徐 贲： 什么是AI时代的高阶人机共笔？

文｜徐贲，美国加州圣玛丽学院英语系荣休教授

作者授权首发

AI时代的人机共笔，早已不是"人出题、机写稿"式的简单分工。真正高阶的人机共笔，指的是研究者把自身长期形成的问题意识、概念路径、判断习惯与写作风格，逐步外化为一个可积累、可演化、可反复校正的人机协同认知系统，并在这个系统中持续完成思想的生成、修正与表达。它不是工具的熟练使用，而是知识生产方式的重构，也是研究者对自身研究过程的自觉研究——是一次从"谁在说话"转向"话语如何被组织"的提问方式的转变。在这个意义上，AI时代的人机共笔将分化出三种明显不同的层次，而真正具有未来意义的，是第三种。

一、三种人机共笔的分野：工具优化、范式重构和跨学科开拓

第一种人坚持完全依赖个人阅读、记忆与写作完成全部流程。他们对经典的细读深度、对历史语境的敏感、长期训练出的判断力依然珍贵，这种珍贵不会因技术变迁而贬值。但这种把全部知识组织都压在个人心智上的方式，在文献爆炸、跨语种需求激增、注意力日益稀缺的时代，越来越难维持持续的生产节奏与思想张力。

第二种人迅速掌握了通用大模型的各种应用：文献综述、跨语言翻译、文本润色、资料整理、初稿生成。效率确实提升了。但他们改变的仍是工具，而非范式。提示词技巧、自动摘要、局部生成，本质上都是既有研究流程的优化。当这些能力成为学术共同体的基础设施之后，它们会像当年的搜索引擎与文献管理软件一样被默认，却难以构成真正的思想优势。工具普及抹平效率差，却不会自动长出新的解释框架——这正是布尔迪厄意义上的"资本"逻辑在数字时代的重演：当某种能力普遍分布之后，它便不再构成区隔性的象征资本，真正的区隔转移到更深层、更难复制的结构性能力上。

真正决定高阶人机共笔高度的，是第三种人。他们不只是让AI参与写作，而是重新设计了知识与思想的生产本身。他们把阅读轨迹、笔记网络、概念形成、判断演化与写作过程组织成一个持续运行的人机协同系统。过去零散、一次性的研究活动，在这里变成可长期积累、可反复调用、可不断校正的认知循环。他们用AI重新提出问题，而不仅仅是回答问题；用AI重组知识之间的关系，而不仅仅是加速检索；用AI拓展解释空间，而不仅仅是生成文字。

他们用AI重新提出问题，而不仅仅是回答问题；用AI重组知识之间的关系，而不仅仅是加速检索；用AI拓展解释空间，而不仅仅是生成文字。更本质的是，他们利用智能系统超大规模的高维语义空间，去探测并爆破自身由于既有范式、语言壁垒和时代局限所遮蔽的‘未知之未知’（the unknown unknowns）——用AI探索和扩展“我不知道我不知道”的领域（Unconscious Unknowns / Epistemic Blindspots）。

第二种人是用AI去解答‘自己知道自己不知道’的问题，因而停留在检索与填空；而第三种人，则是将AI设定为‘异质对谈者’（heterogeneous interlocutor），主动诱导其抛出反事实推演、跨学科异构以及边缘视角，逼迫研究者破除“熟知非真知”的认知盲区，并据此不断调整研究方法、检验理论假设、生成新的概念框架。

很多时候，我们在本学科面临的死胡同，在另一个学科里早已具备成熟的数学模型或解释框架。学者不知道这个框架的存在，是因为语言壁垒。人机共笔可以成为一种跨学科的破局机制。跨学科本质上是一种“高维度的语义翻译”，它寻找不同领域之间底层的同构性，用 A 领域的成熟模型去照射 B 领域的认知死角。例如，将热力学的“熵增”或控制论的“反馈机制”引入社会史分析，或是将演化生物学的“基因突变与选择”引入思想史中概念演变的研究，这种跨界借用能瞬间点亮原学科由于词汇匮乏而无法表达的现象。

