三年前参加一次“数字人文与公共文化服务”的交叉课题评审那场会议至今让我记忆犹新。技术组的评委看一个历史文献数字化项目三句话不离开检索延迟、多模态训练成本、向量数据库容量人文组的评委则反复追问这套系统到底改变了普通人对历史的感受方式还是仅仅造了一个更快的信息仓库。两拨人用了同一个PPT却在两个维度上争论最后只能以“经费按比例分配”的方式各自拿一部分了事。散会后一个做自然语言处理方向的年轻人半开玩笑说文科人只会写摘要技术人只需要数据。这话听着刺耳但很长一段时间里我确实没有找到足够清晰的反驳方式。这篇文章想讨论的正是那间会议室里没有谈完的东西。当大模型把自然语言变成一种普通的生产力工具人文社会科学在AI时代的使命到底是什么它应当继续扮演舞台规划者——负责描绘宏大蓝图、在项目边缘写几段文化说明、在成果发布后担任道德点评人还是转换身份成为新技术文明真正依赖的舞台根基我想结合这些年在数字人文、AI产品价值设计、跨学科协作项目中的一线经验把这几年反复琢磨的一个问题摊开来讲人文社科的限度在哪里超越限度的路又在哪里。1. 一张评审桌前两个知识世界为何对不上话1.1 技术组与人文组的项目之争各说各话的现场那次评审的项目本身并不复杂用OCR和自然语言处理技术将一批地方志文献做成可检索的数据库同时附带专题知识图谱。技术组看到的是一座可以不断优化的“机器”识别精度从86%提升到97%查询响应从两秒降到两百毫秒这是可以用数字证明的进展。人文组看到的却是一个恐怕丢失灵魂的“文化容器”纸本时代的阅读体验、注释传统、文献之间的微妙互文一旦被扁平化为字段和标签损失的可能恰恰是最珍贵的东西。两边对“成功”的定义完全不同而且都无法说服对方。技术团队拿出评测指标认为这是客观证据人文团队拿出研究传统认为这是学科底线。会议陷入僵局的根本原因不是沟通技巧不足而是这两套知识生产体系从未在底层逻辑上相遇过。技术思维的隐含前提是一切可计算的都会进步人文思维的隐含前提是意义不是计算的附属品脱离了语境的数据只是噪音。这种割裂不是个别项目的偶然状态。在过去几年的实践中我参与或旁观过至少十个类似合作智慧教育、智能法律问答、博物馆数字孪生、舆情分析平台……几乎每一次合作都在前三个月最痛苦。问题并不出在工具不会用而是出在“用什么标准判断一个东西好不好”上。标准不统一后面的所有协作都是隔空对话。1.2 “只写摘要”与“只要数据”分工失衡的深层信号那个年轻技术人员的调侃值得认真对待。它折射出一种相当普遍的分工想象文科负责在项目开头写综述、出概念在项目结尾写总结、做评估中间核心的模型设计、系统开发、数据调试全部和技术无关。换句话说文科被安排在了一条流水线的两端中间最重、最有挑战性的环节被排除在外。这种分工的结果是灾难性的。人文社科学者长期停留在项目外围既不了解模型能力边界也不清楚数据从哪来、被如何处理于是写出来的“概念”“伦理建议”往往是悬浮的无法落地技术团队则因为缺乏人文视角的持续介入把价值判断简化成合规检查把用户理解简化成行为数据。原本应该是“文科为技术的方向提供判断力”的关系慢慢变成了“文科为技术的产品写说明书”。从项目管理的角度看这种分工模式非常稳定甚至很高效但它牺牲了一个极其重要的东西技术本应具有的那种对“人究竟需要什么”的深度回应能力。当文科只出现在项目两端中间大段的研发过程里就没有人追问一个关键问题我们在造的工具是不是真的在服务一个值得服务的目标问句缺席久了方向就会漂移而漂移的代价往往要到产品上线、进入真实生活之后才爆发出来。2. 从“规划舞台”到“被叫来补台”人文社科的位置变化2.1 曾经的位置文明坐标的规划者如果往前追溯两三百年人文社科的自我定位从来不是“辅助者”。