Trước đây, kỳ vọng của chúng ta vào AI còn khá đơn giản, như viết email, dịch luận văn, trò chuyện... Khi đó, AI giống như một thực tập sinh mới vào nghề, bạn bảo gì nó làm nấy, nhưng cũng thường nói những điều vô lý một cách nghiêm túc.
Gần đây hai năm, sự phát triển của AI thực sự như vũ bão.
Nó không còn chỉ thỏa mãn với việc viết giúp vài đoạn văn, mà bắt đầu đảm nhận toàn bộ công việc: viết mã code, tra cứu tài liệu, phân tích, tạo phương án, thậm chí còn có thể tự phân giải nhiệm vụ, gọi công cụ, sắp xếp các bước, kiểm tra kết quả.
Đi theo đó là không ít những thay đổi khiến người ta vừa buồn cười vừa tức giận. AI do lập trình viên phát triển ra, bắt đầu tiếp nhận một phần công việc vốn do lập trình viên hoàn thành; nhiều vị trí nhân viên văn phòng cũng phát hiện, AI đã ngồi ở vị trí bàn bên cạnh.
Tình hình trong giới học thuật càng thú vị hơn. AI đã làm giảm đáng kể ngưỡng viết luận văn, nó không cần hiểu lý tưởng học thuật, nhưng vẫn có thể sắp xếp định dạng luận văn một cách khá trang nghiêm.
Vì vậy, có người bắt đầu tạo hàng loạt luận văn, gửi bài hàng loạt. Người phản biện công việc quá bận, liền dùng AI hỗ trợ phản biện; tác giả phát hiện ra sau đó, lại cài vào luận văn những gợi ý chỉ có máy móc dễ nhận biết, hy vọng AI phản biện sẽ đưa ra đánh giá tích cực. Tất cả người tham gia đều tiết kiệm được thời gian, chỉ có tri thức bản thân có được tăng thêm hay không, tạm thời vẫn chưa có ý kiến thống nhất.
Nhưng vấn đề nằm chính ở đây: điều chúng ta nhận được là nhiều tri thức hơn, hay là nhiều thứ trông rất giống tri thức? Khi càng ngày càng nhiều công việc có thể giao cho AI, con người cuối cùng còn lại gì?
Bản "Sách Xanh Phát triển Thông minh Nhân văn Xã hội 2026" do Đại học Phúc Đán phát hành, chính là nhằm cố gắng phản hồi những câu hỏi này.
So với bản Sách Xanh đầu tiên chủ yếu quan sát AI trao quyền như thế nào cho nhân văn xã hội, bản Sách Xanh này lấy "Tái khám phá giá trị của tư duy sâu sắc" làm chủ đề, đề xuất thêm rằng mối quan hệ giữa AI và nhân văn xã hội đang chuyển từ "trao quyền một chiều" sang "hợp nhất hai chiều": AI thay đổi cách nghiên cứu nhân văn xã hội, còn nhân văn xã hội thì phải tham gia quyết định tại sao sử dụng AI, sử dụng ở đâu, và nên chịu sự ràng buộc như thế nào.
Là đơn vị hỗ trợ đặc biệt của cuốn sách này, Viện Nghiên cứu Khoa học Trí tuệ Thượng Hải cũng đang hợp tác với Đại học Phúc Đán, liên tục khám phá con đường hợp nhất sâu sắc giữa AI và nhân văn xã hội.
Tại sao AI càng mạnh, tư duy sâu sắc lại càng quan trọng
Sau khi máy tính phổ biến, con người không cần dùng giấy bút tính toán số phức tạp; sau khi hệ thống dẫn đường xuất hiện, con người cũng không cần nhớ từng con đường. Theo lập luận này, sau khi AI có thể phân tích tài liệu, tạo kết luận, con người có lẽ cũng có thể động não ít hơn.
Tiếc rằng, vấn đề xã hội không phải là bài toán số học.
Sách Xanh lấy hệ thống kết hợp khí hậu – xã hội làm ví dụ chỉ ra, điều thực sự khó khăn không phải là xử lý nhiều biến số hơn, mà là hiểu sự không khớp về cấu trúc, biến số và quy mô giữa hệ thống tự nhiên và hệ thống xã hội. Một mô hình có thể tính toán, không có nghĩa là nó đã hiểu vấn đề.