在人文学科内部，如果要实现仅凭人类心智极限无法完成、必须依赖 AI 才能实现的跨学科破局，我们可以设想这样一个场景：两个人文领域在研究对象上看似风马牛不相及，使用着完全不互通的解释语言，但底层却存在着极度复杂的同构性。

例如，在研究现代“算法驱动的无人化战争”或“分布式官僚体制下的战争责任”时，学者面临着概念与词汇的匮乏——当决策被分散在算法工程师、指挥官、情报分析师、前端操作员以及自动执行系统之间时，传统的法律与道德哲学（如“主体责任”、“意图性”）失效了。这种现象常被笼统地称为“责任分散”或“系统的无耻”，但缺乏一个能够精确刻画“没有任何单个个体怀有恶意，但系统结构却必然导向道德灾难”的动态解释框架。

AI 不依赖字面词汇匹配，而是通过深度语言模型将两个领域的文本映射到同一向量空间。AI 能够识别出：算法战争中的“责任消解链条”，在结构上与古希腊悲剧的“命运网络”完全同构，两者都是“局部的理性或正当性”通过“结构性遮蔽”，在交汇点坍缩为“全局的伦理灾难”。研究者借助 AI，将数百份现代自动化军事决策流程图与数千年悲剧理论中的结构模型进行跨领域映射，瞬间完成了人类跨学科阅读无法达到的翻译：将算法中“传感器与打击终端的归责断裂”，翻译并照射为戏剧学中的“结构性无知”；将官僚系统中“人人依规履职却共同造恶”，翻译并照射为悲剧学中的“正义原则的自我冲突”。

二、从"知识资产"到"认知系统"：三层架构及其理论意涵

高阶人机共笔的核心门槛，不在于会不会调用模型，而在于是否完成了从"知识资产"到"认知系统"的转向。人文学者过去最重要的财富，多半以内隐知识（tacit knowledge）的形式沉淀在个人经验里：阅读经验、概念直觉、判断习惯、写作风格。它们真实存在，却分散于记忆、纸质笔记、电子文档与已发表成果之中，难以整体调用，更难持续优化。高阶共笔要求研究者第一次主动面对这个任务：把这些长期积累的思想材料，逐步组织成一个能够持续生长的人机协同系统。研究成果不再只是一本本已经完成的著作，而开始成为一个仍在连接、学习与生成的认知网络。研究者不仅研究世界，也开始研究自己的研究过程。

这样一个系统，通常呈现为三个彼此支撑的层次：记忆、推理和判断。

记忆层负责保存并结构化研究者的思想轨迹：阅读笔记、未刊手稿、课堂讲授、概念草图、学术通信等，不再是静态存档，而是可检索、可关联、可持续更新的私人知识基础。它保存的不只是文献，更是问题意识与思想演化的历史。

“推理层负责组织思考的方式：把比较、追踪、辨析、跨文本分析、思想实验、假设检验等研究动作模块化，形成可协同工作的认知网络。在这一层，高阶共笔的核心功能是从‘同质推理’转向‘盲区爆破’。人文研究者往往沉浸于自身熟悉的解释逻辑，产生盲目顺从既有框架的隐性偏见。智能系统在此被重构为一种‘认知位移机器’（epistemic displacement machine）：研究者通过引入异质学科的概念隐喻、反向提问（如追问‘文本与档案中的沉默者’）、以及极端条件下的反事实推演，强行拉开原有思想的焦距。

智能系统在此帮助发现过去因学科壁垒或语言孤岛而难以察觉的同构联系，将研究者从‘已知之未知’（文献缺失）推向‘未知之未知’（概念与视角的彻底遮蔽），极大拓宽了理论生成的空间。真正的价值不在于替代思考，而在于让研究者拥有过去难以实现的更大规模、更高维度的认知破局能力。

判断层则是整个系统的终审，也是三层结构中唯一不可让渡、不可外包的部分。理论是否成立、概念是否恰当、证据是否充分、解释是否具有历史真实性、价值立场是否合理——这些最终只能由人承担。任何关键论断都需可追溯至原始语境，任何类比都需说明边界，任何流畅推演都需主动寻找反例。判断层制度化的，是批判精神、历史感、概念敏感性与学术责任。三个层次构成持续循环：新的阅读进入记忆层，新的联系在推理层生成，新的理论在判断层接受检验，经过验证的成果再回流成为未来思考的基础。随着循环不断运行，研究者真正建立的已不只是数据库或工作流，而是一个能够持续学习、持续修正、持续创造的思想生态。

