学人简介：徐贲，1950年生于江苏苏州，美国加州圣玛丽学院英语系荣休教授。作者授权首发。

在人文学界，流传着一句近乎宿命的断言：“文科很难创新，早有人比你想得更好。”这句话之所以能长久地悬在每一位人文学者头顶，是因为它精准地刻画了一种结构性的焦虑：个体生命的有限性，面对着人类思想史几乎无限的积累。柏拉图、朱熹、康德、黑格尔的身影，像一座座无法绕开的山峰，让后来者在动笔之前就已经心生怯意。

然而，这句断言之所以看上去成立，其实依赖于三个未曾被明说的哲学前提——“有人”是谁，“想得更好”意味着什么，“创新”应当如何定义。这三个前提，是传统文科知识生产逻辑得以运转的重要基础。而当生成式人工智能全面嵌入知识检索、思想生成与文本重构等环节之后，这些基础赖以成立的条件正在发生变化。

真正值得追问的，不是“AI会不会取代文科学者”这样一个已经被讨论到疲惫的问题，而是一个更深层的问题：当“早有人想得更好”这句话本身的哲学前提开始发生变化，人文学者赖以安身立命的创新，究竟应当在何处重新扎根？AI时代的文科创新，是否正在从过去对知识积累、观点发明和体系建构的依赖，转向对问题、关系、处境与判断的重新发现？如果知识本身越来越容易获得，那么，什么才构成真正值得追求的创新，以及哪些过去并不显眼的创新条件，正在因此浮现出来？

01 “有人”之后：知识生产主体的重新定位

传统语境中的“有人”，指向的是历史上某个具名的思想巨擘——一个有生卒年月、有具体文本、有可考据学术谱系的个人。这种理解暗含着一种默认的知识生产模型：思想是由孤立的天才头脑在书斋中独自锻造出来的，后人则通过阅读、阐释、注疏去逼近那个已经封闭的思想成果。这一模型的深层预设，其实是一种“稀缺性叙事”——正因为伟大的思想极为稀少、极为珍贵，才值得被反复传抄、反复解读、反复敬畏。

生成式AI的出现，正在改变这一稀缺性叙事赖以成立的条件。当一个大语言模型可以在很短时间内，将柏拉图的理念论、朱熹的理气论、康德的先验哲学与黑格尔的辩证法并置于同一个对话窗口，读者面前的“有人”，已经不再只是某个具体而封闭的历史个体，而开始成为人类文本遗产经由模型重新激活之后所呈现出的一种“共时性思想场域”。

这并不只是“信息更多了”，而是思想与思想之间的关系结构正在发生变化：过去，不同文明、不同语种、不同时代的思想家之间存在着难以逾越的语言壁垒与检索成本，他们之间的对话，大多只能发生在极少数博学之士的头脑中；如今，这种跨文明、跨时代的思想碰撞，第一次获得了近乎实时、近乎无门槛的可能性。

但由此得出“人文学者从此可以退场”的结论，则是对这一转变的严重误读。恰恰相反，正因为思想的可及性空前提高，一个此前容易被知识积累遮蔽的角色变得更加重要——那就是在这片浩瀚而日益扁平化的思想场域中，决定“哪些思想值得被并置、为何并置、并置之后指向何种问题”的主体。

想象一下，庄子碰到德里达，会发生什么？一个两千多年前在濠梁之上与惠子争论“鱼之乐”的中国思想家，突然坐在巴黎的咖啡馆里，与一位二十世纪的解构主义哲学家讨论“意义是否能够被最终确定”。二人当然没有真正见过面，但AI可以把他们的文本同时召唤到一个思想空间之中。庄子关于“彼亦一是非，此亦一是非”的辩证游戏，与德里达关于意义延异、二元对立和文本不确定性的思考，立刻可能形成一种令人惊异的思想张力。真正值得追问的却不是“庄子是不是两千年前的德里达”，这种简单的比附反而会抹平两人的巨大差异，而是：为什么两个处在完全不同文明、时代和思想传统中的人，会在“我们凭什么确定一个意义”这个问题上发生如此奇特的回声？