Ba loại không khớp của hệ thống kết hợp khí hậu – xã hội: cấu trúc, biến số và quy mô.
Bài toán số học chỉ cần đánh giá đáp án đúng hay sai, còn sản xuất tri thức và quyết định công cộng thì phải tiếp tục truy vấn: quá trình lập luận có đáng tin không, giả thuyết tiền đề có hợp lý không, rủi ro tiềm ẩn có kiểm soát được không, và bản thân vấn đề có giá trị chỉ dẫn tương lai không.
Sách Xanh cho rằng, nút thắt nghiên cứu đang chuyển dịch: Vấn đề trước đây là có thể xử lý đủ tài liệu hay không, vấn đề hiện nay là có thể đặt ra câu hỏi tốt, thiết lập cơ chế thực tế, và hình thành chuỗi bằng chứng có thể kiểm chứng hay không.
Vấn đề nào đáng nghiên cứu, mô hình quan sát được nên giải thích thế nào, kết quả nào đó có công bằng chính đáng không, và nghiên cứu đã bỏ sót gì, củng cố định kiến gì, những phán đoán này không thể hoàn toàn tự động hóa. Năng lực AI càng mạnh, trách nhiệm phán đoán của con người lại càng nặng.
AI trông như có thể làm mọi thứ, nó có làm tốt tất cả không?
AI ngày càng biết nói, biết lý luận, biết gọi công cụ, và ngày càng giống một "đối tác nghiên cứu" có thể hợp tác. Nhưng rốt cuộc nó là đang hiểu, hay đang mô phỏng sự hiểu theo cách rất tinh vi?
Hơn bốn mươi năm trước, Searle dùng thí nghiệm tư duy "Căn phòng tiếng Trung" để chất vấn liệu thao tác cú pháp thuần túy có thể tạo ra hiểu ngữ nghĩa không. Hôm nay, mô hình lớn đặt vấn đề này trước mặt mỗi người: chúng ta làm thế nào để phán đoán mô hình lớn cuối cùng hiểu gì, và bỏ sót gì?
Một phán đoán quan trọng của Sách Xanh là, trí thông minh con người không phải là quá trình "đầu vào – đầu ra" đơn giản. Con người có thể hiểu thế giới, là do tri giác và chú ý tổ chức kích thích bên ngoài thành tình huống, trí nhớ và bản đồ nhận thức tổ chức kinh nghiệm quá khứ thành cấu trúc có thể di chuyển và suy luận, cảm xúc và giá trị quyết định thông tin nào quan trọng hơn, mục tiêu nào đáng theo đuổi hơn.
Bước đầu tiên của sự hợp tác giữa người và trí tuệ, không phải là để AI làm việc, mà trước hết phải làm rõ phân công của người và AI. AI có thể giúp chúng ta nhận diện đối tượng, truy xuất thông tin, tạo văn bản, nhưng nó rất dễ biến kinh nghiệm xã hội phức tạp thành định dạng dễ xử lý của mình, biến vấn đề thực sự cần hiểu thành vấn đề trông như đã được trả lời. Chúng ta cần đi từ nhận diện đối tượng đến hiểu tình huống, từ lưu trữ thông tin đến tổ chức kinh nghiệm, từ tạo thành đến phán đoán giá trị và tự phản tư.
Khoa học nhận thức vì vậy trở nên đặc biệt quan trọng. Nó nói với chúng ta, tư duy sâu sắc không phải là năng lực đối lập với AI, mà là năng lực càng cần được kích hoạt trong hợp tác giữa người và máy. AI nhận thức thực sự có giá trị, không nên chỉ đưa ra một đáp án đơn nhất, trôi chảy, xác định, mà nên giúp con người đặt câu hỏi, so sánh bằng chứng, duy trì tính chủ động trong phán đoán.