值得注意的是，这三层架构并非平行的符号流动，其终极锚点始终是人文学者独有的“具身性”（embodiment）与“情境认知”（situated cognition）。无论记忆层的存档多么丰富，推理层的关联多么缜密，判断层的价值生成往往源于非文本化的生命体验——田野调查中的身体临场、历史现场的感官震慑、档案纸页间的历史温热，以及面对人类苦难时瞬间迸发的伦理共鸣。AI系统本质上是基于符号组合与概率分布的算力模型，它拥有海量的“关于世界的知识”（knowledge about），却缺失“在世界之中”的具身存在（being-in-the-world）。正是这种无法彻底符号化的感官感知与情感共鸣，构成了三层架构中最坚硬的本体根基，确保了认知系统始终服务于有体温的人类真实。

三、判断层与主体性的坚守：为什么“判断”不可外包

判断层之所以不可替代，并非出于对技术能力的低估，而是出于对判断本身性质的准确理解。阿伦特区分“思考”与“判断”，认为判断是面对具体情境、在无可援引的普遍规则时仍能做出恰当区分的能力，而“无思状态”（thoughtlessness）恰恰表现为对既定程式的不假思索的依赖。当AI能够以极高的流畅度生成看似合理的论证时，最大的风险不是AI“想错了”，而是研究者在长期依赖中悄然滑入无思状态，把模型输出的连贯性误当作判断本身。

这种不可外包的性质，更深刻地根植于人文研究独有的“具身性”（embodiment）与“情境认知”（situated cognition）之中。文本与数据固然是知识的重要载体，但人文学者的概念直觉与价值判断，往往生成于非文本化的生命体验——田野调查中的身体临场、历史现场的感官震慑、档案纸页间的历史温热，以及面对人类苦难时瞬间迸发的伦理共鸣。AI系统本质上是基于符号组合与概率分布的算力模型，它拥有海量的“关于世界的知识”，却永远缺失“在世界之中”的具身存在。人类的“判断”并非发生在真空的逻辑推理中，而是深植于肉身与历史情境的直接碰撞。正是这种无法被彻底符号化、无法被算法概率穷尽的感官感知与情感共鸣，赋予了人类判断以真正的历史真实感与道德重量。若将判断外包给缺乏具身体验的算法系统，人文研究便有沦为无体温的符号游戏之虞。

科学社会学的奠基人，罗伯特·默顿（Robert Merton）所说的“有组织的怀疑主义”（organized skepticism）——科学共同体制度化的、对一切主张持续追问其依据的习惯——在此获得了新的紧迫性：判断层的制度化，正是把这种怀疑精神嵌入人机协同的日常流程，而不是留给偶发的灵感（Merton, 1973）。

同样值得警惕的是米兰达·弗里克（Miranda Fricker）所揭示的认知不正义（epistemic injustice）问题。大模型的默认语言、默认框架、默认价值预设，往往在无声中筛选了哪些问题意识被视为“合理”、哪些解释路径被视为“标准”，而这种筛选本身携带着特定知识传统与语言文化的偏向（Fricker, 2007）。第三种人机共笔者的责任，正在于不断追问系统默认语言背后被遮蔽的解释可能性，主动为那些不被默认框架优先呈现的问题意识争取表达空间。这也是为什么高阶共笔不能止步于效率提升，而必须包含对系统本身的持续审视。

