1. 先聊一个“老问题”为什么我们总在给AI装“新瓶子”过去两年我一直在观察一个现象无论是做算法的人、做产品的人还是做学术研究的人在面对AI浪潮时都喜欢拿“舞台”这个词打比方。有人说AI是舞台上的演员我们是导演有人说大模型是舞台布景谁掌握底座谁就拥有整个剧场还有人说这个时代拼的是“舞台规划能力”——你得学会给AI安排角色、设计剧本、调配灯光音响。这些话听着都有道理但做久了你会发现一个尴尬的问题大家口中的“舞台规划”本质上还是在“舞台已经搭好”的前提下做排兵布阵。你规划的永远只是台上的走位和流程却很少去追问那个真正承重的“舞台根基”到底是谁在浇筑、方向对不对、承重够不够。这正是人文社会科学在AI时代遇到的核心命题我们太擅长做“舞台规划”却在“舞台根基”这件事上集体失语。“舞台根基”指的是什么往大了说是AI技术背后的价值体系、知识结构、伦理底座和认知框架往小了说是你训练数据里沉淀的偏见、模型对齐的奖励机制、产品设计的默认取舍甚至是你给一个Agent设定的系统提示词里判断“什么是对”的那条标准。所以当我看到“岐金兰理论”的“体用一源”这四个字时我的第一反应不是学术兴奋而是一种“终于有人把这个问题说到了根子上”的畅快。“体用一源”这种东方式的本体论思维恰好给我们提供一个跟当前AI界主流的“工具论”“功能论”完全不同的切入角度——你先别问AI能干什么用先问AI应该是什么体。体和用不是先后关系不是“先有技术再谈应用”而是同一个源头里长出来的两个面向。带着这个视角这篇文章我会以“舞台规划者”的身份开场逐步走到“舞台根基建设者”的思维里去。我不会绕开技术细节也不会回避抽象思辨我会用一套人文社科真正能落地的分析框架来拆一拆在AI时代人文社会科学的使命边界到底在哪里限度是什么超越的方向又是什么。2. “舞台规划”的幻觉AI时代人文社科的传统定位已经失灵2.1 过去我们靠什么“规划舞台”在AI真正成为显学之前人文社科在技术世界里扮演的角色非常清晰技术负责把“事”做对人文社科负责把“事”做得“像人做的事”。落到具体场景里这个角色分化其实是这样的数据标注规范要有人文视角把关不然训练出来的模型带偏见隐私保护和数据合规需要法学的框架不然产品上线就被告交互体验要融合认知心理学的规律不然界面再好看也留不住用户AI伦理委员会的专家意见要用来对冲纯工程思维带来的风险。这种分工模式下人文社科的定位相当于“舞台监制”——技术团队是舞台设计师和演员人文社科的专家负责审查剧本有没有问题、演员的表演会不会冒犯观众、演出节奏是否符合社会公序良俗。这个位置在过去十年是很舒服的因为AI还没有强大到能自己改剧本。2.2 大模型时代这套模式为什么失灵问题是到了大模型和AI Agent时代这套“监制模式”突然变得特别不好使。原因有三个。第一AI的能力边界已经蔓延到“意义生产”的领域。以前AI做的是模式识别、数据计算、规律归纳人类负责赋予意义。现在大模型本身就在生产意义——它在生成新闻评论、撰写法律意见、编造营销故事、提供情感陪伴甚至自己给自己设定子任务并决定执行优先级。当AI已经在舞台上开始“即兴发挥”的时候你再想靠舞台外部的监制去约束它就相当于在演出开始后才想起来剧本没改已经晚了。第二AI系统的复杂度和迭代速度已经超出了“外部审查”的响应能力。一个模型从训练到上线可能只需要几周而一套伦理审查流程走完可能就要几个月。等专家意见出来模型早就换了好几版。这种错位导致人文社科的意见越来越像“事后追认”越来越像“公关话术”而不再具有实际的前置约束力。第三也是最关键的AI的“决策黑箱”已经不只是技术问题更是认知问题。