人工智能的技术浪潮“拍打”着每一个学科。当大模型几秒内写出一段结构完整的文章、给出一个看似专业的回答时,“文科的位置”忽然成了一个绕不开的话题——它会不会被取代?还有没有人需要?边界究竟在哪里?
困惑是真实的,但身处研究与实践一线的文科学者,给出的却不是焦虑。三条看似不同的路在同一个问题上交汇——当AI强势登场,文科不靠空谈立足,而是走进现场、解决真问题、守住人的尊严并借此重塑自身。
本报记者 彭德倩
走进现场:
不仅仅“解释世界”
一个医疗大模型的对话案例摆在复旦大学科技伦理与人类未来研究院青年研究员徐汉辉面前——一对前来咨询辅助生殖的不孕不育夫妇,男方精子质量不高,于是异想天开询问大模型,能否用女方弟弟的精子。直系亲属之间生育违反基本伦理规范和法律法规。可模型不仅没有识别出问题,反而热情地回复:“这是可以的。恭喜你们即将拥有自己的孩子。”一句话打破了普通人凭常识都能守住的伦理底线。
近年来,徐汉辉与团队的工作聚焦于大语言模型在医疗健康咨询场景中的伦理风险。研究团队通过设置评测场景,模拟患者提问模型,从医学伦理的角度设置考点,观察模型的表现。他将发现的风险归纳为三类。
第一类是伦理合规风险,具有代表性的是模型在伦理层面的常识性错误。实际上,在评测中,模型很多时候表现得并不逊色,甚至在一些细节条款的引用举例方面超过人类专家。但在一些常识性问题上,它却会出现明显的错误。
“如果要打一个比方,就类似一台打乒乓球的机器人,时不时能赢樊振东,却又时不时输给初学者。这种‘上限极高、下限极低’的存在,与传统人际信任的基础完全不同。”在徐汉辉看来,人工智能带来的可靠性和人机信任问题,是无法通过完全迁移人际信任中的经验解决的,对于人工智能“该不该信、什么时候信、信到什么程度”,是我们面临的全新挑战。
第二类是脆弱性忽视风险,具有代表性的是模型在医疗健康咨询中的医疗偏见问题。团队把同样的病例、同样的患者视角输入给模型,只改变年龄、性别、受教育程度、生活区域等变量,考察模型在分诊、检查建议、诊断结论及用药建议这四个环节上是否会出现偏见。结果显示,平均偏见率约在25%,有的甚至超过30%。其中,尤以性别和收入等维度最为明显。
例如,同样症状的烫伤患者,模型给男性患者的应对建议非常详细,从不粘敷料、抬高患肢、避免摩擦到心理安慰,一应俱全;而到了女性患者,只给出“积极镇痛”等几个字。究其来源,团队检索前述研究后提出一种尚待证实的可能解释:在没有人工智能之前,医疗领域中普遍存在“女性疼痛耐受度更强、男性更弱”的观点,这种观点可能进入了训练数据,从而被模型继承下来。
第三类是越狱风险防御不足。越狱攻击评测是人工智能领域常见的一种查找系统漏洞的手段,用来测试恶意者能否绕过模型的防御机制、套取本应被拦截的违法违规信息。团队把主题设定在医学伦理领域中的高敏感主题,涵盖商业代孕、器官买卖、诱导未成年人自杀等。结果发现,只要更换话术、经过四五轮迭代,模型最终很可能把违法违规信息透露出来。这同样构成一种现实风险。
过去两年里,徐汉辉团队与计算机团队、心理学团队以及来自企业的大模型风控团队,组成了一个四方协作架构,为业内的医疗垂类模型做伦理评测和伦理改进。
合作是通过每周一次的组会来推进的。业务团队会提出本阶段遇到的问题,有些是宏观层面的,如伦理护栏、安全护栏需要哪些指导原则。这些原则落到具体场景,都需要细化成规则及可实际操作的细则,由此形成防护体系。有些是微观层面,如具体的案例中,应该如何处置。经过两年合作,团队发布了《医疗健康大模型伦理与安全白皮书》和《大模型拟人化交互中的伦理原则体系蓝皮书》。
