谁曾想啊,哲学这个冷门专业,竟成了当下AI的热门。
这是我们今年逛WAIC时的意外发现——哲学含量,有点高。
△
例如在WAIC科学智能开放论坛的平行专场《心智与智能·青年生态论坛》上,第一位登台演讲的嘉宾,就是复旦大学哲学学院教授孙宁;科学智能开放论坛主场讨论《AI原生时代的原始创新》,复旦大学哲学学院教授孙向晨同样坐上了巅峰对话席。
无独有偶,WAIC期间由复旦大学国家发展与智能治理综合实验室发布的《2026人文社会科学智能发展蓝皮书》,又把深度思考、科研可信和AI治理摆到了聚光灯下。
但有一说一,这股看似突如其来的哲学热,其实是有迹可循的。
几年前参加AI大会,大家谈论最多的是参数、算力和榜单;而如今,AI已经会写论文、做数学证明、生成蛋白质构象,还能用一群智能体模拟社会。
虽然AI在能力上是一路高歌之势,但随之产生的问题也越来越接近哲学:
- 一个模型可以流畅回答问题,就代表它真的理解了吗?
- AI能够自主发现知识,它算新的科学家吗?
- 如果AI发现了人类无法解释、却能通过实验验证的规律,我们又该不该相信?
孙宁在名为《智能之前,先有世界》的演讲中,把问题拉回到了源头。
早在上世纪90年代,认知科学家Stevan Harnad便提出符号奠基问题,追问符号系统怎样通过感知和交互获得真实意义。差不多同一时期,机器人工程学家Rodney Brooks又提出物理奠基假说,并留下一句颇有影响力的话——世界本身就是最好的模型。
△
沿着这条思路,孙宁提出,一种深度扎根于世界的智能,至少需要身体、环境、他者和历史。身体让行动产生代价,环境提供反馈,他者带来规范,历史则让失败沉淀成经验。
他最后将其概括为两句话:
智能之前,先有世界。心智之前,先有关系。
这也为当天的讨论定下了基调。
这场青年论坛由复旦大学国家发展与智能治理综合实验室、上海科学智能研究院、复旦大学哲学学院、上海市青浦复旦未来技术研究院和Datawhale共同主办。
台上既有青年科学家,也有哲学家、社会科学家和创业者。大家从自进化模型聊到数学证明,从蛋白质动态聊到社会模拟,最后又把话题落到了治理和产业。
看似散落在不同学科里的问题,就这样被串到了一起。
AI开始自己做科学了
哲学家刚追问完“什么是智能”,超衍智能创始人陈勇超便带来了一个更具体的问题——AI能否成为新的科学家?
△
过去的大模型主要从互联网数据中学习人类已有知识。陈勇超所说的自进化模型,则希望进入真实任务,从科研过程和环境反馈中持续学习。
具体来说,模型可以自己想idea、写代码、跑实验、分析数据,再把成功和失败的轨迹沉淀下来,继续调整数据、模型和Harness。
陈勇超现场还展示了一组颇为吸睛的结果。
其团队开发的Apex Search生成了34篇论文,并将这些论文提交至ACL、ARR等学术评审体系。按照他在现场披露的结果,其中约10篇有机会进入Findings或主会,两篇论文获得3.67分,评分高于约95%的人类投稿。
部分审稿意见甚至还给出了“领域内首项研究”、“实验严谨”、“命题切中要害”等评价。
换句话说,AI生成的科研成果,已经能够通过人类审稿人的第一轮检验。
但问题也随之来了。
在后面的《社会之变》圆桌上,复旦大学大数据学院教授魏忠钰就提出,如果AI一次生成并投稿几十篇论文,最终有几篇获得高分,我们究竟该如何判断它的科研能力?这说明系统的研究能力达到顶级会议发表的水平,还是它碰巧找到了现有同行评议机制的薄弱环节?