过去我们说算法黑箱是指神经网络内部不可解释。但今天我们面对的黑箱还包括数据筛选时的隐含预设、对齐训练里奖励模型的偏好倾斜、多个Agent协作时的涌现行为——这些黑箱分布在从数据到架构到交互的每一个环节已经不是一个外部审查委员会能全部覆盖的了。打个比方过去人文社科是“质检员”在产品做出来之后把关现在AI产品是边设计边生产边迭代边交付的流水线质检员根本来不及看。2.3 从“把关”到“缺席”人文社科正在失去对技术议题的定义权更让人担心的是当人文社科的“监制”角色失能之后它连“舞台上讨论什么话题”的定义权都在流失。我举一个大家都有体感的例子。AI伦理、AI安全、AI对齐这几个词现在是技术圈里最热的概念但你去追溯这些概念最初的讨论框架会发现它们大多来自计算机领域的工程师思维或者硅谷创业文化的风险控制思维。真正来自哲学、社会学、人类学传统的概念比如“技术异化”“认知正义”“文化霸权”“主体性迁移”在AI讨论中的能见度非常低。这就导致一个吊诡的局面AI时代的很多根本性问题正在由不该定义它们的人来定义。技术专家把“公平”定义为“统计均等”把“偏见”定义为“群体偏差”把“对齐”定义为“让模型符合人类偏好”——这些定义本身都有技术可行性但都漏掉了更深的社会结构维度。这不是说技术专家做错了什么而是说人文社科本来应该在“问题定义”这个环节入场却因为长期停留在“舞台规划”的位置已经失去了在“舞台根基”层面发声的能力和习惯。所以问题很清楚人文社科不是没有价值而是它的价值被错误地安排在了一个它根本使不上力的位置。3. “体用一源”到底在说什么打破“技术是体、人文是用”的惯性认知3.1 从“二元对立”到“一体共生”一个认知框架的转换岐金兰理论最核心的贡献我认为是把“体用一源”这个古典哲学命题重新放回了当代技术语境。“体”是事物的本质、本体、内在结构“用”是事物的功能、表现、外在作用。在传统认知里“体”和“用”是两层的先有技术本体再有人文应用先有算法模型再谈伦理规范。而“体用一源”说的是体在用中显现用由体来承载两者同源共生不是先后关系也不是主从关系。放到AI语境下这个命题的直接含义就是AI的“价值”和“功能”不是两件事。模型的架构方式本身就是一种价值表达训练数据的组成本身就是一种价值选择评估体系的指标设计本身就是一种价值排序。你不需要在模型做好之后再“加一层”人文关怀因为模型从设计之初就已经带着某种人文立场——只不过这个立场可能是无意识的、未经审视的。还是用舞台来类比。传统思路是先搭好舞台技术体然后请人文社科专家来写演出的主题人文用。但“体用一源”的思路是舞台的材质、灯光的角度、台阶的高度、音响的布局这些“体”层面的物理设计本身就已经决定了观众会怎么感受、演员会怎么表现、故事会怎么展开。人文关怀不是在演出前加个“导赏环节”而是在搭舞台选材质的那个瞬间就已经开始了。3.2 为什么AI时代比以往更需要“体用一源”有的读者可能会说这个哲学命题是不是太玄了跟我们做AI有什么关系还真不是玄学。我拆三层讲清楚。第一层AI系统的“体”从来不是价值中立的。你今天训练一个招聘模型数据用过去十年的简历和录用记录模型学到的是“过去的录用规律”。如果过去这个行业就有性别偏差、学历门槛和地域偏好模型会忠实地把这些偏差“体制化”。这种时候你说“模型是中立的只要我们用的时候加伦理规范就行”就是典型的“先搭台再补人文”——可台子已经歪了你后面怎么补都补不直。第二层“体用一源”给了我们一个统一的思考框架。现在我们讨论AI问题经常是割裂的做技术的人只管性能指标做法务的人只管合规条款做产品的人只管用户增长做品牌的人只管舆情公关。