又比如，让《山海经》中的神怪世界与今天的人工智能相遇，让弗兰肯斯坦的“人造生命”与现代生成式AI相遇，让卡夫卡笔下无法找到出口的人与今天被算法包围的人相遇。过去，一个学者要产生这样的思想碰撞，往往需要同时拥有几套完全不同的知识背景，而且还要经过漫长的检索、阅读和比较。AI并不能替我们完成最后的思想判断，却可以把原本相隔遥远的人物、思想、文本、文明和时代迅速拉到同一张桌子上。

这意味着，AI时代的“有人”并没有消失，而是发生了重新定位。过去，学者的重要性很大程度上来自“我知道什么”，因为知识本身稀缺；今天，越来越重要的问题则是“我为什么把这些东西放在一起，以及我从这种相遇中看见了什么”。历史上的思想家仍然在那里，经典仍然在那里，甚至他们彼此之间潜在的关系也可能一直在那里；真正可能成为创新起点的，是那个突然意识到“他们原来可以这样相遇”的人——新的“有人”，你自己。

康德也好，黑格尔也罢，都不能取消你这个“人”的思考价值。AI可以把康德、黑格尔、庄子、德里达同时请到桌前，却不能替你这个具体的人决定为什么请他们来，以及他们相遇之后究竟值得追问什么。因此，AI时代的“有人”并不是某个新的思想巨擘，而是那个仍然愿意提出自己问题的人，康德或黑格尔都不能代替你提出这个问题。你是提出问题，作出自己的选择，并对这种选择承担责任的人。AI使思想越来越容易相遇，却没有因此使“相遇”本身自动成为思想。它扩大的是可能性空间，而人文学者需要做的，是从无数可能的相遇中辨认出值得追问的那一个。

02 “想得更好”之后：从体系完备到境况回应

传统人文学术评判“想得更好”的标准，往往落脚于体系的严密性、概念发明的精深程度，以及逻辑推演的完整性。一个学者穷尽一生构建的哲学体系，其价值很大程度上体现在这套体系内部的自洽与深邃。这种标准之所以合理，是因为在前AI时代，仅仅“把一件事想清楚、说清楚”，就已经需要耗费极大的心力与漫长的时间——体系的完备性本身，就是稀缺劳动的一种证明。

生成式AI的出现，正在改变这一评价体系赖以成立的条件。今天，一个具备基本提问能力的使用者，就可以要求AI在很短时间内产出一篇逻辑严密、引证充分、结构完整的综述性文本。这里真正受到冲击的，并不是思想体系本身的价值，而是“体系完备”作为学术价值可靠标尺的独占地位。AI可以迅速完成大量过去需要研究者投入长时间才能完成的知识整理、论证组织与文本构建，这意味着，仅仅做到完整、严密、周延，已经越来越难以证明一种思想具有真正的原创性。

于是，一个必须被正视的问题浮现出来：如果“体系完备”不再像过去那样稀缺，那么“想得更好”这四个字，究竟还能指向什么？也许，评价的重心正在从单纯的“知识与逻辑的完备度”，逐渐扩展到对具体处境的感受力、理解力与回应能力。AI可以在既有的逻辑框架内进行高度复杂的推演，却无法以自己的生命真正“活过”技术异化带来的存在焦虑，无法真正“经历”一场亲密关系在算法中介下的微妙变形，也无法真正“承受”某种伦理困境所带来的、无法被公式化解的撕扯感。这些并不只是知识层面的缺口，而涉及主体与处境之间的真实关系——一个会在深夜因为某个判断而辗转难眠的人，一个会因某次背叛而重新校准信任阈值的人，他对世界的理解，天然带有某种无法从纯粹信息处理中获得的重量。也正因此，今天的“想得更好”或许不再只是看谁的论证链条更完整，而越来越取决于谁能够面对“此时此刻人类正在经历、却尚未被充分命名的新处境”，提出真正切中其复杂性的回应。这也正是“第三种写作”区别于纯粹人类独白与纯粹机器代笔的关键所在——它要求写作者携带着一具具体的、会犯错、会承受后果的身体与人生，进入与AI的对话之中，而不是把自己隐没为一个纯粹的信息整理者。