四、“唤醒”与“养成”：两种学术生命路径

建构人机协同的认知系统，并非对所有研究者施加同一种模板，而是因应学术生命的具体阶段，分化出“唤醒”与“养成”两条截然不同却又交相辉映的实践路径。

对成熟学者而言，建构系统是一次对沉淀思想的“唤醒”。资深研究者的核心优势在于数十年积累的隐性知识（tacit knowledge）、独特的概念直觉以及经受过检验的判断力。然而，这些极其宝贵的思想资产往往散落于不同时期的已刊著作、未刊手稿、课堂讲授与私人笔记中，处于静态存档甚至被遗忘的状态。“唤醒”的本质，是通过建立记忆层与推理层的数字关联，将这些沉睡的知识碎片重新激活并网络化，使过去一次性的研究成果转化为能够持续生长、反复协同的认知底座。对他们而言，最大的挑战在于打破既有的思维惯性，不把AI仅仅当成辅助检索的电子档案库，而是当成能够挑衅、刺激与重构自身既有框架的认知镜像。

对年轻学人而言，建构系统则是一场关乎学术基因的“养成”。初入学术领域的青年学者，尚未形成深厚的知识沉淀与固化的方法论，处于认知骨骼塑造的关键期。传统的学术训练往往让人淹没于海量的文献整理与碎片化的写作成稿中，难以建立整体性的问题意识。“养成”的本质，是从第一份阅读笔记、第一次概念辨析开始，就以建构思想体系的宏阔视野来组织自身的知识积累。通过在起步阶段就建立起结构化的三层认知架构，年轻学人得以跳出“单纯囤积资料”的低效循环，让每一次习得都成为个人思想网络的一次节点扩容。然而，年轻学人面临着比成熟学者更严峻的隐性风险：在自身的“判断层”尚未稳固之前，极易被大模型极其流畅的推演能力与默认的价值偏见所俘获，在悄然间放弃了自主建立批判性眼光的机会。

因此，无论“唤醒”还是“养成”，其本质都是对话性的。正如巴赫金所言，言语行为总是在与既有话语的应答关系中获得意义，任何表达都无法脱离它所回应、也终将被回应的话语链条（Bakhtin, 1993）。人机共笔系统中的每一次修正、每一次概念的重新表述，都是研究者与自己过往思考、与AI生成的中介文本、与未来读者之间持续展开的应答关系。这种“应答性”（answerability）不仅要求研究者对系统中生成的每一个论断承担不可推卸的道德与学术责任，更驱动着研究者展开主动的“系统对抗”与“反向驯化”。

大模型的底层概率分布倾向于收敛至主流与平均的共识，极其容易抹平边缘、异质与具有颠覆性的理论张力。无论处于生命的哪一个学术阶段，研究者关键的实践恰在于通过持续的异质性文本注入与极限概念施压，打破模型的默认惯性，逼迫系统在非主流的解释路径上展开推理。成熟学者通过“反向驯化”赋予系统以深厚的历史感与批判张力，年轻学人则在“反向驯化”的实操中锤炼自身独立对抗主流共识的判断力。研究者由此从单纯的模型使用者，转变为了局部系统价值倾向与思想边界的重塑者——在被算法重构的世界里，完成了对算法的反向驯化，并在此过程中实现了自身学术生命的真正成长。

但这里必须进一步追问一个更严格的问题：什么才算“高阶”？

如果“高阶”只是意味着AI参与得更多、使用的工具更复杂、生成的文字更多，或者研究效率更高，那么它仍然没有真正超出一般意义上的AI辅助写作。效率不是唯一的尺度，信息量也不是，文字质量甚至都未必是。一个人完全可以借助AI更快地完成一篇结构完整、语言流畅的论文，却没有因此产生任何新的认识。

因此，判断一种人机共笔是否真正进入“高阶”，最终不能看AI参与了多少，而要看一个更严格的判据：AI介入之后，研究者是否获得了原有知识组织方式无法自然产生的问题、连接、解释与判断。

换言之，高阶共笔的真正标志，不是“AI参与得更多”，而是人的认知能力被重新组织之后，产生了新的认识可能。如果AI只是让原来的研究流程更快、更方便，那么它仍然属于工具优化；只有当人机协同开始改变研究者能够提出什么问题、能够看到什么关系、能够形成什么解释时，人机共笔才真正发生了认识论意义上的跃迁。

