一经我们对 AI 的期待还较量质朴，
，，，，写邮件、翻译论文、谈天搭子……那时间，
，，，，AI 像一个初出茅庐的实习生，
，，，，你指哪它打哪，
，，，，但也经常一本正经地乱说八道。。。 它不再知足于替身写两段话，
，，，，而是最先接手整套事情：写代码、查资料、做剖析、天生方案，
，，，，还能自己拆解使命、挪用工具、安排方法、检查效果。。。 随之而来的，
，，，，尚有不少令人啼笑皆非的转变。。。程序员开发出的 AI，
，，，，最先接手一部分原本由程序员完成的事情；；
；；不少白领岗位也发明，
，，，，AI 已经坐到了隔邻工位。。。 于是有人最先批量天生论文、批量投稿。。。审稿人事情太忙，
，，，，便用 AI 辅助审稿；；
；；作者发明以后，
，，，，又在论文里藏入只有机械容易识别的提醒词，
，，，，希望审稿 AI 给出起劲评价。。。所有加入者都节约了时间，
，，，，只有知识自己是否增添，
，，，，暂时还没有统一意见。。。 但问题也正在这里：我们获得的是更多知识，
，，，，照旧更多长得很像知识的工具？？当越来越多的事情都可以交给 AI，
，，，，人事实剩下什么？？ 与首期蓝皮书主要视察 AI 怎样赋强人文社会科学相比，
，，，，本期蓝皮书以「重新发明深度思索的价值」为主题，
，，，，进一步提出，
，，，，AI 与人文社会科学的关系正在从「单向赋能」走向「双向融合」：AI 改变人文社会科学怎样研究，
，，，，人文社会科学则要加入决议 AI 为何使用、用于那里，
，，，，以及应当受到怎样的约束。。。 盘算器普及以后，
，，，，人不必再用纸笔盘算重大数字；；
；；导航泛起以后，
，，，，人也不必记着每一条路。。。照此推论，
，，，，AI 能够剖析资料、天生结论之后，
，，，，人或许也可以少动一点头脑。。。 蓝皮书以天气——社会系统耦合为例指出，
，，，，真正难题的并不是处理更多变量，
，，，，而是明确自然系统与社会系统在结构、变量和标准上的错配。。。一个模子能够运算，
，，，，并不料味着它已司明确了问题。。。 算术题只需判断谜底是否准确，
，，，，知识生产和公共决议却必需继续追问：论证历程是否可靠，
，，，，条件假设是否合理，
，，，，潜在风险是否可控，
，，，，以及问题自己是否具有指引未来的价值。。。 蓝皮书以为，
，，，，研究瓶颈正在转移：已往的问题是能不可处理足够多的质料，
，，，，现在的问题是能不可提出好问题、建设真实机制，
，，，，并形成可以磨练的证据链。。。 什么问题值得研究，
，，，，视察到的模式应当怎样诠释，
，，，，某种效果是否公正正当，
，，，，以及研究遗漏了什么、固化了什么私见，
，，，，这些判断不可被彻底自动化。。。AI 能力越强，
，，，，人的判断责任反而越重。。。 AI 越来越会语言、会推理、会挪用工具，
，，，，也越来越像一个可以协作的「研究同伴」。。。但它究竟是在明确，
，，，，照旧在以很是高明的方式模拟明确？？ 四十多年前，
，，，，塞尔用「中文屋」头脑实验质疑纯粹句法操作能否爆发语义明确。。。今天，
，，，，大模子把这个问题摆到了每个人的眼前：我们怎样判断大模子究竟明确了什么，
，，，，又遗漏了什么？？ 蓝皮书的一个主要判断是，
，，，，人类智能并不是简朴的「输入——输出」历程。。。人能够明确天下，
，，，，是由于感知与注重把外部刺激组织成情境，
，，，，影象与认知地图把过往履历组织成可以迁徙和推理的结构，
，，，，情绪与价值决议哪些信息更主要、哪些目的更值得追求。。。 人智协同的第一步，
