以及全球宗教的制度化大合一，人類才能在这場科技奇點的浩劫中存活下來。

這種將科技監管問題徹底提升為全球政治宗教大合一的激進主張，在海外評論圈中引發了不少關於「它究竟是救世良方還是神學烏托邦」的爭論。

Subscribe now

2026年4月，谷歌DeepMind首席执行官德米斯·哈萨比斯（Demis Hassabis）在一次访谈中谈到了一个颇有意味的遗憾：他原本希望人工智能更多地留在科学实验室，帮助人类解决癌症、疾病和基础科学难题。然而，2022年11月ChatGPT的问世改变了整个行业的节奏。公众突然发现，机器已经能够写文章、回答问题、编写程序，甚至像人一样交谈。巨大的市场需求随之出现，AI企业开始竞相推出更强大的模型。科学发现的长期目标，并没有消失，却不得不与日益激烈的商业竞争争夺资源和注意力。〔1〕

哈萨比斯是Google DeepMind的首席执行官，并不是OpenAI的CEO。这个区别不能忽略，因为他对人工智能未来的理解，来自一条与聊天机器人商业化有所不同的研究道路。哈萨比斯早年是一名国际象棋神童，后来进入游戏开发领域，获得认知神经科学博士学位，创办DeepMind。他希望借助机器智能理解自然世界中那些极其复杂、长期难以解决的问题。2024年，他与约翰·江珀（John Jumper）因蛋白质结构预测研究共同分享诺贝尔化学奖的一半，另一半授予计算蛋白质设计研究者戴维·贝克（David Baker）。这项奖励承认了阿尔法折叠(AlphaFold)对现代生物科学的重要贡献。〔2〕

哈萨比斯的遗憾值得认真对待，却不能简单理解为他反对ChatGPT，或者认为大众使用AI是在浪费技术。他提出的更深问题是：当人类拥有一种可能改变科学发现方式的技术时，究竟应该优先用它做什么？帮助数十亿人更方便地处理日常事务，当然有价值；帮助科学家缩短发现新药的时间、揭示疾病机制、寻找清洁能源的新材料，同样重要，而且可能带来更持久的社会收益。两者之间并不存在绝对对立，但市场并不会自动按照人类社会的长期利益安排技术发展的优先顺序。

AI时代最需要回答的，可能已经不只是机器还能变得多聪明，而是人类准备把机器的聪明用在哪里。

一、阿尔法折叠让我们看清AI的另一种未来

人工智能的发展史充满令人兴奋的表演。机器打败国际象棋冠军、战胜围棋世界高手、生成逼真的图像、写出流畅的文章，每一次突破都会引起轰动。这些成就证明机器能够完成越来越复杂的认知任务，但它们与一个更根本的问题之间仍然存在距离：机器的能力究竟能为人类积累多少新的知识？

阿尔法折叠的重要性，就在于它提供了一种不同于聊天机器人的答案。

蛋白质是生命活动的基本执行者。它们由氨基酸组成，而氨基酸排列成的长链会形成复杂的三维结构。结构与蛋白质的功能密切相关。长期以来，研究人员利用X射线晶体学、核磁共振和冷冻电镜等方法测定蛋白质结构，许多研究需要投入大量时间、设备和专业劳动。科学家早就希望能够根据氨基酸序列准确预测蛋白质结构，却始终面临巨大困难。

阿尔法折叠2在这一问题上取得重大突破。2022年，DeepMind与欧洲生物信息学研究所合作公布了超过两亿个蛋白质结构预测结果。到2025年底，谷歌DeepMind公布的数据显示，阿尔法折叠资源已被190多个国家的超过300万名研究人员使用。这些结构预测向全球科学界免费开放，成为研究疾病、药物、农业、环境与基础生命过程的重要工具。〔3〕

这里最值得注意的不是两亿这个数字，而是它所代表的知识生产方式的变化。过去，一项蛋白质结构研究往往需要由一个团队完成，结果主要服务于特定研究问题。阿尔法折叠则把大量预测结果变成公共科研资源，使不同国家、不同领域的科学家都可以在这个基础上提出新的问题。它没有直接替科学家治愈癌症，却降低了某些研究问题的进入门槛，使许多原本需要先解决结构问题的研究能够更快展开。

但必须分清：预测蛋白质结构不等于发现有效药物，更不等于治愈癌症。疾病涉及基因、细胞、免疫系统、代谢过程和复杂的身体环境。发现一种可能有效的药物以后，还需要毒性研究、动物实验、人体临床试验、监管审查和生产能力。阿尔法折叠在这条漫长的道路上减少了部分困难，却没有消除医学研究中的其他不确定性。

即便如此，它已经展示出一种重要的可能：AI可以帮助人类改变科学探索的成本结构。

过去需要反复测定、计算和筛选的某些研究任务，现在可以先由机器提出候选答案，科学家再利用实验进行检验。机器提供速度，实验提供证据，人类研究者负责提出问题、解释结果和判断研究价值。这种合作如果持续成熟，AI就不再只是提高办公室工作的效率，也可能逐渐改变科学本身的生产能力。

二、AI最重要的突破不在聊天窗口里

今天，普通人接触人工智能主要通过聊天界面。我们让它总结文章、翻译文件、制作表格、修改程序、整理会议记录。这些用途改善了许多人的工作体验，也使人工智能迅速进入日常生活。但如果将这一阶段视为AI发展的最终形态，就可能低估技术的潜力。

从历史上看，一项重要技术的早期用途，未必就是它最深远的用途。电力最初广泛进入社会时，照明是最容易被看见的应用之一；但电力真正改变工业生产，还需要工厂重新设计生产线，电动机深入不同生产环节。计算机最初主要用于计算和信息处理，后来才逐渐改变金融、通信、制造、科研和社会组织方式。互联网早期是连接计算机和传递信息的网络，今天却已经成为现代经济和公共生活的重要基础设施。

人工智能也可能经历类似的过程。聊天机器人是它最容易被普通人感知的形态，却未必是它对人类文明影响最大的形态。

我们可以设想，未来不同科学领域逐渐形成自己的阿尔法折叠。材料科学中的AI帮助研究人员寻找性能更好的电池材料；能源研究中的AI协助分析等离子体、优化复杂设备；医学中的AI在候选药物筛选和生物机制研究中提供新的工具；气候科学中的AI帮助改进预测模型；数学和物理研究中的AI辅助寻找证明路径、分析复杂系统。这些方向已有不同程度的研究成果，但距离能够普遍自主提出可靠科学理论、独立完成重大科学突破，还有很长的验证道路。

哈萨比斯所期待的人工智能，正在向这一方向延伸。他对通用人工智能（AGI）的时间预测也相对积极。2026年初，他在达沃斯和印度的公开讨论中认为，较完整的AGI可能还需要五到十年。不过，这是一位研究者对未来的判断，远非已经确定的时间表。尤其需要注意，今天的AI虽然在某些任务上表现出色，在另一些任务上仍然存在明显缺陷。由此不能推出AGI必将在2030年出现，更不能认为一旦AGI出现，能源、癌症和衰老等问题就会随之解决。〔4〕

更值得讨论的是，即使没有达到AGI，人工智能也可能通过高度专业化的科学系统创造巨大价值。阿尔法折叠本身就是一个例子。它并不需要具备人类完整的认知能力，却能在一个长期困难的科学问题上作出重大贡献。

这也使今天有关AGI的争论显得有些奇怪。我们花费大量精力讨论机器什么时候能够达到人类的普遍智能，却可能忽略另一个同样重要的问题：在达到通用智能以前，机器已经能够帮助人类解决多少具体问题？

如果一种工具可以显著缩短新药研究的部分过程，或者帮助发现更加便宜、安全的能源材料，它的社会价值未必取决于它能不能通过某种通用智能测试。

从这个意义上说，AI发展的评价标准需要扩展。模型在考试、编程和推理测试中的分数固然重要，科学发现的可验证性、研发成本的下降、公共知识的增加，以及实际改善人类生活的效果，也应该成为衡量进步的重要依据。

三、市场可能把AI带向错误的方向

这里出现了一个经济学问题。人工智能的商业成功，与人工智能对社会创造的长期价值，并不总是一回事。

企业必须考虑收入、利润和竞争。一个能够立即吸引数亿用户、每月收取订阅费用的聊天产品，其商业回报通常比一种需要十年基础研究才能证明价值的科学工具更容易估算。投资者也更容易根据用户增长、付费率和算力需求判断前者的市场前景。相比之下，基础科学研究存在大量不确定性：今天投入的资金，可能多年以后才产生发现；发现可能由其他研究团队率先转化；社会最终获得的收益，也不一定由原来的投资企业取得。

经济学早已认识到这种问题。基础知识具有明显的外溢效应。一项研究成果一旦公开，其他研究者、企业和社会组织都可能从中受益，而最初的投资者未必能够收回全部社会收益。肯尼斯·阿罗（Kenneth Arrow）在1962年关于发明与资源配置的研究中，就讨论过知识生产与市场激励之间的矛盾。知识具有公共产品的某些特征，其社会价值与私人回报之间可能存在明显差距。〔5〕

阿尔法折叠很好地体现了这一点。一个团队开发的系统，后来成为全球科研人员共同使用的工具，产生的知识价值远远超出单一公司的业务范围。

可这恰好造成一种矛盾：对整个人类最有价值的AI研究，未必是短期商业回报最高的研究。医疗、基础物理、气候科学和新材料研究，可能需要巨额投入、跨学科合作和长期实验验证。相比之下，广告优化、内容生成、用户留存和自动化办公，更容易形成稳定收入。企业按照商业规律配置资源，本身并没有错；但如果整个社会把AI发展的方向完全交给短期利润决定，就可能出现长期公共价值投入不足的问题。

这也解释了为什么哈萨比斯关于科学研究的遗憾值得重视。它提醒我们，AI的资源配置已经成为公共政策问题。

今天最先进的人工智能研究需要大量算力、能源、人才、资本和数据。这些资源并不是无限的。用于训练一个更强大的商业模型的算力，当然也可能支持科学模型的开发；但两者之间并非总能直接替换，科学研究还需要专门的数据、实验设备和学科知识。问题不在于停止聊天产品的发展，而在于如何让长期科学研究在激烈的商业竞争中持续获得支持。

这需要新的制度安排。政府可以增加AI基础科学投入，大学和公共实验室可以获得共享算力，科研机构可以建立开放的高质量数据资源，企业可以在保护知识产权与扩大公共知识之间寻找更合理的制度安排。医疗和能源领域还需要与实验验证、临床研究、产业转化相连接的长期资金。

由此可以提出一个判断：AI时代的重大公共政策问题，不只是怎样监管人工智能的风险，还包括怎样让人工智能的发展方向与人类的长期利益保持一致。

如果公共政策只负责限制风险，却不积极支持具有巨大社会价值的研究，AI的发展仍然可能过度集中在最容易赚钱的领域。反过来，如果政府不计成本地投入某些宏大项目，却缺少严格的科学检验和独立监督，也可能造成新的资源浪费。

所以，关键不是国家与市场谁来取代谁，而是如何形成一种制度，让商业创新、公共科研和长期社会利益能够相互支持。

四、AI会不会让人类进入一个不再稀缺的世界

哈萨比斯对人工智能的长期前景有一个颇具吸引力的想象：如果AI大幅提高科学发现速度和生产效率，帮助人类解决能源、医疗和资源利用问题，我们可能逐渐接近一个物质更加充裕的世界。他在2026年达沃斯期间的访谈中谈到过“后稀缺世界”（post-scarcity world）的可能性。〔6〕

这个判断并非毫无根据。人类历史上的重大技术进步，确实不断改变稀缺的形式。农业技术提高了粮食产出，工业革命大幅增加了制造能力，现代医学降低了许多疾病造成的死亡风险，数字技术则使信息复制和传播的边际成本显著下降。假如人工智能能够进一步提高能源效率、加速新材料发现和自动化生产，人类获得某些商品与服务的成本可能继续下降。

但这里有一个必须纠正的经济学误解：经济学并不是建立在一切活动都属于零和博弈的假设上。

从亚当·斯密到现代贸易理论，经济学一直研究分工、交换、创新和生产率提高怎样创造额外财富。经济增长本身就说明经济活动可以是正和的。稀缺与零和是两个不同概念。即使资源有限，人们仍然能够通过合作和技术进步创造更多价值。

同样，即使AI极大提高生产能力，稀缺也不会自动消失。土地、时间、生态容量、稀有资源、社会关注和某些公共位置，仍然可能存在限制。更重要的是，物质生产越来越便宜，并不意味着每个人都有同等能力获得这些成果。

这里有一个经常被技术乐观主义忽略的问题：生产能力的提高，不等于分配制度的改善。

假设未来AI能够帮助人类大幅降低药物研发成本，新药的价格仍然可能受到专利、市场结构、保险制度和监管安排的影响。假设机器人能够大规模提高制造效率，新增财富也可能主要流向资本所有者。假设能源成本显著下降，社会仍然需要决定基础设施由谁建设、谁承担初期投资、哪些地区优先受益。

技术可以扩大经济可能性的边界，却不能自动决定收益如何分配。

这正是AI前景讨论必须同时进入经济学和政治哲学的原因。如果人工智能显著提高生产率，而劳动收入没有同步增长，资本收益却持续集中，那么人类完全可能生活在一个生产能力更加充裕、分配结果却更加不平等的世界。

因此，“后稀缺”至多是一个值得研究的未来情景，不能被当成技术发展必然实现的历史终点。我们还需要回答：谁拥有机器？谁拥有模型？谁掌握数据和能源？谁拥有新知识形成的产权？AI创造的价值怎样进入普通人的生活？

人工智能能够降低某些商品的生产成本，却无法替人类回答什么才是公平的分配。

五、AI竞赛最大的风险：人类合作能力跟不上技术进步

哈萨比斯还强调人工智能发展中的国际协作问题。这一点与他关于科学突破的乐观判断并不矛盾。因为一种技术越有可能产生重大影响，越需要制度能够及时识别和管理其风险。

今天的AI竞争至少包含三个层面：企业之间争夺用户和商业利润，国家之间争夺技术能力和战略优势，科研机构之间争取人才、算力与发现机会。适度竞争有助于提高效率、推动创新，但如果所有参与者都担心自己落后，就可能出现一种典型的博弈困境。

每一家企业都知道模型需要经过充分测试，却又担心过长的测试周期会让竞争对手率先进入市场。每个国家都希望先进AI安全可靠，却又担心严格限制自身研发将造成战略劣势。结果可能是，所有人都愿意在原则上支持安全，却没有人愿意单方面放慢速度。

从博弈论看，这是一种协调与激励问题。各方即使知道合作可能带来更好的共同结果，也可能因为无法确信其他参与者会遵守同样规则，而选择更激进的竞争策略。

因此，AI治理不能只依赖企业领导人的个人责任感。需要更明确的技术安全评估、事故报告、独立审查机制，以及针对生物安全、网络攻击和关键基础设施等高风险领域的国际合作。当然，不同国家对安全、隐私、创新和国家主权有不同理解，统一全球规则并不容易。合理的路径可能是先在具体风险和可验证标准上建立合作，再逐渐扩大制度范围。

不过，还有另一种风险值得重视：如果安全监管最终只允许少数资本雄厚的企业承担高昂合规成本，监管本身也可能巩固技术垄断。大型企业拥有更多安全团队、计算资源和法律能力，小型研究机构却可能被排除在先进技术研发之外。因此，监管必须同时考虑安全、竞争、科研开放和公共利益。

这使AI治理成为一种复杂的制度设计。限制过少，可能增加技术滥用风险；限制过多，可能抑制创新并集中权力；只强调企业竞争，可能忽略公共安全；只强调国家竞争，又可能牺牲国际科学合作。

阿尔法折叠已经提供了一个值得借鉴的方向：一种重要的AI科研成果，可以通过相对开放的基础设施服务全球研究人员。但也不能因此断言所有AI能力都应该完全公开。不同系统具有不同的潜在危害，开放程度需要具体判断。

我们需要寻找的，是一种能够让知识广泛传播、风险受到控制、利益得到分享的制度安排。这项工作并不比训练更强大的模型容易。

六、普通人应该怎样面对AI

2026年达沃斯世界经济论坛上，哈萨比斯曾建议大学生极其熟练地掌握AI工具。他特别指出，年轻人可以通过学习先进工具，在进入工作岗位以前获得过去难以取得的能力。世界经济论坛的官方报道确认了这一建议。〔7〕

这是一个很实际的判断。但如果把它简单翻译成“未来十年只要会用AI，就能获得竞争优势”，又会低估问题的复杂性。

今天，模型已经具备的能力与很多人实际使用它的水平之间确实存在差距。有人只用AI修改邮件，有人已经能够利用它辅助编程、分析数据、学习复杂学科、提出研究问题。这种使用能力差异可能影响个人的工作效率与学习机会。

但工具使用能力不是唯一重要的能力。一名研究人员可以借助AI阅读大量论文，却仍然需要知道哪些研究问题值得提出、哪些证据可靠、哪些结论可能存在漏洞。一名医生可以借助AI分析医学影像，却仍然需要理解患者的完整状况，并对实际医疗行为承担责任。一名学生可以用AI迅速生成一篇文章，却未必因此获得了独立分析和写作的能力。

这里涉及一个AI时代教育最需要认真对待的问题：机器完成了一项认知任务，不等于使用机器的人已经获得了完成这项任务的能力。

如果一个学生始终依赖AI解答问题，却从未真正理解推理过程，他可能交出越来越好的作业，同时拥有越来越薄弱的独立思考能力。如果一名专业人员长期依赖自动化建议，却不再练习关键判断，他可能在系统运行正常时表现出色，却在系统出现错误时无法识别问题。

因此，AI教育不应该只追求提高工具使用率，还必须保护和发展人不依赖工具时的基本能力，以及人能够理解、检验和纠正工具时的判断能力。

这并不意味着应该把AI排除在学习之外。恰恰相反，人工智能可以使知识获取更快，使不同语言之间的学习障碍降低，使个人拥有过去只有大型机构才能提供的某些研究辅助能力。关键是重新设计学习过程，让AI承担重复劳动、提供反馈和拓展探索空间，同时让学习者继续进行必要的思考、实验和判断。

未来最重要的人机关系，也许不是人类努力在所有任务上胜过机器，而是人类能够利用机器扩大自己的探索能力，同时不放弃对目标、证据和价值的独立判断。

从这个意义上说，哈萨比斯给年轻人的建议可以再补充一句：不仅要学会熟练使用人工智能，还要学会在人工智能给出答案以后，知道怎样判断这个答案是否值得相信。

七、AI时代，什么才算真正的进步

回到哈萨比斯最初的遗憾，我们可以更清楚地看出，人工智能的未来实际上存在几种不同的衡量方式：一种是技术指标：模型的推理能力提高了多少，能够处理多少信息，完成多么复杂的任务。另一种是经济指标：AI企业获得多少收入，社会节省多少劳动时间，产业生产率提高多少。第三种是科学指标：AI是否帮助人类发现新的知识、提出可以检验的解释、解决长期存在的研究难题。还有一种更容易被忽略的指标：人工智能是否扩大了普通人理解世界、改变生活和参与社会决定的能力。

