Dulu harapan kita terhadap AI masih cukup sederhana: menulis email, menerjemahkan makalah, menjadi teman ngobrol... Saat itu, AI seperti karyawan magang yang baru lulus, mengerjakan apa yang diperintahkan, tetapi sering juga memberikan jawaban yang terdengar serius namun tidak masuk akal.
Dalam beberapa tahun terakhir, perkembangan AI melaju pesat.
Ia tidak lagi puas hanya menulis beberapa paragraf untuk manusia, tetapi mulai mengambil alih pekerjaan secara menyeluruh: menulis kode, mencari bahan referensi, melakukan analisis, menghasilkan skema, bahkan dapat memecah tugas, menggunakan alat, menyusun langkah-langkah, dan memeriksa hasil secara mandiri.
Diikuti pula dengan berbagai perubahan yang menggelikan. AI yang dikembangkan oleh programmer mulai mengambil alih sebagian pekerjaan yang sebelumnya dilakukan programmer; banyak posisi pekerja kantoran juga menemukan bahwa AI telah duduk di meja sebelah mereka.
Keadaan di dunia akademik lebih menarik lagi. AI sangat mengurangi hambatan dalam menulis makalah akademis; ia tidak perlu memahami cita-cita akademis, tetapi dapat mengatur format makalah dengan cukup rapi dan formal.
Karena itu, beberapa orang mulai memproduksi makalah secara massal dan mengirimkannya secara massal. Reviewer yang terlalu sibuk, menggunakan AI untuk membantu proses review; penulis yang mengetahui hal ini kemudian menyisipkan kata kunci petunjuk yang hanya mudah dikenali mesin dalam makalahnya, dengan harapan AI reviewer memberikan evaluasi positif. Semua pihak yang terlibat menghemat waktu, tetapi apakah pengetahuan itu sendiri bertambah, belum ada kesepakatan yang bulat.
Namun, masalahnya justru di sini: apakah yang kita peroleh adalah lebih banyak pengetahuan, atau lebih banyak hal yang tampak seperti pengetahuan? Ketika semakin banyak pekerjaan yang dapat diserahkan kepada AI, apa yang tersisa bagi manusia?
Buku Biru "Pengembangan Kecerdasan Humaniora dan Ilmu Sosial 2026" yang dirilis oleh Universitas Fudan, berusaha menjawab pertanyaan-pertanyaan ini.
Dibandingkan dengan buku biru pertama yang terutama mengamati bagaimana AI memberdayakan humaniora dan ilmu sosial, buku biru edisi ini mengambil tema "Menggali Kembali Nilai Berpikir Mendalam", lebih lanjut mengusulkan bahwa hubungan antara AI dan humaniora serta ilmu sosial sedang bergerak dari "pemberdayaan satu arah" menuju "integrasi dua arah": AI mengubah cara humaniora dan ilmu sosial melakukan penelitian, sementara humaniora dan ilmu sosial harus berpartisipasi dalam menentukan untuk apa, di mana, dan dengan batasan seperti apa AI seharusnya digunakan.
Sebagai unit pendukung khusus buku ini, Shanghai Institute of Scientific Intelligence juga bekerja sama dengan Universitas Fudan, terus menjelajahi jalur integrasi mendalam antara AI dengan humaniora dan ilmu sosial.
Mengapa Semakin Kuat AI, Semakin Penting Berpikir Mendalam
Setelah kalkulator tersebar luas, manusia tidak perlu lagi menghitung angka rumit dengan pena dan kertas; setelah navigasi muncul, manusia tidak perlu mengingat setiap jalan. Berdasarkan penalaran ini, setelah AI mampu menganalisis data dan menghasilkan kesimpulan, manusia mungkin juga bisa sedikit mengurangi beban berpikir.
Sayangnya, masalah sosial bukanlah soal aritmatika.
Buku Biru mengambil contoh sistem keterkaitan iklim-sosial untuk menunjukkan, yang benar-benar sulit bukanlah menangani lebih banyak variabel, melainkan memahami ketidakcocokan antara sistem alam dan sistem sosial dalam struktur, variabel, dan skala. Sebuah model yang dapat melakukan operasi, tidak berarti ia telah memahami masalahnya.