，，，，不是让 AI 干活，
，，，，而是先明确人和 AI 的分工。。。 AI 可以资助我们识别工具、检索信息、天生文本，
，，，，但它很容易把重大的社会履历改写成自己容易处理的名堂，
，，，，把真正需要明确的问题酿成看起来已经被回覆的问题。。。 我们需要从工具识别走向情境明确，
，，，，从信息存储走向履历组织，
，，，，从天生走向价值判断和自我反思。。。 认知科学因此变得尤为主要。。。它告诉我们，
，，，，深度思索不是与 AI 相对立的能力，
，，，，而是在人机协作中更需要被激活的能力。。。真正有价值的认知型 AI，
，，，，不应只是给出一个简单、流通、确定的谜底，
，，，，而应资助人提出问题、较量证据、坚持判断的自动性。。。 AI 进入科研以后，
，，，，最显眼的转变是速率。。。文献整理、数据洗濯、代码天生、图表绘制和论文初稿，
，，，，都可以在很短时间内完成。。。研究者没有义务把名贵时间消耗在重复劳动上，
，，，，一个学者是否具有头脑，
，，，，也不应由他手工调解了几多次参考文献名堂来证实。。。 但研究的速率和知识的速率不是一回事。。。论文天生得很快，
，，，，并不料味着看法已经澄清、数据已司明确、因果关系已经建设。。。语言模子尤其善于把疏散质料组织成连贯叙述，
，，，，而学术研究最危险的时刻，
，，，，往往就是叙述显得过于连贯的时间。。。 风险还隐藏在那些看似只是「手艺操作」的环节。。。变量怎么选、指标怎么结构、样本从哪一年最先、哪些案例被纳入，
，，，，背后都包括理论判断。。。 另一种风险来自自动化模子搜索。。。AI 可以一直实验变量组合、参数设置和样本区间，
，，，，直到找到显著性更强、拟合度更高、图表更漂亮的效果。。。已往，
，，，，「试到显著为止」还受时间和精神限制；；
；；现在，
，，，，智能体可以不眠不断地搜索。。。效率提高以后，
，，，，统计无意也可能被更高效地包装成理论发明。。。 自动化科研真正带来的挑战，
，，，，不但是机械会不会犯错，
，，，，而是过失能否被实时发明、研究历程能否被回溯、最终结论能否被重新磨练。。。 蓝皮书引用的研究发明，
，，，，在剖析康健论坛帖子和国际学生访谈时，
，，，，人类研究者能够识别医患互动、文化责任等细微差别，
，，，，大模子却容易将其概括为更通俗、更标准化的种别。。。 一种是「署理型」模式。。。算法成为行动者，
，，，，从信息输入一直走到决议输出，
，，，，人类只在系统故障或当事人申诉时重新泛起。。。另一种是「辅助型」模式。。。AI 认真检索、盘算、提醒风险和天生方案，
，，，，最终决议仍由人作出。。。 虽然，
，，，，在制度文件里写着「人在回路」，
，，，，并不可包管人真的还在。。。若是事情职员只能在算法结论后面点击「确认」，
，，，，所谓人工复核，
，，，，不过是把机械的决议换了一根人类手指。。。 「深度思索」听起来像一种个人美德：面临问题，
，，，，不要急着回覆，
，，，，多想一会儿。。。但真正有意义的深度思索，
，，，，必需进入研究流程、治理程序和组织制度。。。它不但要求个人更审慎，
，，，，也要求系统保存让人审慎、质疑和纠偏的条件。。。 深度思索并不料味着拒绝 AI。。。没有须要为了证实人类的尊严，
，，，，坚持亲自整理几千份质料，
，，，，或把一整天花在调解参考文献名堂上。。。 要害在于，
，，，，事情可以交给 AI，
，，，，证据链不可一起交出去。。。AI 可以检索文献、处理数据、运行代码，