Luận văn viết ngày càng nhanh, ai đảm bảo nó đáng tin
Sau khi AI vào nghiên cứu, thay đổi dễ thấy nhất là tốc độ. Sắp xếp tài liệu, làm sạch dữ liệu, tạo mã code, vẽ biểu đồ và bản thảo luận văn, đều có thể hoàn thành trong thời gian rất ngắn. Người nghiên cứu không có nghĩa vụ tiêu hao thời gian quý báu vào lao động lặp lại, một học giả có tư tưởng hay không, cũng không nên chứng minh bằng việc anh ta điều chỉnh bao nhiêu lần định dạng tài liệu tham khảo bằng tay.
Nhưng tốc độ nghiên cứu và tốc độ tri thức không phải là một. Luận văn tạo ra nhanh, không có nghĩa là khái niệm đã được làm rõ, dữ liệu đã được hiểu, quan hệ nhân quả đã thành lập. Mô hình ngôn ngữ đặc biệt giỏi tổ chức tài liệu phân tán thành trình bày mạch lạc, và thời điểm nguy hiểm nhất của nghiên cứu học thuật, thường chính là lúc trình bày trở nên quá mạch lạc.
Rủi ro còn ẩn giấu trong những khâu trông chỉ là "thao tác kỹ thuật". Biến số chọn thế nào, chỉ số cấu tạo ra sao, mẫu bắt đầu từ năm nào, trường hợp nào được đưa vào, đều chứa đựng phán đoán lý luận.
Máy móc đương nhiên không có âm mưu, nó chỉ cần phạm một lỗi nhỏ ở bước đầu, và luôn giữ tự tin trong hai mươi bước sau.
Một rủi ro khác đến từ tìm kiếm mô hình tự động. AI có thể liên tục thử nghiệm kết hợp biến số, thiết lập tham số và khoảng mẫu, cho đến khi tìm được kết quả có tính quan trọng mạnh hơn, độ phù hợp cao hơn, biểu đồ đẹp hơn. Trước đây, "thử đến khi quan trọng" còn bị hạn chế bởi thời gian và sức lực; hiện nay, tác nhân thông minh có thể không ngủ không nghỉ tìm kiếm. Sau khi hiệu suất tăng cao, ngẫu nhiên thống kê cũng có thể được đóng gói hiệu quả hơn thành phát hiện lý luận.
Thách thức thực sự mà nghiên cứu tự động hóa mang lại, không chỉ là máy móc có phạm sai lầm không, mà là sai lầm có thể được phát hiện kịp thời không, quá trình nghiên cứu có thể được truy ngược không, kết luận cuối cùng có thể được kiểm tra lại không.
Khi AI quyết định, ai chịu trách nhiệm
Khả năng AI nhận diện và phân loại con người đang tăng cường nhanh chóng. Nó có thể nhận diện nhu cầu, phán đoán rủi ro, thẩm định tài liệu, phù hợp chính sách, cũng có thể cung cấp tham khảo quyết định cho nhân viên.
Sức hút rõ ràng của hệ thống loại này: chúng nhanh hơn con người, không mệt mỏi, cũng không thay đổi nhịp xử lý vì áp lực hay dao động cảm xúc.
Tuy nhiên, không mệt mỏi và công bằng không phải là một.
Nghiên cứu được Sách Xanh dẫn dụng phát hiện, khi phân tích bài đăng diễn đàn sức khỏe và phỏng vấn sinh viên quốc tế, nhà nghiên cứu con người có thể nhận diện sự tương tác bác sĩ - bệnh nhân, trách nhiệm văn hóa và những sự khác biệt tinh tế, mô hình lớn lại dễ khái quát chúng thành các loại phổ thông hơn, tiêu chuẩn hóa hơn.
Mô hình không phải hoàn toàn không hiểu. Nó chỉ rất giỏi biến thứ không dễ hiểu thành thứ dễ xử lý của mình.
Trong quản trị công cộng, sự đơn giản hóa này có thể trực tiếp ảnh hưởng đến quyền và đãi ngộ của con người. Sách Xanh từ đó phân biệt hai mô hình nhúng AI.
Một là mô hình "đại diện". Thuật toán trở thành tác nhân hành động, từ đầu vào thông tin đi thẳng đến đầu ra quyết định, con người chỉ xuất hiện lại khi hệ thống trục trặc hoặc đương sự khiếu nại. Hai là mô hình "hỗ trợ". AI chịu trách nhiệm truy xuất, tính toán, nhắc nhở rủi ro và tạo phương án, quyết định cuối cùng vẫn do con người đưa ra.