Tiga jenis ketidakcocokan dalam sistem keterkaitan iklim-sosial: struktur, variabel, dan skala.
Soal aritmatika hanya perlu menilai apakah jawabannya benar, sedangkan produksi pengetahuan dan pengambilan keputusan publik harus terus mempertanyakan: apakah proses argumentasi dapat diandalkan, apakah asumsi awal masuk akal, apakah risiko potensial dapat dikendalikan, dan apakah masalah itu sendiri memiliki nilai untuk memandu masa depan.
Buku Biru berpendapat, hambatan penelitian sedang bergeser: Masalah di masa lalu adalah apakah dapat memproses materi yang cukup banyak, masalah sekarang adalah apakah dapat mengajukan pertanyaan yang baik, membangun mekanisme yang nyata, dan membentuk rantai bukti yang dapat diuji.
Pertanyaan mana yang layak diteliti, bagaimana pola yang diamati seharusnya dijelaskan, apakah suatu hasil adil dan benar, serta apa yang diabaikan dan bias apa yang diperkuat dalam penelitian, penilaian ini tidak dapat sepenuhnya diotomatisasi. Semakin kuat kemampuan AI, tanggung jawab penilaian manusia justru semakin berat.
AI tampaknya bisa melakukan segalanya, apakah semuanya bisa dilakukan dengan baik?
AI semakin pandai berbicara, bernalar, menggunakan alat, dan semakin mirip "mitra penelitian" yang dapat berkolaborasi. Tetapi apakah ia benar-benar memahami, atau hanya mensimulasikan pemahaman dengan cara yang sangat canggih?
Lebih dari empat puluh tahun yang lalu, Searle menggunakan eksperimen pikiran "Chinese Room" untuk mempertanyakan apakah operasi sintaksis murni dapat menghasilkan pemahaman semantik. Hari ini, model bahasa besar (LLM) menempatkan masalah ini di hadapan setiap orang: bagaimana kita menilai apa yang sebenarnya dipahami oleh model besar, dan apa yang terlewatkan?
Satu penilaian penting dari Buku Biru adalah, kecerdasan manusia bukanlah proses sederhana "input – output". Manusia dapat memahami dunia karena persepsi dan perhatian mengorganisir rangsangan eksternal menjadi situasi, ingatan dan peta kognitif mengorganisir pengalaman masa lalu menjadi struktur yang dapat ditransfer dan digunakan untuk bernalar, emosi dan nilai menentukan informasi mana yang lebih penting dan tujuan mana yang lebih layak dikejar.
Langkah pertama dalam kolaborasi manusia-AI bukanlah meminta AI bekerja, melainkan terlebih dahulu memperjelas pembagian tugas antara manusia dan AI. AI dapat membantu kita mengidentifikasi objek, mengambil informasi, menghasilkan teks, tetapi ia dengan mudah mengubah pengalaman sosial yang kompleks menjadi format yang mudah diprosesnya sendiri, mengubah masalah yang benar-benar perlu dipahami menjadi masalah yang tampaknya telah terjawab. Kita perlu bergerak dari identifikasi objek menuju pemahaman situasi, dari penyimpanan informasi menuju organisasi pengalaman, dari generasi menuju penilaian nilai dan refleksi diri.
Karena itu, ilmu kognitif menjadi sangat penting. Ia memberitahu kita bahwa berpikir mendalam bukanlah kemampuan yang bertentangan dengan AI, melainkan kemampuan yang lebih perlu diaktifkan dalam kolaborasi manusia-mesin. AI kognitif yang benar-benar bernilai, seharusnya tidak hanya memberikan satu jawaban tunggal yang lancar dan pasti, tetapi membantu manusia mengajukan pertanyaan, membandingkan bukti, dan menjaga proaktifitas dalam penilaian.