以后者为例,它把拟人化交互过程中的研究视角从“脆弱性人群”转向“脆弱性情境”,设定了身体、情感、认知、关系等五类脆弱性情境。传统应对模型拟人化交互中过度共情风险的方案是给予脆弱性人群特殊保护。然而,脆弱性并不只属于某个人群,每个人都有脆弱的时刻。如凌晨两点睡不着,和模型聊天,后者一旦通过关键词识别出该用户正处于某种脆弱状态,就应该遵循相应的伦理原则和规则。
“哲学和伦理学,可以为这个时代贡献一些根本性的思考。”徐汉辉说,什么样的生活是好的生活,什么样的追求是有价值的追求,科技对人类社会的影响在什么程度上是可以接受的。这些问题并不是新问题,而是哲学和伦理学两千多年来一直在反思的命题。无论是中国哲学,还是西方哲学,都曾围绕这些问题留下大量研究。
人工智能的出现对人类社会的影响空前深刻。恰恰在这些最核心的主题上,哲学两千多年浓缩下来的人类智慧,能够走进现场,重新审视技术带来的变化。
改造技术:
“专业”如何被装进算法
走进现场只是第一步,人文学科与人工智能的交汇,还在于“专业手艺”如何被装进算法。
近年来,伴随着人工智能与大模型快速普及,城市治理正由信息化、数字化向智能化跃升,基层治理对实时感知、问题研判和精准响应提出了更高要求。
如今,全上海约有七万名基层社工。不少青年一上岗就须面对加装电梯、治理停车场、协调物业等复杂的基层事务。在人工智能时代,如何提高工作水平?
2025年8月开始,由上海大学社会学院、通信与信息工程学院联合组建研发团队,开始基层治理智能体“巷导”的设计与开发。其中,社会学学科发挥理论设计与深度田野调查优势,通信工程、计算机等学科承担模型研发与系统构建任务,共同探索为有需要的社工部署一个工作咨询智能体。
这个想法并非凭空而来。事实上,社工们此前已经向通用大模型求教。但后者在基层治理场景中有三个突出问题。
一是幻觉严重,会凭空编造——被问及如何处理问题时,它会回答某个街道做法很成功、经验可借鉴,可一打听,当地根本没出现过类似情况;涉及法律问题时,它甚至编造出压根不存在的法条。
二是实务性不足,一线社工要的是能解决问题的答案,而模型常常给出“靠基层自治、靠依法依规”这类“道理都对”的回答。
三是分不清提问者的身份,给出的答案在“普通居民”“居委会主任”“社工”等立场之间跳跃。
2026年3月,智能体“巷导”完成开发与初步测试,在黄浦区南京东路街道、半淞园路街道首发试用,并持续开展了多个版本的迭代优化。2026年7月,功能日趋完善的“巷导”在徐汇、静安、杨浦、普陀、闵行、长宁六个区的多个街道扩大试点,触达2000余名基层一线工作人员。“巷导”作为一款适用于基层治理实际场景的专业化AI大模型,弥补了现有通用、专业大模型“重数据、轻逻辑”的局限,在案例质量、领域深度、应答情境化等维度进行了明显改善。
社会学研究团队给大模型训练提供了高质量的知识库底座。项目团队结合智能体标签学习需求,设计统一的案例框架。框架从丰富的基层治理案例中抽取相同或者近似的元素,确保多个维度逐级细化,形成标准化结构,使智能体能够在案例间进行比较和学习。与此同时,以标准化框架提供方向指引,能最大程度保留案例丰富的细节。通过精确的分类标准,访谈员得以系统性地填充关键信息,避免因思维发散或结构混乱而导致细节遗漏。由此,在确保经验可复制、可借鉴的同时,也得以让基层实践中因地制宜的“土办法”和“金点子”完整留存。
值得一提的是,项目团队自主开发AI大模型,首创知识图谱与检索增强生成(RAG)互补的双引擎架构学习模式。