当论文生成得越来越快,评估可能会比生成更加困难。
陈勇超自己也留下了一连串问题。AI能不能产生Transformer级别的突破?海量科学发现该怎样评价?AI科研成果归谁?如果系统被用于有害研究,责任又该如何划分?
紧接着登台的复旦大学上海数学中心准聘副教授王天栋,给出了一种更清晰的人机分工。
△
AI擅长检索、归纳、寻找特例和反例,也可以同时生成几十条候选证明路径。数学家负责判断问题是否重要、猜想是否值得研究,再用严谨的概念和结构对结果施加约束。最后,还要加入机器验证,检查推理有没有跳步、计算有没有错误。
说白了就是:
AI扩大搜索空间,人定义价值,机器负责验证。
在这套流程中,数学可以为AI提供结构约束、形式化验证、误差分析和适用边界。可信也不等于永远不犯错,更现实的标准是错误能够被发现,风险可以被界定,结论经得起复查。
随后,上海科学智能研究院AI科学家杨自雄又把可信问题带进了更加复杂的生命世界。
△
AlphaFold解决的核心问题,是从序列推断高概率的静态结构。但蛋白质、RNA等生物分子始终在运动,许多功能取决于构象分布、状态转换和时间尺度。
因此,后AlphaFold时代的研究目标,开始从“预测一个结构”走向“生成一段动态”。
这意味着模型既要覆盖稀有却重要的构象,也要维持长时间生成中的结构稳定,还要满足热力学、动力学和物理规律。静态结构积累了大量数据,动态分子数据却十分有限,相关评测体系也有待完善。
从数学证明到蛋白质动态,AI确实可以把探索做得更快、更广。可一旦进入有效的科学发现,证据、实验和真实世界的反馈,一个都少不了。
如果说数学与生命科学还有相对明确的验证路径,那么当AI开始模拟人和社会,事情就更复杂了。
智能进了社会,治理不能慢半拍
上海人工智能实验室青年科学家瞿晶晶研究的,正是AI与社会科学的交叉。
△
在她看来,社会科学是AI发展的核心基础。Alan Turing关于“机器能否思考”的研究刊发于哲学期刊《Mind》;Herbert A. Simon提出有限理性理论,联合Allen Newell创立物理符号系统假说,开创符号主义AI;Geoffrey Hinton结合心理学与认知科学研发神经网络、模拟人脑机制,促成了如今的大模型时代。
而现在,这条关系开始反向运行,AI也在给社会科学带来新的实验方法。不过,AGI朝着社会化、规模化发展时,始终存在一个核心难题:在大规模、复杂的社会演化博弈中,很难兼顾逻辑一致性与实验结果的可信度。
瞿晶晶展示了社会模拟平台Epitome。在高通量效率上,平台模拟可一键生成上千个虚拟样本,将十年的社会演变过程压缩至14小时。研究者可自由调整干预政策、群体关系等变量,快速观测其长期社会影响。
这类方法尤其适合那些很难在真实世界里直接开展的实验。
比如,如何模拟一个孩子从小学三年级成长到五年级?模型既要体现知识变化,也要模拟心理、行为和社会关系。研究者还希望在这个虚拟环境里测试不同教育政策,观察哪种方式更有利于儿童成长。
虽然想法很有吸引力,但风险同样藏在其中。
毕竟大模型可以模拟一个专家,却未必能准确模拟一个处于具体家庭、地域和社会关系中的孩子。虚拟角色表现出来的态度,究竟来自真实社会规律,还是训练数据里的刻板印象?