在古典知识谱系里伦理学、政治学、历史学共同构成了文明的自我理解机制。政治制度的合法性、法律的道德基础、审美情趣的养成、历史经验的传承都需要一套稳定的知识体系来支撑。那一时期的文科知识分子更像是整个文明舞台的规划者他们为“什么值得做”“什么应当避免”划定界限为整个社会的方向提供参照系。这种身份到今天并未完全消失只是影响力被严重稀释了。以城市规划为例过去城市设计必然包含广场、教堂、纪念碑这类承载公共记忆的空间背后有历史学、宗教学、美学的学理支撑今天的智慧城市项目核心讨论往往集中在传感器密度、算力调度、数据打通上人文议题被压缩成“市民满意度”里的一个二级指标。舞台还是在建但写规划方案的人变了原来的规划师被请到了咨询席。这个变迁背后有复杂的历史原因社会科学的大规模实证化、工程思维渗透公共治理、高等教育市场化、知识生产日益量化考核……很难用单一因素解释。但结果是清晰的——人文学科逐渐从一个“定义问题”的学科变成了一个“回应问题”甚至“修补问题”的学科。这种位置变化是结构性的不因个别学者的卓越而改变。2.2 现在的位置文本生产链末端的辅助角色在AI时代文科的处境更有代表性。拿当下大模型产品开发流程看人文学者的典型参与方式是产品即将上线时法务和公关团队邀请历史学家、伦理学者开“风险评审会”或者在数据上线后请社会科学家对模型回答内容进行抽检看是否存在系统性偏见。这些工作当然有价值但它们属于“质量检查”和“风险控制”不是在定义产品方向。换句话说文科今天在AI产业里扮演的角色更接近一条流水线上的质检员而不是产品经理。产品要做什么、不做做什么、优先做成什么样这些关键讨论很少有人文学者的位置。顶多偶尔以“伦理顾问”的名义坐进会议室但当公司面临技术可行性与上市窗口的压力时顾问意见往往被削减成几个软绵绵的“注意点”。这种境况正是所谓“从舞台规划到被叫来补台”的真实写照。技术团队已经搭好舞台角色分配完成人文学者被允许提意见但没有资格改剧本。我见过不少在业内发言很有见地的人文研究者进了企业会议室就变成“很会提意见的局外人”。这不是个人能力问题而是角色预设的问题。2.3 “人的例外论”并没有保护文科反而让它更边缘面对这一处境人文学界最常见的自我辩护是强调“人的不可替代性”AI再智能也没有真正的意识AI再高效也无法理解爱恨、死亡、自由这些人类基础经验。这种翻来覆去的论调在学术沙龙里总能赢得掌声但放到技术公司谈合作时效果却越来越弱。为什么因为“不可替代”在工程语境里意味着“不可合作”。如果一个事物的价值完全建立在它与技术体系的隔绝之上那么技术体系自然没有理由费力去整合它。人文领域越是强调“人的例外”就越把自己置于AI时代的荒岛上。这个悖论非常隐蔽我们以为在守卫学科的独特性实际上是在切断与其他知识生产体系的连接。后来我渐渐意识到问题出在对“独特性”的理解方式上。人文社科的独特价值不在于它是技术无法触及的飞地而在于它掌握了一种关于意义的实践方式——解释与规范。技术能让信息流转得越来越快但信息如何变成有意义的知识知识如何转化为行动规范这个环节恰恰需要人文社科的核心能力。如果我们的位置是“根基”而不是“孤岛”这套能力就有机会进入技术体系的底层。3. 为什么文科总在慢半拍四重限度的诊断3.1 知识生产周期与AI迭代速度的错位先看最直观的限度速度。一篇理想的文科学术论文从选题、资料收集、论证到匿名评审、修改、发表走完整流程通常需要一到两年。而AI大模型的节奏是GPT-3发布后不到一年ChatGPT上线此后各家模型每隔三到六个月就有一代更新。