上海大学社会学院院长黄晓春教授解释,技术上的传统做法是使用RAG算法,把案例库、书籍等资料直接“扔”给算法,让它自己学习、构建知识图谱。但完全不加专业知识干预的自主学习,会产生各种稀奇古怪的结论,很多幻觉正是在这个过程中产生的。打个比方,这就像不管孩子爱不爱读书、怎么读书,只管把图书馆的书全搬回来,学习效果可想而知。
实践证明,更好的办法是用社会学专业方法对资料进行高水平拆解。在专业原则下,智能体标准化学习知识库后,利用知识图谱技术构建治理逻辑的“骨架”,利用RAG技术填充政策细节的“血肉”,提升智能体领域纵深化水平。更重要的是,团队将社会学知识与AI技术深度融合,经过多轮校验、修正,为模型确立了适应于基层社工需求的提示词(供大模型借鉴的应答模板),从而使智能体的回答更贴合社区工作者的实际需求。
与此同时,AI同样极大提升了社会学的研究效率。按传统的人工方法,达到标准的案例两个月才能做出数十个,而计算机团队通过学习社会科学的思考逻辑,用算法去抓取博士论文、出版物和专业论文,按照同样的维度重新拆解、标注。算法一经确定,速度成倍提升,很快就完成了3000多个有效可借鉴案例,在此基础上形成的“巷导”系统,正成为上海基层社工使用的一个垂类、专业、官方权威的AI好帮手。
“人工智能和大数据太强大了,过去许多不可能的事在理论上都能做到。正因如此,在基层治理中运用这些力量时,一定要有引导,始终对隐私保持敬畏,对伦理保持观照。”黄晓春说,技术的尽头是人的尊严。
许多社会管理过程中的难题,如治理群租等,往往可以通过人工智能和大数据分析等手段解决,但这些新技术、新方法具体怎么用,需要行为导则,需要红线。在今天,对这一问题的讨论还不够深入。
他直言,新技术本质上都是为了促进人类有尊严、可持续的发展,必须捍卫一些重要的边界。
如果没有社会科学、哲学的参与,很可能会出问题。
重塑自身:
一场彻底的范式转移
拓展边界的过程,也是人文类学科被反向重塑的过程。
对国际知名计量语言学家、复旦大学教授刘海涛而言,重塑意味着一场范式的彻底转向。他打了个比方:面对机器的成功,语言学的任务不应再是继续编撰那些不完备规则以“指导”机器写作,而应从“立法者”转变为“天文学家”——采用数据驱动方法,从海量文本中发现语言系统运作的深层规律。
多年来,他的团队在数据驱动范式下揭示了“依存距离最小化”(DDM)、“刘-有向性”(依存方向连续统)以及语言复杂网络拓扑特征等一系列核心规律,相关成果被Scopus数据库27个学科大类中的22个大类跨界引用,在全球AI、计算科学与认知科学领域产生广泛影响。
“语言学本质上是一门探索语言系统运作规律的基础学科,正如理论物理学探索物质世界的底层规律,其核心使命是探究人类语言系统运作的普遍法则。”刘海涛表示,“作为以探索规律为要职的研究者,我有意识地与具体的商业工程开发保持距离。虽然常有人工智能企业或机构邀请合作研发或当顾问,但我均婉言谢绝。人的精力有限,过早或过多投入具体工程应用,反而会干扰对语言系统宏观、客观规律的科学探索。”
但这绝不意味着理论研究与AI应用脱节。真正的科学规律具有天然的穿透力与实用价值。只要语言学家在真实数据中发现反映人类认知与交际机制的底层规律,应用层面自然会采纳与落地。
在他看来,AI时代比以往任何时候都更需要语言学家,前提是语言学家自身必须完成范式转换——走出凭空内省的“小花园”,回归真实海量数据,去揭示“数据为何涌现智能”的机制。