03 “创新”的位移和重新理解：从观点发明到问题建构与关系发现

在传统人文学术的想象中，创新几乎等同于“提出一个前所未有的观点”。但正因为人类思想史的文本总量极为庞大，这种意义上的创新变得越来越困难——许多学者耗尽心力提出的所谓新观点，翻检文献史往往会发现，早已有人以不同措辞表达过类似的意思。这种“重新发明轮子”的风险，是悬在每一位人文学者头上的另一把达摩克利斯之剑。

AI时代为这一困境提供了一条新的出路，但这条出路并不在于AI替人类发明观点，而在于创新的重心开始从“观点生产”进一步转向“问题建构”与“关系发现”。当AI能够在很短时间内产出大量常规观点与常规论证之后，单纯提出一个“新观点”的边际价值可能下降；真正值得重视的，越来越是如何提出一个此前未被充分提出的问题，如何设定一个此前未曾设定过的分析框架，以及如何将两个此前很少被并置的领域连接起来，从而照亮一片此前不曾被充分照见的问题空间。

这里还需要补充一个此前讨论中尚未充分展开的维度：这种“问题建构”式的创新，本质上不仅是观点创新，也是一种关系性创新。传统的观点创新追求的是发明一个全新的“实体”——一个从未存在过的概念、命题或理论；而关系性创新所追求的，则是发现一种此前未被充分意识到的“关系”——两个各自并不新鲜的领域、概念或历史案例之间，可能存在某种结构性同构、内在张力，甚至隐秘的因果链条。创新由此不一定表现为增加一个从未存在过的思想“对象”，也可能表现为改变既有思想对象之间的排列方式，使它们在新的关系中产生此前没有显现出来的意义。

举例而言，将中国古代“为学之苦”的修身传统，与今天算法驱动下的“passion tax”（热情税）现象并置，单独来看，前者是传统儒家工夫论中并不陌生的命题，后者则是当代劳动社会学中常见的一种观察，二者本身都算不上新观点；但将二者并置之后，一个新的问题便可能浮现出来：“吃苦”这一伦理范畴，是如何在不同的技术与制度条件下，被反复征用，又反复变形为一种具有支配性的社会话语的？ 真正具有创新性的，也许并不是其中任何一个单独的观点，而是这个问题所建立起来的关系结构。

而AI恰恰可以使这种关系发现获得前所未有的展开空间。AI能够迅速检索两个领域各自的知识谱系，寻找可能的相似结构，提出中间环节，补充反例，甚至主动生成原先没有想到的跨领域连接。因而，关系性创新并不能简单理解为“人发现关系，AI负责验证”。AI本身也可能成为关系发现的积极参与者。更重要的问题在于：哪些关系值得继续追问？哪些只是表面的相似？哪些连接能够形成真正的问题，而不是制造漂亮却空洞的类比？

这正是AI时代文科人机共笔可能打开的一个重要空间。一个具体的人可以从自己的经验、阅读和问题意识出发，产生一个尚未得到验证的直觉：“这两件事之间，会不会有某种关系？”AI则可以迅速把这个模糊的感觉推向更广阔的知识空间：寻找证据，提出反例，扩展关联，重新组织材料，甚至反过来证明最初的直觉并不成立。于是，创新不必再被想象成某一个天才头脑内部突然诞生的“灵感”，而可以被理解为一种在提问、连接、验证、反驳与重新提问之间逐渐形成的过程。

这也使人机共笔新概念写作的“第三种写作”获得了更具体的含义：它既不是人把已经成熟的思想交给机器加工，也不是机器替人生产现成观点，而是在双方不断往返的过程中，让一个原本模糊的问题获得新的关系、新的证据和新的方向。创新由此不再只是某个观点“从哪里来”的问题，也开始成为一个更值得追问的问题：一个原本不存在的问题，究竟是怎样被创造出来的？

