“人工智能人文学”的理路、进路与歧路
“人工智能人文学”的理路、进路与歧路1
内容提要：作为数理科学、计算机科学、社会科学和人文学术不断融合的结果，数字人文学自诞生之日起，就投射了不少人文学者的美好理想、想象。不过，随着生成式人工智能科学、技术的发展及其应用蔚然成风，不仅数字人文迎来较此前更为激烈的变化，整个人文学科亦面临着不少危机与挑战，更重要的是，“人工智能人文学”作为一个新的领域正在喷薄而出。但我们究竟应该如何认识这一新领域？如何理解其与数字人文的关系？它是否为人工智能与人文学术的简单相加？本文即围绕着上述问题，探讨“人工智能人文学”得以成立的内在理路、研究进路及目前出现的、与之相关的若干分歧、论争等重要议题，并进一步分析人工智能与人文学、人文学者的关系。
关键词：人工智能人文学 数字人文学 生成式人工智能 大语言模型 文本分析
人工智能（一般亦简称AI）大概是今天全世界最关心的话题之一，但作为人文学科的研究者、数字人文学（Digital Humanities）2研究者，我们应该如何因应这一新的科学、技术发展浪潮？如何看待人文学科正在走向式微、将渐趋消亡的流行论调？如何负责任地参与到有关人工智能的讨论当中去？这些都是我近几年一直在关注、思考的问题。以下的讨论也将从这几个方面展开：第一，在人工智能时代，人文学术（或者更广义的人文社会科学）是否重要？这可能是人文学者首先比较担忧、焦虑的问题。第二，人工智能究竟能帮人文学术研究做什么，又不能做什么？我以为，我们恐怕不能简单地迎合人工智能热潮，像某些“技术狂热分子”一样，只考虑它“能”的一面，并将其无限放大，继续制造人工智能神话，同时还必须考虑它“不能”的一面。第三，在此基础之上，讨论“人工智能人文学”这一新领域的内在理路、研究进路，以及现已初露端倪的“亡羊歧路”等问题。
一、人工智能与人文学术：跨学科的视角
提到人工智能，一般人可能会想到1950年代中期的达特茅斯会议（Dartmouth Conference）。会上不仅首次明确提出了“人工智能”（Artificial Intelligence）这一术语，统一了研究范畴，确立了此后的核心工作目标是让机器具备类似人类的智能行为（如推理、学习、解决问题等），为此后的人工智能发展奠定了整个学科基础，也成为人工智能从跨学科构想走向系统研究的标志性事件。但实际上，作为人工智能的核心技术基石和实现工具的神经网络（实为“人工神经网络”，如今也是其子领域机器学习领域的核心理论和方法），1940年代就已经出现。在某种程度上，我们可以发现，人工智能的发展、演变节奏，和数字人文颇有几分相近，因数字人文通常也被认为始于1940年代中后期。但进入21世纪以后，人工智能的知识生产、技术更新迭代的速度明显加快，特别是生成式人工智能（Generative AI）出来以后，更是如此。
今天，全世界的普罗大众可能都有机会接触、使用相关的应用、产品，但在五年、十年之前，要是有人说自己是做人工智能研究的，我们或不免半信半疑，甚至可能会觉得是“PPT AI”。因为当时人工智能的技术能力尚未突破瓶颈——哪怕是2017年Transformer模型（目前一切大语言模型的基础）提出以后，其自然语言处理能力实现了质的飞跃，但这项技术在2020年前尚未被广泛商用；许多所谓的人工智能尚是实验性产品，实用性不足；人工智能产业链也不完善。这一切导致我们看不到许多可应用、可落地的场景。直至2022年11月30日OpenAI公司上线ChatGPT以后，才让大家真正看到了希望所在。尽管在这之前，2018年OpenAI团队就推出了第一代生成式预训练语言模型GPT-1，此后又有GPT-2、GPT-3，但并未商用，直至ChatGPT推出，并刺激国内外厂商接着推出各种各样的大语言模型，推进技术层面持续创新，乃至于在此基础上开发出各类产品和应用，人工智能的可供性（affordance）才出现重大突破，普通公民也有了参与人工智能应用、研究的可能，才标志着我们对人工智能的理解从“想象”终于走到了现实，人工智能的热潮也在不期然间迅速席卷了全球。
那么，今天的生成式人工智能，通常具备哪些能力呢？我们不妨从机器人研究专家、著名的“莫拉维克悖论”（Moravec’s paradox）的提出者莫拉维克（Hans Moravec）在1997年所绘制的“人类能力地形图”出发，稍作阐释。他认为，人类能力中如算数、视觉、象棋等，对计算机而言，当时已不算太难，因此这些能力，就被放置在这张图中海拔较低的位置，而写书、设计、艺术、科学等则处于顶端，代表了人类能力的高度，计算机处理起来比较困难，因此就处于山顶一样的位置。③不过，其判断是否正确呢？早期的人工智能确实很难触及这些高度，因多是专用型人工智能，比如自动驾驶，又如大家熟悉的AlphaGo战胜人类围棋选手就是典型案例；但现在人工智能越来越向通用型人工智能发展，能帮忙写书、做研究、参与艺术创作，在某种程度上已经接近人类能力的高度。比如日本Sakana AI公司在2024年6月推出的“人工智能科学家”（The AI Scientist）智能体（AI Agent）就曾在学术界引起轰动效应，因为它不仅能产出机器学习等专业领域的最新研究，可以生成新颖的研究思路，可以编写代码，执行实验，产出可视化结果，还能使用标准的机器学习会议论文的风格（style of a standard machine learning conference proceeding），将其研究发现撰写成富有洞见的论文，而且还可以进行模拟评审，即进行自动论文审阅过程，根据评审结果改进项目或作为未来研究的反馈。④换言之，其能从广泛的研究方向和一个简单的初始代码库开始，无缝衔接并执行构思、文献搜索、实验规划、实验迭代、撰写论文和同行评审等一系列操作，整个过程几乎都是全自动的。目前已有多篇由“人工智能科学家”所撰写的论文，被2025年国际表征学习会议（International Conference on Learning Representations, ICLR）接受，⑤并有多篇在计算机科学、生物科学等领域的顶级期刊发表的论文讨论该程序的应用问题。⑥又如2024年1月5日国内的人工智能初创公司深度求索（DeepSeek）发布的同名人工智能模型及其应用程序，也能在很大程度上辅助学术写作，对人文社科研究者而言，从材料收集、研究展开到论文写作，都能提供不少帮助。总之，今天的第二代人工智能，尤其是智能体，不仅能生成、输出内容（能写、能听、能说），还能自主行动，让它变得更有执行力，更自动化、智能化，再加上具身智能（embodied intelligence）、空间智能（spatial intelligence）以及世界模型（world models）等方面科学与技术的快速发展，人工智能变得似乎无所不能。或者说，在我们能够想象的未来，它几乎可以无所不能。人工智能给了我们一个充满无限希望的许诺，一个无比广阔的想象空间，当然也给我们带来了不少挑战。