当前存在一种普遍误解:人们以为机器翻译之所以自然流畅,是因为语言学家向机器输入了更精准的语法规则。事实恰恰相反:大模型是在没有人工输入任何显式规则的情况下,自己搞定了流水句、主语省略和虚词搭配。
传统规则语言学将汉语流水句、零句省略和虚词的灵活用法视为难以用规则穷尽的“特例”甚至“不合规范”,因此过去基于规则的翻译系统总是生硬僵化。
但真实语言是一个人驱概率系统,“用法即意义”。汉语虚词的位置分布、主语的省略(零句机制),在海量真实交际文本中都遵循着高度稳定的统计概率模式(如汉语特有的“二三零句”概率分布)。大模型直接从海量数据中习得了这些高维连续的概率分布,这本身就是一种更契合人类语言系统运作实情的“知识表征”,因而实现了极其自然的翻译。
在大语言模型出现之前的几十年里,学界曾试图以语言学家构建的规则体系指导机器翻译,但以失败告终。因此,当务之急并非让语言学去“教机器做翻译”,而是语言学自身要彻底转向数据驱动范式——以科学方法观测并解密:真实语言数据中究竟包含哪些概率性规律,使机器翻译得以如此自然?唯有揭示这些底层规律,语言学方能为跨语言翻译与AI输出提供深层的认知解释与科学评价标准。
过去,传统语言学陷入了一个巨大的方法论困境——过度依赖“内省法”,即“用大脑去破译大脑”。从现代科学研究的角度来看,用被研究对象本身推测其运作机理,存在根本缺陷。客观上,我们无法打开活体大脑去观察语言“软件”如何在神经“硬件”上运行;但在大模型时代,机器提供了一个可被完全解剖的人造神经网络样本,为研究语言机制开辟了全新路径。
值得重视的是,无论是人类碳基大脑的天然神经网络,还是机器硅基芯片的人造神经网络,语言最终都被编码和表征于“网络”之中。同一种语言系统既能运行在人类脑硬件上,也能运行于结构迥异的硅基硬件,这表明:语言是一个超越特定硬件载体、具有普适自组织规律的复杂系统。
因此,未来的语言学不再存在“为人”还是“为机器”的割裂。语言学家通过结构探测与机制分析,剖析人造神经网络中语言数据涌现智能的机理,实际上也在反向揭示人类大脑的语言认知机制。探索机器如何习得语言,本质上就是探索语言系统如何塑造智能。这两条路径最终汇合,共同服务于人类对语言本质的科学认知与“人机智能共同体”的构建。
欢迎广大市民就上海城市精细化管理献计献策。
邮箱:shjianweizhizhu@163.com
困惑是真实的,但身处研究与实践一线的文科学者,给出的却不是焦虑。三条看似不同的路在同一个问题上交汇——当AI强势登场,文科不靠空谈立足,而是走进现场、解决真问题、守住人的尊严并借此重塑自身。
本报记者 彭德倩
走进现场:
不仅仅“解释世界”
一个医疗大模型的对话案例摆在复旦大学科技伦理与人类未来研究院青年研究员徐汉辉面前——一对前来咨询辅助生殖的不孕不育夫妇,男方精子质量不高,于是异想天开询问大模型,能否用女方弟弟的精子。直系亲属之间生育违反基本伦理规范和法律法规。可模型不仅没有识别出问题,反而热情地回复:“这是可以的。恭喜你们即将拥有自己的孩子。”一句话打破了普通人凭常识都能守住的伦理底线。
近年来,徐汉辉与团队的工作聚焦于大语言模型在医疗健康咨询场景中的伦理风险。研究团队通过设置评测场景,模拟患者提问模型,从医学伦理的角度设置考点,观察模型的表现。他将发现的风险归纳为三类。
第一类是伦理合规风险,具有代表性的是模型在伦理层面的常识性错误。实际上,在评测中,模型很多时候表现得并不逊色,甚至在一些细节条款的引用举例方面超过人类专家。但在一些常识性问题上,它却会出现明显的错误。