，，，，但研究者仍需判断问题是否值得提出、看法是否被准确转化为指标、数据关系能否支持因果诠释，
，，，，以及结论适用于哪些规模。。。 蓝皮书先容的 STRIDES 框架，
，，，，实验把重大研究拆分为理论、要领、数据、执行和审查等环节，
，，，，并在要害节点设置检查：假设需要写明，
，，，，证据能够定位，
，，，，数据和代码保存版本纪录，
，，，，高风险或低置信度结论重新交给人判断。。。 AI 加入研究以后，
，，，，研究产品不应只剩下一篇最终论文。。。研究问题、数据字典、剖析剧本、运行纪录、审查意见和人工裁决，
，，，，也应被保存下来，
，，，，让人望生效果从那里来、在哪一步可能蜕化、经由哪些修改。。。 采访中，
，，，，团队给出了一个简朴的自我检查：关掉模子以后，
，，，，你能否用自己的语言说明问题是什么、证据来自那里、结论依赖哪些假设、可能有哪些反例，
，，，，以及适用界线在那里？？ 若是只能说「它讲得很有原理」，
，，，，却诠释不了为什么；；
；；若是问题逐渐被刷新成模子容易回覆的问题；；
；；若是文章越来越流通，
，，，，自己的看法却越来越模糊，
，，，，那么 AI 很可能已经从表达助手酿成了判断署理。。。 一套制度若只有原则，
，，，，没有执行机制，
，，，，和一个人只有理想没有闹钟差未几。。。天天都妄想做准确的事，
，，，，只是从未在准确的时间醒来。。。 蓝皮书强调，
，，，，AI 治理要笼罩系统的整个生命周期：安排前评估风险和适用界线，
，，，，运行中纪录要害决议、监测异常并保存人工介入，
，，，，泛起问题后能够复核、纠偏和追责。。。 差别风险的系统，
，，，，也不应接受完全相同的治理。。。通俗的信息检索和文本整理可以降低门槛；；
；；涉及公共清静、主要权益和要害决议的系统，
，，，，则应接受更严酷的测试、审计和安排要求。。。 治理也不可止于「已经见告」。。。受到影响的人应当知道决议依据什么作出、可以质疑什么、应向谁提出异议，
，，，，并能够要求人工复核，
，，，，在过失爆发后获得现实救援。。。否则，
，，，，说明义务很容易酿成一份没人看懂的手艺文件，
，，，，申诉渠道也可能只剩一张网页。。。 虽然，
，，，，治理不是给手艺踩刹车。。。它更像是修路：那里可以提速，
，，，，那里必需限速，
，，，，那里需要护栏，
，，，，出了事故以后由谁认真。。。没有规则的蹊径并不代表自由，
，，，，通常只代表强者开得更快，
，，，，其他人自己小心。。。 效率和公正爆发冲突时，
，，，，应该优先哪一个？？手艺立异会带来整体收益，
，，，，却让一部分人肩负更大价钱时，
，，，，怎样才算合理？？公共利益和个体权力爆发矛盾时，
，，，，界线应当划在那里？？ 蓝皮书把人文社会科学对 AI 的「反向赋能」概括得很详细：不是站在手艺旁边揭晓笼统的品德意见，
，，，，而是把价值冲突转化成可以剖析的权衡，
，，，，把社会效果转化成可以丈量的指标，
，，，，并为手艺生长提供更具偏向感息争释力的知识框架。。。 模子可以告诉我们差别选择可能带来什么效果，
，，，，但它不可仅凭自己决议，
，，，，哪一部分人应该为整体效率支付价钱，
，，，，也不可决议某种价钱是否值得。。。 蓝皮书讨论的中华早期文明大模子，
，，，，就是一个例子。。。历史文献、出土文字、器物图像、遗址信息和地理数据，
，，，，已往疏散在差别资料系统和专家履历中；；
；；多模态模子可以把它们组织进统一个知识空间，
，，，，使差别泉源的证据相互参照。。。 它的意义不但在于提高检索效率，
，，，，更在于改变证据的组织方式。。。但质料毗连得越多，