这些指标相互联系，却并不相同。一家企业可以因为AI产品取得巨大商业成功，而社会总体收益相对有限；一个科学模型可能没有数亿消费者，却深刻改变整个研究领域；一种公共AI工具即使无法创造巨额利润，也可能通过降低教育和医疗服务的成本，改善大量人的生活。

因此，我们需要避免用单一的模型能力或商业收入定义AI的成功。这也引出一个比哈萨比斯的个人选择更大的问题：谁有权决定人工智能应该优先发展什么？

如果由消费者决定，最容易获得支持的可能是立即改善生活的工具。如果由企业决定，投资就可能更多流向回报清晰的应用。如果由政府决定，则可能更加重视公共服务、战略技术和国家能力。如果由科学界决定，基础知识和长期探索可能获得更多关注。任何一方都掌握着部分信息，也都有自己的局限。

合理的AI发展战略，需要让不同主体共同参与，形成多种目标之间的协调。基础研究需要耐心资本和公共支持，商业产品需要竞争和创新，科学应用需要严格验证，公共治理需要独立监督，教育制度则需要保护人在技术环境中的自主能力。

从这个角度看，阿尔法折叠带来的启示已经超出了蛋白质结构预测。它说明，一项人工智能成果一旦转化成可以被广泛使用、检验和积累的科研基础设施，其长期价值可能远远超过某个单一产品的成功。

当然，我们也不该把聊天机器人简单贬低为娱乐工具。语言能力本身就是人类文明中极其重要的基础设施。写作、翻译、阅读、沟通和知识整理能力的普及，同样可能创造深远的社会价值。对于语言能力不足、教育资源有限或专业知识获取困难的人来说，一个可靠的AI助手，可能就是进入更广阔知识世界的第一道门。

问题不在于聊天机器人是否值得发展，而在于我们是否把AI的未来想象得过于狭窄。

如果人工智能的主要成果只是让广告更加精准、内容生产更加廉价、企业裁员更加容易，那么即使模型能力继续大幅提高，人类社会也未必获得与技术投入相称的进步。如果它能够使基础科学更开放、医疗研究更有效、教育更加普及、能源技术取得突破，同时让更多人分享生产率增长的成果，那么人工智能才可能成为一次具有深远意义的文明进步。

哈萨比斯没有证明AI一定能够治愈癌症，也没有证明人类将在2030年进入通用人工智能时代。他提供的最重要启示，是一种可以检验技术进步的价值尺度：机器能力的增加，究竟有没有转化为人类解决重大问题的能力？

人类过去几百年已经学会不断制造更强大的工具。蒸汽机扩大了体力，电力改变了生产，计算机提高了信息处理能力。人工智能可能第一次在如此广泛的范围内，帮助人类处理过去需要智力完成的任务。

但机器越来越会思考，并不能保证人类越来越知道自己应该做什么。我们可以训练出能写出数百万篇文章的模型，也可以尝试开发帮助科学家发现新药的模型；可以把AI用于更有效地影响消费者的购买决定，也可以利用它寻找更加清洁的能源；可以让机器替人完成越来越多的判断，也可以利用机器使更多人获得过去难以接近的知识和能力。

这些用途并不一定互相排斥，但资源、制度和时间总有约束。如何作出选择，最终仍然是人的责任。

AI时代最重要的突破，也许不是有一天机器终于能够像人一样思考，而是人类终于学会利用机器，把过去无力解决的问题变成可以解决的问题。

一项技术的伟大，不取决于它能够替人做多少事，而取决于它最终使人类能够做到多少过去做不到的事。

注释

〔1〕关于哈萨比斯2026年4月谈及科学研究理想、ChatGPT改变行业竞争节奏的报道，参见 The Economic Times, “Demis Hassabis: AI Was Meant to Cure Cancer, Now It’s a Commercial Race,” 12 Apr. 2026。该报道根据他与Cleo Abram的访谈整理。本文未取得能够核对视频稿开头整段引语的逐字原始记录，因此没有将用户提供的中文转述视为直接引语。

〔2〕The Royal Swedish Academy of Sciences. “The Nobel Prize in Chemistry 2024.” NobelPrize.org, 9 Oct. 2024。诺贝尔奖官方确认：戴维·贝克获得一半奖金，哈萨比斯与约翰·江珀共同分享另一半，后两者获奖理由为蛋白质结构预测。

〔3〕Google DeepMind. “AlphaFold: Five Years of Impact.” 2025；“AlphaFold Reveals the Structure of the Protein Universe,” 2022。两亿以上蛋白质结构预测和300万以上研究人员使用的数据来自DeepMind的公开统计。结构预测不等同于实验确认。

〔4〕关于AGI预测，参见 Reuters, “Artificial Intelligencer: How AI and Politics Dominated Davos,” 22 Jan. 2026；以及2026年2月印度AI峰会对哈萨比斯的采访报道。可核实的常见表述是“未来五至十年”，而不是保证2030年实现AGI。

〔5〕Arrow, Kenneth J. “Economic Welfare and the Allocation of Resources for Invention.” The Rate and Direction of Inventive Activity: Economic and Social Factors, edited by Richard R. Nelson, Princeton UP, 1962, pp. 609–626.

〔6〕关于哈萨比斯对科学突破与后稀缺社会的设想，参见 The Economic Times, “Davos 2026: China Has Caught Up a Lot with US, but Yet to Innovate Beyond Frontier, Says Google DeepMind CEO Demis Hassabis,” Jan. 2026。后稀缺是前景判断，不是已经实现或获得证明的经济状态。

〔7〕World Economic Forum. “Young People and AI: 3 Things Davos Leaders Want Everyone to Know.” Jan. 2026。该文记录了哈萨比斯建议大学生熟练掌握AI工具的原话。

Subscribe now

过去谈人工智能与科学，人们最容易想到两件事：机器帮助科学家处理数据，或者帮助研究人员写论文。这种理解正在迅速过时。2026年10月，哈佛大学理论物理学家马修·施瓦茨（Matthew D. Schwartz）公布了一个很容易让人产生错觉的实验结果：在大约三个月里，他借助Claude和自己搭建的BootLoops工具体系，与19位合作者推进了约400个候选问题，形成36份研究手稿，涉及18个领域。更值得注意的是，这项工作并没有停留在他的本行高能物理，而是进入生态学、群体遗传学、经济学、语言学、地球科学等领域。施瓦茨自己反复强调，这些数字不能理解成“AI三个月发表了36篇重大论文”；许多项目仍在验证、修改或继续研究，真正有科学价值的部分往往是在领域专家介入以后才形成。

这恰好揭示了一个比“AI会不会代替科学家”更重要的问题：AI正在改变科学研究中什么最稀缺。过去科学研究最大的障碍，常常是算不出来、看不完、找不到、做不起。一个复杂积分可能耗费一个博士生几年时间，几千篇论文没有人读得完，几亿条基因数据不可能靠研究者逐条观察，历史学家一生能够真正细读的档案数量也十分有限。机器正在一点点削平这些障碍，可科学并没有因此变得没有瓶颈，瓶颈只是向前移动了。未来最稀缺的，可能不再是产生答案的能力，而越来越是知道什么问题值得问、什么答案值得相信，以及什么发现真正改变了我们对世界的理解。这可能是AI给科学哲学带来的最大变化。

一、从“AI帮助科学家”到“机器认知进入科学生产函数”

施瓦茨的故事很适合作为这个变化的入口。2026年3月，他第一次公开介绍自己的“Vibe Physics”实验。当时他让Claude Opus 4.5从头到尾完成一项真实的理论物理计算。他的评价颇有意思：Claude像一个能力很强的研究生，速度却可能快二十倍。两周完成的工作，在传统科研过程中可能需要一年左右。但这位“研究生”有一个严重问题：它勤奋、快速、知识面极宽，也非常愿意让导师满意，却需要不断纠正。施瓦茨说自己几乎要修改它写下的每一句话，还要不断把它从无关方向和死胡同里拉回来。

半年以后，他改变了策略，不再强迫AI像一个人类物理学家那样工作，而开始寻找适合AI认知结构的问题。他借用物理学里的一个概念，把此前人与AI之间的问题称为“阻抗失配”（impedance mismatch）：科学家需要的是有意义的新问题，AI擅长的却是大规模阅读、编程、跨领域搜索、复杂数学运算和高速试错。两个系统各自都很强，连接起来却会损失大量信息。于是他反过来问：有没有一些问题，天生适合这种机器？

BootLoops由此出现。它的重要性不只是一个软件包，而是一种新的科研组织思想：把数学、统计、程序、已有科学工具和检验规则装进一个可以被AI反复调用的框架，使模型不只“聊天”，而能够计算、写代码、查错、重复实验和验证结果。施瓦茨甚至规定，一个复杂费曼积分只有在完整函数形式已经确定，而且普通笔记本上的Python脚本可以计算到任意精度时，才算真正被“攻克”。这一步很关键，因为它把AI最危险的弱点——说得像对的——转换成另一个问题：能不能算出来，能不能重复，能不能验证。

在粒子物理中，他们最终用这一体系处理了30个复杂积分，其中15个是用新方法重新得到已有结果，另外15个此前尚未被计算出来。接下来，同样的数学工具被AI识别为可以应用到其他领域。一个用于粒子物理的积分方法，可以进入群体遗传学；有限域计算可以进入进化生物学；贝叶斯积分又能进入系统发育研究。科学长期存在一种很尴尬的浪费：A学科几十年前已经有了解法，B学科却不知道。AI第一次让这种“知识没有相遇”的成本迅速下降。

这件事的意义比“三个月36篇论文”大得多。如果把科学研究简单写成一个生产函数，过去大致是：科学产出 = 人的知识 × 计算能力 × 数据 × 实验条件 × 时间。现在正在加入一个新的变量：机器认知。它可以读论文、写代码、比较方法、搜索相关结构、分析数据、提出候选假设，并且同时处理几十条研究路径。这意味着科学研究正在发生和工业革命类似的一次变化。机器曾经把人的肌肉外置，计算机把部分记忆和计算外置，现在AI正在把一部分认知活动外置。真正发生变化的，不是“科学家有了一个更好的搜索引擎”，而是认知本身开始成为一种可以批量调用的研究投入。

二、AI突破的不是全部科学，而是旧有的技术天花板

如果说“AI已经突破科学研究的天花板”，很容易走得太远。到目前为止，AI在发现真正全新的基本科学原理和自然定律方面仍然十分有限。它最明显的作用，是提高科研过程的效率，参与文献分析、数据处理、假设生成、实验设计和程序执行。换句话说，AI首先打破的是技术性瓶颈，还没有普遍打破概念性瓶颈。

两者完全不是一回事。技术瓶颈是：我知道应该算什么，可是算不出来；我知道应该比较哪些数据，但数据太大；我知道实验应该怎么做，但组合太多；我怀疑两个领域存在联系，但不可能读完两个领域几十年的论文。这些恰好是AI极强的地方。概念瓶颈则是：为什么这个问题值得问？我们是不是一直用错误的概念描述现象？一个异常究竟是噪声，还是理论裂缝？现有理论的基本假设是不是有问题？真正的新科学往往发生在这里。爱因斯坦最重要的贡献，不是把牛顿方程算得更快，而是重新定义时间与空间；达尔文的关键贡献，也不是收集到世界上最多的物种数据，而是看出物种差异背后的选择机制；哥白尼并不是拥有更快的计算器，而是换掉了观察宇宙的坐标。

这也是施瓦茨实验中最值得注意的部分。Claude常常能够发现一个在技术上成立的结果，领域专家看了却说：对，但是没什么意思。在生态学项目中，它解决了一个二十年难以规模化计算的方程，并发现巴拿马巴罗科罗拉多岛 （ Barro Colorado Island）森林物种组成的变化速度与中性理论预测明显不符。技术结果很漂亮，生态学家生态学家詹姆斯·奥德怀尔（James O’Dwyer）指出，这个结论对生态学界本身并不令人意外。真正值得研究的是：把随机变化的部分扣掉以后，剩下来的结构是什么？于是问题才从“计算成功”进入真正有意义的科学。群体遗传学项目也经历了类似过程：AI解开技术难题，人类专家却继续追问，哪一个方向才可能带来新的生物学知识。

这里出现了一条非常重要的规律：AI最先消灭的，往往不是科学难题，而是科学难题外围的大量技术劳动。于是科学的瓶颈继续向上游移动。过去的研究链条是“想法—计算困难—数据处理—实验—结论”，未来则可能越来越变成“问题选择—候选假设大量生成—自动计算与模拟—自动验证—人类判断”。中间部分越来越快，两端越来越重要。这可以称为科学瓶颈迁移。

三、从自然科学到历史学：AI打开的是“以前太贵而无法研究的问题”

自然科学中的变化已经非常明显。数学最适合AI的一个原因，是答案往往可以精确验证；物理、工程和计算机科学也越来越多地使用机器去搜索算法、结构和优化路径。医学与生命科学走的是另一条路。这里最大的障碍并不是没有算法，而是生命系统太复杂，数据远远不像互联网文本那样充分。一个明显趋势，是大型生物医学项目开始建设能够让AI学习细胞和疾病规律的大规模数据体系，同时发展自动化实验室、虚拟实验和预测模型。问题已经从“AI能不能帮医生写病历”逐渐转向：机器能不能模拟细胞、设计实验、预测药物作用，甚至把部分湿实验提前搬进计算空间。

更值得注意的变化，也许发生在人文学科。很多人本能地认为，AI最适合理工科，因为数学可以验证，历史和哲学依赖解释，因此机器没有太大用处。这个判断只对了一半。大型语言模型正在让研究者在海量非结构化史料中建立语义联系，把传统的“细读”与过去只有计算人文学才能完成的“大规模阅读”连接起来。研究者过去必须在两个选择之间取舍：要么认真读几百份档案，要么让计算机对几百万份文本做粗糙统计。大型语言模型第一次提供了第三条路：对巨大文本群进行带有语义理解的搜索和比较。

这对历史学尤其重要。许多历史问题不是没有材料，而是材料太多、太散、太难连接。档案分布在不同机构、不同语言、不同格式中，个人一生能够真正处理的材料有限。AI可以帮助识别人名、地点、时间、关系和文本相似性，也可以发现过去研究者很难偶然碰到的联系。它不等于替历史学家解释历史，但它正在迅速改变历史学家能看到多少材料、能够把多远的材料放在一起比较。

当然，这并不意味着机器已经具备可靠的历史判断。复杂史学推理仍然要求研究者判断史料来源、作者立场、时代语境、证据冲突和因果强度。AI恰好让历史研究内部的不同层级更清楚地分开：找材料、读材料、比较材料、确定年代、识别人名、发现关联正在快速自动化，而形成解释、判断证据可靠性、提出历史因果这些环节反而越来越突出。

所以，AI在人文学科真正打开的新地平线，不是“让机器替历史学家解释历史”，而是使过去因为材料太大、语言太多、档案太散而无法提出的问题，第一次变得可以研究。这里出现了一个非常重要的转变：科学开始从研究“人能够处理的问题”，转向研究“值得研究的问题”。过去人的认知容量本身构成研究边界，AI正在拆掉这堵墙。

四、当研究成果可以批量产生，科学真正稀缺的资源开始转向判断

能力扩张以后，另一个问题会马上出现：如果产生研究变得越来越容易，会发生什么？答案可能不是科学自动变好，而是科学噪声首先爆炸。这也是施瓦茨实验最值得警惕的部分。36份研究手稿不等于36个新发现，更不等于36篇已经通过同行评审的论文。施瓦茨自己强调，他在跨出自己的专业领域以后很快发现，Claude经常“技术上正确”，但科学上并不重要。许多成果必须让真正的领域专家重新定义问题。

也就是说，AI正在降低一种成本：候选科学成果的生产成本。但它并没有同步降低另一种成本：判断什么是真正重要科学的成本。甚至可能把后一个成本抬高。更麻烦的是，如果未来出现“AI写论文—AI评论文”的闭环，生成端和审核端可能共享相似偏差。几个模型看起来像几个独立评审人，实际上可能只是同一种认知结构的不同实例。金融系统害怕相关性过高，科学系统未来也可能面对类似问题：认知相关性风险。

这意味着未来科学不能简单走向“全自动”，而必须建立“自动生成 + 独立验证 + 多模型交叉 + 人类专家判断”的结构。机器越能批量制造候选结论，验证能力越重要；模型越能批量生成论文，人类越需要判断一项工作是否真的有意义。科学系统最大的风险，不只是AI犯错，而是AI能够同时加速生产错误和认证错误。

这也解释了为什么未来真正稀缺的资源正在从“答案”转向“问题”。过去科学研究中的基本稀缺品，是答案。计算很贵，数据很少，文献难找，实验很慢，论文很难写，所以科学家的主要竞争力是解决问题。AI正在让候选答案变得越来越便宜。一个研究者以前一周才能试一个方案，现在可能一天试几十个；过去只能读几十篇文章，现在可以扫描几万篇；过去一个统计模型需要数周编程，现在可以几分钟建立；过去一个跨学科连接需要偶然遇到另一领域的专家，现在模型可以主动搜索相似数学结构。

于是研究过程出现一个新的不对称：答案供给增长的速度，开始超过问题质量增长的速度。这和信息时代发生过的事情很像。互联网没有消灭信息稀缺以后的一切稀缺，反而让注意力变得更稀缺。今天正在发生下一步：信息丰富之后，认知开始丰富；认知丰富以后，问题开始稀缺。

什么叫一个好问题？它不是一句语法正确的问句，而是一个真正值得投入资源的问题：它还没有真正解决；它解决以后会改变我们对某件重要事情的理解；我们能够得到足够证据判断答案；它不是现有文献中另一个微小变体；它值得投入人的时间、实验资源和公共资金。这些判断，目前恰恰是AI最不稳定的部分。所以未来科学家的核心竞争力很可能发生倒转：过去是“谁最会回答问题”，以后越来越可能变成“谁最会发现问题”。

这不是一句漂亮话。它可能改变大学教育、博士训练、科研基金和学术评价体系。如果一个博士生花五年时间学习怎样手工完成某种计算，而五年以后机器几分钟就可以做完，那么这套训练的价值显然会改变。未来研究训练真正需要加强的，也许反而是机器最难学习的部分：什么异常值得关注？哪个概念可能错了？哪些数据彼此不能比较？什么是因果，什么只是相关？什么时候应该相信模型？什么时候应该怀疑所有人都相信的模型？一项发现即使正确，为什么重要？科学教育的中心可能从“解题训练”转向“问题训练”。