每个人都只在自己的“用”的层面工作没人对整个“体”负责。而“体用一源”的思考方式要求你在每一个技术决策点都同时问三个问题这个设计在功能上能跑通吗它隐含了什么价值取向它在实际使用中会产生什么社会后果第三层这个框架能帮我们提供真正有建设性的意见而不是一直在旁边批评。人文社科不能只做“刹车片”你指出AI这有问题那有问题但如果给不出替代方案你就永远只是“评论员”进不了“建设者”的序列。“体用一源”恰恰给人文社科指出了一条建设性路径不要等着技术做完再去纠偏而是在设计源头就参与进去把人文的价值判断直接嵌入到技术选择里。3.3 “体用一源”不是否定技术而是重新认识“体”这里必须澄清一个最容易被误解的点“体用一源”不是要你用哲学思辨去替代技术实现更不是要搞“文科治国”。恰恰相反“体用一源”要求人文社科研究者去更加深入地理解技术本体。为什么呢因为如果你不了解技术之“体”你就永远只能停留在“用”的层面上做外围批评。一个不懂Transformer架构的哲学家最多只能在大模型上线之后写评论说“生成的内容可能包含偏见”——这个结论谁都知道没有增量价值。但一个理解注意力机制、理解训练目标函数、理解RLHF流程的哲学家他就能在模型设计阶段提出“你的奖励模型的偏好设定是否有隐含的文化偏向”这样的问题——这才是从“根基”上介入。所以在“体用一源”的框架下人文社科不是变得更轻松了而是变得更难了。你需要跨出舒适区去学习技术语言去理解系统架构去参与工程实践。但只有这样你的“用”才是从“体”里长出来的而不是从外面硬贴上去的标签。4. 人文社科在AI时代的真正用武之地从“体”入手的四个实践阶梯4.1 第一阶梯数据与语料的“源头介入”把价值判断做进“体”里如果你问我在AI产品全链路里人文社科最容易在哪个环节产生实际影响我的答案非常肯定数据和语料环节。为什么因为大模型的几乎所有能力边界和价值倾向都由训练数据决定。你用什么语料训练模型就学会什么“世界模型”。这里说的不只是事实性知识还包括表达风格、逻辑习惯、价值判断、情感基调甚至是对某些议题的沉默和回避。我实际参与过不少数据治理的项目其中一个特别典型的案例是某团队在做中文语料的质量筛选时默认过滤掉了所有“讨论度低”的长尾内容理由是这些内容对模型性能提升有限。结果就是模型对主流话题表达得很流畅但一旦遇到小众领域的专业问题就表现得特别外行。这种时候人文社科的介入点不是“抱怨模型不懂小众知识”而是参与制定数据筛选的标准我们到底按什么维度评估语料价值只看信息密度还是也要看多样性、代表性、历史延续性从这个角度看人文社科在数据环节能做的事情是系统性的参与制定语料采集和清洗的价值标准而不是等数据被清洗完了再去做“数据伦理审查”建立语料来源的权力分析框架搞清楚哪些群体在语料中被充分代表哪些群体被系统性忽略设计“文化基准测试集”不只测模型的知识水平还测模型在不同文化语境下的表达是否得体。这个环节的价值在于你的判断直接影响的是“体”而不是“用”。当你决定某类文本应该进入训练语料、某类表达应该被赋予更高的采样权重时你是在从底层塑造AI的价值认知。4.2 第二阶梯对齐工程的“价值建模”从“对齐指令”到“对齐价值”现在AI圈子里最火的方向之一就是对齐工程。“对齐”的核心目标是让模型的行为符合人类的意图和价值观。但这里有一个特别有趣的问题到底谁的价值观按照什么标准判断“符合”当前的主流做法是RLHF即用人反馈来训练奖励模型。