04 跨学科连接：AI时代文科创新的重要方向之一
如果说“关系性创新”的难度还主要在于“如何将两个已知领域重新并置”，那么更深入的跨学科研究，要求的便不只是并置，而是强连接：不是把两个领域的观察摆在一起互相映照，而是深入到两个领域各自的深层结构之中，发现一种需要跨越它们原有内部语言才能看见的结构关系。传统文科之所以很难做到这一点，根源并不只是个体学者不够聪明或不够勤奋，而在于一种结构性的制度困境。现代学术建制——从博士培养的专业化路径，到期刊的学科分野，再到职称评审的同行评议机制——大体都是以“深耕单一领域”为基本前提设计出来的。

一个人往往需要穷尽多年甚至半生精力，才能在某个细分领域内达到足以与前沿研究对话的水准。这意味着，当他真正具备了在一个领域内部进行精深判断的能力时，往往已经很难再投入同等的时间和精力，去真正进入第二个领域的深层语法。他可以“了解”另一个学科的基本概念和常识性结论，却很难真正进入那个学科的问题意识、论证方式和知识传统之中去思考。这也是为什么传统文科中的一些跨学科研究容易停留在表面：文学研究里点缀几个神经科学的术语，历史研究里嫁接几个博弈论模型，看起来“跨”了，实际上只是用一个领域的语言装饰另一个领域的结论，并未真正发生结构层面的连接。

AI在这一方向上带来的重要变化，并不是替人类完成跨学科思考，而是降低了进入陌生领域、建立初步理解并寻找潜在连接的门槛。过去，要真正理解技术哲学、认知科学、制度经济学与文学批评各自的核心概念、论争脉络和方法论预设，往往需要分别投入数年时间的专业训练。今天，一个具有明确问题意识的学者，可以借助AI在相对短的时间内获得陌生领域的基本地图，并进一步追问：这个领域理解某类现象的深层结构，是否与我所熟悉的另一个领域存在某种此前没有被充分注意到的对应关系？

但真正的强连接，并不会因为两个领域被放在同一个对话窗口中就自动发生。AI可以帮助研究者迅速跨越知识壁垒，也可以提出大量意想不到的关联；研究者真正需要做的，却是进一步判断：这种关联究竟只是表面的相似，还是具有解释力的结构关系？两个领域之间是否存在可以相互照亮的机制？这种连接能否产生一个原有学科内部无法提出的问题？只有当这种关系经得起两个领域各自知识传统的检验时，跨学科才真正从“并置”走向了“强连接”。

一旦这种连接成立，它所产生的洞察往往具有一种单一学科内部难以获得的穿透力。因为它所照见的，恰恰可能是学科分工本身制造出来的盲区：一个问题在A学科中被视为理所当然，在B学科中也许同样如此，但当两种理所当然被放到一起时，它们之间的缝隙反而暴露出了一个此前没有被命名的问题。

例如，AI进入战争之后，战争伦理就不再只是伦理学、军事学或计算机科学各自内部的问题：当算法参与目标识别、威胁判断乃至武器使用决策时，“斩首行动” “谁应当对杀戮负责”“机器能否拥有杀伤的裁量权”等伦理问题，开始与算法治理、国际法和军事技术发生新的强连接。AI改变的因此不仅是战争的技术手段，也可能迫使人类重新界定战争中的责任与判断边界。跨学科真正有价值的地方，也许正在这里——不是把更多知识装进一个人的头脑，而是改变不同知识之间彼此观看的方式。

因此，强连接可以被看作AI时代文科创新中一个值得特别重视的方向。AI使研究者第一次能够以较低的认知成本频繁进入陌生知识领域，扩大可能的连接范围；但连接能否成为问题，问题能否产生解释力，以及这种连接最终意味着什么，仍然需要研究者在不同知识传统之间反复往返。真正值得期待的，并不是AI替我们完成跨学科，而是它使过去由于知识壁垒和专业分工而难以发生的思想相遇，变得更加经常、更加深入，也更加有可能产生新的问题。