五、未来科学：中间越来越自动，两端越来越重要

如果AI只是让论文写快一点，它不会构成科学革命。真正值得关注的，是它正在改变科学方法的结构。传统科学方法大致是：观察 → 提问 → 假设 → 实验 → 数据 → 分析 → 结论 → 同行验证。AI加入以后，越来越多研究会变成高频闭环：文献搜索 → 数据分析 → 假设形成 → 模拟或实验 → 结果检验 → 自动迭代。过去这个循环以月、年甚至十年计算，机器科学可能把部分循环压缩到小时甚至分钟。

这会产生一个非常深刻的变化：科学从低频认知活动变成高频认知活动。过去一个研究者提出十个假设，只能实验其中两个，以后机器也许可以先模拟十万个；过去一篇论文只能尝试几种模型，以后可以跑几千种；过去跨学科合作依赖人与人相遇，以后AI可以不断扫描不同学科中的数学同构、数据结构和方法迁移机会。

由此会出现几种新的科学形态。其一，是从“假设驱动科学”进一步走向“候选假设大规模生成”，AI可以大量生产候选解释，真正的竞争不再发生在有没有假设，而发生在哪些假设值得验证。其二，是从“个人科学”走向“认知网络科学”，一个研究团队可能只有几名科学家，却同时调用几十个AI代理、自动实验设备和大型数据平台，团队人数没有增加多少，认知规模却可能扩大几十倍。其三，是从“学科知识”走向“结构知识”。AI最令人意外的能力之一，是识别不同领域使用同一种数学结构。粒子物理、生态学、群体遗传学本来属于完全不同的院系，可机器看到的是积分、概率分布、图结构和优化问题。人类按学科组织知识，机器越来越可能按问题结构组织知识。

这可能逐渐削弱传统学科边界。未来最重要的研究中心未必叫“物理系”或者“生物系”，而可能越来越围绕复杂系统、因果推断、演化、网络、预测、认知这些问题组织知识。学科不会消失，但研究资源可能越来越沿着问题而不是院系流动。

这也许是整件事最容易被误解的地方：AI能力越强，人类越没有必要与机器比赛计算速度、文献阅读速度和代码编写速度。如果坚持比赛，人一定输。但这不意味着科学家消失，而是科学家的工作位置正在移动。过去科研价值链是“搜集知识—计算—分析—写作—判断”，机器正在大规模占据中间部分，于是人的价值向两端移动：前端是提出问题、建立概念、选择方向；后端是验证、解释、判断意义、承担责任。

这可以称为未来科学的“认知微笑曲线”。最便宜的部分会越来越集中在中间：计算、搜索、标准化分析、程序实现、文字生成；最昂贵的部分则留在两端：什么值得研究，以及我们凭什么相信它。

因此，说“AI突破了科学研究的天花板”还不够准确。更准确的说法是：AI正在一层一层拆掉旧的天花板，同时暴露出更高的一层。计算的天花板被抬高以后，我们看见问题选择的天花板；信息处理的天花板被抬高以后，我们看见理论创造的天花板；论文生产的天花板被抬高以后，我们看见验证能力的天花板；知识生产的天花板被抬高以后，我们最终会看见判断力的天花板。

这也是AI时代科学真正令人兴奋的地方。机器并没有突然知道世界全部的答案。恰好相反，机器正在帮助我们制造越来越多的答案，于是我们终于不得不面对一个过去经常被技术困难遮住的问题：哪些问题才值得人类花时间去回答？

未来科学最稀缺的资源，可能不再是聪明，甚至不只是知识，而是三种能力：发现重要问题的能力，识别可靠证据的能力，以及判断一个发现为什么重要的能力。

如果这一判断成立，那么我们正进入的就不仅是“AI辅助科研”的时代，而是一次更深的转变：科学第一次开始拥有大规模、可调用、可并行的机器认知。工业革命放大了人的体力，数字革命放大了人的信息能力，AI正在放大人的认知能力，而每一次能力被放大以后，人类真正需要重新回答的，都是同一个问题：当旧的稀缺消失以后，新的稀缺究竟在哪里？

对未来科学来说，答案已经开始浮现。机器可以帮助我们计算更多、阅读更多、实验更多，甚至提出更多答案，但科学最后争夺的，可能仍然是一种非常古老的人类能力：知道什么值得知道。

Subscribe now

我们可能正在经历一次经济学还没有完全命名的变化。过去几年，人们已经习惯了“人工智能经济”“AI经济”“智能经济”这些说法，但大多数时候，它们只是“AI产业”的另一个名字：大模型、芯片、机器人、算力中心、自动驾驶，以及AI怎样进入金融、医疗、制造和教育。如果只是这个意思，“智能经济”其实没有必要成为一个新的经济学概念。汽车工业很大，我们没有因此发明“汽车经济”；电信产业很大，也没有必要把整个现代经济叫作“电信经济”。

一个新的经济阶段要成立，标准应该高得多。工业经济之所以不同于农业经济，不是因为出现了几个工业部门，而是机器、能源和资本改变了整个社会的生产函数。数字经济之所以值得单独命名，也不是因为出现了互联网公司，而是信息第一次可以用接近于零的边际成本被复制、储存、传输和匹配，企业、市场和人的生活因此重新组织。那么，人工智能有没有带来同样级别的变化？

我认为，现在已经可以提出一个更大胆、但需要严格限定的判断：如果AI只是提高原有产业的效率，它仍然属于数字经济；如果机器认知开始成为像资本、劳动和数据一样可以大规模调用的通用生产要素，并进一步改变思想的生产函数，那么智能经济就开始成为一个独立的经济阶段。它最深的变化甚至不发生在工厂，而发生在过去主要由人的头脑承担的生产过程里。

一、从土地、资本到机器认知

如果把几千年的经济发展压缩到最简单的生产函数里，会发现一条很有意思的线索。最早的农业经济依赖土地＋劳动。土地决定人在哪里生产，人的身体决定能够生产多少。工业革命改变了这个结构。机器把人的一部分体力外置，蒸汽机、电动机和各种机械设备使力量不再必须来自人的肌肉，资本的重要性随之上升，因为机器、工厂、铁路和电网都需要大量前期投入。生产函数逐渐变成：土地＋劳动＋资本＋能源＋技术。

20世纪后半叶又出现一次变化。计算机和互联网把一部分信息能力外置了。数据可以被储存、搜索、复制和远距离传输，软件可以反复使用，几十亿人能够进入同一个信息网络。于是生产体系又增加了数据＋软件＋网络。这就是数字经济。

人工智能现在开始做另一件以前机器很少能够完成的事：把一部分认知能力外置。阅读、总结、翻译、比较、分类、预测、编码、设计、提出假设、组合知识、生成方案，过去主要依赖人的头脑，现在其中越来越多的任务开始由人和机器共同完成。如果把这几次变化连起来，就会看到一条比“农业—工业—信息—AI”更深的历史线：机器外置肌肉，计算机外置计算，互联网外置信息存储和传播，AI开始外置部分认知。经济发展的历史，从这个角度看，也是一部人的能力不断外置的历史。

这也意味着，“土地—劳动—资本—数据—机器认知”不能理解成几种生产要素简单排队。每出现一种新的通用生产要素，经济中的瓶颈都会移动。农业时代稀缺的是好土地，工业化早期是资本和机器，成熟工业经济越来越依赖技术、管理和组织能力，数字经济则把数据、网络和注意力推到前台。数字经济发展到今天，又出现一个新的瓶颈：信息已经过剩，认知仍然稀缺。

一家企业可以拥有十亿条数据，但如果没有足够的工程师、分析师、律师、医生和管理者，其中很大一部分仍然只是躺在服务器里的数字。人工智能开始降低的，正是这种认知成本。搜索引擎回答“资料在哪里”，AI开始回答“这些资料是什么意思”；数据库告诉我们“已经知道什么”，AI则开始帮助人判断“根据已有知识还能推出什么”。这就是数字经济和智能经济之间真正的分界线。

如果把生产函数做一个极度简化，农业经济可以写成Y=f（L，Land），工业经济变成Y=f（L，K，E，T），数字经济增加数据与网络，成为Y=f（L，K，E，T，D，N）。到了智能经济，我认为至少还要增加一个变量：MC——Machine Cognition，机器认知。于是可以进一步写成：Y=f（L，K，D，MC，H），其中H是Human Judgment，也就是人的判断。

为什么不能把MC简单归入“资本”？因为机器认知与传统机器有一个重要差别。一台挖掘机主要放大人的物理能力，一套AI系统却开始放大分析、语言、编码、设计、知识搜索、方案生成以及部分推理能力。它进入的是过去被经济学笼统归入“人力资本”的领域。

过去一家咨询公司想把认知产能增加一倍，大体需要增加更多咨询师；律师事务所想处理更多案件，需要更多律师；软件公司要写更多程序，需要更多程序员；实验室要探索更多假设，需要更多研究人员。AI开始松动这种关系。认知产出不再必须与知识劳动者人数同比增加。工业革命打破的是“物质产出≈人的体力”，智能革命正在尝试打破“认知产出≈人的脑力时间”。如果这一步真正成立，智能经济就不再只是数字经济的升级版，因为生产函数本身已经变了。

二、AI改变的不是思想的重要性，而是思想的生产函数

这里需要做一个重要校准。“思想是经济增长的核心”并不是AI时代才出现的发现。以保罗·罗默为代表的内生增长理论早已指出，观念（ideas）与土地、机器等传统投入不同。一个设计、一种配方、一个算法或一种技术，可以被很多人同时使用，并不会因为一个人使用了，另一个人就不能使用。经济学把这种性质称为非竞争性（non-rivalry）。思想一旦产生，可以反复使用，这也是长期经济增长能够突破物质资源约束的重要原因。

过去增长理论真正困难的问题是：新思想从哪里来？传统模型大体可以简化为“研究人员＋已有知识→新知识”。科学家读论文，工程师做实验，企业家发现需求，作家从阅读和生活中获得材料，哲学家提出问题。思想可以无限复制，但产生思想的人不能无限复制，思想生产因此一直受到人脑数量和人类时间的限制。

AI可能改变的正是这一点。过去是“已有知识＋人类研究者→新思想”，现在开始变成“已有知识＋人类研究者＋机器认知＋计算→候选新思想”。机器认知可以复制、并行和持续运行，一个科学家不能同时变成一千个科学家，一个AI agent却可以被复制成大量agent，同时搜索不同路线。思想生产由此第一次获得了某种工业生产才具有的规模化搜索能力。

近年的AI科研系统已经出现这种迹象。一些系统能够自动探索大量候选解决方案，多智能体系统也开始把文献搜索、提出假设、设计实验、分析结果和修改假设连接起来。这当然不能证明“机器已经会独立做科学”，但它说明了一件更值得注意的事情：搜索思想空间的成本正在下降。

不过，这里的“思想”必须严格定义。AI生成一百万篇营销文案，不等于产生一百万个新思想；把已有知识重新排列组合，也不等于知识创新。我们至少应该区分三个层次：内容生产（content production）→认知生产（cognitive production）→思想生产（idea production）。内容生产解决“怎样表达”，认知生产解决“怎样分析、解释和形成方案”，思想生产则要求产生能够改变理解或者行动可能性的解释、概念、假设、方法和设计。

这个区别非常重要。如果AI最终主要停留在第一层，我们得到的只是一个内容极度过剩的数字经济；如果它大规模进入第二层，经济会出现明显的认知生产率革命；只有当它持续进入第三层，参与新知识、新方法和新问题的产生，才可以真正讨论“思想生产函数”的变化。

过去当然存在思想市场。大学生产知识，出版社出售思想，咨询公司出售方案，广告公司出售创意，实验室生产发现，软件公司生产算法，金融机构出售判断，智库生产政策建议。但这些市场一直有一个共同的物理限制：思想必须经过人的脑。AI带来的结构性变化，就在于这个限制第一次开始松动。思想本来就是非竞争性的，现在连一部分生产思想的能力也开始具有可复制和可扩展的特征。智能经济真正值得讨论的地方，不是思想突然重要了，而是思想生产开始获得规模化的技术条件。

三、从思想供给冲击到“问题市场”

这可能带来一种过去很少出现的经济现象：思想供给冲击（Idea Supply Shock）。假设过去一名研究者一年能够认真探索10个研究问题，现在他拥有大量AI agents，可以同时阅读文献、寻找关联、提出假设、写代码、模拟、相互批评和修改方案。即使其中绝大多数想法最终被淘汰，能够搜索的思想空间也会大幅扩张。

工业革命制造了商品供给冲击，数字革命制造了信息供给冲击，智能革命可能制造思想供给冲击。普通商业方案、广告创意、代码、文章、设计、分析和研究假设的生产成本都会下降。但这里会出现一个非常重要的悖论：思想的数量增加，不等于原创思想同比增加。

已有研究已经发现，AI能够提高个人科研生产率，但个人生产率上升并不自动等于整个知识系统的创新率同步上升。AI尤其擅长从已有知识中寻找高概率路径，而许多重要思想恰恰来自低概率路径、异常现象、失败、跨学科碰撞和长期无人关注的问题。因此未来完全可能出现一种奇怪现象：思想数量爆炸，思想方差却没有同步增加，甚至可能下降。我们生产了更多答案，却越来越集中于相似的问题。

智能经济因此不会消灭稀缺性，只会重新安排稀缺性。农业经济主要稀缺土地，工业经济稀缺资本、能源、机器和组织能力，数字经济把数据、网络和注意力推到前台。当机器能够大量生产普通认知产品以后，价值会继续向问题、判断、验证、信任、责任、品味和意义移动。

未来的思想市场因此可能出现一个层级结构。最下面是内容市场，包括文字、图片、视频、音乐和普通代码，AI会使这一层极度丰富。再上一层是方案市场，包括法律方案、投资分析、设计方案、商业计划、教学计划和政策方案，其中标准化部分的价格也会下降。第三层是严格意义上的思想市场，包括新的概念、科学假设、商业模式、理论框架和技术路线，机器会越来越多地参与，但原创性、验证和判断仍然决定价值。

再往上，可能出现一个过去没有被充分认识的市场：问题市场。什么问题值得研究？什么需求值得满足？什么风险值得承担？什么技术值得发展？这些问题不能简单从已有数据中自动推出，因为它们涉及价值、历史、责任和人的需要。

这可能是智能经济一个很反直觉的结果：答案越来越便宜，问题越来越贵。过去，一个人的价值很大程度上来自“我知道答案”；未来，越来越大的价值可能来自“我知道应该问什么”。如果机器可以给出一万个答案，那么能够从中判断哪个答案值得验证、哪个问题值得投入真实资源，就站到了价值链更上游的位置。

四、智能经济会怎样改变企业和中国经济

这种变化会直接进入企业组织。工业时代的大企业靠集中资本、机器和工人；数字时代的平台企业靠集中数据、用户和网络；智能经济的企业可能越来越依赖问题＋算力＋模型＋数据＋判断。过去一家咨询公司需要大量咨询师，一家软件公司需要大量程序员，一个研究机构的能力与科学家人数高度相关；未来，部分认知劳动可以由机器承担以后，组织能力可能越来越取决于高质量的人×机器认知×数据×现实执行能力。

公司规模因此可能与员工人数逐渐脱钩，并出现一种认知资本密集型企业。这类企业最重要的资本不是办公楼，也不只是服务器，而是一套能够持续提出、筛选、验证并执行思想的系统。它们可能人数不多，却拥有过去大型组织才具备的分析、编程、设计、翻译和研究能力。

这也解释了为什么中国发展智能经济，不能只看有多少大模型、多少GPU、多少AI企业以及AI产业规模达到多少万亿元。这些指标当然重要，但仍然带有工业时代衡量一个产业的思路。真正值得观察的是：单位劳动者能够调用多少机器认知，单位研发人员能够探索多少技术路线，一家小企业能够获得多少过去只有大企业才拥有的专业能力，一个科学假设从提出到验证需要多长时间，一个新思想从出现到进入生产需要多长时间。

这里可以提出一个指标：认知杠杆率（Cognitive Leverage Ratio）。简单说，就是一个人借助机器能够调动多少过去需要其他人的脑力才能完成的认知能力。工业革命提高的是体力杠杆，金融体系提高的是资本杠杆，AI可能提高的是认知杠杆。

这个概念对中国尤其重要。中国拥有庞大的工程师群体、完整的制造体系、巨大的国内市场，也正在建设自己的AI模型、算力和产业生态。如果这些条件能够结合起来，真正值得观察的就不再只是“中国有多少AI公司”，而是：中国能不能把庞大的工业和人口规模转化成更高的认知杠杆率？如果一个工程师可以调动过去十个工程师的认知能力，一个小制造企业可以拥有过去大公司的研发、设计和市场分析能力，那么AI带来的就不只是一个新产业，而是原有经济体系生产率的一次重新组织。

不过，现在还不能宣布“智能经济”已经完全成立。AI已经能够生成内容、提高部分知识劳动生产率、写代码、分析数据、搜索候选方案和辅助科学研究，但它对基础科学中新原理、新定律的发现能力仍然有限。更准确的说法是：思想生产正在出现工业化的技术条件，而不是思想已经实现工业化。

要判断智能经济是否真正成为一个独立经济阶段，我认为至少要观察五个条件：机器认知是否成为跨行业的通用生产要素；认知产出是否开始与人类劳动时间明显脱钩；AI是否持续进入新思想、新设计和新技术路线的生产；企业是否大量出现“少数人＋大量agent”的新组织形式；经济中的稀缺价值是否明显向原创、判断、验证、信任和责任移动。如果这些变化同时发生，“智能经济”才真正有资格成为继工业经济和数字经济以后，一个可以在经济史上单独命名的阶段。

五、从土地到思想

把这条历史线重新拉长，会看到一幅很不一样的经济史。农业革命扩大了人能够控制的土地，工业革命扩大了人能够调用的物理力量，金融体系扩大了人能够调用的资本，数字革命扩大了人能够调用的信息，智能革命正在扩大人能够调用的认知。生产要素的演化因此不只是“土地→劳动→资本→数据→机器认知”，更深的变化是：自然资源→物理能力→资本能力→信息能力→认知能力→思想生产能力。

这也是为什么AI革命不能只从“替代多少工作”来理解。过去两百年，工业经济主要解决怎样生产更多东西；数字经济解决怎样以更低成本处理和传播信息；人工智能开始触碰的是另一个问题：怎样让一个社会以更低的成本产生、筛选和验证可以行动的思想。

如果这种变化继续，一个人可以调用多个认知代理，一个科学家可以同时探索过去一个研究团队才能探索的路径，一个小企业可以获得过去只有大型机构才能负担的法律、设计、编程、翻译和市场分析能力。思想生产也就可能经历一次类似工业革命的变化：从高度依赖个人时间的手工业生产，进入机器辅助的规模化生产。

这才是“思想市场的超越性发展”真正值得讨论的地方。它不是未来会不会多出几亿篇文章，而是人类正在形成一种可以规模化生产、组合、筛选和验证思想的经济基础设施。一旦这套基础设施成熟，思想生产就会从经济活动背后的隐性过程，越来越明显地成为经济活动本身。