更直接一点来说，当人工智能可以代替我们人类研究者撰写文学、历史研究论著时，深度介入整个学术生产流程时，我们不禁要问：在人工智能时代，人文学还重要吗？作家、艺术家和人文学者对此有不同看法。其中一种主要的论调是，从今往后，人文艺术或将不再重要，绝大多数资质平庸的作家、艺术家和只为发表奋斗的人文学者，将被无情又具有智慧的机器（人工智能）代替。在文学创作方面，科幻小说作家、《三体》作者刘慈欣就认为，虽然DeepSeek暂时不会替代科幻作家，“但是再过10年、20年，从理论上说完全可能代替科幻小说作家”，“从科学的角度去讲，所有人类作家的身上没有什么是不可被AI所替代的。”⑦在美术创作方面，人们感叹“AI绘画‘奇点’已至！人类画家努力数千年后，终于败给了人工智能”⑧。
在学术研究方面，学者惊呼人文学已岌岌可危，既有的学术研究、写作模式似已难以为继。例如，2025年4月，科学和技术史研究专家、普林斯顿大学教授柏奈特（D. Graham Burnett）在《纽约客》上发表的长文《人文学能否在人工智能时代存活？》（Will the Humanities Survive Artificial Intelligence？）就指出，“我们已达到一种‘奇点’”，从某种意义上来说，人工智能的惊人表现，绝对预示着人文学科的终结，“在五年内，历史学者继续按照传统模式撰写专著将变得没有太多意义——没有人会阅读它们，这些系统将能够无限地、一键生成它们”⑨。耶路撒冷希伯来大学教授、“人类简史”系列著作的作者赫拉利（Yuval Noah Harari）更指出，AI 已入侵人类文明的操作系统（这个比喻似乎也暗示了计算机科学与技术对其影响之深），这很可能会导致人类历史的终结（尽管它不是历史本身的终结，只是人类主导的历史的终结），“几年之内，人工智能就能‘吞噬’整个人类文化，吃掉我们数万年来创造的一切，并消化吸收，然后创造出大量新的文化艺术作品”，并利用人类的弱点控制文化生产，逐渐将人类文化边缘化，影响人类制度和社会发展。⑩循此逻辑，有心人进一步探问：既然人类在与机器（人工智能）的竞争中，将注定败北，既然人类从根本上来说“卷”不过机器，我们何妨“躺平”？将读书、治学回归到“为己之学”的层面，将其定位为一种个人趣味，一种生活方式，一种修身养性、实现自我精神满足的手段，又有何不可？文学史家、北京大学陈平原教授即持有类似观点。11
但也有与之截然相反的观点。这些来自人文学者的、林林总总的观点，或可被概括为“在人工智能时代，人文学科的研究愈发至关重要——教师、小说家、心理学家、历史学家掌握着意义建构、人际联结与道德塑造的关键，而这些都是机器无法复制的”12。比如多伦多大学杰克曼人文研究所（Jackman Humanities Institute）认为，人文学科塑造了我们以公民身份参与世界的方式，能为探索其他地区和世界的文化提供新视角，尤其有助于理解世界的多样性与复杂性。13这就是包括人工智能在内的任何一种科学和技术，都无法提供的意义和价值。实际上，人文学术即便不是处在被贬低为可有可无的尴尬境地，也时常被视作一个人工智能科学、技术的应用场景、实验田，一个和其他任何学问领域没有什么本质差别的专业领域，但是，哈内尔（Martin Hähnel）、穆勒（Regina Müller）等人工智能应用哲学的研究者就认为，人工智能应用哲学的“研究进路并非是为了草率地优先考虑实践，而牺牲基础的哲学反思”，相反，它旨在“激发批判性思考，并将其转化为一套连贯的方法，由此能够以务实和具有问题意识的方式分析当前的技术发展”。也就是说，“我们不能将人工智能视为一种‘纯粹的事实’（factum brutum），而是从根本性反思的角度追问：人工智能属何种技术形态？它能否在全球范围内、跨越应用边界与场景被使用？它是否具有受目的限定且仅适用于局部的工具属性？该技术相对于人类而言处于何种地位？以及这一技术在本质上多大程度属认识论范畴？”14简言之，这一新的研究领域，将哲学和人文学科的研究视角，深深嵌入人工智能研究本身，那么，人文学是否重要，也就是不言自明的了。此外，我之前也从人工智能内部、外部，做过一些讨论，也有与之相仿的观察，兹不赘述。15
科学家的看法也有差异。就其总体来说，大致也可分作两类，一种直接表明或暗示出其必将衰落、消亡的结局。如“人工智能教父”、2024年诺贝尔物理学奖得主辛顿（Geoffrey Hinton）虽然没有直接讨论过人文学科在现时代、未来的命运，但他的观点却暗示了人类智能将被人工智能全面取代的极端立场。16另一种相对而言则要温和得多，或主张人工智能须与之交流、协作而非竞争，或在论述中暗示出人文学科的重要性。以加州大学伯克利分校计算机科学家李（Edward Ashford Lee）为例，其在以往的著作中就多次论述过技术和哲学之间的共生关系，并指出计算机工程、通信工程等工程学领域的发展，也会受到文化、语言和思想的交叉影响，而且“和艺术一样，工程学的成功或失败往往决定于无形和不可解释的力量，比如时尚和文化。就这一点而言，工程学的发展几乎和艺术是相同的。仍然像艺术一样，一个新的发现可能会让诸多读者感到惊讶不已”17。从侧面暗示了人文艺术的不可或缺。而麻省理工学院（MIT）的物理学教授、人工智能研究学者、未来生命研究所（Future of Life Institute）创始人泰格马克（Max Tegmark），虽未持有与之完全相同的看法，但在其有关论著中亦未将文学、音乐、艺术等贬低为较科学（发现）、技术和工程低等之物，或是可有可无之物，相反，其仍将人文艺术视作对美好丰富体验的创造，及创造性的表达形式、人类智力的重要目标，对此反复致意（也就是说，与自然科学研究相比，人文艺术如果不是更高一等的话，至少应处于同样重要的地位上），尤其是对于那些风度翩翩、既具博雅人文艺术修养，又在自然科学研究方面有精深造诣的前辈学者和同行，其笔端常不自觉流露出钦敬、艳羡之情（亦可见其所接受的博雅教育，以及所携带的具身化的人文传统）。18
电脑程序设计人员、技术开发者的视角，似乎也同样值得注意。在Facebook、X（Twitter）、小红书、即刻APP等不同的社交媒体、平台上，我曾不止一次看到过来自不同国家和地区的程序员、技术人员发表的短文和评论，他们不约而同地认为人文学科很重要，因人文学本质上是要向人们提供一套提问能力和规范框架，提醒人们不能只关注效率、产出、投资回报比，还要关注任何选择、行动的边界和责任，一直保留对人的关注与思辨性，等等，令人惊喜而且意外。但在此，我无意强调这样的主张是多数的、主流的（尤其是在计算机从业人员之中）。回想起来，我之所以对这些观点会特别留意，恰恰可能表明它们不太寻常，更常见的、我们熟悉的声音，或许是人文学已不再重要。