《社会之变》圆桌上,浙江大学公共管理学院百人计划研究员、博士生导师蒋卓人分享了一组更具警示意味的数据。
在一项跨国信任研究中,大模型生成数据在国家均值层面的相关系数可以达到90%以上。可进入回归分析后,显著性覆盖程度下降到34%—37%;当研究者尝试用这些数据恢复国家类型时,结果又接近随机。
也就是说,模型从宏观上看起来很像真实社会,一旦进入具体人群和因果关系,偏差便会暴露出来。
更麻烦的是,社会数据还会形成循环。
现实中的偏见进入训练数据,模型再参与招聘、教育、内容分发和公共决策,新的结果又成为下一轮训练材料。如果缺少审计和纠偏,原有偏见可能在循环中被不断放大。
所以,圆桌上出现了一个很直白的提醒:
可以用大模型模拟社会,但别把模拟结果当成真实社会的声音。
AI进入社会后,治理也无法停留在“模型准不准”这一层。
《心智之问》圆桌谈到了攻击、有害生物研究、心理依赖等风险。复旦大学科技伦理与人类未来研究院青年副研究员朱林蕃还提到,当前AI治理普遍面临“一管就死、一放就乱”的困境,需要技术、政策、伦理和国际合作共同寻找更细致的解决方案。
同场的上海市青浦复旦未来技术研究院青年研究员马立鹏,则从技术角度补了一层。今天的AI几乎什么都能答,却缺少“知道自己不知道”的元认知能力。只有先让AI认清自己的能力和边界,后续的评估与治理才更有抓手。为此,也需要哲学、教育学、计算机等不同学科共同参与。
责任问题也越来越棘手。
当AI智能体拥有更强的主动性,它能否成为法律或道德意义上的行动者?如果它无法独立承担责任,开发者、部署者、使用者和最终决策者之间,又该怎样划分责任?
讲到这里,也就不难理解,复旦大学国家发展与智能治理综合实验室为何会出现在这场科学智能论坛的主办名单中。
这家实验室的研究范围横跨人工智能、大数据、人文社会科学、公共治理等,是首批教育部哲学社会科学重点实验室。它所承担的一项重要工作,就是把技术变化放进真实社会和制度环境中观察,再推动学术研究与政策需求衔接。
其牵头复旦大学AI+新文科生态,联合上海科学智能研究院,汇集近20个学科40余位专家合作编写的《2026人文社会科学智能发展蓝皮书》,便试图将许多看起来抽象的治理原则,转化成可执行的研究和制度流程。
比如,AI进入科研后,最终留下的不能只有一篇语言流畅的论文。研究问题、数据字典、分析脚本、运行记录、审查意见和人工裁决,也应当被保留下来,让别人能够沿着证据链重新走一遍。
《蓝皮书》提出的STRIDES框架,就在理论、方法、数据、执行和审查等环节设置检查节点。哪些假设需要写明,哪些证据需要定位,哪些低置信度结论要重新交给人判断,都被纳入了流程。
到了公共治理领域,问题更加直接。
蓝皮书区分了代理型和辅助型两种AI嵌入模式。前一种模式让算法一路参与到决定输出,人往往只在系统故障或申诉时出现;后一种模式让AI承担检索、计算、风险提示和方案生成,最终决定仍由人完成。
而所谓“人在回路”,也不能只剩一个确认按钮。人需要拥有介入权、纠偏权和解释权。
从这个角度看,治理更像是在为技术修路。哪些场景可以提速,哪些地方需要护栏,出现问题后由谁复核、谁解释、谁承担责任,都要提前写进规则。
除此之外,2026版《蓝皮书》还构建了“中国高校AI4SSH指数”,从研究核心能力、发展创新潜力和社会传播能力等维度,观察高校AI与人文社会科学的融合程度。
它传递出的判断很明确。一个领域要形成长期能力,靠几篇论文和几个模型还不够,数据、算力、工具链、人才培养、组织协作和评价制度都得跟上。