当一篇讨论某伦理问题的论文终于见刊时它评论的那个系统可能已经退役了。这种时间尺度的错位导致人文社科的很多公共介入显得“不合时宜”——不是问题提炼错了而是时机错过了。技术在以周为单位决策人文在以年为单位回应中间横着一条几乎无法弥合的时间鸿沟。只要文科仍然沿用以长篇论文作为唯一公共输出形式这条鸿沟就会始终存在。我在跨学科项目中找到的第一个调整思路是把“长文论证”和“快评介入”分开。学术的慢论证仍然重要但针对技术迭代的公共回应必须学会用简报、白皮书、工作坊复盘、小规模闭门讨论等更短的形式完成。这种转变意味着放弃一部分学科仪式感但不意味着放弃严谨。3.2 不可规模化的知识形态个案与语境的困境第二个限度在于知识形态。自然科学研究追求可复制、可泛化的规律工程技术追求可量化、可部署的解决方案。而人文社会科学中相当一部分知识本质上是个案性的、语境性的我们理解一场革命不能脱离具体的历史条件我们解读一部小说不能忽略作者身处的时代、读者接收的语境。这种知识非常“贵重”但确实难以直接规模化。AI时代的通行逻辑是规模化数据越多越好参数越大越好覆盖面越广越好。这让人文社科的传统方法显得格格不入。一个能深刻解读某座古城空间意义的学者很难把他的解读变成可以让所有城市共享的通用模块一位精通某种语言腔调的语文学家他的判断力也难以上升为可批量复制的算法。但这不意味着人文知识进不了技术系统。关键在于转换粒度人文知识的规模期待不再是“提炼一条通用规律”而是“生成一套高质量的判断样本”。一个历史学者无法给出适用于所有文化的价值观清单但他完全可以在具体语境下判断哪些历史表述容易引发误解哪些叙事传统应该保留细微差别。这种“语境专家”的角色如果进入AI的评估数据集和标注体系恰恰是把不可规模化的知识转化成可以被规模吸收的样本。3.3 批评距离vs系统介入方法论上的不适配第三个限度更隐蔽方法论姿态。大多数人文社科的训练路径都强调批判性距离——要与研究对象保持距离要悬置偏见要反思立场。这种训练产出的研究者习惯站在系统外面看清全貌而不是钻进系统里面去调试细节。AI研发则完全是另一种工作方式你必须进入系统和工程师一起逐行看数据才能理解一个错误输出的来源。你没法站在外面靠思辨“远程指导”。这种姿态差异使得很多优秀的人文学者在合作初期极度不适他们习惯了质疑框架而不习惯提供框架内的修补方案。这里没有谁高谁低的问题只有适配性的问题。我见过最舒服的跨学科合作是那些愿意暂时搁置“终极追问”从“这个标签为什么错”“这条指令为什么含糊”开始介入的人文学者。他们不是在放弃批判立场而是把批判立场转化为具体的工程改进。对AI系统最有价值的批判不是一句“这个系统不够公正”而是一份指出偏见数据来源、给出替换标注方案的详细报告。3.4 学科内部“自我设限”的隐蔽代价最后一种限度来自学科内部。为了维护合法性不少人文社科学者倾向于强调“我们做的事情无法用标准衡量”这本来是对量化考核的抵抗但一旦变成习惯就成了自我设限。因为“无法衡量”在另一面就是“无法沟通”“无法比较”“无法协作”。举个现实的例子一些高校的文化遗产专业把主要精力放在论文发表和田野调查上对数字遗产、交互设计、数据可视化等领域采取一种淡淡的轻视态度。学生毕业后进入社会发现市场上急需懂得历史内涵又能设计数字交互产品的人才而学校里没有一门课教过相关技能。这不是说传统训练不重要而是说传统训练不能成为拒绝学习新语言的借口。“我们不一样”这个立场如果用来争取学科空间的尊重它有价值但如果用来拒绝参与技术时代的协作它就会加速边缘化。人文社科的限度很大一部分不是来自学科本身而是来自我们对自己的想象局限。