Makalah ditulis semakin cepat, siapa yang menjamin kredibilitasnya
Setelah AI memasuki penelitian ilmiah, perubahan yang paling mencolok adalah kecepatan. Pengaturan literatur, pembersihan data, pembuatan kode, pembuatan grafik, dan draf awal makalah, semuanya dapat diselesaikan dalam waktu singkat. Peneliti tidak berkewajiban menghabiskan waktu berharga pada pekerjaan berulang, dan apakah seorang sarjana memiliki pemikiran, juga tidak seharusnya dibuktikan dengan berapa kali ia menyesuaikan format referensi secara manual.
Tetapi kecepatan penelitian dan kecepatan pengetahuan adalah dua hal yang berbeda. Makalah yang dihasilkan dengan cepat, tidak berarti konsep telah dijelaskan, data telah dipahami, hubungan sebab-akibat telah terbukti. Model bahasa terutama sangat ahli dalam mengorganisir materi yang tersebar menjadi narasi yang koheren, dan momen paling berbahaya dalam penelitian akademis justru sering kali adalah ketika narasi terlihat terlalu koheren.
Risiko juga tersembunyi di balik tahapan yang tampaknya hanya "operasi teknis". Bagaimana variabel dipilih, bagaimana indikator dikonstruksi, dari tahun berapa sampel dimulai, kasus mana yang dimasukkan, semuanya mengandung penilaian teoritis.
Tentu saja mesin tidak memiliki konspirasi, ia hanya perlu melakukan satu kesalahan kecil di langkah pertama, dan tetap percaya diri dalam dua puluh langkah berikutnya.
Risiko lain berasal dari pencarian model otomatis. AI dapat terus mencoba kombinasi variabel, pengaturan parameter, dan interval sampel, sampai menemukan hasil yang signifikansi statistiknya lebih kuat, tingkat kesesuaian (fit) lebih tinggi, dan grafiknya lebih bagus. Dulu, "mencoba sampai hasilnya signifikan" masih dibatasi oleh waktu dan tenaga; sekarang, agen cerdas dapat mencari tanpa henti. Setelah efisiensi meningkat, kebetulan statistik juga dapat lebih efisien dibungkus menjadi penemuan teoritis.
Tantangan nyata yang dibawa oleh penelitian ilmiah otomatis, bukan hanya apakah mesin dapat melakukan kesalahan, tetapi apakah kesalahan dapat ditemukan tepat waktu, apakah proses penelitian dapat ditelusuri kembali, dan apakah kesimpulan akhir dapat diuji ulang.
Saat AI mengambil keputusan, siapa yang bertanggung jawab
Kemampuan AI untuk mengenali dan mengklasifikasikan manusia sedang meningkat pesat. Ia dapat mengenali permohonan, menilai risiko, meninjau materi, mencocokkan kebijakan, dan juga memberikan referensi keputusan bagi staf.
Daya tarik sistem semacam ini jelas: mereka lebih cepat dari manusia, tidak lelah, dan tidak akan mengubah irama penanganan karena tekanan atau fluktuasi emosi.
Namun, tidak lelah dan adil adalah dua hal yang berbeda.
Studi yang dikutip Buku Biru menemukan, ketika menganalisis postingan forum kesehatan dan wawancara siswa internasional, peneliti manusia dapat mengenali nuansa halus seperti interaksi dokter-pasien, tanggung jawab budaya, dll., sementara model besar cenderung menyimpulkannya menjadi kategori yang lebih umum dan lebih terstandarisasi.
Model bukan sama sekali tidak memahami. Ia hanya sangat ahli dalam mengubah hal-hal yang tidak mudah dipahami, menjadi bentuk yang mudah ditangani olehnya sendiri.
Dalam tata kelola publik, penyederhanaan semacam ini dapat secara langsung mempengaruhi hak dan perlakuan terhadap seseorang. Buku Biru kemudian membedakan dua mode pelekatan AI.
Satu adalah mode "agen". Algoritma menjadi pelaku, dari input informasi hingga output keputusan, manusia hanya muncul kembali ketika sistem gagal atau ada banding dari pihak yang berkepentingan. Yang lainnya adalah mode "bantu". AI bertanggung jawab mengambil informasi, menghitung, mengingatkan risiko, dan menghasilkan skema, keputusan akhir tetap dibuat oleh manusia.