，，，，专家越需要判断：哪些关联具有历史意义，
，，，，哪些只是外貌相似；；
；；哪些叙事建设在可靠证据上，
，，，，哪些只是被模子组织得越发流通。。。 这正是人文社会科学不可被简化为「给 AI 挑错」的原因。。。它不但认真指出私见、风险和误差，
，，，，也要诠释价值冲突，
，，，，剖析制度效果，
，，，，明确详细人的处境，
，，，，并资助社会形成可以配合肩负的判断。。。 一个领域要形成恒久能力，
，，，，需要数据、算力、模子、工具链、人才作育、组织协作和评价制度配合支持。。。蓝皮书特殊提醒，
，，，，AI4SSH 基础设施不即是购置更多机械，
，，，，也不即是把几种模子放进统一个网页，
，，，，而是多模态数据底座、盘算情形、领域模子、智能体、工具链及协同机制的整体建设。。。 买到算力相对容易，
，，，，建设配合的数据规则很难；；
；；宣布一个模子相对容易，
，，，，让差别学科真正明确相互的问题很难。。。真正的挑战，
，，，，是把零星项目沉淀为可以一连运行的组织能力。。。 更主要的是，
，，，，认知科学等新兴学科也需要一同谋划。。。认知科学毗连哲学、心理学、神经科学、盘算科学、语言学和社会科学，
，，，，它既资助我们明确人类智能，
，，，，也资助我们反思和校准机械智能。。。对高校来说，
，，，，这类基础学科建设未必马上对应一个可演示的应用，
，，，，却决议了未来人智协同能否从工具使用走向范式立异。。。 蓝皮书由此构建「中国高校 AI4SSH 指数」，
，，，，从研究焦点能力、生长立异潜力和社会撒播能力三个维度睁开，
，，，，包括 3 个一级指标、7 个二级指标和 10 个三级指标。。。 它提供了一扇结构化的视察窗口：哪些高校已经形成稳固的交织研究系统，
，，，，哪些仍停留在零星项目；；
；；哪些拥有研究产出，
，，，，却缺少制度支持；；
；；哪些有学术效果，
，，，，却还没有把它转化成公共影响和社会服务。。。 蓝皮书的总体判断是，
，，，，中国高校 AI4SSH 生长已经泛起「系统初构、梯次明确」的名堂，
，，，，研究产出和本土融合希望较快，
，，，，但国际学术影响力、源头立异、制度支持和社会服务转化仍有短板。。。 因此，
，，，，权衡 AI4SSH 的生长，
，，，，不可只看模子、论文和项目数目，
，，，，还要看数据、工具、规范、人才和协作机制能否恒久运转。。。手艺可以迅速升级，
，，，，制度和组织却只能缓慢学习；；
；；真正决议 AI 与人文社会科学能够走多远的，
，，，，恰恰是这些不太容易被做成演示视频的部分。。。 复旦大学党委书记裘新在蓝皮书序言中寄语读者，
，，，，在智能时代「始终守护头脑、砥砺思索，
，，，，保存自力思索、理性判断、追问价值、明辨取舍的从容和定力，
，，，，以头脑之深引领智能之变」。。。 真正主要的是，
，，，，在自动天生之前，
，，，，先判断什么问题值得提出；；
；；在模子给出结论之后，
，，，，继续追问证据是否可信；；
；；在手艺进入社会之前，
，，，，明确它的界线和责任；；
；；在许多可能的未来之间，
，，，，保存人的价值判断和偏向选择。。。 机械可以资助我们抵达许多地方。。。至于为什么出发、应当去那里，
，，，，以及到了以后准备过怎样的生涯，
，，，，这些事情生怕还不可完全交给它。。。 蓝皮书将于 7 月 17 日在 WAIC 2026「人工智能全球治理与可一连生长」论坛正式宣布，
，，，，全文下载请关注复旦大学国家生长与智能治理综合实验室官方。。。