显然，到此为止，我们还很难说，从不同主体、不同角度来看，人文学仍然重要，而这恰恰构成了我们今天讨论“人工智能人文学”的时代、社会和学术语境。但我一直认为，作为人文学科的研究者、教育者，我们无须借助人文学外部的声音、力量，来为自己的工作的合法性反复进行说明、证明，面对过往的任何科学和技术浪潮，我们的选择是这样，面对人工智能抑或未来的、未知的、其他的“黑科技”，我们也应该不退缩，不畏惧，不逃避，也不必过分地杞人忧天，整天惴惴不安，担心一切将被机器（人工智能）取代；相反，我们或许应该对这一时代巨变怀抱着审慎乐观的态度，甚至积极投身其中，拥抱这一新的浪潮，欢迎这样的变革，让它名正言顺地参与到我们的学术研究、教育教学及公民参与行动（如面向公民的“数字读写能力”的作育，参与数字文化服务的供给，推动公民科学的发展19）中来，同时秉持“必要的保守”与“开放的人文学”20两种精神开展自己的全部工作。当然，我们的主要工作在学术研究方面。这里首先需要处理的问题是，（生成式）人工智能对于专业化、职业化的学术研究，可能产生的贡献及其同时具有的局限性，究竟是什么？
二、人工智能在人文学领域的“能”与“不能”
人工智能究竟能给我们的学术研究帮什么忙？这是备受人文学者瞩目的重要议题。以ChatGPT为例，我们从开始接触、使用它，发现它能帮忙收集材料、拟定题目、搭建论文框架、撰写摘要，撰写部分论文甚至全文，还能处理外文文献（包括自动翻译等），这些工作研究者应该都比较熟悉了，因为这些功能通过网页、客户端的简单交互就能实现。在艺术领域，人工智能也至少能做两方面工作：一是艺术创作，比如谱曲、画画、写剧本、做视觉设计方案、生成数字艺术作品；二是辅助艺术研究或艺术史研究。目前已经有学者利用人工智能，开展艺术史研究的探索，不过还在探索阶段。21最近我和友人合编的《数字人文阅读》出版，其中有一章是专门讲“艺术和艺术史研究中的数字人文”，因篇幅有限，未能收入这方面的工作。22
在文学领域，亦即数字文学研究领域，人工智能也能发挥一定的作用。以我相对较为熟悉的现代文学研究为例，在第一阶段，生成式人工智能面世之前，学者用手工统计的办法，把《鲁迅日记》里记载的、他到过的地点整理成表格，初步实现了数据的结构化，从中我们就能清晰看到鲁迅在上海最常去的是内山书店，在北京则有琉璃厂、教育部等；此外，哪些地方他去得比较少，每个地方他分别去了多少次，都一目了然，能说明一部分问题。23到了第二阶段，我们以《鲁迅日记》为基础数据、语料，把日记中记载的、与鲁迅交往密切的人的信息，全部提取出来，作社会网络分析，并进行可视化呈现，就能够看到周作人、周建人、许广平等人的节点最大，节点愈大就代表中心度（degree centrality）越强，能够直接连接的其他节点（人）的数量越多，代表他们与鲁迅的交往最频繁，关系最为密切，可以验证之前对鲁迅人际网络的研究。24在第三阶段，生成式人工智能出现以后，我们可以不那么依赖数据和统计分析，比如用Claude 3.0 Sonnet（Instant 100K）模型，就能做一些辅助文学批评和研究的工作，用它来分析《野草》文本，就有很多新的、有趣的发现。25虽然它的分析是否能够全部成立，尚需人力验证，但已展现出一定潜力，如果我们进一步做模型微调、本地部署或其他的研究适配工作，可能人工智能的优势会更加明显。对于当代文学研究来说，正如有学者所指出的那样，“多模态分析的进步将使研究者能够更深入地探索融合了文本、图像和声音的作品。由人工智能驱动的系统将能够根据读者的偏好和研究兴趣推荐作品，从而提供个性化的文学体验。自动翻译工具将变得更加精准，从而促进跨文化分析研究”。此外，生成式人工智能还“将重塑创意写作领域，引发关于创造力与作者身份的讨论”。“在保护数字档案方面发挥关键作用，确保稀有和历史性文本能够为后代所获取。最终，基于人工智能的平台将彻底改变文学教学法，为学习者提供互动式研究工具和个性化的学习体验”26。
在历史领域，《美国历史评论》（The American Historical Review）、《历史研究》《史学理论研究》等中外重要专业刊物及数字人文杂志，均已有探讨历史研究与人工智能之关系的论文、专辑、笔谈文章发表。27也正如有学者指出，“历史学及其理论与人工智能（大模型）之间存在深度交融的可能和必要，但具体如何实现，既需要认识前者，也需要深入了解后者的运作机理”28。
简而言之，无论是文学、艺术、历史研究，还是其他的人文社科领域，对人工智能之“能”目前关注较多，但是，哪些工作是目前它还“不能”做到的，同样需要引起我们的注意。实际上，从2022年到今天，从开始的普通应用（虽与传统的人机交互已多所不同），到后来的专业应用、深度应用，在不断应用的过程中，我们也逐渐发现了人工智能的一些局限：第一，它能帮忙找材料，但仍然不能替代专业的学术搜索引擎。比如使用DeepSeek时，如果不使用“联网搜索”功能，它就无法找到最新的材料。但是，即便使用了这个功能，不少时候其表现仍然未尽如人意，除了编造正文之外，它还编造引文。尤其是在回答一些专业性较强的问题时，常出现错误，甚至会提供错误的研究材料，生成虚假的参考文献，且很难形成个性化写作风格——因为模型训练时会做“价值对齐”，确保其与用户及人类主流价值观、道德观等保持一致，符合大多数人的认知，因此，在一般情况下，其所生成的文字，也就仿佛“标准版”，很难有个性化风格，而人文研究往往是需要个性化的。
第二，大多数情况下，人工智能还不能真正独立完成学术写作。无论是通用的大模型、智能体，还是专门面向学术研究开发的大模型和智能体，它能生成的、表现最好的学术文章，基本上只是研究报告、综述，真正全新的、具有独创性的、有洞察力的观点和严谨的论证和分析，还不能够完全胜任愉快。例如，如果让我们某一个人工智能应用，评价某位同行的学术贡献，或分析某一论题的研究进展，它生成的回复，的确头头是道、井井有条，但它千言万语，却无法带领我们洞察问题本质，因此也就很难提出新的洞见。即便是解读一个文学文本——这个在研究经验丰富的学者看来不过是入门级的任务，它能做到的只是尽可能地整合、综合已有的观点和视角，甚至严格一点说，这种“整合”“综合”本身也成问题，因为其实许多时候，我们不太需要面面俱到，而是要求对一个问题、一个观点的深入解读和鞭辟入里的分析、论证，这就不是通过表面的文字信息和乍看起来比较复杂的语义计算，能够轻而易举完成的。一个看起来很短小的文学文本中，有的混合语义，可能需要极其精微的解读和至为细腻的分析。更重要的是，对于人文学者来说，这些分析，有时候也不是简单占有全部资料，掌握某种“先进”“时髦”理论和方法、技术、工具，就能阐释清楚的。何况机器（人工智能）？更何况我们期待的，并不只是“常规科学”的创新（在既定框架之内，推动知识发展，当然，这也很重要，因科学研究以“常规科学”为主、为基础29），而是那种极具破坏性、颠覆性的创新（the most disruptive and impactful work30），或是库恩（Thomas Kuhn）所谓的“科学革命”式的创新（恰与“常规科学”形成互补关系），以跳出既定框架和旧有路径，探索全新的研究领域、方向。