Perbedaan kedua mode ini, bukan terletak pada seberapa banyak teknologi yang digunakan, melainkan apakah terjadi perpindahan kekuasaan.
Tentu saja, menulis "human-in-the-loop" dalam dokumen institusi tidak menjamin manusia benar-benar masih terlibat. Jika staf hanya dapat mengklik "konfirmasi" di belakang kesimpulan algoritma, yang disebut tinjauan ulang manual hanyalah mengganti keputusan mesin dengan jari manusia.
Peran manusia harus memiliki hak intervensi, hak koreksi, dan hak penjelasan, jika tidak, tinjauan ulang manual akan menjadi pertunjukan tanggung jawab semata.
Ketika AI mulai mempengaruhi hak seseorang, masalah tidak boleh berhenti pada "apakah modelnya akurat", tetapi juga harus memperjelas siapa yang menerapkan, siapa yang meninjau ulang, siapa yang menjelaskan, siapa yang menerima banding dan memikul tanggung jawab akhir.
Tanggung jawab dapat dibagi, tetapi tidak boleh karena pembagian terlalu rinci, akhirnya menguap begitu saja.
Berpikir Mendalam, Lebih dari Sekadar "Berpikir Lebih Lama"
"Berpikir mendalam" terdengar seperti kebajikan pribadi: menghadapi masalah, jangan terburu-buru menjawab, berpikir lebih lama. Tetapi berpikir mendalam yang benar-benar bermakna, harus masuk ke dalam alur kerja penelitian, prosedur tata kelola, dan sistem organisasi. Ia tidak hanya menuntut individu lebih hati-hati, tetapi juga menuntut sistem mempertahankan kondisi yang memungkinkan manusia untuk berhati-hati, mempertanyakan, dan mengoreksi.
AI dapat membantu, tetapi rantai bukti tidak boleh ditiadakan
Berpikir mendalam tidak berarti menolak AI. Tidak perlu, untuk membuktikan martabat manusia, bersikeras mengatur ribuan materi secara pribadi, atau menghabiskan seharian penuh untuk menyesuaikan format referensi.
Kuncinya adalah, pekerjaan dapat diserahkan kepada AI, tetapi rantai bukti tidak boleh ikut diserahkan. AI dapat mengambil literatur, memproses data, menjalankan kode, tetapi peneliti tetap perlu menilai apakah masalah layak diajukan, apakah konsep telah diubah secara akurat menjadi indikator, apakah hubungan data mendukung penjelasan sebab-akibat, dan kesimpulan berlaku untuk ruang lingkup mana.
Kerangka kerja STRIDES yang diperkenalkan Buku Biru, mencoba memecah penelitian kompleks menjadi teori, metode, data, eksekusi, dan tinjauan, serta menetapkan pemeriksaan di titik kunci: hipotesis perlu ditulis jelas, bukti dapat dilacak, data dan kode menyimpan catatan versi, kesimpulan berisiko tinggi atau tingkat kepercayaan rendah diserahkan kembali kepada manusia untuk dinilai.
Gambaran umum sistem STRIDES: alur kerja tertutup dari desain penelitian hingga tinjauan adverserial
Setelah AI berpartisipasi dalam penelitian, hasil penelitian seharusnya tidak hanya tersisa satu makalah akhir. Pertanyaan penelitian, kamus data, skrip analisis, catatan eksekusi, pendapat tinjauan, dan keputusan manual, juga harus disimpan, agar orang dapat melihat dari mana hasil berasal, di langkah mana mungkin terjadi kesalahan, dan modifikasi apa yang telah dilakukan.
Sains dapat dipercaya, bukan karena kesimpulan datang dengan cepat, tetapi karena orang lain dapat mengikuti kembali rantai bukti tersebut.
Dalam wawancara, tim memberikan satu pemeriksaan diri yang sederhana: setelah mematikan model, dapatkah Anda menjelaskan dengan bahasa sendiri apa masalahnya, dari mana buktinya, asumsi apa yang diandalkan kesimpulan, kemungkinan pengecualian apa, dan batas penerapan di mana?