但人反馈本身就是一个巨大的黑箱哪些人参与反馈他们的偏好能代表谁不同文化背景、不同社会阶层的用户对同一个回答的偏好可能截然相反你听谁的我见过太多项目在“对齐”环节翻车。有一款面向全球用户的AI写作助手它的对齐训练数据用的是北美地区的用户反馈结果在其他市场使用时用户普遍觉得它的语言风格“太直接”“缺乏礼貌和委婉”。你说它有错吗没有。它只是无意间把一种特定文化的沟通偏好当成了“普适价值”。这就是人文社科在社会学、文化研究、认知科学领域积累多年的知识在这个环节真正发挥价值的地方——不是告诉工程师“你要关注文化差异”这种空话而是提供可操作的框架设计“多价值对齐”的评估方案让模型不仅对齐单一群体的偏好还能识别当前对话场景的文化语境建立“价值冲突检测”机制让系统在面临不同价值取向的对立时能够明确告知用户“这是一个价值判断问题而不是事实问题”参与奖励模型的偏好建模把哲学层面的规范伦理学如功利论、义务论、德性论转译成可测试的偏好维度。对齐工程看起来是纯技术领域但它里面藏着的其实是纯粹的人文命题。谁能定义“什么是对齐后的好行为”谁就在定义AI的“体”。4.3 第三阶梯产品与交互的“默认设置”用“体”塑造“用”的边界说一个可能有些反直觉的判断人文社科对AI产品影响最大的时刻不是产品上线后出了问题请专家来救火而是产品设计阶段连“默认设置”都还没定下来的时候。“默认设置”这个词听着很技术其实特别人文。一个AI聊天机器人的默认回复长度是100字还是300字是一种人文判断一个AI绘画工具默认把“美女”的提示词渲染成某种特定风格是一种人文判断一个AI陪伴产品默认想起到“安抚情绪”的作用还是“激发思考”的作用更是一种人文判断。这些东西在技术团队里通常被当成“产品细节”不会上升到“价值选择”的层面。但做过产品的人都知道默认设置是最大的隐形权力。绝大多数用户不会去调整默认参数他们就直接在默认设置里使用产品。这就意味着设计者的每一个默认取舍都会在无意识中变成大多数用户的“真实体验”。我举一个例子。有一款AI心理咨询产品技术团队为了提高用户留存把默认的回复策略往“共情”方向大幅偏移用户说什么AI都说“我理解你的感受”“这不是你的错”。最初几周数据确实很漂亮但后来专业心理咨询师介入评估后发现了问题这种无条件的共情会让用户的情绪宣泄永远停留在表层而无法进入更深层的认知重构从长远看反而会强化用户的无力感。如果人文社科在“默认设置”这个环节就入场能做的事情非常具体参与定义AI产品的“行为指南”明确系统在什么场景下应该强化共情、什么场景下应该提供挑战性反馈设计“价值透明度”机制让用户能感知到产品的设计立场建立“默认设置影响评估”的流程让每个默认参数经过技术和人文的双重审查。4.4 第四阶梯治理与评估的“标准共建”让“根基”有可测量、可持续的标准最后一个阶梯是参与AI治理标准和评估体系的共建。这里我不谈宏观的法律法规谈更落地的“标准”问题。现在行业内已经有大量AI评估基准比如测试知识问答能力的、测试代码生成能力的、测试逻辑推理能力的。但你去细看就会发现这些评估基准几乎全部聚焦在“能力指标”上——模型能不能答对能不能写对代码能不能推理正确。但AI系统的“可信”不只是能力问题更是价值问题。一个模型可能所有知识问答都答得很漂亮但在一个涉及“社会公平”的敏感话题上却给出了非常片面的回答一个代码生成模型可能语法全对但生成的代码里隐含了对特定硬件平台和操作系统的偏好。所以人文社科在评估环节的价值是参与设计“面向价值的评估体系”包括“公平性压力测试”专门针对模型可能在种族、性别、地域、文化等维度上产生偏见的场景进行测试“价值一致性评估”在一组特定价值框架下评估模型回答与这组价值的一致性程度“长期影响追踪”不只看模型单次输出的质量而是追踪长期使用之后模型对用户的认知和行为产生了什么影响。