除此之外，在一些看似相对比较简单的中文处理任务上，大模型也表现出了自己的局限性。第一，对古代典籍深层语义的理解，人工智能的表现还很幼稚。在传统人文研究中，对古籍所使用的文字的识别，对字词句的训诂、解释，可谓是第一道功夫，当然也是古文字学、音韵学、训诂学、文献学、语文学、古典学等的专门研究课题，尤为考验学者的功力。今天的人工智能，能从对古籍图像的光学字符识别（OCR）开始，帮我们做文献整理，帮忙做句读、注释及一定的文白翻译等工作，令人惊叹不已，但细究起来，其在深层语义交互、理解方面，还有不少欠缺。以苏洵《权书》中的“今夫外御一隶，内治一妾”为例，如果我们用百度AI搜索，得到的回答是“这个表达似乎是误解或误传……”，根本不知道出自《权书》；用DeepSeek R1模型加“联网搜索”进行查询，它给出的结果是“未必是完整的诗句或常见典故，可能是对某些内容的误记或简化……”，也不对；用字节跳动开发的豆包大模型查询，它会问我们“是不是输错了”，甚至联想到《诗经·小雅·常棣》里的“兄弟阋于墙，外御其务”等内容，对我们直接理解“外御一隶”的语义亦无甚帮助。由此可见，即便使用了语义网技术，有了大量的语料和预训练；即便模型在训练过程中的参数规模很大（比如GPT-4 的参数规模达到万亿级别），还沉淀了大量用户的交互数据，可以使之不断自学习，人工智能的深层语义理解能力仍未达标。
第二，与近现代文献、文学文本相关的事实性研究，人工智能也未必奏效。比如查询“鲁迅1936年1月1日在做什么”，任何一个人工智能应用程序都会生成像模像样的结果，但经过我们实验测试发现，许多通用大模型给出的结果都是不准确的，甚至是胡乱编造的。其中，GPT-5.2模型的回答是：
1936年1月1日，鲁迅已经身处生命的最后一年。当时他定居在上海大陆新村的寓所，身体状况并不好，长期受肺病、气喘等折磨，需要频繁休养。根据《鲁迅日记》及相关年谱的综合记载，这一天并不是一个有公开活动或重大事件的日子，大体可以概括为几件事：
（1）在家休养、读书与写作：鲁迅当日主要是在寓所中度过，延续他一贯的生活节奏：阅读中外书刊、整理译稿或构思杂文。到1936年初，他依然保持着高度紧张的精神劳动，但体力已明显衰退。
（2）继续文学与思想上的“战斗状态”：虽然身体虚弱，但鲁迅并未“退隐”。这一时期，他仍密切关注左翼文坛、文化论争以及国际局势，为稍后发表的杂文和通信积累材料。1936年的文章整体呈现出一种更为冷峻、凝缩、近乎“遗言式”的风格。
（3）新年并未被当作节庆来过：对鲁迅而言，公历新年几乎不具节日意味。他在晚年的文字和日常中，对“纪念日”“节日气氛”多持疏离态度，更关心现实压迫与精神困境。1936年1月1日，也基本是一个普通的工作与休养之日。……
这一论述，除未给出《鲁迅日记》及有关的原始文献记载，因此也就缺乏重要的参考价值外，只有“新年并未被当作节庆来过：对鲁迅而言，公历新年几乎不具节日意味”一点符合事实，但也与我们获得对这一问题的理解，无直接关系。
DeepSeek系列模型的回答，也谈不上什么专业水准。DeepSeek R1模型声称“关于鲁迅先生在1936年1月1日的具体活动，目前公开的史料中并无精确到日的详细记录。不过，结合当时的时代背景和鲁迅晚年的生活轨迹，可以推测一些可能的情况……”，又说“鲁迅习惯写日记，但1936年1月1日的日记原文为：‘一月一日 晴。午后访广平。夜往高桥齿科医院。’（注：此记录实为1932年日记，常被误引。1936年1月1日的真实日记缺失，现存1936年日记始于1月16日，因病情加重导致记录中断。）”正文及注释无一字对；DeepSeek V3.2虽准确地给出了当日《鲁迅日记》的原文“雨。无事”，但又不免过度发挥，从读报与写作、家庭生活、后续文章、整体背景、工作持续等方面逐一进行叙述，且其间铺排不少细节描写，言之凿凿程度，委实令人讶异，因其细节、事实等等，多为编造而来，也与我们查询的问题无关。
第三，思辨性研究不能洞察问题本质。这一点上文已有所讨论，哲学和美学研究者，当代文学理论、批评探索者应有更深体会。概括而言，基于神经网络、机器学习等技术模型和算法创新，可以彰显“人工智能在文学分类自动化与精细化处理方面的潜力，为文学批评提供某种程度上规避主观偏见的新视角”31，但是，如果我们仅仅只是透过人机对话、交互的方式，来使用对话型人工智能（以大模型为代表）和大多数代理型/行动型人工智能（以智能体为代表）的话，那么，人工智能在大多数时候，可能只能在提供实时的文本处理能力、即时的文学分析等有限方面发挥长处，然其深度和质量，尤其是对问题和现象本质的捕捉与认识，仍无法让人恭维。
第四，由于种种原因，人工智能会大幅简化地方性知识、具身性知识，除非我们自己花大量时间和精力，去开发垂直领域模型、本地模型，或接入专属知识库，利用检索增强技术，对其进行微调、改造，但即便这么做了，有些时候效果仍然不很理想。实际上，这些我们自己在从事大模型、智能体研究、开发、应用过程中获得的点滴经验，也从学术界和产业界的研究中可以得到证实。已有研究指出，通过融合学习（Hybrid AI）、多模态训练（Multimodal Learning）、联邦学习（Federated Learning）与本地化微调等方法，虽然可以显著提升人工智能在处理多元文化和深度经验时的表现，改善其所存在的“知识坍塌”（Knowledge Collapse）和“语言模型中心主义”（Language Model-Centric）问题，但改善程度仍然有限。这当然是由目前以Transformer为基座的大语言模型本身的技术路线、假设、方法等所决定的，或换言之，从大语言模型最底层的科学——线性代数、概率论和统计学——角度来看，大语言模型的运作机制，乃为语言处理时的概率分布，而“概率”的意思是，它即使99%猜对，但总有1%猜错的时候，因此，它就注定是有“幻觉”的，这可以说是它的宿命。另外，同样重要的是，现实世界的数据，在纯噪声数据和结构化数据二者之间，既有结构同时又有随机性，对此科学界还缺乏充分、深入研究，因此它们还不能被有效地映射到数学原理、公式和算法当中，也就无法为大模型提供足够的训练和运作方法。
对数字人文研究而言，人工智能也有很多它做不到的工作。数字人文的研究对象、范围很广，涉及人文社科多个领域，与古籍数字化、计算语言学、文本数据挖掘与分析、数字媒体、虚拟图书馆、等都相关，本质上是数字技术、数字方法与人文社科研究结合的新领域。但与欧美学术界不同的是，“中国数字人文”研究，最早是在图档博（GLAMs）领域发展，此后人文学科的学者才积极参与其中，如今文学、艺术、历史学、哲学、新闻传播学、教育学等领域都有人开展相关研究。关于数字人文的研究方法，澳洲国立大学数字人文研究中心将其概括为六个方面：文本分析、基于定性数据的综述、视频编辑与制作、3D建模、社交媒体数据采集、众包与众筹。33其他的机构、学者也提出、加入了另外的方法。但是，无论数字人文拥有多少方法，要想完成有关的研究工作，只有方法还不够，我们还需要技术。有学者将数字人文的技术体系也概括为六种：数字化技术、数据管理技术、数据分析技术、可视化技术、虚拟现实/混合现实技术、机器学习技术。每种技术都由不同的理论框架和工具、操作流程、规范构成，有不同的功能，旨在解决不同问题、处理不同任务。