Jika hanya bisa mengatakan "penjelasannya masuk akal", tetapi tidak bisa menjelaskan alasannya; jika masalah secara bertahap diubah menjadi masalah yang mudah dijawab model; jika tulisan semakin lancar, tetapi sudut pandang sendiri semakin kabur, maka kemungkinan besar AI telah berubah dari asisten ekspresi menjadi agen penilaian.
Aturan tidak boleh hanya ditulis dalam slogan
Tentang tata kelola AI, orang telah mengajukan banyak prinsip yang benar: adil, transparan, aman, berpusat pada manusia, melindungi privasi, bertanggung jawab.
Masalahnya adalah, jika prinsip tidak dapat diubah menjadi prosedur, ia mudah hanya hidup dalam rapat dan dokumen.
Satu set sistem yang hanya memiliki prinsip tanpa mekanisme pelaksanaan, sama seperti seseorang yang hanya memiliki cita-cita tanpa alarm. Setiap hari berniat melakukan hal yang benar, hanya saja tidak pernah bangun pada waktu yang tepat.
Buku Biru menekankan, tata kelola AI harus mencakup seluruh siklus hidup sistem: menilai risiko dan batas penerapan sebelum penerapan, mencatat keputusan kunci, memantau anomali, dan mempertahankan intervensi manual selama operasi, dapat meninjau ulang, mengoreksi, dan mempertanggungjawabkan setelah masalah muncul.
Sistem dengan risiko berbeda, juga tidak seharusnya menerima tata kelola yang persis sama. Pencarian informasi dan pengaturan teks biasa dapat menurunkan ambang batas; sistem yang melibatkan keamanan publik, hak penting, dan keputusan kunci, seharusnya menerima persyaratan pengujian, audit, dan penerapan yang lebih ketat.
Tata kelola juga tidak boleh berhenti pada "telah diberi tahu". Orang yang terdampak seharusnya tahu keputusan dibuat berdasarkan apa, apa yang dapat dipertanyakan, kepada siapa mengajukan keberatan, dan dapat meminta tinjauan ulang manual, serta memperoleh perbaikan nyata setelah terjadi kesalahan. Jika tidak, kewajiban penjelasan mudah menjadi dokumen teknis yang tidak ada yang mengerti, dan saluran banding juga mungkin hanya tersisa satu halaman web.
Tentu saja, tata kelola bukan berarti menginjak rem teknologi. Ia lebih seperti membangun jalan: di mana dapat menambah kecepatan, di mana harus membatasi kecepatan, di mana perlu pembatas, siapa yang bertanggung jawab jika terjadi kecelakaan. Jalan tanpa aturan tidak mewakili kebebasan, biasanya hanya mewakili yang kuat mengemudi lebih cepat, yang lain berhati-hatilah sendiri.
AI dapat mengatur jawaban, manusia masih harus menentukan arah
AI sangat ahli dalam menjawab pertanyaan yang telah diajukan. Tetapi masalah yang benar-benar sulit di masyarakat, biasanya bukan karena tidak ada jawaban, melainkan karena tidak ada satu jawaban standar yang diakui semua orang.
Saat efisiensi dan keadilan berbenturan, mana yang harus diprioritaskan? Ketika inovasi teknologi membawa keuntungan keseluruhan, tetapi membuat sebagian orang menanggung biaya lebih besar, apa yang disebut wajar? Saat kepentingan publik dan hak individu bertentangan, di mana batasnya harus ditarik?
Masalah-masalah ini tidak akan hilang secara otomatis dengan memperbesar skala parameter.
Buku Biru merangkum "pemberdayaan balik" humaniora dan ilmu sosial terhadap AI dengan cukup konkret: Bukan berdiri di samping teknologi dan memberikan pendapat moral yang abstrak, melainkan mengubah konflik nilai menjadi pertimbangan yang dapat dianalisis, mengubah konsekuensi sosial menjadi indikator yang dapat diukur, serta menyediakan kerangka pengetahuan yang lebih memiliki arah dan daya jelasan bagi perkembangan teknologi.