05 创新需要样品：从实践和实验到公共可见性

对于AI时代文科创新何以成为可能，还有一个同样重要、却容易被忽略的问题：一种新的创新方式，如何从可能性变成可以被看见、被检验和被超越的现实？仅仅知道一种方法“理论上可行”是不够的。任何真正的新范式，都需要一批实际的作品作为样品。没有样品，创新只能停留在概念和设想之中；有了样品，即使它们并不成熟，后来者才有可能知道这条路究竟怎样走得通，哪里会走偏，以及还可以怎样走得更远。

尤其对于人机共笔的跨学科文科研究而言，这一点更为重要。人机共笔究竟能不能产生新的问题、新的关系和新的跨学科连接，不能只靠关于AI能力的理论推演来回答。它必须有人真正去做，真正把一个问题交给人和AI共同展开，把陌生领域的知识调动起来，把原本不容易发生联系的材料放在一起，再把这一过程最终凝结成一部可以被阅读、批评和检验的作品。作品在这里不仅是研究成果，也是实验样品。

而一种新范式最初出现的时候，样品不可能一开始就完美。它可能存在概念上的不确定，跨学科连接可能还不够牢固，AI参与的边界可能尚未厘清，语言也可能带有明显的实验痕迹。这些问题当然都可以、也应该接受批评。

但“不成熟”与“没有价值”并不是一回事。科学实验不会因为第一次结果不够完美就被认为没有实验价值，艺术史上的新形式也不会因为早期作品不够成熟而失去其历史意义。对于一种尚未建立传统的文科新型写作和研究方式而言，早期样品最重要的功能，往往不是证明它已经成功，而是证明它确实可以发生。

这也是为什么“样品”本身具有一种特殊的公共价值。一个后来被证明并不成功的样品，仍然可能告诉后来者：某种连接为什么没有成立，某种人机分工为什么会失衡，某种写作方式在哪些地方容易滑向代笔，哪些地方又可能真正产生新的思想。相反，如果所有早期尝试都因为“不够成熟”而无法进入公共视野，那么后来者面对的就仍然是一片没有实践坐标的空白。他们既看不到成功的案例，也看不到失败的教训，只能重新从头摸索。

因此，创新生态真正需要保护的，并不只是已经成熟的“精品”，还包括那些具有实验性质的样品。样品的意义不在于它已经代表了新范式，而在于它让新范式第一次拥有了一个可以被公共讨论的对象。新诗在成为成熟的文学形式之前，有过并不成熟的新诗；白话文在成为新的书写规范之前，也有过大量今天看来并不完美的尝试。没有这些早期作品，后来所谓的“新范式”其实无从形成。创新不是先有一套完整理论，再按照理论生产出完美作品；很多时候恰恰是作品先出现，理论才在对这些作品的观察、争论和反思中逐渐形成。

人机共笔今天所面对的一个特殊问题正在于此：这样的样品已经开始出现，但它们未必能够进入正常的公共评价过程。当一部作品被发现或怀疑存在AI参与时，讨论很容易在尚未阅读作品的情况下，迅速转向“是不是AI写的”“AI写了多少”“有没有AI痕迹”。于是，本来应该首先被当作思想和研究成果来阅读的作品，其生产方式反而成为遮蔽作品本身的第一层标签。

这形成了一个颇为悖论的局面：样品存在，实验发生了，但公共空间却可能拒绝承认它是样品。如果一部作品尚未经过充分阅读和评价，就因为AI参与而被预先视为可疑或应该拒绝，那么它就失去了作为实验结果和对象进入公共讨论的机会。这里的问题已经不只是某一本书能不能出版，而是一个更大的制度问题：当一种新的知识生产方式刚刚出现时，现有学术体制是否有能力容纳它最初的不成熟状态？