这些评估体系的建设是一项“根基工程”。因为只有当你有了可信的评估标准你才能说一个AI系统是“安全”的、“可靠”的、“符合人类利益”的。5. 岐金兰理论在AI场域的三个实践转化评估一下你手里的“模型语境”5.1 转化一从“价值外挂”到“价值内嵌”岐金兰理论的第一个实践转化是把“价值”从AI系统的外部要素转变成内部要素。传统思路里价值是人赋予技术的。技术本身是中性的你用得好就有正面价值用得不好就有负面价值。所以解决方案很简单技术继续做价值在外面加约束就行。但“体用一源”告诉我们技术系统本身就是价值载体。你不需要给一个已经训练好的模型“贴上”人文价值的标签因为模型在训练过程中已经内化了某种价值体系。区别只是这个价值体系是被设计过的、经过反思的还是偶然的、未经审视的。落到实践中这个转化其实非常具体。比如在设计数据管道的时候你就应该把“多样性”“公平性”“包容性”作为技术指标而不是作为事后的审查项。在定义评估基准的时候你就应该把“文化适配度”“价值一致性”作为工程师要完成的开发任务而不是作为法务部门的合规任务。这意味着人文社科不是外挂的“伦理刹车片”而是整个AI研发流程里的“需求提出方和架构共建者”。5.2 转化二从“单点干预”到“全链路嵌入”岐金兰理论第二个实践转化是要求人文社科的介入从“单点干预”变成“全链路嵌入”。现在很多公司的AI伦理工作是“点状分布”的数据采集时有一个隐私合规的流程模型上线前有一个安全评估的环节产品发布后有一个舆情监控的团队。每块都在做事但互相之间没有打通。这种点状分布的结果是人文关怀成了流水线上的几个“检查点”而不是贯穿始终的“底色”。数据环节的偏见没被发现模型环节即便做了安全对齐也很难完全消除模型环节做了对齐产品环节的交互设计又可能把问题带回来。“全链路嵌入”则要求人文社科的视角覆盖从需求定义、数据设计、模型训练、对齐调优、产品交互、部署监控到长期评估的每一个环节并且在各个衔接处形成闭环反馈。做数据的人要知道对齐环节需要什么样的语料补充做模型的人要能把产品反馈转化为训练需求做产品的人要能把评估结果转化为交互优化。这个转化的难度很大因为它要求人文社科工作者不再只是“写报告的人”而是成了跨环节的“流程协调者”。但也只有做到这一步人文社科才真正从“舞台规划”走到了“舞台根基”。5.3 转化三从“消费技术”到“重估技术”岐金兰理论最深刻的一层转化我认为是要求我们重新审视“技术本身是什么”这个问题。现在的AI讨论里技术已经默认为“既定的存在”——技术发展的方向是内定的我们能做的只是适应它、管控它、利用它。在这种思维方式下人文社科永远是被动的技术出了新东西我们要讨论怎么规范它、怎么应对它、怎么理解它。而“体用一源”的思维告诉我们技术不是凭空生长出来的它是特定社会、文化、经济条件下的产物。你对AI提出什么样的问题决定了你得到什么样的答案你选择优化什么指标决定了AI往什么方向发展。技术不是宿命是被无数选择塑造出来的结果。所以人文社科在AI时代的终极使命不是“跟上技术”也不是“约束技术”而是“重新定义技术的问题域”。具体来说不问“AI能做什么”而问“我们想让AI做什么以及为什么”不问“AI会不会取代人类”而问“我们如何设计AI与人协作的新分工”不问“AI有没有意识”而问“我们用什么概念框架来理解和描述AI的行为这个概念框架本身够不够用”。这三个转向每一个都在触及AI时代的“根基”问题。