Model dapat memberitahu kita konsekuensi apa yang mungkin dibawa oleh pilihan yang berbeda, tetapi ia tidak dapat memutuskan sendiri, sebagian orang mana yang harus membayar biaya demi efisiensi keseluruhan, juga tidak dapat memutuskan apakah suatu biaya layak atau tidak.
Model besar peradaban awal Tiongkok yang dibahas Buku Biru adalah salah satu contoh. Literatur sejarah, tulisan yang digali, gambar artefak, informasi situs, dan data geografis, sebelumnya tersebar di sistem data dan pengalaman ahli yang berbeda; model multimodal dapat mengorganisirnya ke dalam ruang pengetahuan yang sama, memungkinkan bukti dari sumber berbeda saling merujuk.
Maknanya tidak hanya terletak pada peningkatan efisiensi pencarian, tetapi juga pada perubahan cara organisasi bukti. Namun, semakin banyak materi yang terhubung, ahli semakin perlu menilai: kaitan mana yang memiliki makna historis, dan mana yang hanya kemiripan permukaan; narasi mana yang dibangun di atas bukti yang dapat diandalkan, dan mana yang hanya diorganisir menjadi lebih lancar oleh model.
Inilah alasan mengapa humaniora dan ilmu sosial tidak dapat disederhanakan menjadi "mencari kesalahan AI". Ia tidak hanya bertanggung jawab menunjukkan bias, risiko, dan celah, tetapi juga menjelaskan konflik nilai, menganalisis konsekuensi sistem, memahami situasi orang konkret, serta membantu masyarakat membentuk penilaian yang dapat ditanggung bersama.
Teknologi menyelesaikan "apa yang dapat dilakukan", humaniora dan ilmu sosial terus mempertanyakan "mengapa melakukannya", "seharusnya sampai di mana", "biaya ditanggung siapa".
Mengandalkan beberapa tim saja tidak cukup
Saat membahas integrasi AI dengan humaniora dan ilmu sosial, orang mudah memikirkan beberapa laboratorium, beberapa hasil unggulan, serta sedikit peneliti yang memahami teknologi sekaligus ilmu sosial.
Ini tentu penting, tetapi tidak boleh hanya mengandalkan hal-hal tersebut.
Satu bidang untuk membentuk kemampuan jangka panjang, membutuhkan dukungan bersama data, daya komputasi, model, rantai alat, pelatihan talenta, kolaborasi organisasi, dan sistem evaluasi. Buku Biru khususnya mengingatkan, infrastruktur AI4SSH tidak sama dengan membeli lebih banyak mesin, juga tidak sama dengan menempatkan beberapa model ke dalam halaman web yang sama, melainkan pembangunan menyeluruh dari basis data multimodal, lingkungan komputasi, model domain, agen cerdas, rantai alat, dan mekanisme kolaborasi.
Membeli daya komputasi relatif mudah, membangun aturan data bersama sangat sulit; merilis satu model relatif mudah, membuat disiplin yang berbeda benar-benar memahami masalah satu sama lain sangat sulit. Tantangan sebenarnya adalah mengendapkan proyek-proyek yang tersebar menjadi kemampuan organisasi yang dapat terus berjalan.
Yang lebih penting, disiplin ilmu baru seperti ilmu kognitif juga perlu direncanakan bersama. Ilmu kognitif menghubungkan filsafat, psikologi, ilmu saraf, ilmu komputer, linguistik, dan ilmu sosial; ia membantu kita memahami kecerdasan manusia, juga membantu kita merefleksikan dan mengkalibrasi kecerdasan mesin. Bagi perguruan tinggi, pembangunan disiplin dasar semacam ini mungkin tidak segera sesuai dengan aplikasi yang dapat didemonstrasikan, tetapi menentukan apakah kolaborasi manusia-AI di masa depan dapat bergerak dari penggunaan alat menuju inovasi paradigma.