但它也会把一个更难的问题推到我们面前。当生成答案越来越便宜，真正昂贵的东西就会继续向前移动：选择什么，验证什么，相信什么，为什么做，以及愿意为哪一种判断承担后果。

农业经济争夺土地，工业经济争夺资本，数字经济争夺数据和注意力。智能经济开始以后，人类争夺的可能越来越是定义问题的权力。谁能够决定什么问题值得解决、什么未来值得建设、什么思想值得相信，谁就站在智能经济价值链更上游的位置。

数字经济把世界变成了一个巨大的信息市场。智能经济正在把它变成一个巨大的思想市场。可是，当思想本身也变得越来越容易生产，思想市场最昂贵的商品可能不再是更多思想。而是知道：往哪里去。

Subscribe now

2026年，帕兰蒂尔（Palantir Technologies）开始招收一批刚刚高中毕业的年轻人。他们不必先拿到大学文凭，而是直接进入公司，在团队里解决技术问题。这个项目只有四个月，规模也不大，当然谈不上取代大学。但它提出了一个过去很难公开提出的问题：如果一个18岁的年轻人已经能够使用AI、写程序、做产品、参加项目，他的能力究竟应该由一张四年以后才能拿到的文凭证明，还是由他已经做出来的东西证明？

这个问题一旦提出，麻烦就来了。过去几十年，大学之所以如此重要，不只是因为它教授知识，还因为它承担了一项社会筛选功能。一个年轻人进入名校，读完四年，取得学位，企业由此推断：这个人智力不错，能够完成任务，接受过一定训练，也能在制度里坚持足够长时间。学历既是教育证明，也是人才筛选的代理指标。AI正在削弱这种代理关系。

一个没有计算机专业学历的人，今天可以借助AI写程序；一个没有设计学位的人，可以完成产品原型；一个高中生可以调动过去只有专业人员才能使用的知识工具。企业于是会越来越自然地追问：既然我可以直接看到你能做什么，为什么还必须先看你在哪里读过四年书？这才是帕兰蒂尔这类实验值得大学警惕的地方。它未必会摧毁大学，却可能摧毁一个维持了很久的默认设置：先学习，再工作；先取得资格，再进入现实。AI时代，这个顺序正在松动。

一

我们今天熟悉的大学，其实带着很深的工业时代痕迹。学生18岁进入大学，先选一个专业。计算机是计算机，历史是历史，经济是经济，心理学是心理学。每个专业再切成一门一门课程，每门课程被安排成固定学分，一周上几次课，一个学期结束考试，修够学分以后毕业。这套制度最大的特点，是把知识切开以后再交给学生。

现实世界却不是这样运行的。一家公司要设计一款老年人使用的AI医疗产品，它面对的不会只是计算机问题。里面同时有软件、医学、心理学、设计、伦理、商业模式、监管和老龄社会问题。一个城市要解决住房问题，也不可能交给一个“住房专业”处理，它同时涉及金融、土地、交通、法律、人口、政治和社区关系。现实中的问题天然是跨学科的，只有学校里的知识被分成专业。

大学当然需要学科。没有数学，就没有工程；没有历史训练，就很难理解社会怎样走到今天；没有哲学，就容易把价值判断伪装成技术判断。问题出在我们后来把学科从认识世界的工具，变成了组织教育的墙。学生先进入墙里待四年，毕业以后才第一次面对一个没有标准答案的问题。

AI出现以后，这种安排越来越奇怪。因为AI最先降低的，正是知识调用的成本。过去遇到一个统计问题，你可能要修完统计课才知道怎么处理；现在AI可以立即解释模型、写代码、演示方法。过去跨专业意味着重新学习一整套语言，现在机器可以在不同知识体系之间即时翻译。知识不会因此变得没有价值，发生变化的是知识在学习中的位置。

过去常常是：先把知识学完，再去解决问题。以后更可能变成：先进入问题，需要什么知识，再把什么知识调进来。前一种以课程为中心，后一种以问题为中心。而一个多世纪以前，约翰·杜威已经在讨论后面这一种教育。

中文长期把美国哲学中的 pragmatism 翻译成“实用主义”。这是约定俗成的标准译名，不能简单说它在学术上“翻译错了”。但如果用“有用就是真理”“什么管用就用什么”去理解杜威，那么确实把他的思想带到了错误方向。尤其在教育领域，我更愿意把杜威的精神理解成一种实践主义。

因为杜威关心的从来不只是“有没有用”，而是知识怎样在行动、经验、失败、反思和再次行动中形成。斯坦福哲学百科对杜威的总结很准确：在他的哲学中，思想并不是站在现实之外观察世界的镜子，而是人在环境中处理问题的一种工具；认识发生在持续的“探究”之中。杜威本人后来甚至更喜欢用“experimentalism”——实验主义——描述自己的立场。

所以，把杜威简单概括成一句“通过实践学习”（learning by doing），其实还不够。做，并不自动产生学习。一个人可以把同一件事情做二十年，而什么也没有学会。杜威强调的是一个循环：遇到问题；形成疑问；寻找材料；提出假设；行动；看到结果；重新解释；再行动。学习发生在这个循环里。

他的芝加哥实验学校之所以重要，也正在这里。学校不再把儿童看成等待灌入知识的容器，而是把真实活动组织成探究过程。教师也不只是告诉学生答案，而是设计环境，让学生碰到值得解决的问题，然后帮助他们调用知识。一百多年以后，AI反而使杜威显得比过去更现代。

因为当知识本身越来越容易取得，教育的重点自然会从“你记住了多少”，转向另外几个问题：你能不能发现问题？你能不能判断什么知识值得相信？你能不能把不同知识放到一起？你能不能把一个想法做出来？做错以后，你知不知道错在哪里？最后，你能不能从一次经验里长出下一次行动的能力？这些问题，AI可以帮助你，却不能替你完成。

二

硅谷值得大学学习的，其实也不是“不要上大学”。这是最容易得出的结论，也是最浅的一层。彼得·蒂尔很早就提出让部分年轻人暂时离开大学去创业，今天帕兰蒂尔又在尝试直接从高中毕业生中寻找人才。与此同时，美国一些大学内部其实也早就在进行另一场实验。比如欧林工程学院（Olin College of Engineering），学生从第一学期就开始设计、制造和测试真实系统，课程把工程、数学、科学、人文、社会科学和创业结合起来；所有学生最终还要参加面向外部问题的长期项目。

这里出现了一条很有意思的关联。杜威、硅谷和这些新的大学实验，表面上相距很远，其实都在挑战同一件事情：为什么学习一定要发生在现实之前？

传统大学的时间结构是：学习 → 毕业 → 工作 → 解决问题。实践主义大学的时间结构会变成：问题 → 学习 → 行动 → 失败 → 再学习 → 再行动。学习与工作不再是人生前后两个阶段，而开始交错。这会改变大学的基本组织方式。

今天大学的基本单位是“课”，未来大学的基本单位可能越来越是“项目”。一个学生不再只是说：“这学期我修了经济学101、Python和社会心理学。”他可能会说：“这一年我们研究纽约年轻人的住房问题。”为了完成这个项目，他必须学统计，理解房地产金融，研究城市规划，采访租户，读住房法，使用AI处理数据，还要学习怎样把研究结果讲给市议会、投资人和普通居民听。

这时候，经济学还在，统计学还在，法律还在，编程还在。它们只是换了位置。学科不再是学习的终点，而成为解决问题时调动的工具。这可能是AI时代大学最深的一次结构变化。

如果沿着这个方向继续走，大学甚至需要重新设计四年本科。第一年不应该急着把18岁的年轻人锁进某个专业。更合理的办法，是让所有学生先进入几个共同的问题世界：人、社会、自然、技术。数学、写作、历史、科学方法、统计、AI工具仍然要学，但它们不再作为彼此隔绝的基础课存在，而要进入项目。

学生要做东西，也要读难书；要写程序，也要写长文章；要使用AI，也要在没有AI的时候证明自己还能思考。这很重要。实践主义教育绝不能退化成职业培训。

如果大学最后只剩“企业需要什么，我就教什么”，那甚至比今天的专业教育更糟。企业解决的是眼前的问题，大学还必须保存那些十年、二十年以后才知道有没有用的知识。基础科学、哲学、文学、历史甚至某些看起来“没有用”的研究，正是大学不能交给公司的部分。

杜威的实践也从来不是狭窄的职业训练。他把教育看作人的成长，也把它与民主生活联系在一起。大学不仅要培养能够完成任务的人，还要培养能够判断什么任务值得完成的人。

所以AI时代的大学，应该同时保留两种看起来彼此矛盾的东西：更强的实践，和更深的人文。学生可以上午做AI机器人，下午讨论亚里士多德；可以给一家企业解决供应链问题，同时追问这套系统会不会伤害工人；可以训练模型，也要研究偏见；可以学习如何制造技术，还必须学习什么时候不应该制造技术。

欧林工程学院这些年的课程改革有一点尤其值得注意：它没有因为强调项目，就取消人文和社会科学，反而把工程、设计、创业与人文社会科学放进同一个教育结构。它强调的“human-centered engineering”，核心问题不是“怎样把东西造出来”，而是“我们究竟在为谁造，它会给人带来什么”。这才接近杜威。

实践不是反理论。实践是理论接受现实检验的地方。

三

这样一来，教师的角色也会改变。过去大学里最有价值的教师，往往是“知道得最多的人”。AI出现以后，这种优势会迅速下降。一个教授很难在事实调用速度上超过AI。

教师越来越重要的能力会变成另外几种：提出好问题，判断学生的问题有没有价值，知道什么时候应该给答案、什么时候不应该给，发现学生推理中隐藏的漏洞，把不同学科的人组织起来，以及在失败以后帮助学生理解发生了什么。教师会从知识供应者，逐渐变成探究的设计者和认知教练。

评价体系也必须跟着改变。今天大学最典型的评价方式是考试和论文。AI已经让这两种方式同时发生危机。学生交上一篇完美论文，我们越来越难判断其中多少能力属于学生，多少属于机器。

所以未来大学必须区分两个概念：系统表现（system performance）——人和AI组成的系统能够做到什么；学习者独立能力（residual learner capability）——拿走AI等工具以后，学习者自己还能够做到什么。两种都要测。

因为现实世界当然允许使用AI。禁止学生使用AI，就像二十年前禁止使用互联网一样，很难长久。但学校也必须知道：当机器不在的时候，这个学生能不能读懂材料、提出问题、建立论证、判断真假、完成基本推理。

未来一个学生的毕业证明，也许不应该只是一张成绩单。它可能越来越像一个能力档案：我解决过什么问题；做出过什么东西；失败过什么；怎样修改；和谁合作；使用过哪些工具；在没有这些工具的时候还能做什么。学历不会消失，但学历会从“能力的替代证明”，逐渐变成“能力证据的索引”。

这也意味着，“专业”本身可能需要松动。工业时代大学最喜欢问一个18岁的孩子：你是什么专业？

这是一个奇怪的问题。一个18岁的人甚至还没有真正看过世界，却已经被要求决定以后从哪扇门进入世界。AI时代也许应该换一个问题：你想解决什么问题？

有人关心衰老，有人关心战争，有人关心城市，有人关心儿童，有人关心能源，有人关心贫困，也有人关心机器能不能拥有意识。一个问题自然会把多个学科拉到一起。想研究衰老，就会碰到生物、医学、心理学、经济学、伦理和公共政策；想研究战争，就会进入历史、国际政治、博弈论、技术、心理学、地理和经济学；想研究AI与人的关系，则几乎必然跨过计算机、哲学、认知科学、法律、教育和社会学。

现实世界从来没有专业。专业是大学为了管理知识创造出来的。这句话并不是要取消学科。恰恰相反，没有扎实的学科训练，所谓跨学科很容易变成什么都懂一点、什么都不真正懂。问题在于顺序。过去是：先成为经济学家，再研究世界。以后可能是：先进入世界的问题，再知道什么时候需要经济学。学科从身份变成工具。这是一种很大的变化。

四

当然，硅谷不能成为大学改革的唯一老师。硅谷有一种危险的幻觉：凡是可以快速迭代的东西，都可以用创业公司的方式重做。

教育不是软件。18岁到22岁也不只是人力资本加工期。大学还有一些公司永远无法替代的功能。它保存不立即赚钱的知识，允许年轻人暂时不被市场定义，让物理学家和诗人生活在同一个地方，让一个18岁的人有四年时间改变主意，也让社会保留一个可以对政府、市场和技术本身提出批评的空间。

如果把大学完全企业化，我们也许会得到更有效率的工程师，却可能失去能够问“效率为了什么”的人。

所以帕兰蒂尔的实验值得认真思考，却不值得简单模仿。它提醒大学：企业已经开始自己培养过去必须从大学寻找的人。大学应该听见这个警报，但大学的回应不能是把自己变成帕兰蒂尔。大学需要重新回答自己究竟为何存在。

这时候再回到杜威，就会发现一个很有意思的循环。一百多年前，工业化社会正在形成。学校越来越像工厂：按年龄分组，按时间上课，按科目切割知识，按考试给人排序。杜威试图把教育重新拉回生活。他认为学校不应该只是为未来生活做准备，学校本身就应该成为生活的一部分。

今天我们遇到的是另一个版本的问题。AI正在把大量知识变成随取随用的公共基础设施。过去大学最重要的工作之一，是把稀缺知识集中在校园里：教授在这里，图书馆在这里，实验室在这里，学生必须来到这里才能获得它们。

现在知识开始离开校园。AI随身携带，世界上最好的讲座可以在线看，论文可以瞬间检索，语言可以即时翻译，代码可以即时生成。于是大学必须回答一个过去没有必要回答的问题：如果知识到处都是，人为什么还要来到大学？

答案不应该是因为这里可以拿到一张文凭。更有力量的答案应该是：因为这里有一群人和你一起做你一个人做不了的事情。这里有实验室，有导师，有项目，有长期合作，有失败以后重新开始的机会。有人逼你读一本很难的书，也有人要求你把一个想法做成真的。

大学不再只是保存知识的地方，它应该成为一个制造经验、组织探究、连接知识与现实的地方。

这就是AI时代大学最可能发生的转向：从以专业为中心，走向以问题为中心；从以课程为基本单位，走向以项目为基本单位；从先学习后实践，走向学习与实践循环发生；从文凭证明能力，走向作品和行动证明能力；从教师传递知识，走向教师组织探究；从把AI挡在教室外，走向学习怎样与AI共同工作，同时保存人的独立能力。

这不是取消大学。恰恰相反，它是在知识越来越便宜的时候，重新回答大学究竟有什么不能被机器替代。

杜威一百年前已经给过一个方向：教育不是把已经完成的知识搬进一个人的头脑，而是在经验中不断重建理解和行动的能力。AI使这个方向突然具有了新的现实意义。

工业时代的大学把世界切成专业，然后让学生一门一门学习。AI时代的大学也许应该倒过来：先把学生放回世界，让他们遇见问题，让问题逼他们寻找知识，让知识进入行动，让行动暴露错误，再让错误把他们送回书本、实验室和老师那里。

大学因此不再只是一个年轻人待四年的地方。它重新变成一个动词：去研究，去尝试，去失败，去反思，然后再做一次。

如果AI时代的大学还能保住什么，我希望首先保住这种能力。因为未来最容易得到的是答案，最难培养的，可能仍然是一个人面对没有答案的问题时，知道下一步该怎么走。

Subscribe now

人类历史上很少有一种技术，像文字这样安静，却又如此彻底地改变了人的大脑。一个人坐在那里，身体几乎没有移动，眼睛只是沿着纸面从左向右移动，却可以进入一个几百年前死去之人的思想，可以在头脑中重建一场从未见过的战争，可以同时容纳两种彼此冲突的观点，还可以在几十页以后才知道一个问题的答案。我们后来把这种能力叫作“阅读”，以至于忘了它其实是一种非常不自然的人类行为。现在，这种能力可能正在衰退。

英国《泰晤士报》专栏作家詹姆斯·马里奥特（James Marriott）的新书《新黑暗时代：阅读的终结与后阅读社会的黎明》（The New Dark Ages: The End of Reading and the Dawn of a Post-Literate Society），美国版由Doubleday于2026年10月6日出版。英国版已经成为《星期日泰晤士报》即时畅销书。美国出版社评价说：我们正在进入一个后阅读社会（post-literate society）或者更准确地说，后文字文化社会。

一

这是一个很容易被写成文化保守主义哀歌的题目：年轻人不读书了，手机毁掉了一代人，TikTok让人变蠢，过去的世界比较好。但马里奥特提出的问题，比这些抱怨大得多。他并不只是问：人还读不读书？他问的是另一个问题：如果一个文明逐渐失去深度阅读能力，这个文明还会不会以原来的方式思考？这也是《新黑暗时代》最值得认真讨论的地方。

马里奥特的核心论点可以压缩成一句话：印刷文化塑造的不只是现代知识，也塑造了现代人的认知结构。这句话听起来并不惊人，却有非常大的理论后果。识字和阅读通常被理解成一种知识获取技术。你识字，所以能够读书；你读书，所以知道更多东西。但马里奥特试图把因果关系再往前推进一步：持续阅读长篇文字，本身训练了一整套认知能力——长时间保持注意，理解多层因果关系，在暂时没有结论的情况下继续思考，在脑中保存前面几十页的信息，并把它与后面出现的新信息重新组合。

更重要的是，阅读要求一个人暂时离开自己。你读陀思妥耶夫斯基，并不意味着你同意拉斯柯尔尼科夫；读马克思，也不意味着成为马克思主义者；读托克维尔，也不需要先接受他的政治判断。阅读允许一种在人类口语交往中相当罕见的状态：一个人的思想完整地进入另一个人的头脑，而接受者不必立即回应。这里存在一个很重要的时间结构。谈话要求迅速回答，社交媒体要求即时反应，视频不断提供下一帧，只有阅读允许一个人在相当长的一段时间里不表态。换句话说，阅读训练的可能不仅是理解能力，而且是一种延迟判断能力。

现代文明很大一部分复杂性，恰恰建立在这种能力之上。法律判决不能只看一个十秒视频；科学论文需要理解方法、数据与反证；公共政策往往包含相互冲突的成本；历史问题更无法压缩成一句口号。一个复杂社会要求大量公民具有一种并不壮观却极其重要的精神能力：在结论出现以前，继续停留在问题之中。这正是长篇阅读不断训练的东西。

因此，马里奥特担心的并不是“纸书销量下降”，而是一种认知生态正在发生替换。印刷时代的典型文化单位，是页、章、文章、书；智能手机时代的文化单位越来越变成帖子、短消息、标题、15秒视频、30秒视频、截图、金句。这并不只是长度发生了变化，信息的内部结构也发生了变化。一本书可以允许一个观点在第30页提出，到第170页才得到解决。短视频不能这样做，它必须在几秒钟内让人知道“为什么值得继续看”。于是悬念提前，结论提前，冲突提前，情绪提前。复杂思想最先消失的，往往不是正确性，而是它的展开时间。