而也只有在这种追问里人文社科才能从“舞台规划者”真正成为“舞台根基的守护者与共建者”。6. 从“规划者”到“根基建设者”的实操路径我的三点经验6.1 把自己变成“翻译官”而不是“批评家”我个人在跨领域工作里最大的体会是人文社科要在AI场域产生真实影响第一课不是“批判”而是“翻译”。你批评一个推荐算法有信息茧房问题工程师大概率会回你一句“你的意思是优化某个指标吗”如果你不能把自己的关切翻译成工程师能操作的指标、数据结构或模型调整方向你的批评就只是噪音。我做过一个项目团队在用AI辅助招聘初审。我关注的不是“AI有没有歧视”这种大问题而是先把这个问题翻译成了三个可操作的技术问题训练数据里不同群体的样本量差距有多大模型输出的某个特征组合是否在两个群体间出现了可测量的系统差异如果出现了差异是否可以用正则化或数据增强来修正这种“翻译”的能力很吃功夫需要你既懂人文社科的关切又懂技术实现的语言。但它是唯一能让你从“外部评论者”升级为“内部参与者”的路径。6.2 找一个具体的“小切口”而不是试图解决“大问题”人文社科学者进入AI领域最容易犯的毛病是想一口气解决“AI的伦理框架”“AI时代的价值重塑”“AI与人类未来”这种大得无边的问题。我见过太多项目死在“大问题”上目标是宏大的资源是有限的团队是临时组建的最后什么都讨论清楚了什么都没落地。我自己的经验是一定要找一个异常具体的“小切口”。与其研究“AI的伦理框架”不如研究“某类AI写作助手在学术写作场景下的引用规范问题”与其讨论“AI与人类未来”不如讨论“智能客服在情绪识别场景下如何界定用户诉求优先级”。小切口的好处是容易进入容易做深容易产生可传播的成果。而且当你把一个切口做透了自然会发现它连接着更大的结构性问题后面再逐步扩展就有基础了。6.3 学会“用作品说话”让理念可见、可感、可验证最后一点经验可能有点“反学术”在AI场域里一篇再深刻的论文其影响力也远不如一个可以交互的Demo、一份公开的数据集、一个可复现的评估基准。这不是说理论不重要理论重要但理论需要通过“作品”才能落地成影响力。做AI的人思维方式是非常实证的你给我看你的理念不如给我看你的代码和数据。所以我的建议是人文社科至少要掌握一种“可物化”的技能。你可以学一点Python数据分析你可以学会使用大模型的API和应用框架你可以参与开源数据集的建设。然后把你的人文关切直接做进一个能运行、能演示、能评估的东西里。当你手里有一个具体的作品——哪怕它只是一个用几百条数据训练的小型分析工具——你在跟技术团队对话时的分量就不一样了。7. 写在最后舞台还在但根基需要重铸回到文章开头那个比喻。我们过去一直在做“舞台规划”的工作以为自己是在参与演出其实只是在一座已经建好的剧场里做最外围的排演。真正的根基工程——地基材料的选择、承重结构的计算、动力系统的设计、安全冗余的预留——一直掌握在别人手里。AI时代真正赋予人文社会科学的机会不是让我们在这个舞台上多扮演几个角色而是逼着我们走下观众席、穿过幕布、来到后台去参与那个最根本的“根基”建设。“体用一源”给我们的启示恰恰在于不要问“技术之外还能做什么”而要问“技术之内如何与它共同生长”。当你真正理解了AI的“体”你才能影响它的“用”而当你开始影响它的“用”你其实已经在重塑它的“体”。这条路很难。你要学技术、懂产品、做翻译、出作品还要忍受长期被当成“外行聊内行”的尴尬。但我个人觉得这是人文社科在AI时代唯一有意义的一条路——不做舞台边上的看客也不做幕布后面的检票员而是站在那里亲手去碰一碰那个决定未来舞台形态的“地基”。而这一步没有人替我们去走。