这种以问题结构自身发生位移为标志的高阶共笔，并非本书独有的经验。在其他研究领域，也已经可以观察到类似的实践形态。

例如，一位长期从事概念史与思想史研究的资深学者，可以将数十年积累的阅读札记、未刊手稿与课堂讲授材料重新组织为一个可检索、可关联的私人知识基础。AI在这里并不是替他完成常规的文献综述或文本润色，而是被用于不断重新组合这些沉淀多年的材料。研究者有意识地加入边缘文献、异质理论资源以及早期被搁置的问题意识，让系统在不同历史语境和理论传统之间进行比较、质疑与反事实推演。更重要的是，他并不接受模型提供的第一个解释，而是不断拒绝、修正和重构这些连接。最终，一个二十年前已经提出、后来逐渐沉寂的概念重新进入研究视野，并在与当代问题的碰撞中获得了此前没有的解释力。

这里真正发生变化的，并不是资料检索速度提高了，也不是文章写得更加流畅，而是一个原本已经沉睡的问题意识被重新组织起来，并由此产生了仅凭原有知识结构难以自然抵达的概念连接。AI没有替研究者“想出了”这个概念，而是改变了研究者能够重新遇见自己思想的方式。

类似的变化也可能发生在年轻学人的“养成”过程中。一些数字人文、计算社会科学以及跨学科研究的青年研究者，从博士阶段开始便有意识地把阅读笔记、概念辨析、研究假设和写作过程组织成持续更新的认知网络。他们并不把AI仅仅当成一个在研究完成之后用来查资料、改语言的工具，而是在问题形成的早期就让模型参与比较、质疑和假设生成，同时主动向系统输入不同学科、不同语言传统甚至相互冲突的材料，以抵抗模型趋向主流共识的惯性。

这种做法最值得注意的结果，也不是他们能够更快完成论文，而是他们可能更早发现：原来以为理所当然的问题，其实还可以换一种方式提出；原来彼此分离的知识领域，可以通过一个新的概念连接起来；原来只能接受的解释，也可以被重新质疑。当然，这条路径同样伴随着危险。对于判断层尚未形成的年轻研究者而言，AI强大的流畅性和知识组织能力反而可能提前替代本应由长期学术训练形成的怀疑能力。因此，真正成功的“养成”并不是让年轻人越来越依赖AI，而是让他们在与AI的持续对话和对抗中，更早形成识别模型局限、拒绝现成答案以及重新提出问题的能力。

这两个方向看似相反：成熟学者是在AI帮助下重新唤醒已经存在却沉睡的思想资源，年轻学人则是在AI介入下逐渐形成尚未成熟的思想结构。但它们最终指向同一个判据：高阶共笔的价值，不在于AI替人完成了多少，而在于人借助AI之后，开始能够思考原来难以思考的问题。

五、思想生命体与新的认识可能

高阶人机共笔最终守护的，是思想的主体性。但如果仅仅把“主体性”理解为人始终拥有最后的决定权，那么这个标准仍然不够。因为一个人完全可以保留最终判断权，却仍然只是让AI替自己完成旧有的研究流程；也可以在每一个环节都声称“最终由我负责”，却没有因此产生任何新的思想。因此，“高阶”必须有一个比“AI参与程度”更严格的判据。

高阶共笔并不是AI参与得更多，也不是提示词写得更复杂，更不是生成的文字更加流畅。它甚至未必意味着效率更高、信息更多或成文质量更好。真正的问题只有一个：经过人机协同之后，这个研究者是否获得了原来凭借自身既有知识组织方式所无法获得的问题、连接、解释和判断？

如果答案是否定的，那么无论AI参与了多少，它都仍然只是工具优化。研究者只是用一种更强大的工具，更快地完成了过去会完成的事情。

真正的高阶共笔，则发生在另一个层面：AI进入的不再只是写作流程，而是进入研究者的认知结构。它扮演着一个不受人类社交顾虑与情绪偏见限制的‘异质镜像’，持续向研究者的固定思维抛出质疑与反例。它使原本被学科藩篱隔离的知识产生异质同构的连接；它通过对盲区的强行照射，使那些原本‘因不在场而不可见’的问题意识、那些研究者“不知道自己不知道”的隐性假设，重新浮出水面；它使某个过去无法成立的比较获得新的解释空间，使研究者不得不重新审视一个自己原本确信的判断。更重要的是，这些新的可能性最终必须经过人的具身经验与道德直觉（判断层）的筛选、反驳、修正与承担，才能真正成为知识。