这里我以文本分析方法为例，再进一步具体讨论一下人工智能的“能”与“不能”。众所周知，文本分析方法有很多，如词频统计（其中一种被称为“文化组学”）、远读、文本相似度计算、主题建模、情感分析、文体计算等等。其中的一些方法，社科领域的学者应该很熟悉，已有现成的文本分析工具和平台，相对降低了文本分析的难度，但有些还没有。仅就词频统计中的“文化组学”方法而言，简单来说，这种方法就是利用n-gram模型（又译“n元语法模型”）来研究文学、艺术、文化、历史、学术思想的变迁或总体趋势。n-gram模型是自然语言处理领域的经典方法，其核心思想是把文本做成时序数据，并分解成连续的n个词或字符后进行建模，进而生成新的文本，或实现文本匹配与纠错任务。34比如“人工智能”一词中，相邻的是两个词：“人工”和“智能”，就是2-gram；“深度学习模型”一词中，相邻的是三个词：“深度”“学习”和“模型”，就是3-gram。其中的n越大，语义越具体，需要的语料也越多。它能够运作，离不开两个核心假设：一是马尔可夫假设（假设第n个词的出现与第n-1个词密切相关）；二是概率假设（通过概率计算确定词的组合概率），比如3个词连续出现的概率，等于第一个词的概率与“前两个词出现时第三个词出现的概率”的乘积。其实，n-gram模型的应用范围很广泛，包含嵌入式设备的文本生成、拼写纠错、特征工程等，比如手机输入法输入“重庆”后会出现“师范大学”，背后就是n-gram模型在发挥作用，因为它记住了人们普遍的语用习惯、常见文字搭配。和循环神经网络（RNN）、Transformer模型、BERT模型等相比，n-gram模型更轻量，可解释性更强。当然，它也有缺点，在长距离依赖的建模、对复杂语言的理解上，都存在一定的局限。
要用n-gram模型来做研究，目前也已有较为成熟的工具，比如我们可以用谷歌公司开发的Ngram Viewer工具，来分析海量书籍中多个词汇的历史趋势。谷歌图书（Google Books）的数据量非常惊人——据研究团队在2011年估算，谷歌图书语料库已拥有超过400种语言、4000多万本图书的全文，约520亿页、5000亿个单词，其中英语词汇最多（3610亿），其次是西班牙语、法语；中文书籍的具体数量未公布，但词汇量也已达到130亿。现在，假设我们用这个工具做一个研究：探讨1912年（中华民国元年）到2022年，中国四大古典小说（《西游记》《水浒传》《三国演义》《红楼梦》）的经典性建构，以及四者的重要性排序问题（哪本著作最经典，是“经典中的经典”，哪本次之，哪本重要性最低）。然后，我们访问这一在线研究工具，将时间范围设为1912—2022年，语言选中文，然后输入“西游记”“水浒传”“三国演义”“红楼梦”四个关键词，让它用自建的n-gram模型来分析这几个词的不同热度，并排序。结果很明确：第一是《红楼梦》，第二是《水浒传》，第三是《三国演义》，第四是《西游记》。而且有意思的是，其1955年的数据显示，《红楼梦》的关注度最高——做中国古典文学、现当代文学研究的学者应该知道，此前一年，因毛泽东关注到山东大学主办的《文史哲》杂志1954年9月号上的一篇文章——李希凡、蓝翎的《关于〈红楼梦简论〉及其他》，认为“这是三十多年以来向所谓《红楼梦》研究权威作家的错误观点的第一次认真的开火”，由此发动了对俞平伯《红楼梦研究》及“在古典文学领域毒害青年三十余年的胡适派资产阶级唯心论的斗争”35与批判，因此，有关《红楼梦》的讨论，至次年走高，实属再正常不过之事36；至于2000年后（尤其是2010年后），《红楼梦》关注度呈现出的下降趋势，则在一定程度上说明“红学”研究正在逐步“去政治化”、回归“常规科学”的现象。但是，当我们把上述问题直接抛给一些通用大模型，请其来做分析、研究时，它的结果就与Ngram Viewer完全不同，尤其致命的是，其缺少定量分析，援引的一些数据，也并没有它宣称的那样可靠。比如说，在DeepSeek R1模型看来，此时间段内，热度最高的作品为《西游记》，《红楼梦》仅屈居第三，而其所谓的“数据支撑”为“红学会会员超5000人，论文数量占大名著研究70%”，实际上，据2021年的公开报道，中国红楼梦学会会员只有850人， 37而关于《红楼梦》的论文数量的统计，至今仍缺乏清晰准确的数据，至于占比云云，更无从谈起。结合我们用Ngram Viewer分析的结果，就很容易发现后者的不足。但是，假如我们没有交叉验证，没有做这样的多重分析，轻易地相信了大模型给出的答案，怎么办？或者说，严重依赖大模型（无论是单次还是批量处理问题），而将其生成的研究分析结果，视作可靠、可解释的结论，显然就会产生谬误。
质言之，大模型在一定程度上帮助我们降低了数字人文研究的门槛，但因其存在着“幻觉”（生成虚假信息）、过度的“过拟合”（生成错误信息）及“算法黑箱”等问题，也同时不可避免地具有缺陷和不足。它可以帮助我们快速整理数据、准备结构化数据（把非结构化的论文，处理成计算机能读懂的数据）、建语料库、掌握算法、实现定量分析、编程交互，甚至是以低代码（low-code）、零代码（zero-code；no code）的方式去完成这些工作。但在另一方面，透过上面的多个案例，我希望已经充分表明，大模型用于辅助（人文）学术研究时，也表现出了一定的，甚至是严重的、致命的随机性、主观性和局限性。
三、“人工智能人文学”的滥觞与未来
也正是在对人工智能“能”与“不能”的辩证关系的认识和把握中，“人工智能人文学”这一新的课题、领域和研究方向，开始逐渐清晰地浮现在我们面前。这里的关键，也许在于如何理解：它是不是人工智能与人文学的简单相加？和数字人文研究是什么关系？如果要做相关研究，我们应该怎么做？我最近有篇文章就提出并论证了“人工智能人文学”是数字人文的“下一件大事”这一观点。38文章一开头回顾了数字人文发展史上的一场重要学术会议，即2009年美国费城召开的MLA（国际语言文学顶级会议）年会，会议期间有学者提出了“数字人文成为学术界的下一件大事”之说，以后逐渐成为学界共识，但我认为，在今天这样一个人工智能时代，随着“人工智能人文学”的兴起，它将成为数字人文的“下一件大事”。文章也简要地区分了新旧数字人文，特别是人工智能在新数字人文形成过程中所扮演的不可替代的角色：
从人文文本、文献资料、信息、数据的处理及其转换开始，到对这些数字对象的保存、分析、编辑和建模，提出新的研究洞见，直至教育教学和面向公民的知识服务、传播方面，生成式人工智能都不仅能帮助我们节省人力、时间和金钱成本，还能够提供新的、基于语义和关联数据、多模态数据的分析和叙事。另一方面，目前在中国、美国及世界各地，生成式人工智能这一技术本身不仅发展迅速……它们共同构成了一个人工智能的超级生态……也就是说，当“‘现实’的机器渐渐老化”（比森特·维多夫罗语），基于生成式人工智能的人文学研究已然无须特别讨论其是否可能、如何可能，而是成为了我们新的现实，新的“‘现实’的机器”。