这正是国家发展与智能治理综合实验室连接学术与政策的意义。技术提供新的可能,社会科学解释影响,经济学研究激励与分配,治理研究再将这些认识转化为程序和制度。
在上海,学术、政策和产业接成了一条线
治理问题继续往下走,最终还会碰到产业。
中国科学院深圳先进技术研究院研究员、森瑞斯生物科技创始人罗小舟,在现场讲了一个很形象的差别。
△
AI写代码、做数学,很多流程可以在计算机里完成闭环。但生物制造还要跨过数字世界与物理世界之间的那道坎。
模型提出一个科学假设后,实验设备要把它真正做出来,再将检测结果反馈给模型。只要有一个环节没打通,自进化就会停下来。
罗小舟团队依托投资超过20亿元的深圳合成生物重大科技设施,用自动化设备充当“身体和手”,再让AI承担实验设计和决策。他们希望输入一个需求后,系统能够自动设计实验、编写脚本、执行操作、采集数据,再进入下一轮优化。
相关技术已经被用于角鲨烯、角鲨烷等产品研发和生产。其中,角鲨烯产品进入了默克供应链,角鲨烷也进入了化妆品供应链。
但科研和产业深度融合,模型只是其中一环。
《致用之路》圆桌谈得相当坦诚。AI可以加快抗体设计、蛋白质优化和菌株改造,可后面还有湿实验、临床、审批、工艺、生产和市场。
镁伽科技联合创始人兼高级副总裁张琰,则把其中的难点概括成了AI落地物理世界的“最后一公里”。在他看来,实验室自动化和机器人技术已经相对成熟,更难的是把AI、软件系统、仪器设备和具体学科需求真正打通。为此,镁伽科技尝试让实验室里的仪器和机器人像电脑外设一样被控制,再将模型、自动化实验和数据反馈接成闭环。
上游缩短了研发时间,瓶颈很可能马上转移到下一个环节。监管制度、产业惯性和组织流程没有同步变化,技术带来的加速也很难沿着价值链传递下去。
当然,钱的问题也绕不开。
数据方、模型方、自动化实验平台和产业客户共同创造一个结果,应该怎样收费,又该如何分配收益?张琰也把话说得很直接,新的生产力会改变生产关系,除了“怎么搞钱”,还要想清楚链条上的各方该“怎么分钱”。
听起来很接地气,却点中了AI进入产业后的深层变化。
过去,各方按照工作环节收费;而现在,AI推动产业从过程交付走向结果交付,参与者开始共同对最终成果负责。
新的生产力,也在催生新的生产关系。
这同样属于AI治理的范围。除了安全、伦理和权利,技术红利如何分配、产业规则怎样调整,以及传统监管如何适应新的科研速度,都需要有人研究。
回头看,这场青年论坛的嘉宾构成其实很有意思。
有人研究自进化模型,有人为AI建立可信边界,有人探索蛋白质动态和社会模拟,也有期刊编辑从学术评价体系出发,追问AI研究究竟解决了什么真实问题;还有人从实验室走向创业,把科研成果推进到自动化实验和工业生产。
他们来自不同专业和机构,又在上海坐到了一起。
同一天下午,科学智能开放论坛主场沿着“发现之道、闭环之基、落地之路”展开,诺贝尔化学奖得主Arieh Warshel、图灵奖得主Gilles Brassard等嘉宾讨论科学智能与原始创新。
青年论坛则把镜头推向科研可信、社会治理和产业链条。
一边讨论科学智能能够走多远,另一边继续追问它怎样稳稳地进入现实。
这背后,是上海正在形成的一种青年科学智能生态。
上海提供高校、科研机构、产业资源和政策研究平台,年轻人则在这里跨越学科边界,把模型、社会和产业放进同一套问题里。
所以,哲学在AI圈重新变热,只是这场变化露出水面的部分。
更深处,AI已经进入知识生产和社会运行,技术问题也开始与治理、经济、伦理和公共政策交织在一起。
AI越会回答,人类越要认真决定该问什么、该相信什么,又该把技术带向哪里。
本文来自微信公众号“量子位”(ID:QbitAI),作者:金磊