因此，高阶共笔真正改变的不是“谁在写”，而是一个人能够如何思考。这也使“认知系统”这一概念获得了比工作流更深的意义。它的价值并不在于把更多资料存进去，把更多任务交给AI，而在于形成一种持续改变自身认识边界的循环：记忆使过去的思想重新进入当下，推理使原本分散的知识产生新的关联，判断则决定哪些关联值得保留、哪些解释必须拒绝。经过不断循环，研究者不只是拥有了一个更强大的外部工具，而是在重新组织自己的认知能力。

从这个意义上说，高阶人机共笔的最终成果，不能用“AI写了多少”来衡量，也不能用“人写了多少”来衡量，甚至不能简单用最终文本的质量来衡量。它真正应该衡量的是：这个系统是否扩大了人的认识可能。

一个真正成功的人机共笔，应该让研究者在协作之后看到一些协作之前看不到的东西，提出一些过去不会提出的问题，建立一些过去无法建立的联系，形成一些过去尚未形成的解释，并最终抵达一些仅凭原有认知路径难以抵达的判断。

这才是“一加一大于二”真正的含义。它不是把人的文字和机器的文字相加，也不是把人的知识和机器的信息相加，而是通过新的认知组织方式，使原本不存在的认识可能成为可能。

于是，“高阶”便不再是一个关于技术熟练程度的等级，而成为一个关于认识论结果的判断。第一种人守护的是传统的人类认知方式；第二种人提高的是既有研究流程的效率；第三种人则开始改变知识产生的条件。他们不是简单地把AI变成更好的工具，而是在重新设计自己与知识、语言、记忆、推理和判断之间的关系。

人工智能可以越来越熟练地组织语言、归纳资料、参与比较与推演，但它真正带给人的最重要机会，也许恰恰不是让人少做一些工作，而是迫使人重新发现：哪些工作原来只是工作的形式，哪些才是真正的认识劳动。

当基础性知识劳动越来越多被模型承担之后，人文学者不可替代的，将越来越不是知识本身，而是组织知识的方式、提出问题的能力，以及赋予知识意义的判断。更进一步说，人真正需要守住的也不只是“最后一票否决权”，而是那种能够让新的认识发生、能够辨认新的认识是否成立、并愿意为这种判断承担责任的能力。

因此，高阶人机共笔最终指向的，不是一个不断扩充的数据库，也不是一套越来越复杂的智能体组合，而是一种持续演化的思想生命体。

它保存问题意识，延续概念生成的路径，积累判断与创造的能力；它不能代替研究者承担责任，却能够记录思想形成的历史，扩展认知边界，使几十年的学术积累第一次以持续运行、持续学习的方式存在于个人生命之外。过去，学者留下的主要是已经完成的著作；未来，学者也许能够留下一个仍然可以继续学习、继续生成、继续回应时代问题的思想系统，这样它才具有了自己可以延续的生命。

文献：

Arendt, Hannah. The Life of the Mind. Harcourt Brace Jovanovich, 1978.

---. Lectures on Kant's Political Philosophy. Edited by Ronald Beiner, University of Chicago Press, 1982.

Bakhtin, Mikhail M. Toward a Philosophy of the Act. Edited by Vadim Liapunov and Michael Holquist, translated by Vadim Liapunov, University of Texas Press, 1993.

Bourdieu, Pierre. Distinction: A Social Critique of the Judgement of Taste. Translated by Richard Nice, Harvard University Press, 1984.

---. "The Forms of Capital." Handbook of Theory and Research for the Sociology of Education, edited by John G. Richardson, Greenwood Press, 1986, pp. 241–58.

Fricker, Miranda. Epistemic Injustice: Power and the Ethics of Knowing. Oxford University Press, 2007.

Merton, Robert K. "The Normative Structure of Science." The Sociology of Science: Theoretical and Empirical Investigations, edited by Norman W. Storer, University of Chicago Press, 1973, pp. 267–78.