把自我封闭误认为学科纯粹是这二十年里代价最高的选择之一。4. 岐金兰理论把“体用一源”从哲学概念变成工作方法4.1 名字的由来一次失败协作中写下的三个字“岐金兰”这个名字来自一次不算成功的校企合作工作坊。当时十几个来自不同学科的人被分在一组任务是给一个教育类AI产品设计“价值观框架”。技术背景的成员拿出可以立刻使用的白皮书模板管理背景的人画出流程图而人文学者开始讨论“什么是教育的第一性原理”。三个小时过去产出几乎为零。那天晚上整理笔记时我在纸上随手写下三个字“岐”“金”“兰”然后盯着它们看了很久。这三个字恰好对应了白天那场争论里始终没有说清的三样东西一种判断路向的能力一种支撑价值的底座一种浸润环境的机制。随后我又想起“体用一源”这四个字忽然意识到这三个维度指向同一个源头人的完整生存实践。可以说岐金兰理论不是从哪本经典里抽出来的而是从真实的协作冲突里被逼出来的。4.2 “歧”辨别岔路的判断力按照通常的直觉“歧”意味着分歧、歧义似乎是个需要消除的东西。但我想强调的是“歧”作为动名词的那个面向辨认、辨析岔路。岔路多了才需要判断力。在生成式AI出现之前人类的信息约束主要来自“信息太少”难的是找而现在信息与生成内容几乎无限供给难的是选。AI可以在一秒钟内生成一百种活动方案、十种市场策略、五种伦理立场表述它们看起来都逻辑自洽。哪个值得躬身入局哪个会带来不可逆的后果这种对“路向”的判断力恰恰是传统人文训练最宝贵的能力之一——历史学让人知道类似境遇在时间轴上的后果伦理学让人分辨手段与目的的错位哲学让人审视前提是否稳固。我把“歧”确立为岐金兰理论的第一维度是想强调人文社科在AI时代最核心的贡献不是提供答案而是提高整个系统对“方向”的敏感度。一个懂得辨歧的人不会满足于“模型生成了什么”而会追问“为什么我们让它生成了这个而没有生成另一个”。这种追问比任何静态规范都更有价值。4.3 “金”经得起迭代的恒常价值如果说“歧”回答的是“路该怎么看”那么“金”回答的是“什么不能丢”。金既有坚固、恒久的含义也有贵重、标准的意味。技术迭代的本质是不断推翻上一代但一个健全的文明不能把一切值得坚守的东西都交给迭代去裁决。法律对程序正义的坚持、医学对生命尊严的尊崇、教育对思辨能力的培养、学术对诚实与可追溯的要求……这些传统价值不会因为下一代模型更强就自动失效。相反模型越强、能力越泛化越需要一些“锚点”来防止系统在优化过程中滑向短期功利主义。在AI对齐的语境里这被称为“稳定的价值目标”在人文语境里这就是“金”。现实中很多AI团队并不缺少对“什么不能丢”的朴素认知缺少的是一套可以对话的语义系统。人文学者的工作不是去发明新道德而是把文明积累已久的那些“金”翻译成现代技术语境下可讨论、可操作的规范语言。这个过程很枯燥但异常关键——它决定了AI的价值观工程是建立在扎实的文明经验之上还是建立在工程师个人的粗糙直觉之上。4.4 “兰”潜移默化的文化介入第三个字“兰”取“兰室之香”的意象。兰花不轰鸣、不摆架却能让整个空间的气味发生变化。人文社科要在AI时代产生影响真正有效的机制往往也不是大声宣判而是像兰香一样渗透进日常的细节训练语料的取舍、产品文案的措辞、交互界面的文化假设、系统回复的礼貌边界。我在参与一个对话系统项目时发现最影响用户体验的往往不是那些宏大的伦理声明而是一个很细的设定当用户表达沮丧情绪时系统识别到什么程度才建议转介人工服务这个设定背后有大量心理危机干预的研究积累也有语言使用习惯的判断。如果设计者只凭感觉写规则效果会相当粗糙而如果有人文研究者的介入借助既有量表学、临床语言学的研究成果这个边界就能被设计得精准得多。