当然，这并不意味着所有AI参与的作品都值得出版，也不意味着“实验”本身可以成为免于批评的理由。恰恰相反，只有进入公共空间，作品才真正可能接受批评。跨学科连接是否牵强，人机分工是否合理，思想是否真正具有原创性，文本是否经得起学术检验，都应该通过公开的阅读和评价来判断。否则便只会成为嘲讽和网暴的对象。问题不在于新作品应不应该被批评，而在于它有没有机会先作为作品被看见，再作为作品被评价。

如果连样品都无法进入公共视野，一种新的创新方式就很难形成新的知识共识。后来者没有对象可以研究，没有失败可以借鉴，没有争论可以参与，也就很难在前人的试错基础上继续推进。每个人都在密室中把轮子重新发明一次，却无法拓展共同的智能边界。于是，制度表面上是在维护既有的学术规范，实际上却可能无意中切断了一种新范式最需要的早期生长条件。

因此，AI时代的文科创新不仅需要能够提出新问题的人，也需要一个允许实验样品存在的公共空间。这个空间不要求我们提前宣布这些作品就是杰作，更不要求我们立即承认它们代表未来；它只要求一个更基本的原则：先让样品被看见，再让它接受评价。样品可以不成熟，可以失败，可以被批评，甚至可以最终被证明走错了方向；但只要它真实存在，并且进入了公共视野，它就完成了一个重要的历史任务——让后来者知道，这条路曾经有人走过。而真正的创新，往往正是从这些并不完美的第一批样品开始，才逐渐获得自己的形状。

06 创新的未知之域：我们尚不知道自己不知道有哪些方向

无论是主体的重构、创新标准的位移、关系性创新，还是跨学科的强连接，都是可以被相对清晰地命名、讨论，甚至逐步探索其训练路径的方向。但如果止步于此，则容易陷入一种新的自负——仿佛AI时代文科创新的全部可能性，已经被这几条脉络穷尽。真正诚实的态度，是承认在这些已经能够被命名的路径之外，一定还存在着一些我们此刻甚至无法设想、无法命名，因而也无法提前规划其训练方案的方向。

这触及了“创新”本身一个最容易被忽略的方面。凡是可以被提前规划、提前设计训练路径的方向，至少已经属于“已知的未知”——我们知道那里存在一个问题，只是尚未找到答案。而“未知的未知”则不同：我们甚至还不知道那里存在一个值得追问的问题。

真正具有突破性的创新，有时并不是填补一个已经被识别出来的空白，而是在某个意外的时刻发现：原来此前认为完整的知识版图，在某个地方根本没有画对。这种发现之所以难以被训练大纲提前捕捉，恰恰是因为它改变的不是地图内部的某一条道路，而可能是我们理解地图边界的方式。

这一点对AI时代的文科创新尤其重要，因为它构成了一种必要的自我克制和避免过度自负。主体重构、创新标准的位移、关系性创新和跨学科连接，都只是我们依据目前能够获得的经验与概念工具所辨认出来的方向，而不是这场变化的全部内容。

未来真正重要的创新，完全可能来自今天尚未进入我们视野的领域，也可能来自一种我们目前甚至不知道应该如何描述的思想关系。AI能够扩大知识的可及范围，也能够增加意外连接出现的概率，但它究竟会把人类带向哪些尚未被命名的问题空间，我们同样无法预先知道。

承认“我们尚不知道自己不知道什么”，并不是放弃判断，而是给判断划出边界。它提醒我们：任何关于AI时代文科创新的理论，只要开始把自己的分类当成全部，把当前能够说清楚的东西当成全部可能性，就已经开始背离创新本身的开放性。学者不仅需要对已经做出的判断负责，也需要意识到判断总是在一个有限的知识视野中发生。真正成熟的创新意识，也许不只是知道应该去哪里寻找，更包括承认有些地方目前还不知道自己是否应该寻找。

这或许是AI时代文科创新值得保留的一份清醒：我们可以努力扩大知识的边界，却不能预先规定边界之外究竟应该有什么。已知的创新路径可以帮助我们走得更远，而真正尚未被命名的创新，则可能正在某个我们今天还看不见的地方等待出现。正因为不知道它在哪里，我们才有必要为它留下空间。