但我们究竟应该如何理解、分析这一新的现实？这里我们不妨再接着上面的例子来讨论。有些人可能会好奇，在生成式人工智能出现以后，我们还需要做“文化组学”研究吗？还要做基于海量数据的词频分析吗？人工智能究竟能给我们分析和研究文学、文化带来哪些帮助？我想前文已经表明了我的观点——当然我们还需要。但是，与此同时，大模型亦可辅助“文化组学”分析，具体而言，可通过大模型对n-gram出现语境作语义分析，帮助理解n-gram趋势，区分词义，或是帮助识别特定词汇频率变化的原因；或是在n-gram或概念变得统计显著之前，识别、发现新兴用法；或是辅助分析围绕n-gram的话语。这些都可以说是它给“文化组学”带来的新的潜能。那么，人工智能有没有带来新的挑战呢？应该说也是很明显的，比如，由于人工智能训练数据的内在偏见，可能会加剧谷歌图书等语料库已有的偏见；由于人工智能的主观性较强，还有可能为n-gram趋势生成看似合理但完全错误的解释。在此，关键的方法论层面的考虑是，需要对大模型提供的解释，做严格的事实验证，甚至是结合多种数据来源、方法、理论进行交叉验证（如三角验证），或由多位研究者独立分析同一数据，再对比结论以减少单一研究者的偏见、偏差，尽力提升研究的可信度与效度，此外，我们还需要关注大模型对语言、文学、文化、社会现象的潜在简化等问题。39
仍以前文所论文本分析方法而言，我们现在的确有更多的研究工具可供选择。例如，将大模型和编程工具、其他的定量研究工具结合起来，如将GPT和Python、Stata、AntConc等等加以综合运用。仅以中文分词（word segmentation，指将一段连续的文本字符串，按照语言的语法规则和语义逻辑，切分成一个个独立的、具有完整意义的最小语言单位——通常是词或短语——以用作文本分析）为例，传统的做法是让Python调用jieba中文分词工具包，进行分词，但有时候效果不很理想，可是今天，我们可以用基于Stata的集成命令，让Stata和GPT配合起来，做数据清洗、分词、标注、实体抽取、主题分类、情感分析等一系列自然语言处理任务。比如给GPT一段包含中英文大小写、数字、符号、诗词、地理和人口数据的待清洗语料，再让它提取信息，它就可以很快地输出我们需要的数据，还可以分析不同语句的情感倾向（消极、积极、中性），归纳主题。但这些实验、研究的数据和数据集仍然是颇为有限的，还不能算是大数据。因此，我们仍然需要以基于真正的文学、文化大数据而展开的“文化组学”分析。尽管在人工智能技术的帮助下，目前已有很多现成的文本分析工具和平台实现了优化增强、更新迭代，但从我们的实验和研究工作来看，人工智能对数字人文研究的优化增强范围、对象和效果，相对而言还是比较有限的，似乎并不像我们一开始所理解、想象得那样有效。在数字人文领域，和其他许多领域一样，我们面临的共同的问题之一，也就是人工智能真正的“不能”，主要还是技术本身的问题，比如“幻觉”“过拟合”等。
总之，在传统人文研究和数字人文研究中，现在大家普遍关注的生成式人工智能技术并非无所不能，无论是深度应用还是普通应用，都还在探索之中。但另一方面，我们也必须承认，人工智能在一些研究当中（尤其是传统研究领域）已展现出巨大潜力，让我们不得不正视它的存在，调整与它的关系——以前我们把它当作研究工具、助手或设备（像电脑、硬盘、鼠标一样），现在恐怕要把它视为协同（甚至深度协同）工作的伙伴，而不只是简单的助手、聊天机器人或工具。因为所谓“助手”是去做我们能做，但没有时间去做的工作；所谓“聊天机器人”角色、任务分明，有时候即便显得有些“智障”也可以原谅；所谓“工具”更无甚突出之处（正如毛笔、钢笔、电脑键盘，作为我们的日常书写工具，我们何曾有一日想过要对它们加以研究？）。但“伙伴”不一样，伙伴是要帮我们去做我们没想过的、做不到的事情。这是它总的发展方向，而这一切都正在帮助我们重塑人文学术，定义“人工智能人文学”领域。
这也决定了“人工智能人文学”的研究进路，我把它初步概括为以下四个方面：第一，单纯采用神经网络、机器学习、深度学习、强化学习等专门的人工智能方法和技术做研究。比如利用深度学习方法做古籍版本鉴定、文献研究、文学史和当代文学现象研究。第二，基于包括大模型应用在内的、诸多现成的数字方法和技术、工具来做研究。比如前面提到的“文化组学”，或社科领域常用的SPSS、NVivo等研究工具，加上大模型，探索新的研究方法、视角。第三，从人文学传统的既有方法、视角出发做研究。因为数字人文也好，“人工智能人文学”也罢，都不能只有定量研究，没有定性研究。我们还必须直面计算批评（Computational Criticism）、计算主义（Computationalism）、数据主义（Dataism）的局限，以及那些不可计算之物。第四，发展更加复杂、多元的混合型研究方法。这也许是更重要的。比如在进入一个研究问题时，我们既用“文化组学”，又用大模型，还用机器学习方法，以及发挥传统人文社科研究的专长，比较、判断几者可能存在的问题，提出真正有原创性的新思想、新观点、新解释，这恐怕也是人文社会科学研究的核心目标。
但这样看起来，似乎“人工智能人文学”和数字人文无甚区别，其实不然。既是“人工智能人文学”，我们的研究重心、范围等等，自应有所调整、延展，与数字人文研究有所不同。概括起来，“人工智能人文学”研究的主要内容，仍大致有四个方面：其一是生成式人工智能嵌入、支持、辅助、适配的人文研究和数字人文研究；其二是从人文学视角出发的、对人工智能本身及相关问题的研究；其三是对人工智能生成内容（AIGC）的生成、鉴定、分析和研究；其四是对与人文学相关的人工智能技术的开发、研究。但是，据我了解，目前中文学界的研究现状是：许多做数字人文的学者，将定量研究看作数字人文的全部，不太关注其他方向的工作；做人工智能文学、艺术研究的学者，对定量研究似乎又比较隔膜。比较理想的状态，是把这些方向统合起来，让二者共同构成“人工智能人文学”的研究支柱。目前这样各执一词、各自为政的研究现状，也让“人工智能人文学”研究在一定程度上面临着在“亡羊歧路”的危险。
如果要对这个目前已初露端倪的“亡羊歧路”做进一步说明，那至少也包括三个层次：第一个层次，我们是否允许其他学者拒绝使用人工智能。我认为我们无论在任何时候、环境下，都应该允许学者拒绝人工智能、拒绝数字人文、“人工智能人文学”，但是有一个前提，你要做出（或至少想要做出）比人工智能更深刻、更具解释性和原创性的研究。换句话说，学者在拒绝人工智能、坚守传统的同时，需要发展出比人工智能生成内容更深刻、新颖的传统人文研究，发表更有价值的研究成果，即便暂时还没有，未来亦需要尽力产出成果。从一般的认知来说，是否要用人工智能做研究，取决于个人的研究需求、专长、背景、方法和理论训练，不宜统一规定。
以文学研究为例，普通人阅读文学，大抵是为了获取哲学、历史学、经济学、社会学无法给予的独特体验——比如风花雪月、生离死别、山川草木、爱恨悲歌，聆听作家对这些内容的独特表述、想象、刻画、反应与描写，借以建构自己的主体性，扩展自己的认知边界，不断形成新的共情能力。但是，20世纪中后期以来过度理论化的文学研究，让研究者距离这一初心愈来愈远，而且大有积重难返之势。当我们今天目睹任何一个生成式人工智能产品，可以在非常短的时间里鹦鹉学舌一般，毫不费力地生成一套又一套“高大上的理论套话、黑话、行话”，可以使用诸多（或一个）理论套用于无限的文本时，也许可以促使我们尽快下定决心：是时候应该做出一些改变了，无论我们接下来采取的研究方法是新的，还是传统方法。实际上，至今我们仍然能看到不少用传统理论、方法做出的新的分析、研究。例如，在中国现代文学领域，自1990年代以来发展至今的“文献学转向”，就孕育出了不少新的专论和专书，这些成果既筑牢了现代文学研究的文献、文本底座，也通过对不同版本、文本的关系的解释和分析，解决了许多聚讼纷纭的学术疑难问题，为不同作家、作品、社团、流派、思潮、文学现象和文学史提供了诸多新的解释。40