Khác biệt của hai mô hình, không nằm ở dùng bao nhiêu công nghệ, mà nằm ở quyền lực có xảy ra chuyển dịch không.
Đương nhiên, trong văn bản chế độ viết "con người trong vòng lặp", không thể đảm bảo người thực sự còn ở đó. Nếu nhân viên chỉ có thể nhấp "xác nhận" sau kết luận thuật toán, cái gọi là xét duyệt thủ công, chỉ là thay ngón tay con người cho quyết định của máy.
Vai trò thủ công phải có quyền can thiệp, quyền sửa lệch và quyền giải thích, nếu không xét duyệt thủ công sẽ trở thành một buổi biểu diễn trách nhiệm.
Khi AI bắt đầu ảnh hưởng đến quyền con người, vấn đề không thể dừng ở "mô hình chính xác không", mà phải làm rõ ai triển khai, ai xét duyệt, ai giải thích, ai tiếp nhận khiếu nại và chịu trách nhiệm cuối cùng.
Trách nhiệm có thể phân công, nhưng không thể vì phân công quá chi tiết, cuối cùng bốc hơi mất.
Tư duy sâu sắc, không chỉ "suy nghĩ thêm một lúc"
"Tư duy sâu sắc" nghe giống một đức tính cá nhân: đối mặt vấn đề, đừng vội trả lời, suy nghĩ thêm một chút. Nhưng tư duy sâu sắc thực sự có ý nghĩa, phải đi vào quy trình nghiên cứu, thủ tục quản trị và chế độ tổ chức. Nó không chỉ yêu cầu cá nhân thận trọng hơn, mà còn yêu cầu hệ thống giữ lại điều kiện để con người thận trọng, chất vấn và sửa lệch.
AI có thể giúp, nhưng chuỗi bằng chứng không thể bỏ
Tư duy sâu sắc không có nghĩa là từ chối AI. Không cần thiết phải để chứng minh phẩm giá con người, cố gắng tự mình sắp xếp hàng ngàn tài liệu, hoặc dành cả ngày điều chỉnh định dạng tài liệu tham khảo.
Mấu chốt là, công việc có thể giao cho AI, nhưng chuỗi bằng chứng không thể giao cùng một lúc. AI có thể truy xuất tài liệu, xử lý dữ liệu, chạy mã code, nhưng người nghiên cứu vẫn cần phán đoán vấn đề có đáng đặt ra không, khái niệm có được chuyển đổi chính xác thành chỉ số không, quan hệ dữ liệu có hỗ trợ giải thích nhân quả không, và kết luận áp dụng cho phạm vi nào.
Khung STRIDES mà Sách Xanh giới thiệu, thử nghiệm chia nghiên cứu phức tạp thành các khâu lý luận, phương pháp, dữ liệu, thực thi và kiểm tra, và thiết lập kiểm tra tại nút then chốt: giả thuyết cần viết rõ, bằng chứng có thể định vị, dữ liệu và mã code lưu bản ghi phiên bản, kết luận rủi ro cao hoặc độ tin cậy thấp lại giao cho người phán đoán.
Tổng quan hệ thống STRIDES: vòng lặp công việc từ thiết kế nghiên cứu đến kiểm tra đối kháng
Sau khi AI tham gia nghiên cứu, sản phẩm nghiên cứu không nên chỉ còn lại một luận văn cuối cùng. Vấn đề nghiên cứu, từ điển dữ liệu, kịch bản phân tích, bản ghi chạy, ý kiến kiểm tra và phán quyết thủ công, cũng nên được lưu giữ, để người ta thấy kết quả đến từ đâu, có thể sai ở bước nào, trải qua sửa đổi nào.
Khoa học đáng tin, không phải vì kết luận đến nhanh, mà vì người khác có thể đi lại một lần theo chuỗi bằng chứng.
Trong phỏng vấn, nhóm nghiên cứu đưa ra một kiểm tra tự đơn giản: sau khi tắt mô hình, bạn có thể dùng ngôn ngữ của mình giải thích vấn đề là gì, bằng chứng đến từ đâu, kết luận dựa vào giả thuyết nào, có thể có phản ví dụ nào, và biên giới áp dụng ở đâu không?