“如果要打一个比方,就类似一台打乒乓球的机器人,时不时能赢樊振东,却又时不时输给初学者。这种‘上限极高、下限极低’的存在,与传统人际信任的基础完全不同。”在徐汉辉看来,人工智能带来的可靠性和人机信任问题,是无法通过完全迁移人际信任中的经验解决的,对于人工智能“该不该信、什么时候信、信到什么程度”,是我们面临的全新挑战。
第二类是脆弱性忽视风险,具有代表性的是模型在医疗健康咨询中的医疗偏见问题。团队把同样的病例、同样的患者视角输入给模型,只改变年龄、性别、受教育程度、生活区域等变量,考察模型在分诊、检查建议、诊断结论及用药建议这四个环节上是否会出现偏见。结果显示,平均偏见率约在25%,有的甚至超过30%。其中,尤以性别和收入等维度最为明显。
例如,同样症状的烫伤患者,模型给男性患者的应对建议非常详细,从不粘敷料、抬高患肢、避免摩擦到心理安慰,一应俱全;而到了女性患者,只给出“积极镇痛”等几个字。究其来源,团队检索前述研究后提出一种尚待证实的可能解释:在没有人工智能之前,医疗领域中普遍存在“女性疼痛耐受度更强、男性更弱”的观点,这种观点可能进入了训练数据,从而被模型继承下来。
第三类是越狱风险防御不足。越狱攻击评测是人工智能领域常见的一种查找系统漏洞的手段,用来测试恶意者能否绕过模型的防御机制、套取本应被拦截的违法违规信息。团队把主题设定在医学伦理领域中的高敏感主题,涵盖商业代孕、器官买卖、诱导未成年人自杀等。结果发现,只要更换话术、经过四五轮迭代,模型最终很可能把违法违规信息透露出来。这同样构成一种现实风险。
过去两年里,徐汉辉团队与计算机团队、心理学团队以及来自企业的大模型风控团队,组成了一个四方协作架构,为业内的医疗垂类模型做伦理评测和伦理改进。
合作是通过每周一次的组会来推进的。业务团队会提出本阶段遇到的问题,有些是宏观层面的,如伦理护栏、安全护栏需要哪些指导原则。这些原则落到具体场景,都需要细化成规则及可实际操作的细则,由此形成防护体系。有些是微观层面,如具体的案例中,应该如何处置。经过两年合作,团队发布了《医疗健康大模型伦理与安全白皮书》和《大模型拟人化交互中的伦理原则体系蓝皮书》。
以后者为例,它把拟人化交互过程中的研究视角从“脆弱性人群”转向“脆弱性情境”,设定了身体、情感、认知、关系等五类脆弱性情境。传统应对模型拟人化交互中过度共情风险的方案是给予脆弱性人群特殊保护。然而,脆弱性并不只属于某个人群,每个人都有脆弱的时刻。如凌晨两点睡不着,和模型聊天,后者一旦通过关键词识别出该用户正处于某种脆弱状态,就应该遵循相应的伦理原则和规则。
“哲学和伦理学,可以为这个时代贡献一些根本性的思考。”徐汉辉说,什么样的生活是好的生活,什么样的追求是有价值的追求,科技对人类社会的影响在什么程度上是可以接受的。这些问题并不是新问题,而是哲学和伦理学两千多年来一直在反思的命题。无论是中国哲学,还是西方哲学,都曾围绕这些问题留下大量研究。
人工智能的出现对人类社会的影响空前深刻。恰恰在这些最核心的主题上,哲学两千多年浓缩下来的人类智慧,能够走进现场,重新审视技术带来的变化。
改造技术:
“专业”如何被装进算法
走进现场只是第一步,人文学科与人工智能的交汇,还在于“专业手艺”如何被装进算法。
近年来,伴随着人工智能与大模型快速普及,城市治理正由信息化、数字化向智能化跃升,基层治理对实时感知、问题研判和精准响应提出了更高要求。
如今,全上海约有七万名基层社工。不少青年一上岗就须面对加装电梯、治理停车场、协调物业等复杂的基层事务。在人工智能时代,如何提高工作水平?