“兰”意味着文科的力量不依赖强制和权威而依赖介入环境的深度与精度。批评者可以留在远处指出问题但建设者必须进入环境的内部让好的标准成为系统日常运行中的默认选项。当一种价值观内化为产品体验的一部分它就不再需要喊出来而是已经弥漫在那里。4.5 体用一源意义与技术不再分家“体用一源”出自程颐对易学思想的阐释讲的是体与用不是两个割裂的东西而是共享同一个根源。放在今天来理解人文社科所守护的“意义”与AI技术所实现的“功能”不该被想象成两个需要外部焊接的板块它们本来就源自同一个东西——人的社会实践。传统讨论往往把AI伦理当作一个附加层先做出一个技术产品再请人文专家来“加一层伦理”。这种“体外伦理”注定别扭。岐金兰理论想翻转这个思路价值和意义不是附在产品外的“用”而应从项目设计之初就在场成为技术选择的“体”。判断什么值得做、什么不该做、什么问题优先解这些在最源头的方向判断已经需要人文能力。“体用一源”在操作层面意味着什么用一句大白话讲就是让人文社科的判断力进入AI系统的“操作系统”而不只是在界面上贴一句“本产品尊重用户隐私”。从训练数据筛选到奖励模型设计从评估集构建到红队测试从人机交互边界到人工接管预案每一个环节都需要人的价值判断。这些判断不是“用完以后加上的伦理”它们本身就是AI系统运转的一个组成部分。到了这一步人们也许就不再追问“文科还有没有用”因为文科已经成为整个系统得以成立的基础设施。5. 扎向根部的三条可行路径5.1 路径一把人文判断做成“AI可读的意义标注”很多文科出身的读者一听到“写代码”就紧张但进入AI研发体系并不非要立刻从模型训练开始。当下更现实、更缺人的入口是数据标注与评价体系设计。任何大模型都需要大量经过精细判断的样本告诉它哪种回答是好的、哪种是不好的、哪种看似正确但暗含偏见。人文学者的优势恰恰是能做出这种精细判断。举个例子为客服机器人标注“用户愤怒情绪”时如果只按关键词匹配会把“我真的很失望”和“我要投诉到底”混为一谈一个受过话语分析训练的研究者能识别出语气中的分级、社会语境、权力关系给出更细腻的标签。这些标签最后会直接影响模型对复杂情绪的理解。我的建议是想进入AI领域的人文学者可以先从两个方向补基础一是学习基本的机器学习概念至少知道什么是训练集、验证集、评估指标否则和工程师对话时连“准确率”和“覆盖率”的区别都说不清二是主动申请参与或主导一个数据标注规范项目把“规范”本身当成一个文本来打磨。这件事非常符合人文本行又直接嵌入AI研发流程。5.2 路径二进入AI对齐与价值评测环节第二个入口更接近技术前沿AI对齐与价值评测。这个领域表面上被计算机科学家主导但实际操作中有大量工作是“定义什么是对的”这天然需要人文社科的知识支撑。所谓红队测试、价值观对齐、安全偏好学习本质上都是在不同语境下判断“这个输出是否符合人的意图与底线”。知道从哪里切入了吗先从“评估集工人”开始就是给模型准备一批需要特殊判断力的输入输出样例人工判断好坏并写下理由。比如对一个教育类模型设计一组“学生问数学题但带着厌学情绪”的对话去判断系统给出的回应是否既解决了问题又照顾了情绪。这类样例设计非常考验心理、教育、沟通等多方面的人文功底。在此基础上人文学者还应该学会一种能力把模糊的价值争议转化为可被测试的问题。比如不满足于说“这个系统对老年用户不够友好”而是设计出一组包括代际语言差异的测试用例让工程师能够运行脚本、看到失败率、据此改进。把价值问题转化为测试用例是“批判者”变“共建者”的关键一步。这一步对很多文科生来说需要刻意练习但它一旦掌握参与度会明显提升。