Nếu chỉ có thể nói "nó nói rất có lý", nhưng không giải thích được tại sao; nếu vấn đề dần dần bị cải tạo thành vấn đề dễ trả lời của mô hình; nếu bài văn ngày càng trôi chảy, quan điểm của mình ngày càng mờ nhạt, thì AI rất có thể đã từ trợ lý biểu đạt trở thành đại diện phán đoán.
Quy tắc không thể chỉ viết trong khẩu hiệu
Về quản trị AI, người ta đã đề xuất nhiều nguyên tắc đúng: công bằng, minh bạch, an toàn, lấy con người làm trung tâm, bảo vệ riêng tư, chịu trách nhiệm.
Vấn đề là, nguyên tắc nếu không thể biến thành thủ tục, rất dễ chỉ tồn tại trong hội nghị và văn bản.
Một bộ chế độ nếu chỉ có nguyên tắc, không có cơ chế thực thi, cũng giống như một người chỉ có lý tưởng không có đồng hồ báo thức. Mỗi ngày đều định làm việc đúng, chỉ là chưa bao giờ thức dậy đúng thời điểm.
Sách Xanh nhấn mạnh, quản trị AI phải bao phủ toàn bộ vòng đời hệ thống: đánh giá rủi ro và biên giới áp dụng trước khi triển khai, ghi lại quyết định then chốt, giám sát bất thường và lưu giữ sự can thiệp của con người trong quá trình vận hành, có thể xét duyệt lại, sửa lệch và truy cứu trách nhiệm sau khi xảy ra vấn đề.
Hệ thống rủi ro khác nhau, cũng không nên chấp nhận quản trị hoàn toàn giống nhau. Truy xuất thông tin và sắp xếp văn bản thông thường có thể hạ thấp ngưỡng; hệ thống liên quan an toàn công cộng, quyền lợi quan trọng và quyết định then chốt, nên chấp nhận yêu cầu kiểm tra, kiểm toán và triển khai nghiêm ngặt hơn.
Quản trị cũng không thể dừng ở "đã thông báo". Người bị ảnh hưởng nên biết quyết định dựa vào đâu đưa ra, có thể chất vấn gì, nên khiếu nại với ai, và có thể yêu cầu xét duyệt thủ công, nhận được cứu trợ thực tế sau khi xảy ra sai sót. Nếu không, nghĩa vụ giải thích rất dễ trở thành một tài liệu kỹ thuật không ai hiểu, kênh khiếu nại cũng có thể chỉ còn một trang web.
Đương nhiên, quản trị không phải là đạp phanh công nghệ. Nó giống như sửa đường hơn: nơi nào có thể tăng tốc, nơi nào phải hạn chế tốc độ, nơi nào cần lan can, sau tai nạn ai chịu trách nhiệm. Con đường không có quy tắc không đại diện tự do, thường chỉ đại diện người mạnh mở nhanh hơn, người khác tự cẩn thận.
AI biết sắp xếp đáp án, con người còn phải quyết định phương hướng
AI rất giỏi trả lời câu hỏi đã được đặt ra. Nhưng vấn đề thực sự khó của xã hội, thường không phải là không có đáp án, mà là không có một đáp án tiêu chuẩn được tất cả mọi người công nhận.
Khi hiệu suất và công bằng xung đột, nên ưu tiên cái nào? Đổi mới kỹ thuật mang lại lợi ích tổng thể, nhưng khiến một bộ phận người gánh chịu tổn thất lớn hơn, thế nào mới là hợp lý? Khi lợi ích công cộng và quyền cá nhân mâu thuẫn, biên giới nên vạch ở đâu?
Những vấn đề này không thể tự động biến mất thông qua mở rộng quy mô tham số.
Sách Xanh khái quát "trao quyền ngược lại" của nhân văn xã hội đối với AI rất cụ thể: Không phải đứng bên cạnh công nghệ phát biểu ý kiến đạo đức trừu tượng, mà là biến xung đột giá trị thành cân nhắc có thể phân tích, biến hậu quả xã hội thành chỉ số có thể đo lường, và cung cấp khung tri thức có ý thức phương hướng và giải thích mạnh hơn cho phát triển công nghệ.