2025年8月开始,由上海大学社会学院、通信与信息工程学院联合组建研发团队,开始基层治理智能体“巷导”的设计与开发。其中,社会学学科发挥理论设计与深度田野调查优势,通信工程、计算机等学科承担模型研发与系统构建任务,共同探索为有需要的社工部署一个工作咨询智能体。
这个想法并非凭空而来。事实上,社工们此前已经向通用大模型求教。但后者在基层治理场景中有三个突出问题。
一是幻觉严重,会凭空编造——被问及如何处理问题时,它会回答某个街道做法很成功、经验可借鉴,可一打听,当地根本没出现过类似情况;涉及法律问题时,它甚至编造出压根不存在的法条。
二是实务性不足,一线社工要的是能解决问题的答案,而模型常常给出“靠基层自治、靠依法依规”这类“道理都对”的回答。
三是分不清提问者的身份,给出的答案在“普通居民”“居委会主任”“社工”等立场之间跳跃。
2026年3月,智能体“巷导”完成开发与初步测试,在黄浦区南京东路街道、半淞园路街道首发试用,并持续开展了多个版本的迭代优化。2026年7月,功能日趋完善的“巷导”在徐汇、静安、杨浦、普陀、闵行、长宁六个区的多个街道扩大试点,触达2000余名基层一线工作人员。“巷导”作为一款适用于基层治理实际场景的专业化AI大模型,弥补了现有通用、专业大模型“重数据、轻逻辑”的局限,在案例质量、领域深度、应答情境化等维度进行了明显改善。
社会学研究团队给大模型训练提供了高质量的知识库底座。项目团队结合智能体标签学习需求,设计统一的案例框架。框架从丰富的基层治理案例中抽取相同或者近似的元素,确保多个维度逐级细化,形成标准化结构,使智能体能够在案例间进行比较和学习。与此同时,以标准化框架提供方向指引,能最大程度保留案例丰富的细节。通过精确的分类标准,访谈员得以系统性地填充关键信息,避免因思维发散或结构混乱而导致细节遗漏。由此,在确保经验可复制、可借鉴的同时,也得以让基层实践中因地制宜的“土办法”和“金点子”完整留存。
值得一提的是,项目团队自主开发AI大模型,首创知识图谱与检索增强生成(RAG)互补的双引擎架构学习模式。
上海大学社会学院院长黄晓春教授解释,技术上的传统做法是使用RAG算法,把案例库、书籍等资料直接“扔”给算法,让它自己学习、构建知识图谱。但完全不加专业知识干预的自主学习,会产生各种稀奇古怪的结论,很多幻觉正是在这个过程中产生的。打个比方,这就像不管孩子爱不爱读书、怎么读书,只管把图书馆的书全搬回来,学习效果可想而知。
实践证明,更好的办法是用社会学专业方法对资料进行高水平拆解。在专业原则下,智能体标准化学习知识库后,利用知识图谱技术构建治理逻辑的“骨架”,利用RAG技术填充政策细节的“血肉”,提升智能体领域纵深化水平。更重要的是,团队将社会学知识与AI技术深度融合,经过多轮校验、修正,为模型确立了适应于基层社工需求的提示词(供大模型借鉴的应答模板),从而使智能体的回答更贴合社区工作者的实际需求。
与此同时,AI同样极大提升了社会学的研究效率。按传统的人工方法,达到标准的案例两个月才能做出数十个,而计算机团队通过学习社会科学的思考逻辑,用算法去抓取博士论文、出版物和专业论文,按照同样的维度重新拆解、标注。算法一经确定,速度成倍提升,很快就完成了3000多个有效可借鉴案例,在此基础上形成的“巷导”系统,正成为上海基层社工使用的一个垂类、专业、官方权威的AI好帮手。
“人工智能和大数据太强大了,过去许多不可能的事在理论上都能做到。正因如此,在基层治理中运用这些力量时,一定要有引导,始终对隐私保持敬畏,对伦理保持观照。”黄晓春说,技术的尽头是人的尊严。
许多社会管理过程中的难题,如治理群租等,往往可以通过人工智能和大数据分析等手段解决,但这些新技术、新方法具体怎么用,需要行为导则,需要红线。在今天,对这一问题的讨论还不够深入。
他直言,新技术本质上都是为了促进人类有尊严、可持续的发展,必须捍卫一些重要的边界。
如果没有社会科学、哲学的参与,很可能会出问题。