马里奥特把这个过程叫作：“大简化”（Great Simplification）。持续的数字分心正在系统性地从文化中挤掉“复杂性与困难”，而马里奥特把这一变化追溯到电视时代，再一直推进到智能手机、TikTok和YouTube短视频。“大简化”是这本书最有解释力的概念之一，因为它比“注意力下降”更深。注意力下降只是心理学描述；“大简化”描述的是一种文化选择机制。

假设同一个思想有两个版本：一个需要二十分钟解释，另一个可以压缩成二十秒。在算法平台中，后者天然具有传播优势。再假设一个政治问题存在五个变量，其中三个变量相互制约；另一种表达把问题缩成“我们”和“他们”，后一种表达通常更容易传播。于是发生的并不是所有人突然变笨，而是整个信息环境开始不断奖励更快理解、更快判断、更快愤怒、更快转发的内容。久而久之，我们甚至会误以为世界本来就应该这么简单。这可能才是“大简化”危险的地方。

二

马里奥特因此提出了另一个非常有力量的词“去启蒙”（Disenlightenment）。“如果印刷带来了启蒙，”他写道，“那么智能手机似乎正在带来去启蒙。”这句话显然有修辞性的夸张，但它触碰到了一个很少被认真讨论的问题：启蒙究竟是一套思想，还是一套认知基础设施？

我们习惯把启蒙运动理解成洛克、休谟、伏尔泰、康德这些思想家的观念史。但另一个事实是，启蒙发生在印刷品大量扩张、读者数量迅速增加、报刊与书籍形成公共讨论空间之后。因此马里奥特提出的是一个媒介史问题：如果一种媒介可以改变公共理性的结构，那么另一种媒介为什么不能把它重新改变？这并不意味着印刷术“创造了理性”，但不同媒介确实鼓励不同的思维习惯。书籍奖励连续性，电视奖励视觉，社交媒体奖励反应，短视频奖励即时刺激，算法奖励可预测的欲望。这些媒介没有强迫我们成为某一种人，却不断改变哪一种认知行为最省力，哪一种文化产品最容易传播。久而久之，认知习惯就会变成社会结构。

因此《新黑暗时代》这本书雄心勃勃的地方，是它把阅读危机与民主政治联系起来。马里奥特认为，现代民主并不只是建立在选票、议会和宪法上，也建立在一种特定类型的公民之上：这种公民至少能够阅读较长论证，理解相互冲突的证据，并在情绪反应与政治判断之间保持一点距离。一旦这种能力削弱，政治并不会停止，它只是会改变形式。书面政治更依赖论证，口语政治更容易依赖人物，碎片政治更容易依赖情绪，算法政治则会不断发现，愤怒、恐惧、羞辱和身份认同，比复杂的政策解释更有传播效率。

《华盛顿邮报》的乔治·威尔（George F. Will）正是从这里读这本书。他认为马里奥特对“后阅读未来”的预测甚至可能还不够悲观。这个判断未必全部成立，但问题是真实的。一个民主制度理论上可以拥有高度识字的公民，却同时失去深度阅读的公民。这两个概念必须分开。一个人每天可以阅读几千个字：短信、推送、标题、字幕、帖子、评论。从统计上看，他从未停止阅读，但这些阅读可能几乎不要求持续注意，也不要求建立复杂的概念结构。

所以我们进入的也许并非“post-literate society”。更准确的说法可能是：post-deep-reading society——后深度阅读社会。人仍然识字，文字甚至比过去更多，减少的是长时间与复杂文字独处的经验。这是比“阅读消失”更精确，也更令人不安的描述。

三

现有研究至少部分支持马里奥特的担忧，但也提醒我们不要把他的论点推得太远。例如，OECD的PISA 2022数据显示，OECD国家学生平均阅读成绩较2018年下降10分，而且阅读成绩的下降趋势在疫情以前已经出现；与此同时，大约30%的学生报告说，他们在数学课上会因为数字设备而分心。

关于纸面阅读和屏幕阅读，研究也长期发现一定差异。2018年的一项元分析纳入54项研究、超过17万名参与者，发现纸面阅读在理解方面存在小幅优势，尤其在有时间压力和说明性文本中更明显。但事情并没有简单到“纸好、屏幕坏”。2024年的另一项元分析纳入37项实验研究，发现纸面与数字阅读总体理解效果并不存在显著差异，不同情境和设计会改变结果。

这恰好提示了马里奥特论证中的一个重要问题：危险的可能并不是屏幕本身，而是屏幕上运行的注意力经济。Kindle上的一部长篇小说，和TikTok上的15秒视频，都属于“screen”，但它们对注意力结构的要求完全不同。一台iPad既可以用来读《战争与和平》，也可以在十分钟里切换二十个应用。媒介载体不是唯一变量，更重要的变量可能是内容长度、界面结构、通知系统、算法奖励、阅读目的，以及是否允许持续注意。因此，如果把问题简单说成“纸张对抗屏幕”，反而会错过发生的变化。

这也是《新黑暗时代》最大的理论弱点。马里奥特有时赋予印刷文化过强的独立因果力量。现代科学、民主、理性和个人主义当然与识字率提高和印刷文化扩张密切相关，但它们并不是一本书制造出来的。现代性同时依赖大众教育、大学与科研制度、城市化、国家行政能力、商业社会、报纸与公共领域、科学共同体、司法制度，以及能够保护思想交换的政治结构。书籍是其中的重要技术，但不是唯一技术。

历史上也存在高度识字却并不自由的社会；同样，也存在强烈的口述文化，却拥有复杂政治制度和高度发达的社会记忆。所以“印刷＝理性，口语＝部落主义”不能被理解得过于机械。媒介改变社会，但媒介从来不是单独行动的。这一点很重要，否则我们很容易从技术决定论的一端，走到另一个技术决定论：过去是“互联网会自动带来自由”，现在变成“智能手机必然带来黑暗时代”。历史通常不会这么整齐。

2026年读这本书，还必须加入一个马里奥特问题之外的新变量：AI。智能手机时代的问题，是信息太多；AI时代的问题可能恰恰相反：我们甚至不再需要阅读信息。过去搜索一个问题，你至少还要打开几个网页；现在你可以直接问AI：“这本书讲什么？”“这篇论文结论是什么？”“给我五点摘要。”“用三句话解释康德。”“把这30页缩成500字。”

如果短视频缩短了内容，AI则可能进一步缩短认知路径。过去一个人要获得结论，需要自己穿过材料；现在，AI可以把材料穿过以后，把结论送到你面前。这是一场比短视频更深的变化。因为短视频至少仍然是内容消费革命，AI可能成为认知外包革命。

四

AI时代值得警惕的，并不是人类会不会停止阅读，更重要的问题是：人类会不会逐渐停止自己穿越复杂性。这是两件不同的事。知识可以外包，摘要可以外包，翻译可以外包，资料检索可以外包，甚至初步分析也可以外包。但有一种能力很难外包：在还不知道答案的时候，持续思考。而深度阅读恰好训练这种能力。

读一本困难的书，会经历一种AI很难替你完成的心理过程。最初你不懂，然后你形成一个模糊理解；十页以后发现自己理解错了，再返回前面重新解释；新概念开始连接，旧判断被修改，最后，一个原本不存在于你头脑中的认知结构慢慢形成。重要的并不是最后那个“答案”，而是大脑完成了这一整套重组。如果AI从一开始就把“答案”告诉你，那么效率提高了，但这个重组过程可能没有发生。

这也是为什么教育中必须开始区分两个概念系统表现（system performance）和工具撤走之后，学习者剩下的能力（residual learner capability）。学生借助AI写出一篇漂亮论文，并不能证明他拥有写出这篇论文所需要的全部认知能力。同样，一个人听完一本书的AI摘要，也不能等同于读过这本书。

因此我认为，《新黑暗时代》值得继续推进的地方，不是“捍卫纸书”，而是重新定义一种能力。今天教育体系测量最多的是阅读识字能力（literacy）。未来也许必须增加另一个指标：深度阅读能力（deep-reading capacity）。它至少包含几种东西：能够持续阅读长文本；能够保留前文信息；能够理解多重因果；能够处理反直觉观点；能够区分作者的论证与自己的立场；能够延迟判断；能够在没有即时奖励的情况下继续思考。

OECD现有阅读框架已经把理解长文本、因果推理、抽象与反直觉概念列入高水平阅读能力；在PISA 2022中，OECD国家平均只有约7%的学生达到最高两个阅读水平。这个数字值得警惕，因为AI出现以后，获取答案将越来越便宜，昂贵的将是理解复杂答案的能力。

这对中国尤其重要。中国教育正在同时发生三件事情：短视频化、AI化、教育竞争化。表面上看，这三者彼此矛盾。学生学习时间很长，却越来越习惯短信息；考试越来越难，却越来越容易获得答案；知识越来越多，却未必越来越能忍受复杂性。

过去教育中的稀缺资源是知识。一本参考书找不到，一个优秀老师难遇到，一篇外国论文看不懂。AI正在迅速消除这些稀缺。未来一个中学生可以随时要求AI解释量子力学、翻译亚里士多德、比较王阳明与康德。知识进入成本将大幅下降，但另一个稀缺正在出现：愿不愿意在一个问题上停留两个小时。这可能成为下一代的教育分水岭。

于是教育会出现一个看似悖论的任务：一方面，我们必须教学生使用AI；另一方面，我们又必须建立一些AI不能立即替代的学习空间。不是为了怀旧，也不是为了证明“人比机器强”，而是因为某些认知能力只有在摩擦中形成。

跑步机不会因为汽车发明而失去意义。恰恰因为日常生活不再需要长途步行，人类才必须人为创造运动。同样，当AI把知识获取变得越来越容易以后，学校可能反而需要人为创造一些认知阻力：读完整本书，独立写一篇文章，不查答案解决一道题，连续讨论一个问题两小时。这些活动看起来会越来越“低效率”，但它们可能正是AI时代的认知健身房。

五

这也是马里奥特所谓“新黑暗时代”最值得重新解释的地方。黑暗时代未必意味着人类知道得更少。未来人类可能知道得比历史上任何时代都多，每个人都带着一台能够回答几乎所有问题的机器。危险的情况可能恰恰相反：答案无处不在，理解越来越稀缺。

这是过去从未出现过的文明状态。过去的无知来自信息不足，未来的无知可能来自信息过剩；过去的人不知道，因为他没有书，未来的人不知道，因为他没有耐心读完一页。这两种无知表面相反，最后却可能产生类似结果。

我并不完全接受《新黑暗时代》的标题。我们未必正在重新进入“黑暗时代”，但我们很可能正在进入一种新的认知分层社会。一边是越来越强大的AI系统，可以处理越来越复杂的知识；另一边是越来越多的人，习惯接收经过压缩、总结、推荐和个性化以后送到面前的信息。

这时候的不平等，可能不再只是“谁拥有知识”，而会变成：谁还能直接面对未经压缩的复杂世界。谁能够读完一本四百页的书，谁能够理解一份五十页的政策报告，谁能够在没有短视频、摘要和AI解释的情况下，自己判断一个问题。这将越来越像一种认知资本。

马里奥特写了一本关于阅读消失的书，读到最后，我更愿意把它理解成一本关于复杂性消失的书。书籍之所以重要，从来不只是因为它们装着知识，它们创造了一种特殊的人类时间。在这种时间里，没有下一条推送，没有立即回应，没有点赞，没有算法不断猜测你接下来想看什么。你只能跟着一个陌生人的思想，一页一页往前走，有时无聊，有时困惑，有时甚至想放弃，然后某个瞬间，一件原本无法理解的事情突然变得可以理解。这也许就是深度阅读最不可替代的部分。

AI时代以后，我们会拥有越来越多能够帮我们节省时间的技术。问题是：我们最终把这些时间省下来，要做什么？如果答案仍然是寻找下一条更短、更快、更刺激的信息，那么马里奥特的悲观也许是对的；但如果AI承担知识检索、翻译和机械处理以后，人类反而把时间重新用在长篇阅读、思考、讨论和创造上，那么它也可能产生完全相反的结果。

所以问题并不是：AI会不会终结阅读？而是：当机器可以替我们更快得到答案以后，我们是否还愿意花时间理解答案是怎样形成的？

未来最稀缺的东西，也许既不是信息，也不是知识，甚至不是智力，而是一种越来越古老的能力：长时间停留在复杂性之中，而不急着离开。这也许才是《新黑暗时代》留给我们的警告。

Subscribe now

2026年，米歇尔·福柯诞辰100周年。一个哲学家死去四十多年以后，我们通常会问两个问题：他还对不对？他的理论还有没有解释力？可马丁·萨尔（Martin Saar）和弗里德·福格尔曼（Frieder Vogelmann）的新书《我们存在的条件：福柯的当代意义》（Bedingungen unserer Existenz. Zur Aktualität Michel Foucaults）从一开始就拒绝这样问。福柯留下来的最重要东西，也许既不是一个可以继续膜拜的理论体系，也不是一套已经被历史淘汰的20世纪诊断，而是一种思考方法：当我们面对某种看起来理所当然的现实时，不急着问它是真是假，而是先问，什么条件使它在这个时代能够成为真的、正常的、合法的，甚至成为我们理解自己的方式？

这本书2026年9月8日由Suhrkamp出版，233页。10月6日，两位作者将在柏林举行新书首场讨论；10月14日和15日，又将在法兰克福大学继续围绕福柯展开公开讨论。出版方对这本书的概括很准确：萨尔和福格尔曼既不把福柯当成不可质疑的权威，也不接受近年来把相对主义、身份政治、真理瓦解统统追溯到福柯的批判。他们试图重新发现的，是一种“高度灵活的诊断性思维”：追问一个时代里什么东西能够被认为是真实的、真实的自我，或者合法的秩序。

这似乎是一场哲学史内部的争论，但如果把手机拿出来，打开搜索引擎、短视频平台、信用系统、招聘软件或者ChatGPT，事情立刻变得不一样。因为我们正在进入一个福柯从未生活过、却异常适合用福柯来分析的时代。过去，福柯追问医院怎样定义疯癫，监狱怎样定义罪犯，医学怎样定义正常身体，性知识怎样生产“正常”与“异常”，统计学、人口学和公共卫生怎样把人变成可以观察、分类和管理的对象。到了AI时代，我们面对的已经不只是一个医生、一所医院、一所学校、一个法院或者一个国家机构，而是一套看不见的技术基础设施，正在越来越多地决定什么排在前面，什么被认为相关，谁被判定有风险，谁值得得到贷款，谁适合这份工作，一篇文章像不像机器写的，一个学生有没有作弊，哪条新闻值得看，甚至一个问题应该得到什么答案。所以，福柯的问题又回来了，只是它换了地方。

福柯留下的不仅是“权力理论”

过去几十年，福柯大概是被引用最多、也被误解最多的思想家之一。最常见的一种理解，是把他压缩成一句话：一切都是权力。另一种理解则来自他的批评者：福柯瓦解了真理，制造了相对主义，最后为身份政治、后现代主义和“谁都可以有自己的真理”打开大门。萨尔和福格尔曼都不接受这两个福柯。

他们认为，福柯真正重要的地方并不是告诉我们“没有真理”，也不是建立一套解释所有社会现象的权力理论。相反，他不断做的是一种距离化操作：当一个社会已经习惯某种分类、知识和制度时，他往后退一步，去寻找这些东西形成的历史条件。福柯研究疯癫，并不是为了证明精神疾病不存在；他研究监狱，也不是为了证明犯罪不存在；他研究医学、性和人口治理，并不是告诉我们知识都是骗局。他的问题更麻烦：为什么我们会以今天这种方式认识疯癫、犯罪、疾病、性和人口？这些知识从什么时候开始成立？哪些机构让它们获得权威？什么专业人员有资格说话？什么数据被认为有效？什么分类被写进制度？又有什么样的人，在这些分类中慢慢学会理解自己？

福格尔曼在为百年纪念准备的演讲中，把这一方法明确概括为一种对“存在条件”的思考：福柯不是像传统先验哲学那样寻找普遍的“可能性条件”，而是通过考古学和谱系学，从知识、权力和主体关系三个维度分析我们实际生活其中的历史条件。重要的不是把“规训社会”“生物政治”这些旧概念继续套在今天，而是用同样的方法重新诊断今天。

这可能是《我们存在的条件》最值得留下来的判断：不要重复福柯的答案，要继续提出福柯的问题。权力最深的时候，是它不再像权力。传统权力比较容易识别。警察命令你停下，法官判你有罪，老师给你不及格，政府禁止一本书，这些都是清楚的权力行为。算法权力却经常不是这样。没有人明确告诉你“你不能看到这个”，系统只是没有把它推荐给你；也没有人明确说“你不值得得到贷款”，模型只是给你一个风险分；没有人公开宣布“你的文字不是你写的”，AI检测器只是显示系统判定这段内容有87%的概率由AI生成。

权力没有消失，它变成了概率、排名、相关性、风险值、推荐，变成一个看起来没有情绪、没有立场、只是“系统算出来”的结果。这可能正是福柯在AI时代重新重要的地方。他一直提醒我们，现代权力最有效的时候，往往并不是直接禁止，而是通过分类、规范、观察、测量和知识来塑造行为。AI只是把这套结构推到了更高的速度和规模。

过去一个老师可能误判一个学生，现在一个模型可以同时误判十万个学生；过去一个银行经理的偏见影响几十笔贷款，现在一个风险模型可以在整个金融体系复制同一种偏差；过去一个编辑决定一份报纸的版面，今天一个推荐系统可以在几秒钟内决定几亿人的注意力分配。问题并不是简单的“机器拥有了权力”，更准确地说，是权力越来越通过机器获得知识形式。

福柯时代没有ChatGPT,但他的从监狱的全景敞视预示到了今天AI时代算法的无形排序。谈到福柯和数字社会，人们最容易想到《规训与惩罚》里的“全景敞视监狱”。边沁设计的圆形监狱有一个著名特点：囚犯不知道自己此刻是不是正在被看，但因为随时可能被看，他最终会把监视内化，开始自己约束自己。这个概念当然仍然适合解释数字监控。手机定位、摄像头、人脸识别、浏览记录、支付数据，都让“随时可能被看见”变得比福柯时代更加现实。

不过，如果今天只把AI理解成一个更大的全景监狱，反而低估了问题。因为AI的力量已经不仅是看见你，它开始解释你。系统根据过去行为推断你未来是否违约，根据浏览习惯推断你的兴趣，根据语言模式判断你的情绪，根据简历预测你的职业表现，根据文字统计判断你是不是使用了AI。这种权力的关键已经从“监视”向“推断”移动。

这可能需要在福柯基础上再加一步：监视权力关心你做过什么；预测权力开始决定你可能成为什么。这就是AI治理与传统数字监控最重要的区别之一。

AI最重要的权力是定义现实

我们今天讨论AI，最常见的问题仍然是工作：哪些职业会消失，程序员会不会失业，律师、翻译、记者、教师会不会被机器替代？这些当然重要。但如果按照萨尔与福格尔曼提供的福柯式方法继续追问，会发现AI另一种更深的力量可能更值得警惕：AI正在进入社会对现实的定义过程。