5.3 路径三用“双栖训练”重塑文科教育前两条路径说的是在职者和研究者的转型第三条路径面向更长远的系统——教育。当前文科教育最大的问题仍然是把“与计算机保持距离”当作某种学术尊严。学生写一手好论文固然重要但若完全不具备理解算法逻辑的基本能力毕业后进入一个被算法全覆盖的社会只能继续停留在“评论席”。这些年我比较认可的做法是推行一种“双栖训练”文科学生以主修为根同时修一门技术方向的“语法课”。所谓语法课不是要求他们成为程序员而是掌握三样基础能读懂基础代码逻辑、懂得数据库的基本关系、理解统计指标的含义与陷阱。这样一来当面对AI产品时他们至少能看懂工程师说的“召回率”是怎么一回事也至少能动手跑一个简单的数据清洗流程而不是只能坐在对面听天书。反过来理工科学生也应当修一门“人文语法课”基本的哲学逻辑、历史意识、伦理推理方法。一个只懂优化指标、不懂价值目标的工程师设计出的系统再高效也可能南辕北辙。双栖训练的目标不是抹平学科差异而是建立跨学科翻译的能力。回到开头那个评审场景如果当时技术组听得懂人文组对“意义脉络”的关切人文组也理解技术组对“可验证性”的追求那张会议桌也许不会那么僵。双栖不是万灵药但它是减少“两张皮”的一项基础工程。6. 守住限度恰是超越的开始6.1 限度不是消极的边界而是独特性的来源谈到现在也许有人会问既然人文社科有这么多限度是不是意味着它终究要被AI取代我的看法正相反。正是这些限度构成了它不可替代的独特位置。速度慢所以有耐心追问长期后果不追求规模化所以对具体的人、具体的语境保持敏感保持批评距离所以不容易被系统的自我叙事带走。AI的强项是“快、广、稳”人文社科的强项是“深、专、慎”。两者不是替代关系而是配重关系。如果把AI系统比作一条高速飞行的航线人文社科的角色不是给引擎降功率而是做航线规划与气象监测知道哪条路径会飞入雷暴区知道哪些目的地本身就不值得去。这种角色的价值不能通过速度来评价但缺了它飞行越快风险越大。6.2 AI问“怎么做”人文问“为了谁”——两个问题的交集回想这些年和算法工程师相处的经验我发现一个有趣的规律工程师对人文的轻视大多发生在“怎么做”的语境里——认为人文拿不出能落地的方案但对人文的尊重也往往发生在“为了谁”的语境里——当一个产品出现明显的价值观事故或者方向遭遇重大争议时大家终于想起需要有人文判断力。“怎么做”与“为了谁”并不是两个平行世界。真正成熟的AI产品研发恰恰是这两者的持续交汇为了谁决定了做什么方向做什么方向又反过来约束怎么做。过去的问题是文科只在“为了谁”那一头喊话不进入“怎么做”的过程而技术则埋头在“怎么做”里偶尔抬头应付“为了谁”的质问。岐金兰理论最想打破的正是这种分工格局。当人文判断进入技术实现的每一个环节两个问题就会真正合流。6.3 从台下走到地基里一条未必轻松但值得的路回到开头那场评审会如今我有了和当时不同的看法。技术组与人文组的冲突并不丢人它恰恰说明两套知识体系都还有生命力还在为自己的标准而争。真正危险的是另一种静默当文科不再出现在会上、当项目文件里不再有一页人文风险分析、当技术团队觉得不需要再叫人文专家来讨论——那才是舞台失去地基的信号。这些年的体会是人文社会科学在AI时代的使命不是守住一块越来越小的“人文领地”而是走向更深处把自己变成整个技术文明的地基。这个位置不像舞台中央那么显眼工作方式要变知识输出的格式要变与工程师协作的语言要变但判断力、价值观和化育力这些最核心的东西不必丢。转型的过程确实不舒服但比起站在台边等着被叫去补台扎进地基里更像是长久的路。地基不会每次都被看见但没有地基的舞台永远盖不高。