第二个层次，我们使用（而非拒绝、远离）包括人工智能在内的一切数字技术、方法和工具时，是否采取了定量和定性研究结合的研究策略，以更加透彻、深入地理解和诠释人文学研究的问题。以上文所举利用“文化组学”方法研究四大古典小说的现代性建构这一问题为例，我们除了可以在“文化组学”提供的定量分析的基础之上，对其分析结果本身进行商榷，对其数据处理、利用情况进行验证，还可以对经学者验证无误的数据化、可视化结果，进行定性阐释，甚至作极为深入的个案研究、学术史研究，唯其如此，似才能对此问题形成新的、更发人深省的洞见。
第三个层次，在人工智能可以辅助学术研究的时代，尤其自然科学领域“AI for Science”41已成为新的研究范式的背景下，人文社科学者除了参与重构新的学术研究范式，是否还能参与到与人工智能科学、技术本身的对话之中，比如讨论“什么是强人工智能”“什么是超级人工智能”“人工智能能否超越人类发展时间”等问题，在现有框架以外提出新的讨论，对人工智能发展带给个人、社会、国家、世界的关键性问题，提出新分析、新诠释、新理论、新构想——只有这样，“人工智能人文学”不仅能逐步落到实处，还将获得学术应有的品格和尊严。
除了文学、历史研究视角，从哲学（如马克思主义哲学）、新闻传播学等视角出发，也有很多问题可讨论。比如数字劳动、数字资本主义、数据主义、批判算法学、大众软件批判、平台研究等，这些都是人文社科学者可以探索的新的课题、领域。正如图恩（Nigel Toon）在新著《人工智能如何思考》（How AI Thinks：How We Built it, How It Can Help Us, And How We Can Control It）一书中所说，我们关心人工智能如何发展、能帮我们做什么，更要约束、规范、控制人工智能，让它成为可信、可靠、负责任的技术。42也就是说，成为真正“以人为本”的人工智能，而非摧毁人类文明，终结人的未来。因此，“人工智能人文学”的未来在哪里？我认为不是人（或人文）与人工智能的简单相加，这只是“物理反应”，有固然可喜，但我们追求的应该是人文社科与“以人为本”的人工智能之间，发生神奇的“化学反应”——这大概也是今后“人工智能人文学”及相关领域最为重要的探索、发展方向。
但“人工智能人文学”是否能拯救全球人文学科、使之早日走出边缘化的危机？此前数字人文没做到的事情，人工智能就能所向披靡吗？“超级人工智能”如果在我们的有生之年实现，我们将何以自处？……面对当下、未来，面对诸如此类费人思量的问题，我还是坚持这样的看法：“人工智能时代人文学术虽正遭逢危机与挑战，但它的新生和希望，也正在于它自身，在其‘自性’和‘内面’，亦即‘让人成为人’这一指归。这有赖于我们每一位人文研究者，尽可能超越自己隶属的职业分工体系，着眼于更为广阔的世界的变化（但这绝不意味着向外求玄、假借于外物），然后不断‘反求诸己’，探寻个性化的、适切的因应之道，而自性本自清净、本自具足。”43
换言之，“人工智能人文学”只是我们目前的、可能的选项之一，人文学真正的发展潜力、动力应都来自它本身。现在，让我们再一次回到本文起首所征引的柏奈特的论述。其实，在他看来，在过去大约七十年的时间里，大学里的人文学科，在很大程度上并未解决每个人都面临的核心问题：“我们如何生活？应该做些什么？如何面对死亡？”这些问题“是无论发表多少经过同行评审的学术成果，构建多少数据集，都无法解决的”，也不是通过“知识生产”来解决的。它们事关“存在”（being），甚至就是“存在”本身，仅仅“知道”（knowing）远远不够。“我们需要真正、认真地回到人文的再创造，以及人文教育本身，回到事情的核心——对存在的体验，及存在本身。”44这一观点在很大程度上也应和了另一种更加鼓舞人心的观察，正如加拉格尔（Chuck Gallagher）所言，“只有人文学科，通过恢复真理、尊严和培养的使命，才能使大学免于饱受人工智能冲击，使之不被窄化为文凭工厂或内容生产工厂；”“如果机器主导写作，我们不仅将失去文章，还将失去对生活的认知。”45
承前所论，人工智能并非人文学和人文学者的敌人；相反，它为我们提供了一个新的、意义非凡的契机，即“将人文学科重新定义为具有伦理导向的精神支柱，而非已然过时的文化遗产。对于全球领导者而言，其使命在于让那些培养共情能力、批判性判断力与文化理解力的学科，能够不断落地生根——同时为这份源自人类想象力的技术成果，筑牢伦理边界”46。
[本文系上海高校中国语言文学学科创新团队项目、上海市人才发展基金资助计划、国家社科基金重大项目“中国现当代文学思潮中的古典传统重释重构及其互动关系史研究”（项目编号：21&ZD267）的阶段性成果]
注释：
①本文系据作者2025年6月26日在重庆师范大学科研处、文学院主办的“AI科研工作坊”活动中发表的同名专题演讲录音，整理改作而成。定稿过程中，承蒙香港中文大学中国文化研究所张志伟、林毅忠两位先生拨冗赐教，谨致谢忱。
②“数字人文”是对“Digital Humanities”这一专业术语的一种翻译，在中国香港和台湾地区也被翻译为“数码人文”或“数位人文”（参见王贺《何谓“中国数字人文”》，《田家炳中华文化中心通讯》2022年第10期），我个人认为“数码人文”的译法可能更少歧义、更加准确。
③Hans Moravec,“ When Will Computer Hardware Match the Human Brain？”, Journal of Evolution and Technology 1, issue 1 (1998), https://jetpress.org/volume1/moravec.htm.，2025年11月5日检索。
④关于该项目的介绍，请访问其官方主页，https://sakana.ai/ai-scientist。
⑤网址见：www.github.com/SakanaAI/AI-Scientist-ICLR2025-Workshop-Experiment/tree/master。
⑥其中比较重要的讨论包括：Davide Castelvecchi,“ Researchers Built an‘ AI Scientist’—What Can It Do？”, Nature 633, no. 8029 (2024): 266; Joeran Beel, Min-Yen Kan, and Moritz Baumgart,“Evaluating Sakana’s AI Scientist: Bold Claims, Mixed Results, and a Promising Future？”, Annals of the Entomological Society of America 59, no. 1 (2025): 1-20.