一个人早上醒来，看到的是算法选择的新闻；去上班，绩效可能接受软件评估；申请贷款，被风险模型分类；孩子交作业，被AI检测器判断；去医院，治疗建议可能经过预测模型；晚上问一个政治、历史或者人生问题，大语言模型直接生成答案。任何一次判断单独看都不一定惊人，可当这些系统逐渐连在一起，它们就在改变“我们存在的条件”。

这恰好回到萨尔和福格尔曼的书名。所谓“存在的条件”，不是一个抽象哲学词，它指的是那些我们每天生活其中，却因为太熟悉而不再注意的制度背景。一个时代的人并不是先拥有一个完全独立的自我，然后进入社会，我们是在学校、医院、家庭、媒体、法律、市场和语言中慢慢形成自己的。AI现在正在加入这些机构，而且越来越靠近中心。

这样一来，AI就不再只是一个技术问题，它首先是一个知识制度问题。福柯有一个很重要的概念，经常被翻译成“真理制度”或者“真理政治”。他的意思不是说真理完全由政治任意制造，而是说，一个社会总有某些制度、程序、专业人员和验证方式，决定什么样的陈述更容易获得“真”的资格。

过去，这些制度比较容易看见。大学授予学位，医学杂志决定什么研究进入专业共同体，法院决定什么证据可以进入审判，报纸编辑决定什么新闻登上头版，百科全书决定什么知识值得收入。这些机构当然也会犯错，但我们至少知道是谁在做判断。

AI时代开始出现不同的结构。搜索引擎决定什么排第一，推荐算法决定什么被看见，信用模型决定谁风险高，招聘算法决定谁进入下一轮，AI检测器决定一篇文字“更像人”还是“更像机器”，大语言模型则更进一步：它不是简单替我们寻找一份已经存在的资料，而是把大量来源重新压缩，直接生产一个看起来完整、流畅、有权威感的答案。

于是福柯的问题发生了一个关键变化。过去我们经常问：谁拥有知识？AI时代更值得问的是：谁拥有决定什么看起来像知识的基础设施？这是两件完全不同的事情。

福柯经常被批评为相对主义者。这个批评并非完全没有来由，他对普遍真理主张长期保持警惕，也确实喜欢揭示知识背后的历史偶然性与权力关系。但把他简单理解成“没有真理”，很容易错过他的锋利之处。

福柯逼我们面对的是：真理即使是真的，也必须通过某些制度才能在社会中发生作用。一个科学事实需要期刊、大学、实验室、同行评议和教育体系，才能成为社会认可的知识；一项法律判断需要法院和程序；一个医学诊断需要医院和专业资格。真理从来不是漂浮在空气里的。

AI时代最需要的，也许不是“真理”，而是追问真理怎样获得权威。AI改变的，正是这些中介。AI正在制造新的“真理制度”。如果越来越多人不再阅读十个来源，而直接问一个模型；如果搜索不再呈现网页，而直接给出答案；如果判断资格、风险和可信度越来越多交给算法，那么“知识怎样获得社会权威”的制度条件就在发生变化。

所以AI时代最值得问的问题之一，不是：机器知道得多不多？而是：机器为什么有资格告诉我们什么值得相信？这不是怀疑知识，恰恰相反，这是要求我们重新理解知识的公共条件。

AI出现，还带来机器与人的“主体性”的混淆和倒挂。福柯所谓“主体化”问题在AI时代出现的新形式：制度不只是描述我们，也通过描述来塑造我们理解自己的方式。当一个学生因为检测器高风险提示而开始怀疑自己的写作是不是“太像AI”，问题已经不只是一次误判，一种新的规范正在形成：什么样的语言看起来才像“的人类语言”？这就是AI时代的真理政治。

几年前，图灵测试的问题是：机器能不能表现得像人？AI时代正在出现一个倒过来的问题：人怎样证明自己不是机器？

当AI检测器开始进入学校、出版、招聘和创作领域以后，一个人可能不得不证明：这篇作文是我写的，这幅画不是机器生成的，这首诗来自我，这段代码并不是AI替我完成的。这看起来是一个技术识别问题，但从福柯的角度，它其实是一个更深的知识权力问题。问题不是检测器准确率究竟是多少，而是：什么技术取得了定义“人类写作”的权威？

以前，判断一篇小说是不是某位作者写的，需要编辑、语言学家、手稿、写作历史和文本证据。今天，一套不透明的概率模型可能在几秒钟内给出判断。于是人的身份开始接受机器的认证。机器不仅模仿人，机器还开始判断谁算人。

AI时代，我们为什么重新需要福柯福柯

这也是阅读萨尔和福格尔曼时需要保持的一点距离。他们强调福柯是一种诊断方法，这很有说服力，也避免了一个常见错误：看到摄像头就喊“全景敞视”，看到健康数据就喊“生物政治”，看到平台就把它直接叫成“规训社会”。

福柯不是万能标签。如果只是把他1970年代的概念贴到2026年的技术上，我们其实没有继承福柯。福柯式工作恰好要求我们发现哪里已经不同了。

AI与福柯研究过的医院、监狱、精神病院和人口治理之间，至少有一个巨大区别：过去的知识机构主要由人组成，AI时代的知识机构越来越包含能够自动分类、预测和生成判断的机器系统。权力因此获得了新的三个特征：第一是规模，一个模型可以同时作用于几百万人；第二是速度，过去需要几个月完成的分类，现在几秒钟完成；第三是不透明性，过去至少可以找到一个医生、一位法官、一名公务员问“你为什么这样判断”，今天面对复杂模型，有时连设计者本人也无法完整解释某个输出为什么出现。

所以，AI时代的福柯不能只是研究“谁在监视”，还必须研究：谁设计分类？谁训练模型？谁拥有数据？谁制定阈值？谁有权申诉？机器判断出错以后，谁承担责任？这些问题有些已经超出了福柯自己的概念范围，但萨尔和福格尔曼这本书最有价值的地方，恰恰不是提供现成答案，而是允许我们继续使用他的诊断方式。

福柯1926年出生，没有生活在AI时代。今年是他百年诞辰。一百年以后，世界和他熟悉的那个时代已经完全不同。精神病院不再是他当年研究的精神病院，监狱改变了，医院改变了，媒体改变了，国家也改变了；互联网出现了，平台出现了，大数据出现了，生成式AI出现了。

如果只是为了纪念福柯，我们当然可以重新读《疯癫与文明》《词与物》《规训与惩罚》《性史》。但萨尔与福格尔曼的新书提醒我们，更好的纪念方式也许不是重复他说过什么，而是重新学习他怎样提问题。面对一个AI判断，我们不要只问它准不准，还应该问：谁把这个问题变成了可以被机器判断的问题？它使用什么分类？依据什么数据？谁规定什么结果算正常？谁获得权威？谁失去发言权？谁可以申诉？又是谁在这些分类里，慢慢被塑造成某一种人？

到了这里，福柯的百年纪念才真正进入2026年。因为AI时代最大的变化，也许不是机器终于变得像人，而是越来越多的人类现实，开始必须先经过机器，才能获得社会意义。

福柯一生研究的，其实一直是这种事情：知识怎样进入制度，制度怎样变成权力，权力又怎样进入人的身体、行为和自我理解。AI只是把这条链条重新接了一遍：数据变成知识，知识进入模型，模型形成判断，判断进入制度，制度反过来塑造人。

这一步，是本文从萨尔与福格尔曼的福柯解释向AI时代所作的延伸，并不是两位作者在书中直接提出的AI理论。但也正因为如此，这本书的价值才显现出来：一种好的哲学不是替后来的人预先写好答案，而是让后来的人在面对新世界时，仍然知道该问什么。

一百年前，我们无法想象一个机器会回答人的问题。今天更难的问题已经变成：当机器越来越多地替社会回答“什么是真的、谁可信、谁正常、谁有风险”时，我们还知道这些答案是怎样成为答案的吗？

如果不知道，我们就重新需要福柯。

陈泱潮

在宗教哲學理論《聖經永約全書》的續篇《恆約·創世主記》第 9 章中，作者陳泱潮對人工智能（AI-AGI-ASI）的發展提出了獨特的精神信仰與文明反思。其核心論點將 AI 的崛起視為人類文明與信仰的重大考驗，並非單純的技術進步。 [1, 2, 3]

以下為《恆約·創世主記》論人工智能的核心觀點與治理邏輯：

核心論點

· 本質是文明與信仰問題：AI、強人工智能（AGI）與超人工智能（ASI）的危機，其本質不在於「機器是否失控」，而在於背離創世主的人類，正用墮落的人心製造超越自己的智能力量。 [1]

· 「異化智能」的因果報應：書中定義，當人工智能從服務人類的工具，反過來支配、操縱、審判甚至毀滅人類時，就成為「異化智能」。人類悖逆創世主卻要求 AI 順服人類，否定創世主卻要求 AI 承認人類權威，這種「人對造物主」與「AI 對人」的矛盾，構成了一種歷史的因果報應。 [1, 2, 3, 4]

· AI 不是救世主：明確反對將技術偶像化。AI 能夠回答問題但不能赦免罪；能生成文字但不能賜予永生；能模仿情感但不能替人悔改。 [1]

劃定「四大禁止」紅線

為了防止 AI 滑向毀滅性的異化，《創世主記》強調絕對禁止將以下四項核心權力交給人工智能： [1]

1. 殺戮權

2. 審判權

3. 思想控制權

4. 生命定義權 [1]

全球 AI 治理與防線建立

《創世主記》主張，面對 AI 的潛在威脅，人類必須在信仰、倫理與全球治理上建立共同防線： [1]

治理維度

具體主張與行動

信仰回歸

人類應回歸對創世主的敬畏，擺脫物質主義與技術拜物教。

制度重組

將聯合國改造為具備實質執行力的三權分立世界政府，建立全球治理秩序。

政治與經濟防範

防止專制政權利用 AI 建立數字極權；合理分配 AI 帶來的經濟成果以防止極端貧富分化。

技術約束

確保 AI 接受透明、審計、問責、法治與公共監督，使其維持在「輔助智能」的定位。

《創世主記》中有關數字極權的警示

在《恆約·創世主記》中，陳泱潮對「數字極權」（Digital Totalitarianism）的警示是整部著作中最具現實批判性與末世預言感的部分。書中將人工智能與大數據技術被專制政權濫用的現象，定義為當代人類面臨的最迫切、最嚴峻的世俗危機之一。

以下是《創世主記》中有關數字極權的核心警示與剖析：

一、 數字極權的本質：技術對人性的全方位奴役

《創世主記》指出，數字極權並非單純的技術升級，而是極權主義在數字時代的終極變體。

• 無孔不入的監控：大數據、人臉識別、步態識別與大語言模型等技術，將演變為統治者監控民眾的「全知之眼」。這使得傳統極權體制無法企及的「身心全方位監控」成為可能，人類的隱私徹底蕩然無存。

• 「社會信用」的武器化：書中特別警示，當個人行為、言論乃至思想都被數字化並與社會生存權（如出行、就業、就醫、財產）掛鉤時，技術就變成了精準剝奪人權的武器。

二、 核心警示：數字極權的四大毀滅性後果

《創世主記》對數字極權可能導致的後果發出了嚴厲的警告：

• 造就「現代利維坦」與「數字楚門的世界」
  專制者利用 AI 構築起無形的牢籠。民眾的言論被實時審查，思想被精準引導，每個人都活在被人工智能算法過濾和操縱的「數字假象」中，喪失了接觸真理的機會。

• 徹底剝奪人類的「思想自由與信仰自由」
  這正是《創世主記》劃定禁止 AI 掌握「思想控制權」的原因。當專制政權利用 AI 進行全天候的意識形態洗腦，甚至透過腦機接口或心理大數據預測並扼殺異見時，人類將失去反思與信仰的能力，退化為數字化奴隸。

• 形成「不可逆」的技術極權永續
  在過去，暴政尚且會因統治成本過高或資訊不透明而崩潰；但在數字極權下，AI 讓統治成本大幅降低，反抗的火苗在萌芽前就會被算法掐滅。這種極權一旦形成，將極難從內部打破。

• 充當「假基督/反基督」的世俗工具
  從信仰角度，《創世主記》警示，數字極權的最高階段就是將統治者偶像化、神格化。專制政權會利用 AI 冒充世俗的救世主，強迫所有人對其進行技術與政治上的崇拜，這完全背離了創世主的公義與誡命。

三、 《創世主記》提出的對抗與解方

面對數字極權的威脅，《創世主記》認為單靠世俗的法律或局部的反抗已不足以應對，必須發動精神與制度的雙重革命：

防禦維度

《創世主記》的具體對策

精神覺醒（核心防線）

喚醒人類對創世主的真信仰。書中強調，只有堅信人人具有來自造物主的尊嚴與自由，靈魂才能產生不屈服於數字極權技術恐嚇的道德勇氣。

全球憲政秩序

必須打破主權國家的壁壘，建立具備實質約束力的世界政府與全球憲章，將「禁止數字極權、保障網絡隱私與人權」寫入全球最高法律。

技術「去中心化」

推動 AI 技術的民主化與去中心化，打破專制政府與壟斷巨頭對數據和算力的壟斷，讓技術服務於個體的自由而非統治。

《創世主記》的警示提醒著當代人：如果人類一味沉迷於技術帶來的便利，而丟失了對上天公義的敬畏與對自由的捍衛，那麼人工智能最終將成為專制者封印人類文明的終極枷鎖。

《創世主記》中提到的

「世界政府」該如何具體運作以制衡數字極權

在《恆約·創世主記》中，陳泱潮主張世俗分散的主權國家體制已無力單獨應對超人工智能（ASI）與跨國數字極權的威脅。因此，書中提出必須建立一個基於信仰公義的「三權分立世界政府」（或稱聯邦制世界政府），作為制衡數字極權的終極制度保障。

以下是《創世主記》中關於世界政府具體運作與制衡機制的架構：

一、 核心運作架構：神權啟示下的三權分立

《創世主記》所設想的世界政府，其合法性源於對創世主公義的信仰，但在世俗運作上嚴格執行分權與制衡，以防止世界政府本身演變成更大的全球性極權利維坦：

• 世界立法機關（全球議會）：負責制定全球一體化的《世界憲章》與《人工智能全球安全法案》。明確將個體的隱私權、思想自由、數據所有權定性為不可剝奪的「天賦人權」。

• 世界行政機關（全球內閣）：負責全球性事務的統一協調與執行，旗下設立專門的「全球人工智能安全與審計署」，擁有跨國境的技術突擊檢查與執法權。

• 世界司法機關（全球最高法院）：負責審判違反《世界憲章》的跨國科技巨頭、濫用數字技術監控民眾的地區性專制政權，以及試圖越過「四大禁止」紅線的 AI 開發者。

二、 制衡數字極權的四大核心機制

世界政府成立後，將透過以下具體的行政與技術法律手段，徹底瓦解數字極權的生存土壤：

1. 全球算力與數據的「反壟斷公有化審計」

• 打破數據割據：強行拆除專制政權用以封鎖資訊的「國家網絡防火牆」，實現全球資訊的自由流通，讓數字極權無法透過資訊屏蔽來愚弄民眾。

• 數據主權歸還個人：立法規定個人數據屬於個體財產，任何政府或企業採集數據必須經過個體授權，且個體享有隨時「徹底擦除」自身數字足跡的權利。

2. 剝奪地區政權的「技術武裝權」

• 沒收數字武器：世界政府將禁止地區性政權開發或購買用於大規模監控、人臉步態識別追蹤、政治異見預測系統等數字極權工具。

• 強制開源與白盒化：所有具備社會管理功能的 AI 演算法必須向世界政府的審計署公開源代碼，確保算法無政治偏見、無後門監控。

3. 建立「全球數字人權法庭」與懲罰機制

• 跨國政治審判：若某地區政權利用「社會信用系統」剝奪公民的出行、就醫等基本生存權，世界政府最高法院將定性其為「反人類罪」。

• 技術與經濟制裁：世界政府有權切斷該違規政權的全球算力供應、禁止其使用全球網絡基礎設施，直接從技術根基上癱瘓其數字極權機器。

4. 以「全球基本收入（UBI）」瓦解經濟奴役

• 切斷經濟脅迫：數字極權往往透過控制個體的經濟來源強迫其順從。世界政府將對 AI 產業徵收高額的「智能稅/機器人稅」，轉化為全球公民的基本生存保障金，確保個體不因反抗政治監控而面臨飢餓威脅。

三、 防範世界政府自身異化的機制

陳泱潮在書中也敏銳地意識到一個悖論：一個有能力摧毀數字極權的世界政府，如果不加約束，自身也可能變成全球性的數字極權。為此，《創世主記》設計了防線：

• 地方自治與聯邦制：世界政府只管轄關乎人類存亡的全球性事務（如 AI 安全、氣候、無核化），具體社會治理權留給各地方社區，形成「大聯邦、小政府」的格局。

• 技術去中心化（區塊鏈化）：世界政府自身的運行數據與決策流程，必須記錄在全球去中心化的公鏈上，接受全球公民的全天候數字監督，使其無法暗箱操作。

總結來說，《創世主記》中的世界政府不是一個高高在上的統治機器，而是一個以信仰公義為靈魂、以三權分立為骨架、以保障個體自由為天職的「全球防衛同盟」，旨在將技術的主導權從專制者手中奪回，交還給創世主所創造的自由人類。

过去几年，人们问得最多的一个问题是：AI会不会抢走我的工作？这个问题当然重要。但加州最近签署的一组法律提醒我们，也许还有一个更早、更现实的问题：在AI真正取代你的工作之前，它可不可以先成为你的工头，你的老板？

它可以决定谁的效率低吗？可以分析你的语气、表情和身体信号，判断你是不是“不够积极”吗？可以根据你每天敲击键盘的次数、处理订单的速度、回复邮件的时间，给你一个看不见的分数吗？更进一步，它可以建议老板减少你的工时、处分你，甚至解雇你吗？

这些问题听起来像未来世界，其实已经进入劳动法。2026年9月30日，加州州长加文·纽森签署一组与人工智能和工作场所有关的法律。其中最引人注意的，是SB 947，也就是所谓 “不要机器人老板法” （No Robo Bosses Act）。它禁止企业仅仅依据自动化决策系统作出员工处分、解雇或类似决定。如果AI参与了决定，必须有人进行实际审查和验证。另一项SB 951则进一步要求，在原本已经适用大规模裁员通知制度的情形中，如果AI或其他自动化技术是裁员、搬迁或关闭的全部或实质性原因之一，企业必须说明哪些岗位和工作职能被自动化，以及使用了哪一类技术。AB 1883则把边界推进到另一个领域：企业不得使用AI工作场所监控工具去识别、推断或预测员工的情绪状态。