Mô hình có thể nói với chúng ta lựa chọn khác nhau có thể mang lại hậu quả gì, nhưng nó không thể chỉ dựa vào mình quyết định, phần người nào nên trả giá cho hiệu suất tổng thể, cũng không thể quyết định loại giá nào đáng trả.
Mô hình lớn về văn minh sớm Trung Hoa mà Sách Xanh thảo luận, là một ví dụ. Văn hiến lịch sử, văn tự khai quật, hình ảnh hiện vật, thông tin di chỉ và dữ liệu địa lý, trước đây phân tán trong hệ thống tài liệu và kinh nghiệm chuyên gia khác nhau; mô hình đa phương thức có thể tổ chức chúng vào cùng không gian tri thức, khiến bằng chứng nguồn khác nhau tham chiếu lẫn nhau.
Ý nghĩa của nó không chỉ ở tăng hiệu suất truy xuất, mà còn ở thay đổi cách tổ chức bằng chứng. Nhưng tài liệu kết nối càng nhiều, chuyên gia càng cần phán đoán: liên kết nào có ý nghĩa lịch sử, liên kết nào chỉ là tương đồng bề mặt; tường thuật nào xây dựng trên bằng chứng đáng tin, tường thuật nào chỉ được mô hình tổ chức trôi chảy hơn.
Đây chính là lý do nhân văn xã hội không thể đơn giản hóa thành "chỉ lỗi cho AI". Nó không chỉ chịu trách nhiệm chỉ ra định kiến, rủi ro và lỗ hổng, mà còn phải giải thích xung đột giá trị, phân tích hậu quả chế độ, hiểu tình huống cụ thể của con người, và giúp xã hội hình thành phán đoán có thể cùng gánh vác.
Công nghệ giải quyết "có thể làm gì", nhân văn xã hội tiếp tục truy vấn "tại sao phải làm", "nên làm đến đâu", "giá do ai gánh chịu".
Dựa vào vài nhóm nghiên cứu không đủ
Khi nói đến hợp nhất AI và nhân văn xã hội, người ta dễ nghĩ đến vài phòng thí nghiệm, vài thành quả ngôi sao, và vài nhà nghiên cứu vừa hiểu công nghệ vừa hiểu khoa học xã hội.
Điều này đương nhiên quan trọng, nhưng không thể chỉ dựa vào những thứ này.
Một lĩnh vực muốn hình thành năng lực lâu dài, cần dữ liệu, năng lực tính toán, mô hình, chuỗi công cụ, bồi dưỡng nhân tài, hợp tác tổ chức và chế độ đánh giá cùng hỗ trợ. Sách Xanh đặc biệt nhắc nhở, cơ sở hạ tầng AI4SSH không bằng mua thêm máy, cũng không bằng đưa vài mô hình vào cùng một trang web, mà là xây dựng tổng thể đế dữ liệu đa phương thức, môi trường tính toán, mô hình lĩnh vực, tác nhân thông minh, chuỗi công cụ và cơ chế hợp tác.
Mua năng lực tính toán tương đối dễ, thiết lập quy tắc dữ liệu chung rất khó; phát hành một mô hình tương đối dễ, để các môn học khác nhau thực sự hiểu vấn đề của nhau rất khó. Thách thức thực sự, là kết tủa dự án rời rạc thành năng lực tổ chức có thể vận hành liên tục.
Quan trọng hơn, các môn học mới nổi như khoa học nhận thức cũng cần cùng nhau hoạch định. Khoa học nhận thức kết nối triết học, tâm lý học, khoa học thần kinh, khoa học tính toán, ngôn ngữ học và khoa học xã hội, nó vừa giúp chúng ta hiểu trí thông minh con người, cũng giúp chúng ta phản tư và hiệu chỉnh trí thông minh máy móc. Đối với trường đại học, xây dựng môn học cơ bản loại này chưa chắc ngay lập tức tương ứng một ứng dụng có thể trình diễn, nhưng quyết định tương lai hợp tác giữa người và trí tuệ có thể đi từ sử dụng công cụ đến đổi mới mô hình hay không.