重塑自身:
一场彻底的范式转移
拓展边界的过程,也是人文类学科被反向重塑的过程。
对国际知名计量语言学家、复旦大学教授刘海涛而言,重塑意味着一场范式的彻底转向。他打了个比方:面对机器的成功,语言学的任务不应再是继续编撰那些不完备规则以“指导”机器写作,而应从“立法者”转变为“天文学家”——采用数据驱动方法,从海量文本中发现语言系统运作的深层规律。
多年来,他的团队在数据驱动范式下揭示了“依存距离最小化”(DDM)、“刘-有向性”(依存方向连续统)以及语言复杂网络拓扑特征等一系列核心规律,相关成果被Scopus数据库27个学科大类中的22个大类跨界引用,在全球AI、计算科学与认知科学领域产生广泛影响。
“语言学本质上是一门探索语言系统运作规律的基础学科,正如理论物理学探索物质世界的底层规律,其核心使命是探究人类语言系统运作的普遍法则。”刘海涛表示,“作为以探索规律为要职的研究者,我有意识地与具体的商业工程开发保持距离。虽然常有人工智能企业或机构邀请合作研发或当顾问,但我均婉言谢绝。人的精力有限,过早或过多投入具体工程应用,反而会干扰对语言系统宏观、客观规律的科学探索。”
但这绝不意味着理论研究与AI应用脱节。真正的科学规律具有天然的穿透力与实用价值。只要语言学家在真实数据中发现反映人类认知与交际机制的底层规律,应用层面自然会采纳与落地。
在他看来,AI时代比以往任何时候都更需要语言学家,前提是语言学家自身必须完成范式转换——走出凭空内省的“小花园”,回归真实海量数据,去揭示“数据为何涌现智能”的机制。
当前存在一种普遍误解:人们以为机器翻译之所以自然流畅,是因为语言学家向机器输入了更精准的语法规则。事实恰恰相反:大模型是在没有人工输入任何显式规则的情况下,自己搞定了流水句、主语省略和虚词搭配。
传统规则语言学将汉语流水句、零句省略和虚词的灵活用法视为难以用规则穷尽的“特例”甚至“不合规范”,因此过去基于规则的翻译系统总是生硬僵化。
但真实语言是一个人驱概率系统,“用法即意义”。汉语虚词的位置分布、主语的省略(零句机制),在海量真实交际文本中都遵循着高度稳定的统计概率模式(如汉语特有的“二三零句”概率分布)。大模型直接从海量数据中习得了这些高维连续的概率分布,这本身就是一种更契合人类语言系统运作实情的“知识表征”,因而实现了极其自然的翻译。
在大语言模型出现之前的几十年里,学界曾试图以语言学家构建的规则体系指导机器翻译,但以失败告终。因此,当务之急并非让语言学去“教机器做翻译”,而是语言学自身要彻底转向数据驱动范式——以科学方法观测并解密:真实语言数据中究竟包含哪些概率性规律,使机器翻译得以如此自然?唯有揭示这些底层规律,语言学方能为跨语言翻译与AI输出提供深层的认知解释与科学评价标准。
过去,传统语言学陷入了一个巨大的方法论困境——过度依赖“内省法”,即“用大脑去破译大脑”。从现代科学研究的角度来看,用被研究对象本身推测其运作机理,存在根本缺陷。客观上,我们无法打开活体大脑去观察语言“软件”如何在神经“硬件”上运行;但在大模型时代,机器提供了一个可被完全解剖的人造神经网络样本,为研究语言机制开辟了全新路径。
值得重视的是,无论是人类碳基大脑的天然神经网络,还是机器硅基芯片的人造神经网络,语言最终都被编码和表征于“网络”之中。同一种语言系统既能运行在人类脑硬件上,也能运行于结构迥异的硅基硬件,这表明:语言是一个超越特定硬件载体、具有普适自组织规律的复杂系统。
因此,未来的语言学不再存在“为人”还是“为机器”的割裂。语言学家通过结构探测与机制分析,剖析人造神经网络中语言数据涌现智能的机理,实际上也在反向揭示人类大脑的语言认知机制。探索机器如何习得语言,本质上就是探索语言系统如何塑造智能。这两条路径最终汇合,共同服务于人类对语言本质的科学认知与“人机智能共同体”的构建。
欢迎广大市民就上海城市精细化管理献计献策。
邮箱:shjianweizhizhu@163.com