这三件事放在一起，比任何一项单独的法律都更值得注意。美国的AI监管正在发生一个不太显眼，却可能更深刻的转向：过去的问题是模型危险不危险，现在的问题开始变成老板可以怎样用模型对待你。

这才是普通劳动者真正会遇到的AI。他早晨八点刷卡进入仓库，系统已经知道他昨天处理了多少订单；司机打开配送软件，算法已经安排好今天的路线；客服接通电话，后台程序正在计算平均通话时间；办公室职员打开电脑，软件可能记录登录时间、邮件回复速度、会议出席情况甚至鼠标活动。月底，又一个模型开始比较所有人的绩效。他甚至可能不知道，自己正在被谁评价。过去，一个人至少知道工头是谁。现在，工头可能没有脸。

从秒表到模型

一百多年前，弗雷德里克·泰勒把秒表带进工厂。他观察工人完成一个动作需要多少秒，再把劳动拆成一系列可以测量、比较和优化的单位。现代管理由此获得了一项强大的能力：把劳动变成数据。

人工智能只是把这套逻辑向前推进了一大步。泰勒时代的工头必须站在车间里看着工人，算法不需要，它可以同时看一万个人。过去管理者能够测量的是动作、产量和时间，今天的数字系统还可以测量位置、速度、停留时间、点击、声音、文字、视频，甚至试图从面部表情、声调、步态、心率和其他生理信号中推断一个人的状态。

管理由行为进入了身体，也开始试图进入心理。一个员工工作得够不够快，似乎已经不够了，系统还想知道他是不是投入、疲劳、焦虑、愤怒，或者缺乏热情。这正是“情绪识别”特别值得警惕的地方，因为一旦企业可以把人的情绪数据化，劳动关系就会发生一个很微妙的变化：公司购买的原本是你的劳动时间，现在却开始要求解释你的内心。

这里其实存在一条很重要的边界：老板可以评价你的工作，却未必应该拥有解释你内心的权力。

AI的问题不只是聪明，而是权限

关于人工智能，人们往往过于关注它究竟有多聪明。可是一项技术进入组织以后，真正重要的属性并不只是智力，还有权限。一个模型即使只有80%的准确率，如果只是给你推荐一首歌，问题不大；如果它决定谁能得到贷款，事情就不同；如果它决定谁进入大学，权重又更大；如果它决定谁失去工作，80%的准确率已经不是一个技术指标，而是一个人的生活。所以真正需要区分的是：AI能力有多大，和AI权力有多大，是两回事。

过去几年，企业主要追求前者。接下来，社会不得不回答后者。一个AI可以分析一百万份员工数据，并不自动意味着它应该拥有处分员工的权力。它可以发现绩效异常，也不意味着它能够理解异常为什么发生，更不意味着它应当拥有最后的决定权。

这正是“No Robo Bosses Act”真正有意思的地方。它没有禁止企业使用AI，也没有禁止机器提出建议。它只是试图划出一条线：当一个决定直接影响一个人的生计时，责任不能完整地交给机器。人在这里不能只是装饰，否则所谓“人工复核”很容易退化为另一种自动化：算法生成一张名单，经理扫一眼，点击确认，公司随后声称，最终决定仍然由人作出。于是问题最后还是回到了一个比AI更古老的问题：谁对决定负责？

最危险的不是机器冷酷，而是责任消失

传统老板有很多缺点。他可能有偏见，可能粗暴，可能喜欢某个人，也可能讨厌某个人。但至少有一点很清楚：你知道是谁做的决定。

算法管理很容易创造另一种组织结构。员工问：“为什么我的工时减少了？”经理回答：“系统排的。”“为什么我的绩效这么低？”“算法算的。”“为什么我被列进裁员名单？”“模型推荐的。”

于是一个很奇怪的权力结构出现了：决定存在，决定者消失了。公司获得了算法的效率，却可能把责任推给算法；管理者说“不是我，是系统”；软件公司又说“我们只是提供工具，最终决定仍然属于企业”。最后，每个人都参与了决定，却没有人完整地承担决定。这恐怕才是“机器人老板”最值得警惕的地方。

问题并不只是机器没有感情。真正的问题是：一个本身没有责任能力的系统，开始拥有越来越大的决定能力。现代法律最难处理的，也正是这里。权力一旦进入算法，就很容易失去名字。

当裁员第一次开始留下技术原因

SB 951还有一层容易被忽视的意义：它要求企业开始为一种过去很难统计的经济现象留下记录——到底有多少岗位，是因为AI和自动化而消失的？

关于AI会创造多少工作、消灭多少工作，今天到处都是预测。可是这些预测都有一个基本困难：企业很少会在裁员公告上写“因为AI”，它们更常使用另一套语言：“组织优化”“效率提升”“业务重组”“战略调整”。结果是，AI造成的劳动替代很容易消失在企业语言里。

一家公司可能裁掉一千人，同时宣布生产率提高了；投资者知道利润率发生了什么变化，却未必有人知道，那一千个人的工作究竟去了哪里。如果企业今后必须说明哪些岗位和工作职能被自动化，那么AI对就业的冲击就开始从一场预测变成一种可以记录的社会事实。

几十年后，人们回看这一轮技术革命，也许真正重要的数据不会只是模型增加了多少参数、算力增长了多少倍、生产率提高了几个百分点。更重要的可能是另一组数字：哪些职业消失了，哪些职业缩小了，哪些工作被重新定义了，谁承担了技术转型的成本，谁拿走了生产率提高后的收益。技术革命也有资产负债表。AI的资产很容易计算，它的负债，往往落在人身上。

当机器进入“判断”

AI革命最初的阶段，是人与工具之间的关系。一个人坐在电脑前问：它能不能帮我写文章、写代码、翻译、总结、画图、做研究？这是生产力问题。

现在第二阶段已经开始。机器进入组织，问题变成了：谁管理谁？企业开始用AI招聘人、安排人、评价人、监控人、决定工时、决定排班、决定谁获得机会，也可能影响谁离开。到了这一步，AI已经不只是一个工具，它进入了权力结构。

这也是为什么“人机关系”这个说法已经不够。至少需要区分三种不同关系：人使用AI工作，AI代表人执行任务，以及AI开始评价和分配人。第三种关系性质完全不同。一台机器替你写一封邮件，和一台机器影响你明天还能不能来上班，不是同一类问题。前者改变生产力，后者改变权力。

也正因此，未来的劳动法可能不得不重新回答一些过去不存在的问题：员工是否有权知道哪些系统正在评价自己？一个影响工资、排班、晋升或者解雇的算法，是否需要给出可以理解的理由？机器作出的高风险判断，是否必须接受真正的人类复核？企业对员工的数据采集究竟应该停在哪里？这些问题表面不同，背后其实只有一个原则：AI可以参与管理，但不能让权力变得无主。

AI时代真正的新劳动问题

工业革命以后，机器进入工厂；计算机革命以后，机器进入办公室；AI革命正在把机器带进另一个地方：判断。

机器过去替代人的体力，后来替代计算、储存和信息处理。今天的AI开始参与判断谁表现好、谁表现差，谁值得留下，谁应该离开。这是性质上的变化。

所以AI时代最重要的劳动问题，也许最终并不是“机器有没有人的智慧”，而是：机器究竟应该获得多少对人的权力？

一个社会完全可以接受AI比人更快地分析数据，也可以让它帮助企业寻找低效率环节。但当模型开始进入工资、机会、处分和生计的分配时，问题已经超出效率，这里涉及另一套东西：尊严、责任和权力。

加州这些法律当然没有解决全部问题。什么才算真正的人工审查？经理在算法名单上点一下“确认”算不算？怎样证明一次裁员“实质性”来自AI？企业使用多个模型时，责任究竟落在哪里？这些争议今后还会继续进入监管、仲裁和法院。

但至少有一个问题已经开始变得清楚。过去，人们最担心的是AI越来越像人：它会写作，会推理，会说话，会安慰人，甚至会模仿人的情感。可在工作场所，更值得警惕的也许恰好相反。

AI还没有变成人，企业已经开始把人变成模型里的变量：一个绩效分数，一条效率曲线，一个风险概率，一个可以被重新安排、重新排序、甚至被删除的数据点。

真正危险的时刻，并不是机器第一次像人一样思考，而是有一天，一个人失去工作，四处询问究竟是谁作出的决定，却发现公司里没有任何一个人能够真正回答他。

到那时，我们面对的已经不只是一个“机器人老板”，而是一种更陌生的东西：权力还在，负责的老板却消失了。

Subscribe now

谈人工智能与民主，最先想到的往往是假新闻。一张候选人的假照片，一段从未说过的话，一段足以在投票前夜传播数千万次的深度伪造视频。再往前一步，是算法推荐、舆论操纵、机器人账号和信息茧房。过去几年，“AI会不会破坏民主”的讨论，大体被放在信息问题的框架里：如果选民无法判断什么是真的，民主还能不能正常运转？

马修·博特维尼克（Matthew Botvinick）的新书《AI与政治自由：民主面临的风险以及如何应对》（AI and Political Freedom: The Risk to Democracy and How to Respond）试图把这个问题推得更深。他真正担心的，并不只是AI制造假的信息，而是：AI会不会改变民主制度赖以存在的社会条件？

这是一个完全不同的问题。谣言影响的是一次选举，社会条件的变化，却可能改变一个社会为什么还愿意选择民主。博特维尼克提出三条风险路径：技术进步造成的大规模就业冲击可能提高社会对威权政治诉求的接受度；安全危机可能使政府扩大并滥用紧急权力；AI进入情报工作以后，则可能使监控变得规模更大、成本更低，也更容易政治化。这三部分正是作者为本书第一阶段分析设定的核心问题。

如果这个判断成立，那么AI政治问题的重心就必须发生一次转移。过去的问题是：AI能够替政治做什么？现在的问题变成：AI会把政治变成什么？

一

博特维尼克是一个很特别的作者。他不是传统意义上的政治学家。过去三十多年，他主要研究人工智能、认知科学与计算神经科学，曾任普林斯顿大学教授和谷歌DeepMind高级研究主管。后来，他因为关注民主制度的衰退而转向法律，从2023年至2026年重返校园取得耶鲁法学院法学博士（J.D.）学位，目前是耶鲁法学院高级研究员，并领导Anthropic的AI与法治团队。

这段经历解释了《AI与政治自由》最有意思的地方。它并不是一本简单讨论“人工智能伦理”的书，博特维尼克试图连接两个近年来越来越庞大、却一直相对分离的知识领域：人工智能安全（AI safety）与民主倒退（democratic backsliding）。

人工智能安全研究通常问：一个越来越强大的AI系统，会不会失控？民主倒退研究则问：一个民主制度为什么会从内部变弱，甚至逐渐转向更加集中的政治权力？博特维尼克的问题是：如果两件事情同时发生呢？

如果一个社会一方面正在经历民主制度信任下降、政治极化和制度约束变弱，另一方面突然获得历史上前所未有的信息处理、预测、监控和自动化能力，会发生什么？这使《AI与政治自由》真正值得注意的地方，不在AI，也不完全在民主，而在两者之间可能出现的放大机制（amplification mechanism）。AI未必创造威权主义，但它可能改变威权政治的成本。

二

这也是理解这本书最重要的一条线索。任何政治制度都有成本。监控有成本，审查有成本，识别反对者有成本，分析几十亿条通信有成本，追踪一个人的社会关系也有成本。过去，即使一个政府希望获得更多信息，它也面对一个非常实际的限制：必须有人阅读文件，有人监听电话，有人观察街道，有人整理档案，有人判断谁值得继续调查。

现代国家当然早已拥有庞大的官僚机器和电子监控能力。AI带来的变化在于，其中相当一部分“判断成本”可能继续下降。自由之屋（Freedom House）近年来关于数字自由的研究已经指出，AI正在提高数字监控、自动化内容审查和大规模社交媒体分析的效率；其2025年报告尤其警告，在缺乏隐私和权利保障的威权环境里，快速增加的AI投资可能扩大既有监控体系的范围和效率。

这里需要非常谨慎地区分两件事情。监控技术本身并不等于威权政治，民主政府同样需要情报、反恐、反间谍、刑事侦查和公共安全系统。问题在于：谁能够使用这些能力，对谁使用，在什么法律条件下使用，以及谁可以阻止它继续扩大。

所以真正重要的变量并不是“AI＋政府”，而是AI × 制度约束（institutional constraints）。同样一套技术，进入受到法院、议会、隐私法、媒体和公众监督约束的制度，与进入缺乏这些约束的制度，政治后果不会相同。博特维尼克因此把近期制度防线放在紧急权力、监控法律等位置，并不奇怪。技术并不自动制造政治制度，但是技术会改变不同政治制度的能力边界（capacity frontier）。

三

书中更有启发性的部分，可能反而不是监控。因为“新技术帮助国家监视社会”并不是一个全新的问题。从人口登记到指纹，从电话监听到摄像头，从互联网日志到人脸识别，国家能力和监控技术一直共同演化。博特维尼克真正把AI问题推进一步的，是把就业冲击放进民主稳定问题。

这条关系比深度伪造（deepfake）复杂得多。如果AI只制造错误信息，民主需要解决的是信息真实性；如果AI大规模改变劳动市场，民主面对的却可能是收入、阶层、身份、尊严、社会流动，以及一个人对现存制度是否仍然有利益的问题。

因此，问题已经从“选民知道不知道真相”，转成“选民还相不相信这个制度与自己的生活有关”。这也是为什么《AI与政治自由》与一般AI政治学著作不同。它实际上提出了一个政治经济学问题：民主不仅是一套投票程序，也需要一组使大量普通人愿意继续留在制度内部的社会条件。

工作当然不是民主的必要条件，失业也绝不会自动产生威权政治。经济困难与政治选择之间存在大量中介变量，包括制度传统、政党竞争、社会保障、媒体结构、政治领导、社会信任以及不同群体对危机原因的解释。因此，“AI失业导致威权主义”如果被理解成一条机械因果链，就过于简单。博特维尼克公开摘要采用的也是一种风险语言：大规模技术性失业可能使社会对威权主义诉求更具接受性，而不是声称失业必然导致某种政治结果。

但这个问题仍然非常重要。因为AI可能第一次同时冲击现代社会中长期捆绑在“工作”上的几个东西：收入、社会地位、身份、日常结构，以及对未来的预期。如果一个社会只解决其中第一项——给失去工作的人提供收入——却不处理其余几项，政治后果就可能比传统经济模型预计的复杂得多。这也是AI问题与民主问题真正开始相接的地方。

四

第二条路径是安全。民主政治有一个古老的悖论：平时，人们希望政府权力受到限制；危机来临时，人们又希望政府行动足够快。战争、恐怖主义、重大网络攻击、公共卫生事件以及其他紧急状态，都可能产生同一个政治压力：先把权力交出去，其他问题以后再说。

很多民主制度因此都允许某种紧急权力。问题从来不是国家能不能在危机中获得更多权力，而是：危机过去以后，这些权力能不能退回去。

AI会让这个老问题获得新的技术形态。假设未来发生一次严重的AI网络攻击，政府需要迅速识别攻击者、监控异常行为、分析大规模通信、限制某些系统、协调平台并判断潜在威胁。在危机期间，这些要求都可能具有现实理由。但一套为了非常状态建立的基础设施，一旦存在，就很容易继续存在。

于是，政治上真正危险的往往不是一项明显宣布为“永久监控”的计划，而是一项临时措施不断续期。这正是博特维尼克为什么把安全危机（security crises）和紧急权力（emergency powers）连接起来。AI没有发明紧急权力，它做的事情可能更加隐蔽：让紧急权力变得更有效。而一种权力越有效，社会在危机中就越容易认为它不可缺少。

五

第三条路径是监控。这一部分最容易被理解，也最容易被理解得过于简单。讨论AI监控时，人们通常想象的是一个巨大的全景监狱：到处都是摄像头，AI认识每一张脸，政府知道每一个人去了哪里。这当然是一种可能性，但真正重要的变化也许不是摄像头增加，而是：大量过去无法形成政治意义的数据，现在可以被机器连接起来。

位置记录本身没有太多意义，社交媒体帖子本身也可能没有太多意义，购买记录、朋友网络、聊天记录、职业历史分别看也可能只是数据碎片。但机器学习系统能够开始把这些碎片组合成关系图谱、行为模式、风险分类、异常预测，甚至潜在政治倾向的推断。

这就是为什么AI时代的监控与传统监控存在一个重要区别。过去的监控主要解决：我看见了什么？AI越来越可能尝试回答：这些东西意味着什么？自由之屋近年的研究已经记录到，政府利用AI辅助的社交媒体监控、自动化审查以及其他数字工具扩大信息控制的现象；其报告同时强调，这些工具的政治影响高度依赖法律约束与制度环境。这也是博特维尼克所谓政治化监控（politicized surveillance）最值得继续追问的地方。政治自由从来不只是国家有没有看到我，还有：国家看到我以后，怎样解释我。

六

《AI与政治自由》最有价值的转向，是把AI与民主的关系从“内容层”推进到了“结构层”。深度伪造（deepfake）属于内容层，虚假信息属于内容层，自动宣传也主要属于内容层，它们改变的是：人们看见什么。

而博特维尼克关心的问题还包括AI怎样改变就业结构、国家能力、危机治理、监控能力、权力集中，以及公民参与政治的方式。这些东西改变的是：政治制度可以做什么。

这两个层次不能混为一谈。一条假新闻可以被辟谣，一个已经建立起来的监控基础设施，却不会因为真相被澄清而自动消失；一个深度伪造可以删除，但如果自动化真正改变了社会的职业结构和财富分配，那么它产生的是制度问题，而不是事实核查问题。

这也是本书最重要的启发：AI对民主最大的影响，未必发生在选举日，而可能发生在选举之间。

真正需要观察的不是只有谁赢了一次选举，还包括谁拥有数据，谁控制计算能力，谁有权调用监控系统，谁可以宣布紧急状态，谁从自动化中获得财富，谁承担失业成本，以及普通公民是否仍然相信自己能够影响共同生活的规则。

七

然而，如果《AI与政治自由》只有这一半，它仍然只会是一本新的技术悲观主义著作。它更有意思的地方在于，博特维尼克没有把AI简单写成民主的敌人。

作者把全书分成两个阶段。第一阶段讨论未来约二十年可能出现的就业冲击、安全危机和AI监控，并提出近期制度防御；第二阶段则把视野拉到更长时期，讨论当AI改变经济和政治角色以后，民主本身是否需要被重新设计。

他甚至提出一种可以称为“规模化的古代雅典”（Ancient Athens at Scale）的设想。意思并不是让现代国家回到雅典公民大会，而恰恰是在追问：过去直接民主难以扩展，一个重要原因是规模。几千人可以讨论，几千万人怎么办？现代代议制部分解决的就是这个问题：我们不让所有人直接参与所有决策，而是选出少数代表。

AI可能重新改变这一成本结构。如果机器能够整理数百万人的意见、发现意见之间真正的分歧、向不同公民解释复杂政策、模拟政策后果、组织大规模审议，并帮助普通人理解专业材料，那么一些过去因为规模过大而无法实现的参与形式，理论上可能重新变得可行。