Sách Xanh từ đó xây dựng "Chỉ số AI4SSH của trường đại học Trung Quốc", triển khai từ ba chiều năng lực cốt lõi nghiên cứu, tiềm lực đổi mới phát triển và năng lực truyền bá xã hội, bao gồm 3 chỉ số cấp một, 7 chỉ số cấp hai và 10 chỉ số cấp ba.
Nó cung cấp một cửa sổ quan sát có cấu trúc: trường đại học nào đã hình thành hệ thống nghiên cứu giao thoa ổn định, trường nào vẫn dừng ở dự án rời rạc; trường nào có sản phẩm nghiên cứu, nhưng thiếu hỗ trợ chế độ; trường nào có thành quả học thuật, nhưng chưa chuyển hóa thành ảnh hưởng công cộng và phục vụ xã hội.
Phán đoán tổng thể của Sách Xanh là, phát triển AI4SSH của trường đại học Trung Quốc đã trình bày cục diện "hệ thống sơ cấu, thang bậc rõ ràng", tiến triển sản phẩm nghiên cứu và hợp nhất bản địa nhanh, nhưng ảnh hưởng học thuật quốc tế, đổi mới nguồn gốc, hỗ trợ chế độ và chuyển hóa phục vụ xã hội vẫn còn thiếu sót.
Vì vậy, đo lường phát triển AI4SSH, không chỉ xem số lượng mô hình, luận văn và dự án, mà còn xem dữ liệu, công cụ, quy phạm, nhân tài và cơ chế hợp tác có thể vận hành lâu dài không. Công nghệ có thể nâng cấp nhanh, chế độ và tổ chức chỉ có thể học chậm; phần quyết định thực sự AI và nhân văn xã hội có thể đi bao xa, chính là những phần không dễ làm thành video trình diễn này.
Kết luận: AI càng biết trả lời, con người càng phải biết hỏi gì
Bí thư Đảng ủy Đại học Phúc Đán Cừu Tân trong lời tựa Sách Xanh gửi gắm độc giả, trong thời đại thông minh "luôn bảo vệ tư tưởng, mài giũa tư duy, giữ lại thong thả và định lực của suy nghĩ độc lập, phán đoán lý trí, truy vấn giá trị, phân biệt rõ ràng sự chọn lựa, dùng chiều sâu tư tưởng dẫn dắt sự biến đổi của trí thông minh".
Đây cũng là thái độ mà bản Sách Xanh này hy vọng truyền đạt. Nó không chỉ là quan sát đối với một vòng thay đổi công nghệ, mà còn là một lần tư biện tập thể của khoa học nhân văn Phúc Đán đối mặt thời đại thông minh.
Điều thực sự quan trọng là, trước khi tự động tạo thành, trước hết phán đoán vấn đề nào đáng đặt ra; sau khi mô hình đưa ra kết luận, tiếp tục truy vấn bằng chứng có đáng tin không; trước khi công nghệ vào xã hội, làm rõ biên giới và trách nhiệm của nó; giữa nhiều tương lai có thể, giữ lại phán đoán giá trị và lựa chọn phương hướng của con người.
Chúng ta không cần tiếp tục chứng minh con người nhanh hơn máy móc ở nhiệm vụ nào, mà phải tái xác nhận phán đoán và trách nhiệm không thể chuyển nhượng của con người trong sản xuất tri thức và vận hành xã hội.
Máy móc có thể giúp chúng ta đến nhiều nơi. Còn việc tại sao xuất phát, nên đi đâu, và sau khi đến định sống cuộc sống thế nào, những việc này e rằng vẫn chưa thể hoàn toàn giao cho nó.
Sách Xanh sẽ chính thức phát hành vào ngày 17 tháng 7 tại diễn đàn "Quản trị toàn cầu trí tuệ nhân tạo và phát triển bền vững" WAIC 2026, tải toàn văn xin theo dõi Phòng thí nghiệm tổng hợp Quốc gia Phát triển và Quản trị Thông minh Đại học Phúc Đán.
Bài viết này đến từ tài khoản WeChat công chúng "Trái tim Máy móc" (ID:almosthuman2014), tác giả: quan tâm AI