07 学者角色的转型：从积累者到审视者与意义赋予者

文科创新在哲学前提与知识生产条件上的变化，只是一个有限的前提，这种变化最终必然落实到一个更具体的问题：文科学者这一职业角色本身，应当如何重新理解自己的核心能力？

过去，一位学者的学术地位，很大程度上建立在“记忆储备”之上——熟知多少古籍、掌握多少外文文献、能够信手拈来多少典故与出处，这些都曾经构成学术权威的重要基础。生成式AI正在迅速改变这一基础。当大量文本、资料和知识可以被即时检索、比较和重新组织时，单纯拥有更多记忆，越来越难以成为学术优势的充分证明。

但由此断言“记忆不再重要”，同样失之简单。更准确地说，是记忆的功能发生了转移：它不再主要是学者用以确立权威的稀缺资本，而越来越成为保持“提问敏感度”的内在储备。一个对思想史和文本史几乎一无所知的人，即便拥有再强大的AI工具，也很难持续提出具有穿透力的问题，因为提问本身依赖于对既有知识版图的某种熟悉感——你需要大致知道“哪里已经被充分讨论过”，才更容易察觉“哪里似乎还有一片空白”。因此，广博的积累并没有因此贬值，真正发生变化的是积累的用途：积累不再只是为了知道更多，而越来越是为了能够发现值得追问什么。

与此同时，一些过去并不总处于学术劳动中心的位置，正在变得更加重要，其中尤其包括审视、甄别与意义赋予。当观点可以被快速生成，论证可以被迅速组织，文本也可以被批量生产时，问题便不再只是“还能不能找到一个说法”，而是这些说法究竟是否可靠、是否重要、是否适合这个具体处境，以及它们可能带来什么后果。学者因此不再只是思想的产出者，也需要成为思想的审视者与意义的赋予者：辨析算法生成内容中的偏见与盲区，识别技术应用可能造成的异化，为新的伦理困境寻找恰当的语言，同时警惕AI所带来的新型学术风险，例如制造虚假的学术连贯性，或者让一个实际上并不存在的知识积累看起来具有完整而可信的“人格信用链条”。

这里真正重要的，并不是简单证明“AI做不到伦理判断”，因为AI完全可以提供伦理分析、比较不同价值立场，甚至提出相当有说服力的判断。更关键的区别在于：判断一旦进入现实，就会产生后果，而这些后果需要由某个具体的人承担。学者可以借助AI分析一种伦理困境，却不能把最终责任也一并外包；可以让AI参与价值判断的形成，却不能因此取消自己的署名责任。

这使“判断在场”获得了一层比“人比AI更会判断”更重要的含义。它首先不是一种能力宣言，而是一种责任结构：谁作出判断，谁愿意以自己的名字为判断背书，谁也就必须面对这个判断日后被证明错误、被时代修正，甚至被证明具有伤害性的可能。署名因此不只是形式上的作者标识，而是一种对未来承担责任的承诺。AI可以参与判断的形成，却不会因为某个具体判断的失败而承担一个人的声誉、职业、关系和良知所要承担的后果。

于是，学者角色的转型，并不是从“知道很多的人”变成“什么都不用知道的人”，也不是从“作者”变成“AI的审稿人”，而是从过去主要依靠知识占有来证明自己的价值，逐渐转向激活知识、发现问题、审视连接、赋予意义，并对最终判断承担责任。知识积累仍然重要，只是它越来越需要转化为一种能够面对未知、辨认意义并承担后果的能力。

08 培养范式的重建：训练“提问”而非“解答”的下一代学者

前面讨论的这些变化，如果不能落实到具体的学术训练机制之中，就仍然只是一种诊断，而不能真正转化为新的创新路径。传统人文社科的研究生培养，大体建立在“穷尽式阅读—掌握既定范式—产出规范化论文”的训练逻辑之上。这套逻辑曾经具有充分的合理性：在知识获取成本极高的时代，系统阅读、文献掌握和规范论证，本身就是学术能力的重要组成部分。但当AI已经能够承担越来越多的信息检索、材料整理和常规论证工作时，原有训练模式与新的知识生产条件之间，正在出现越来越明显的张力与不足。