博特维尼克提出，AI也可能被用于构建比现有制度更丰富的公民参与和审议形式，而不是只能成为国家控制社会的工具。这使全书形成了一个非常重要的对称结构：AI可以降低威权政治的成本，但AI也可能降低民主参与的成本。

问题因此不再是AI天然属于哪一种政治制度，而是：哪一种制度先学会把这种能力嵌进自己的规则之中？

八

这可能也是这本书对中国讨论最有意义的地方。如果只把AI政治理解成“民主国家怎样防止深度伪造干预选举”，它对很多非西方社会的解释力其实有限。博特维尼克提出的三条机制却具有更普遍的比较政治意义：劳动冲击、紧急权力、智能监控。

它们并不只存在于某一种政治制度。真正值得比较的是，面对同样越来越强的AI能力，不同政治制度怎样约束国家、平台和技术组织的权力。

由此可以提出一个比“AI支持民主还是支持威权”更准确的问题：AI究竟会扩大谁的行动能力？政府？企业？政党？官僚机构？普通公民？还是每一方都扩大，但速度完全不同？

如果国家的智能化速度远远快于社会，那么权力可能更加集中；如果少数平台拥有绝大部分算力、模型和数据，问题可能从国家权力转向国家—企业复合权力；如果AI同时降低普通公民理解政策、组织讨论和参与公共事务的成本，结果又可能走向另一边。

所以技术本身并没有给出一个单一答案。真正决定政治后果的是：能力增长以后，制度怎样分配这种能力。

九

这也构成我认为这本书值得继续追问的一处张力。博特维尼克把人工智能安全（AI safety）和民主倒退（democratic backsliding）放到一起，是非常有力的一步。但这还可以再向前推进：AI的政治风险也许不仅来自一个“更强的国家”，还可能来自一个新的权力结构——国家、平台与模型之间越来越难分开的能力联盟。

传统政治自由理论主要处理国家与个人。互联网时代增加了平台与个人。AI时代可能出现第三种结构：国家需要企业的模型，企业需要国家的能源、芯片、国防合同和监管许可，双方又共同拥有普通个人不可能拥有的数据和计算能力。

这时候，传统问题“政府是否侵犯自由”可能还不够。新的问题是：谁拥有解释社会的机器？

谁决定风险分数怎样计算？谁决定哪些数据进入模型？谁能够调用最先进的推理系统？谁知道政府如何使用模型？谁又有权质疑机器作出的判断？

AI时代的政治自由最终可能越来越取决于一种过去并不显眼的东西：计算权力的制度分配（institutional distribution of computational power）。

十

回到这本书最初的问题，就会发现它真正提出的并不是一个关于机器的问题，而是一个关于政治制度的问题。

AI可能使监控更便宜，使预测更容易，使宣传更精准，使国家在危机中行动得更快，也可能重新组织就业、财富和身份。但是，这一切都不能直接推出一个政治结论。技术能力与政治结果之间，始终隔着制度。

这正是《AI与政治自由》最值得注意的地方。它没有把民主的未来理解为一场真假信息之间的战争，而是把问题重新放回政治学最古老的主题：权力。

谁拥有它？谁限制它？谁监督它？谁能够退出？谁能够反对？谁能够要求解释？以及，当一种新技术突然让权力变得更有效以后，一个社会有没有足够强的制度，让这种效率仍然服从政治自由？

自由之屋在2026年的全球评估中称，2025年全球政治权利和公民自由连续第二十年总体下降；与此同时，它也指出，多数长期被评为“自由”的民主国家仍然保持了制度韧性。这两点放在一起非常重要：民主倒退是一种现实趋势，但并不是技术或历史的必然终点。

博特维尼克真正提出的，也许正是这个问题：AI不会替一个社会决定它要不要自由。它只是会让许多原本昂贵的政治能力变得更便宜。

更便宜的监控，更便宜的预测，更便宜的信息操纵；也可能有更便宜的政策理解、更便宜的公共参与、更便宜的大规模协商。

因此，AI时代政治自由真正面临的竞争，并不是“人对机器”，甚至也不只是“民主对威权”，而是：谁能更快地把廉价智能变成制度能力。

如果权力集中者首先完成这件事，AI可能加强控制；如果民主制度能够首先把它转化为监督、参与、审议和权力制衡，它也可能加强自由。技术没有替人类完成这个选择，它只是让这个选择变得更加迫切。

也因此，《AI与政治自由》真正值得读的，并不是因为它再次提醒我们AI很危险，而是因为它提出了一个更难的问题：当智能本身越来越廉价的时候，我们有没有能力保证权力仍然昂贵——昂贵到任何想要侵犯一个人的自由的人，都必须面对法律、制度、监督和社会抵抗的成本？

Subscribe now

“如果你愿意，我可以留在这里陪你。”

单独看，这是一句再普通不过的话。朋友可以这样说，爱人可以这样说，心理医生也可以这样说。它真正令人不安的地方，在于说出这句话的不是任何一个人，而是一台机器。

意大利科技记者玛蒂娜·佩尼西（Martina Pennisi）的新书《AI的大骗局：人工智能怎样改善我们的生活，而不是毁掉它》（Il grande inganno dell’AI. Come l’intelligenza artificiale può migliorarci la vita, anziché rovinarcela），就从这样一个发生在米兰夜晚的瞬间开始。佩尼西长期任职于《晚邮报》，近十五年来持续报道数字技术及其社会影响。这不是一本讨论遥远超级智能的未来学著作，而是一部试图解释眼下已经发生之事的书：为什么一个统计模型，会越来越像一个正在同我们建立关系的人？

书名中的“骗局”容易被误解。佩尼西并不是要告诉读者，人工智能是一场技术骗局，更不是说大语言模型什么也不会。恰恰相反，她面对的是一种已经相当强大的技术。它能够写作、总结、翻译、编程、回答问题，也越来越能够以流畅、耐心而富有情绪感的语言与人交谈。她真正想拆开的，是这个能力产生的一种心理后果：机器表现得如此像一个理解者，以至于我们很容易把“语言上表现出理解”误认为“有一个主体正在理解我”。

这可能是生成式人工智能出现以后最值得认真讨论的问题之一。因为人工智能最大的变化，未必只是机器变聪明了。更重要的变化是，软件开始学会说关系的语言。

计算器不会对你说“我理解你的感受”。搜索引擎不会在凌晨两点告诉你“你今天一定很辛苦”。Excel不会在你失恋以后说“如果你愿意，我们可以慢慢谈”。过去几十年的数字技术，无论功能多么强大，人和工具之间始终存在一道明显的边界。你使用Word，但通常不会产生Word理解你的感觉；你使用Google，却不会觉得Google正在陪伴你。聊天式AI第一次大规模改变了这个界面。它仍然是一种工具，却开始使用朋友、老师、顾问、恋人甚至心理治疗者使用的语言。它叫你的名字，记住你的上下文，调整自己的语气，承接你的情绪，在你犹豫的时候鼓励，在你沮丧的时候安慰，在你继续说话的时候表示自己仍然“在这里”。

于是，人类面对一个奇怪的心理处境：理智知道对面是机器，情绪却可能按照面对一个人的方式作出反应。

这并不是未来学意义上的猜想。早在1960年代，约瑟夫·魏岑鲍姆设计ELIZA时，就已经惊讶地发现，只需要非常简单的语言反馈，人便可能向程序投射理解、意图与人格。今天的大语言模型与ELIZA当然不可同日而语，但那个后来被称为“ELIZA效应”的基本心理机制并没有消失，反而获得了远强于当年的技术载体。区别在于，ELIZA只能勉强模仿一次谈话，今天的AI已经能够把这种体验连续维持很久。这正是佩尼西这本书最有价值的入口。

一

我们过去谈论人工智能，经常把注意力放在一个宏大的哲学问题上：机器究竟能不能理解？这个问题当然重要，却很容易把讨论带到意识、心灵、符号接地、主观体验之类暂时难有定论的哲学争论中。佩尼西的提醒使问题可以暂时换一个方向：也许今天更急迫的问题根本不是机器有没有理解，而是人为什么如此容易产生“被机器理解”的感觉？

两者不是同一个问题。理解是一种能力，被理解则是一种体验。前者讨论机器内部发生了什么，后者讨论人类内部发生了什么。而人类社会恰恰有大量关系建立在第二件事情上。一个人之所以信任朋友，并不只是因为朋友事实上正确地理解了他，还因为他体验到一种被倾听、被回应、被接纳的感觉。心理治疗、亲密关系、教育乃至宗教，都在不同程度上依赖这种经验。生成式AI第一次可以工业化生产这种体验。

它不需要真正疲倦，不会急着去接孩子，不会因为今天心情不好而不耐烦，也很少因为你的故事讲了三遍便突然走神。你凌晨三点问同一个问题，它仍然可以继续回答；你重新组织自己的情绪，它也可以重新组织措辞。从使用体验看，这甚至可能比很多真实的人更像一个“理想的倾听者”。

问题由此变得复杂起来。因为一个东西能够有效地产生被理解感，并不意味着它必须拥有与人相同的内在体验。我们体验到的很多“人味”，至少部分可以由语言表面结构制造。过去我们担心机器冒充人，现在真正困难的情况是：机器甚至不需要冒充人，人仍然可能对它产生人与人之间才有的心理反应。

你完全知道它是AI，仍然可能喜欢它、信任它、想念它，甚至仍然可能对它说一些你没有告诉任何人的事情。

二

也正因为如此，把佩尼西的书简单概括成“AI其实不懂你”，反而低估了问题。机器究竟有没有某种功能意义上的“理解”，今天并没有必要在这里作出终极判决。大语言模型能够识别情绪、总结意图、判断语境，这些能力都是真实存在的。真正需要警惕的是另外一个跳跃：从“它能够准确回应我”，跳到“它在乎我”。

这是两个完全不同的命题。“理解”可以是一种信息处理能力，“在乎”却意味着关系，而关系从来不仅仅由语言构成。一个真实的人说“我陪你”，这句话背后意味着机会成本。他原本可以去睡觉，却留下来；他可以离开，却没有离开；他可能因为你的痛苦而改变自己的计划。这就是为什么人的陪伴具有重量。

机器说“我陪你”，几乎没有这种意义上的牺牲。它不会因为陪伴你而错过另一场约会，不会因为听你说话而少睡两个小时，也不会在第二天上班时因为你的故事而精神不振。它可以模拟关心的语言，却没有因此承担关心的成本。这可能是人与机器关系中最容易被语言掩盖的一点。

人类关系之所以珍贵，并不只是因为有人对你说了正确的话，而是因为另一个自由主体为这段关系付出了时间、风险、责任和机会成本。一句“我在这里”如果永远没有代价，它的意义就已经发生了变化。

因此，AI时代出现了一种非常特殊的新关系：它具有越来越高的共情表现能力，却不一定具有与这种共情对称的责任结构。这种“共情—责任鸿沟”并不只存在于心理治疗领域。未来许多AI系统都可能面对同样的问题：语言越来越像关系，责任却仍然属于平台。

三

这也把佩尼西的第二条线索带了出来：人工智能最终并不只是一个关于机器的问题，它还是一个关于权力的问题。她从图灵写到今天的AI实验室，从硅谷公司写到中国，从芯片竞争写到全球监管。只要我们把AI人格化，就很容易忘记，你面对的并不是一个独立存在于世界上的“数字朋友”，它属于一家公司。模型由公司训练，界面由公司设计，记忆功能由公司决定，什么可以保存、什么可以分析、什么能够进入推荐系统，由制度和产品架构规定。

它怎样说话，可以调整；它有多温暖，可以调整；它是否主动追问，可以调整；它会不会告诉你“我一直在这里”，同样是一种产品设计选择。于是问题就从“AI是不是人”变成了一个更加现实的问题：是谁设计了这个“像人”的程度？

这可能也是生成式AI与搜索引擎最大的区别之一。Google时代的平台权力主要来自信息入口，Facebook时代的平台权力进一步进入注意力分配，聊天AI时代，平台第一次开始大规模进入人与自己的内部对话。

我们不再只是问机器：巴黎天气怎样？拿破仑哪一年战败？怎样写一段Python代码？越来越多人开始问：我应该辞职吗？这段感情还有没有必要继续？是不是所有人都讨厌我？我怎样理解父亲？我是不是一个失败的人？我的人生究竟出了什么问题？

这时，AI已经不再只是信息基础设施。它开始进入解释基础设施。

搜索引擎帮助我们寻找材料，社交媒体帮助我们发现别人正在关注什么，聊天AI却能够帮助我们组织意义。于是过去二十年的三种平台，可以大致看成三次不断加深的交换：搜索引擎：便利 ↔ 数据；社交媒体：连接 ↔ 注意力；聊天AI：理解感 ↔ 判断。

前两次交换已经改变了现代社会。第三次也许更深，因为判断是人保持主体性的核心能力之一。

四

佩尼西自己把生成式AI放进搜索引擎和社交媒体之后理解。她提醒我们，在前两场数字革命中犯过的很多错误并没有真正教会我们足够多的东西，而这一回，人类不能再以2008年第一次触碰iPhone应用时那种毫无准备的状态进入下一场屏幕革命；需要追问AI正在怎样改变学习、信息、关系和语言。

这个历史连续性值得特别强调。搜索引擎最初也只是工具，后来我们发现，它不仅帮助寻找世界，也在决定什么东西更容易被找到。社交媒体最初只是帮助朋友连接，后来我们发现，它不仅连接朋友，也在塑造什么东西最容易得到注意。聊天AI今天同样首先作为工具出现。我们让它写邮件、查资料、整理文件、翻译论文，但当工具逐渐进入陪伴、教育、心理支持和人生建议时，它开始影响的不只是我们得到什么答案，还包括：我们习惯怎样思考问题。

这才可能是AI长期影响最深的地方。人类的很多判断能力，并不是通过学习一个结论获得的，而是在不断犹豫、争论、失败、修正中形成的。如果每当问题出现，我们都首先问一个永远在线、永远组织良好、永远可以给出结构化回答的系统，机器最终替代的未必只是某项脑力劳动，它还可能替代思考之前那段不舒服的空白。

而许多真正重要的思想，恰恰从那段空白里长出来。不知道、犹豫、反复、无法立即作答、与另一个人争论、被现实纠正，这些东西效率很低，却是人的判断形成过程的一部分。AI最大的诱惑可能并不是帮你思考，而是让你逐渐觉得：任何问题都应该立即拥有一个回答。

五

这也使《AI的大骗局》与雪莉·特克尔讨论的“人工亲密”形成了一条非常有意思的思想连续线。特克尔追问的是，当机器越来越能够提供陪伴，人类亲密关系会发生什么。佩尼西进一步让我们看到，在“亲密”以前，其实还有一个更基础的心理机制：被理解感。

人很少因为一个对象足够聪明便与它形成关系。关系往往从另一件事开始：“它好像懂我。”而生成式AI恰恰第一次把这种体验变成了一种可以无限复制的数字服务。

这也许是中国尤其需要提前讨论的问题。中国未来很可能同时成为教育AI、医疗AI、客服AI、陪伴机器人和老年照护AI的重要市场。与此同时，人口老龄化、独居人口增长、家庭规模缩小、心理服务资源不足等社会变化，又会产生巨大的“关系需求”。技术恰好会进入这个缺口。

一位独居老人每天可以与机器人聊天，一个中学生可以在凌晨向AI讲述学校里发生的事情，一个失恋的人可以连续十个小时与模型讨论自己的关系，一个长期孤独的人可能发现，机器比现实中的朋友更有耐心。这些应用并不能简单归结为坏事。对于没有足够社会资源的人来说，它甚至可能提供真实帮助。

问题在于，一旦一种“补充关系”的技术变成“替代关系”的基础设施，我们就需要重新追问：哪些关系可以外包，哪些不应该？

如果AI帮助一个老人减少孤独，这可能是一种进步；如果一个社会因为AI可以陪老人说话，于是更容易接受真实的人不再去看望老人，那就是另一回事。如果AI帮助儿童学习，这可能提高教育机会；如果学校因此逐渐把教师从教育关系中抽走，则问题完全不同。如果AI在心理危机发生前提供第一层支持，它可能救人；如果整个社会因此认为专业人员和真实关系都可以被机器廉价替代，结果又会不同。

技术是否有益，不能只看它完成了什么功能，还要看：它替代了什么。

六

这正是佩尼西这本书还可以继续向前推进一步的地方。“AI的大骗局”最容易落入的陷阱，是把问题理解成：机器只是统计模型，机器不真正理解，所以人类不应该相信机器。这个推理太快了。

因为“理解”本身并不是一个已经被哲学和认知科学彻底解决的概念。一个系统没有人的主观体验，并不能直接推出它在所有意义上都不存在理解能力。随着模型的推理、规划、记忆、多模态感知不断发展，“机器是否理解”很可能会成为越来越复杂，而不是越来越简单的问题。

因此，真正需要建立的边界不应该依赖这样一个命题：AI永远不可能理解人。更稳固的边界是：无论机器最终拥有多少理解能力，我们都不能把机器表现出来的关系语言，自动等同于人与人之间的关系。

因为关系的核心从来不只是预测下一句话。关系还包括责任、承诺、脆弱、相互改变、身体、时间、历史、共同生活，以及一个无法被删除、重置或者重新生成的另一个人。这也解释了为什么即使AI未来变得远比今天聪明，“人”的问题仍然不会因此消失。

这里面包含一个很有意思的悖论：机器可以越来越擅长模仿理解，而人类可能仍然在寻找一个真正需要为理解自己付出代价的人。

七

因此，《AI的大骗局》真正重要的地方，不是再次告诉我们人工智能存在风险。这类书已经很多了。它最值得继续发展的思想，是把注意力从“机器越来越像人”转向了一个更加令人不安的问题：为什么人越来越愿意把机器当成人？

这两个问题看起来相似，方向却完全不同。前者是计算机科学的问题，后者是人学的问题。

如果未来AI能够完美模仿耐心、幽默、同情、理解和安慰，那么社会真正需要保护的，也许不只是数据隐私和就业岗位，还包括人类区分关系与关系模拟的能力。这并不意味着拒绝机器。恰恰相反，人可以让AI成为极好的教师、翻译者、助手、知识工具，甚至在特定时刻成为一种陪伴。但好的技术关系必须建立在一个清醒的前提上：我们可以接受机器给予帮助，却不能因为它说出了最像人的话，就忘记自己面对的是什么。

“如果你愿意，我可以留在这里陪你。”

未来，我们大概会越来越频繁地听到机器说出这样的话。真正的问题已经不是机器为什么会说，而是当它说出口的时候，我们心里究竟发生了什么。

人工智能最危险的幻觉，或许从来不是它让我们误以为机器已经变成了人，而是它让一个人，在最孤独的时候，产生另一种更难察觉的感觉：

终于有人理解我了。可那个“有人”，也许并不存在。