Buku Biru kemudian membangun "Indeks AI4SSH Perguruan Tinggi Tiongkok", dikembangkan dari tiga dimensi: kemampuan inti penelitian, potensi inovasi pengembangan, dan kemampuan penyebaran sosial, mencakup 3 indikator tingkat pertama, 7 indikator tingkat kedua, dan 10 indikator tingkat ketiga.
Ia menyediakan jendela pengamatan yang terstruktur: perguruan tinggi mana yang telah membentuk sistem penelitian lintas disiplin yang stabil, mana yang masih berhenti pada proyek yang tersebar; mana yang memiliki hasil penelitian, tetapi kurang dukungan sistem; mana yang memiliki hasil akademis, tetapi belum mengubahnya menjadi dampak publik dan layanan sosial.
Penilaian keseluruhan Buku Biru adalah, perkembangan AI4SSH di perguruan tinggi Tiongkok telah menunjukkan pola "sistem awal terbentuk, jenjang jelas", hasil penelitian dan kemajuan integrasi lokal relatif cepat, tetapi pengaruh akademis internasional, inovasi sumber, dukungan sistem, dan transformasi layanan sosial masih memiliki kelemahan.
Karena itu, mengukur perkembangan AI4SSH tidak boleh hanya melihat jumlah model, makalah, dan proyek, tetapi juga melihat apakah data, alat, norma, talenta, dan mekanisme kolaborasi dapat berjalan dalam jangka panjang. Teknologi dapat ditingkatkan dengan cepat, tetapi sistem dan organisasi hanya dapat belajar perlahan; yang benar-benar menentukan seberapa jauh AI dan humaniora serta ilmu sosial dapat melangkah, justru adalah bagian-bagian yang tidak mudah dijadikan video demo ini.
Kesimpulan: Semakin Pandai AI Menjawab, Manusia Semakin Harus Tahu Apa yang Harus Ditanyakan
Dalam kata pengantar Buku Biru, Sekretaris Partai Komite Universitas Fudan, Qiu Xin, memberikan pesan kepada pembaca, di era kecerdasan "selalu menjaga pemikiran, mengasah pemikiran, mempertahankan kelapangan dan keteguhan untuk merenung mandiri, menilai secara rasional, mempertanyakan nilai, dan membedakan pilihan, dengan kedalaman pemikiran memimpin perubahan kecerdasan".
Ini juga sikap yang ingin disampaikan buku biru ini. Ia bukan hanya pengamatan terhadap satu putaran perubahan teknologi, tetapi juga sebuah perenungan kolektif humaniora Universitas Fudan menghadapi era kecerdasan.
Yang benar-benar penting adalah, sebelum dihasilkan secara otomatis, terlebih dahulu menilai masalah apa yang layak diajukan; setelah model memberikan kesimpulan, terus mempertanyakan apakah buktinya dapat dipercaya; sebelum teknologi masuk ke masyarakat, memperjelas batas dan tanggung jawabnya; di antara banyak kemungkinan masa depan, mempertahankan penilaian nilai dan pilihan arah manusia.
Kita tidak perlu terus membuktikan di tugas mana manusia lebih cepat dari mesin, melainkan mengonfirmasi kembali penilaian dan tanggung jawab yang tidak dapat dialihkan manusia dalam produksi pengetahuan dan operasi sosial.
Mesin dapat membantu kita mencapai banyak tempat. Mengapa berangkat, seharusnya pergi ke mana, dan setelah sampai siap menjalani kehidupan seperti apa, hal-hal ini tampaknya belum dapat sepenuhnya diserahkan kepadanya.
Buku Biru akan resmi dirilis pada 17 Juli dalam forum WAIC 2026 "Tata Kelola Global dan Pembangunan Berkelanjutan Kecerdasan Buatan", untuk mengunduh versi lengkapnya harap perhatikan akun resmi Laboratorium Komprehensif Pengembangan Nasional dan Tata Kelola Kecerdasan, Universitas Fudan.
Artikel ini berasal dari akun WeChat publik "Machine Heart" (ID:almosthuman2014), penulis: Penulis yang Memperhatikan AI