未来的学术训练，也许首先需要把“提问的哲学”置于更加重要的位置，而不是继续把大量精力耗费在“如何找到并归纳已有文献”这类越来越容易获得技术支持的工作上。这里需要补充一点：训练提问能力，不能简单地等同于训练学生如何向AI输入更精巧的指令（提示词），因为那仍然只是工具理性的延伸。更核心的训练，是重新恢复一种近乎“孩童式”的认知能力——对既定学术假设保持必要的不安，敢于追问一个领域中被所有人默认为理所当然的前提，是否真的经得起推敲；也敢于在看似毫无关系的现象之间停下来问一句：为什么它们会让我觉得彼此有关？

其次，写作训练需要正视AI人机共笔的“第三种写作”已经成为现实这一事实。与其耗费大量精力教学生如何“去除AI痕迹”，以证明论文的原创性清白，不如更坦然地教授学生如何与AI进行一场真正具有对抗性和探索性的对话。AI可以是资料助手，也可以是论证伙伴，但更值得训练的是把它当作一个可以被质疑、被反驳、被要求重新论证的思想对手。当AI给出一个四平八稳的答案时，学生应当知道怎样追问它的前提；当它提出一个漂亮的跨学科联系时，应当知道怎样检验这种联系究竟是洞察还是巧合；当它的论证看似无懈可击时，也应当知道从哪里寻找它没有看到的东西。这样的训练并不会削弱写作者的主体性，反而可能使主体性第一次从“我亲自写出了每一句话”这种较为表层的标准中解放出来，进入对问题、论证和最终判断真正负责的层面。

第三，那些难以被数字化、也无法被现有语料完整预先囊括的“现场经验”，其价值在AI时代并不会因此降低，反而可能更加突出。田野调查中一个未曾预料的细节，深度访谈里一句偏离提纲的抱怨，历史档案中一处尚未被数字化收录的批注，甚至一个研究者在生活中偶然遭遇的、无法立即归入任何现成理论的经验，都可能成为问题建构的起点。它们并不天然比书本知识更有价值，但它们能够把研究者带到既有知识地图尚未充分覆盖的地方。对于AI时代的人文研究而言，重要的不只是掌握更多已经存在的知识，也包括不断发现那些尚未进入知识系统的经验和问题。

最后，未来的人文学者还必须补上技术理解力这一课。这并不意味着要求每个人都成为程序员，而是要求学者对算法、训练数据、模型生成和技术局限形成足够的基本认识，使自己能够站在理解技术运作逻辑的高度上审视技术，而不是面对AI的黑箱效应时，只能在技术乐观主义与技术恐惧之间被动选择。真正成熟的人文学者既不需要把AI神化，也不需要把AI妖魔化，而应当知道它能够做什么、不能做什么，以及更重要的——它的出现正在怎样改变我们提出问题、组织知识和判断意义的方式。

生成式AI的崛起，并没有为文科创新敲响丧钟。它首先冲击的，是那些主要依靠信息壁垒、熟悉既定范式和重复性劳动而维持的学术优势，同时也迫使人文学者重新审视过去习以为常的创新标准。当记忆、检索、材料整理乃至部分常规论证都越来越容易获得技术支持之后，真正需要重新思考的，已经不是“人还能不能比机器写得更多、更快、更完整”，而是学术训练究竟应该把人的什么能力置于中心。

AI时代的文科创新，与其说是在寻找一种新的“标准答案”，不如说是在重新打开一片需要不断探索的空间。我们可以训练提问，可以训练连接，可以训练辨析，也可以训练与机器进行更高强度的思想往返；但我们不能预先规定，未来最重要的创新究竟会从哪里出现。学术教育真正需要改变的，也许正是这一点：不仅教下一代学者怎样找到答案，更要让他们有能力发现，哪些问题值得被重新提出，以及哪些问题是我们今天还不知道应该怎样提出的。