⑦不题撰人：《刘慈欣称DeepSeek完全可能替代人类作家》，https://news.qq.com/rain/a/20250330A037D200。
⑧ 隔夜也很宅：《AI绘画“奇点”已至！人类画家努力数千年后，终于败给了人工智能》，https://zhuanlan.zhihu.com/p/561494185。
⑨D. Graham Burnett.“ Will the Humanities Survive Artificial Intelligence？”，https://www.newyorker.com/culture/the-weekend-essay/will-the-humanities-survive-artificial-intelligence。
⑩引自Yuval Noah Harari为“人类简史”系列白金纪念版（林俊宏译，中信出版集团2025年版）所作总序，参见《尤瓦尔·赫拉利：彼此信任才是人们生存的根本》，https://www.thepaper.cn/newsDetail_forward_30553951。
11陈平原：《读书的“阴晴圆缺”》，《中华读书报》2025年1月1日。
Chuck Gallagher：《Can the Humanities Survive AI？——an Ethical Narrative by a Business Ethics Keynote Speaker》，https://www.chuckgallagher.com/2025/09/24/can-the-humanities-survive-ai-an-ethical-narrative-by-a-business-ethics-keynote-speaker。
Jackman Humanities Institute. “What We Do”，https://www.humanities.utoronto.ca/about-us/our-institute/what-we-do。
Martin Hähnel, Regina Müller, eds.A Companion to Applied Philosophy of AI, Hoboken, NJ: Wiley Blackwell, 2025.pp.3-5.
15参见王贺《为什么人文学依然重要？——“生成式人工智能”在当代文学创作中的应用及其不满》，《文艺争鸣》2025年第3期；《“生成式人工智能”辅助文学创作、研究与教育》，陈平原主编《AI时代的文学教育》，北京大学出版社2025年版，第228—248页。
Geoffrey Hinton, ”Will Digital Intelligence Replace Biological Intelligence？”,https://www.organism.earth/library/document/will-digital-intelligence-replace-biological-intelligence。
17[美]爱德华·阿什福德·李：《柏拉图与技术呆子：人类与技术的创造性伙伴关系》，张凯龙、冯红译，中信出版集团2020年版，第10页。
参见Max Tegmark, Life 3.0: Being Human in the Age of Artificial Intelligence(New York: Alfred A. Knopf, 2017)。
19参见王贺《数字人文与中国现代文学》，上海三联书店2023年版，第18页；James Wynn（詹姆斯·韦恩）《数字时代的公民科学：修辞学、科学和公众参与》，王丽慧译，上海交通大学出版社2022年版。
20对这一观点的详细说明和分析，参见王贺《“生成式人工智能”辅助文学创作、研究与教育》，《AI时代的文学教育》，陈平原主编，北京大学出版社2025年版，第228—248页。
21如张彬彬、朱青生《计算艺术史的方法和任务》，《美术》2024年第9期；钮亮《中国画论观念史研究——数字人文视角》，上海交通大学出版社2024年版，第1—28页；[美]米切尔《从机械机器人到智能机器人：人工智能的图像学》，罗绮文译，《中国艺术》2025年第1期。
22金雯、王贺主编《数字人文阅读》，上海交通大学出版社2025年版，第117—156页。
23周国伟、彭晓：《寻访鲁迅在上海的足迹》，上海教育出版社1987年版，第103—109页；周尚意、张乐怡：《鲁迅在京足迹折射的文人城市空间结构意象——对〈鲁迅日记〉中北京地名的分析》，《热带地理》2015年第4期。
24参见朱正《鲁迅的人际关系：从文化界教育界到政界军界》，中华书局2015年版。
引自“白板报Baibanbao”2023年5月14日在X（前Twitter）发表的贴文，www.x.com/baibanbaonet/status/1657581812032610304.。
Suresh Shrirang Patil.“Literary Analysis in the Digital Age: AI as a Critical Companion”，Study of Literature and Language: Opportunities and Challenges in the AI Era, Regi: Jyotikiran Publication Pune,2024,p.126.
27例如“Artificial Intelligence and the Practice of History”, The American Historical Review 128, no. 3 (2023): 1345-81；“笔谈：人工智能与史学发展”，《历史研究》2025年第5期等。
28朱悦、林展：《史学理论与人工智能的双向互动——以大语言模型为例》，《史学理论研究》2024年第3期。
[美]托马斯·库恩：《科学革命的结构》，金吾伦、胡新和译，北京大学出版社2003年版，第9、22页；施爱东：《蛋先生的学术生存》，上海文艺出版社2024年版，第183页。
Lingfei Wu, Dashun Wang & James A. Evans “Large teams develop and small teams disrupt science and technology.” Nature 566, no.7744 (2019).
Gomathi R D, Murugan J, Kavitha P and Gomathi B S. “AI-Driven Literary Analysis: Exploring the Impact of Artificial Intelligence on Text Interpretation and Criticism” ，Journal of Machine and Computing 5(2)(2025).
Angelie Kraft and Eloïse Soulier,“ Knowledge-Enhanced Language Models Are Not Bias-Proof: Situated Knowledge and Epistemic Injustice in AI”, in Proceedings of the 2024 ACM: Conference on Fairness,Accountability, and Transparency , https://dl.acm.org/doi/pdf/10.1145/3630106, 1433-1445.
参见澳洲国立大学数字人文研究中心网站，https://metodhology.anu.edu.au，2025年11月5日检索。
[美]马格努斯·埃克曼：《基于TensorFlow的深度学习：神经网络、计算机视觉和NLP的理论与实践》，周翊民译，机械工业出版社2024年版，第174—175页。
35毛泽东：《关于〈红楼梦〉研究问题的信》（1954年10月16日），《建国以来毛泽东文稿》（第9册），中共中央党史和文献研究院编，中央文献出版社2023年版，第248页。
36参见作家出版社编辑部编《红楼梦问题讨论集》第一至四册，作家出版社1955年版。
37张恩杰、刘江华：《贾宝玉是厌学少年？别把〈红楼梦〉读歪了》，《北京青年报》2021年8月4日A12版。
38参见王贺《人工智能人文学：数字人文的“下一件大事”》，《文艺报》2025年6月27日。
39参见刘炜《基于生成式人工智能的数字人文平台》（演讲），上海师范大学数字人文研究中心，2025年6月18日。
40参见王贺《从文献学到“数字人文”：现代文学研究的典范转移》，上海文艺出版社2024年版，第13—79页。
41Weijie Zhao.“A panel discussion on AI for science: the opportunities, challenges and Reflections.” National Science Review 2024, Vol. 11, issue8，nwae119.
42See Nigel Toon. How AI Thinks: How we built it, how it can help us, and how we can control it. London: Penguin Books,2024. pp.224-225.
43王贺：《人工智能时代人文学的危机与新生——从陈子善文话、书话、乐话及其与学术研究之关系谈起》，《小说评论》2023年第5期。
[作者单位：上海师范大学人文学院 上海师范大学数字人文研究中心]
