人工智能可以生成答案，但谁来决定问题？在当前的AI时代，我们正迅速提升那些能够总结文档、回答问题、进行研究、编写代码甚至创作音乐机器的能力。这些系统在生成看似具有理解力的输出方面变得极其强大。然而，一个关键的差距正在显现：我们正在构建能够生成语言的系统，但它们未必在任何人类意义上的词汇层面上理解其言论的目的或价值。借用奥斯卡·王尔德的一句话，AI知道一切的价格，却不知任何事物的价值。这就引出了一个棘手的问题：如何负责任地使用一种能流利说话但缺乏良好判断力根基的技术？
回答这个问题的根本在于，我们究竟如何首先知道什么是好的和合乎伦理的。我们从哪里了解我们的行为及其对他人的影响？数学课固然很好，但微积分无法回答这个问题。物理和化学也是如此。工程学对于让事物运作至关重要，但它不能告诉我们制造的是好东西还是坏东西。计算机科学也没有答案。代码并不关心这些。我们所谓的STEM学科——科学、技术、工程和数学，非常擅长告诉我们事物是如何运作的，但它们没有告诉我们要义所在。它们也无法回答我们做所有这些事情的“为什么”，即背后的目的。
面对这些宏大且 overarching 的问题，我们要去哪里寻求指引？答案是人文科学。文学、历史、艺术、哲学等学科在一个由STEM主导的世界里可能显得不那么重要，但现实是，我们从未像现在这样需要人文科学。好消息是，这些学科前所未有的普及，这在很大程度上归功于技术的进步，如互联网和人工智能。讽刺的是，正是技术进步使得人文科学更加触手可及。让我们看看人文科学如何帮助我们塑造更好的AI。
首先我要指出：人工智能不等于理解。理解不仅仅意味着拥有大量数据和信息。尤其是大型语言模型，AI系统基于统计模式预测进行运作。它们学习的是语言中的相关性，而非我们哲学意义上所理解的生活经验、意图或真理。
我的意思是这样的：人类知识主要基于体验，基于意图——我们试图做什么？它还依赖于语境。某件事在一个语境中意味着一种意思，在另一个语境中则完全不同。它关乎价值观，即什么对我们重要，什么不重要。此外，人类思考这一切时还伴随着一种责任感。但AI模型看待事物的方式截然不同。
AI模型基于模式，寻找的是概率。“接下来最可能放入的是什么？”这是令牌序列的预测。我见过这些模式，再次强调，这是对“接下来应该是什么”的统计关联预测。“我经常看到这类东西，所以这个似乎很适合放在这里。”关键的区别在于：AI本质上是句法的。它看待事物的方式是关注语法结构，而人类更多地从语义角度看待事物——即“那是什么意思？”这是我们思考的方式。
AI非常擅长操纵符号等事物，但并不像我们那样将这些符号锚定在生活现实中。人文科学教会了我们非常重要的事情：什么是真正的意义，语言如何与现实相关联，解释如何在不同语境中变化，以及歧义是如何解决甚至被利用的。如果没有这种根基，AI的输出可能看起来正确，但实际上存在细微的对齐偏差、不完整、误导甚至完全错误。
认识论是另一个重要领域，它是哲学的一个分支，探讨诸如“什么是知识”、“我们如何知道某事是否为真”、“什么算作证据或正当理由”以及“信念与知识之间的区别是什么”等问题。我们能否对任何事情真正确定？这里有很多重要的问题，尤其当我们考虑到AI可能会自信地产生幻觉错误时。
鉴于AI拥有的大量知识是基于从互联网上抓取的内容，这可能会带来其他问题。听着，如果你只记住视频中的一件事，请记住这一点：互联网上并非一切都是真实的。是的，我知道这对你来说是个巨大的冲击吧？我的意思你明白了。AI可以给我们成千上万的答案，但我们仍然需要决定这些答案是否正确。更重要的是，我们应该如何处理这些信息？这再次不是一个STEM问题，而是人文科学的问题。
一个常见的误解是AI是中立的，因为它是数学的。换句话说，数字就是数字而已，但真相更为微妙。模型可能在数学上是中立的，但其使用并非如此。让我们从不同的视角来审视这一点：我们有AI系统、设计者、使用者以及社会。
设计者可能怀有一种想法，认为这是对的，那是错的。AI系统可能会给出不同的答案。使用者则可能得到截然不同的回答，并对他们想要什么、意图是什么以及正确的语境有何不同的看法。而且，使用者不一定代表整个社会。因此，虽然个别用户可能认为这是可以的，但其余的社会成员可能并不这么认为。
我们必须理解的是：每一个训练数据集都编码了错误，每一个界面都编码了设计假设，而每一种应用都编码了激励机制。这些因素都将引导AI实际运作的方式。正是在这里，伦理学、政治理论和社会学变得至关重要。人文训练帮助我们理解诸如“谁从这个系统中受益”这样的问题，这些激励机制很重要，并将影响输出结果。
数据中嵌入了哪些假设？系统的使用方式可能导致什么样的伤害？可能出现哪些看似合理实则错误的输出结果？如果没有这种视角，我们可能会混淆技术性能与伦理合法性。一个AI系统可能是准确的，但仍然会造成危害。
错误的事情。所有输出都需要解释。人工智能系统并没有消除解释，它们只是转移了解释的位置。可以这样想：我们将输入提供给AI系统，它给出一些输出。那么接下来呢？总得有人来解读这些东西，然后做出决定，最后采取行动。所以这并不仅仅是输入和行动那么简单，中间还有很多步骤在进行。而这一切中的关键步骤仍然是人类所掌控的环节，那就是解释。人文学科，尤其是像文学研究、历史学以及诠释学（即研究事物意义的学科）这样的领域，训练人们在不确定性中进行解读。
我们从AI那里获得了大量需要解释的内容。这些学科教会我们许多道理，比如多种有效的解读可以共存。你和我阅读同一篇文本，可能会得出完全不同的意义。原作者的意图并不总是可及的。有时我们以为通过阅读文档就能洞察其意，但如果你不在创作者的思维中，你可能永远无法确切知道他们的本意是什么。因此，文本可能会误导人而不一定是错误的。这里有太多不同的因素需要我们审视。
AI映射了这种行为模式，因为AI的输出是概率性的、对上下文敏感的，有时甚至是不一致的。它们通常看似合理，但并不保证绝对真实。这就带来了一种不确定性层面，使得诠释学变得尤为重要：我们需要确定意义所在，并从接收到的输出中定义这种意义。用户成为了解释者，而不仅仅是接受者；是积极参与者，而非被动接收方。换句话说，AI增加了人类解释技能的重要性，而不是降低了它。
仅受过技术正确性训练的人可能会忽略细微的扭曲，但接受过解释训练的人能够察觉歧义、偏见和遗漏。这是AI时代最被低估的转变之一：沟通现在成为一种系统控制的形式。事实上，我之前做过一个视频，试图回答在AI时代最重要的编程语言是什么这个问题。剧透一下：那就是你从童年起一直在说的语言。所以，当你看完这个视频后，不妨去看看那个视频，看看为什么是这样。
让我们考虑这样一个场景：这里有一位用户即将输入一个提示词（prompt），它进入AI系统，然后系统将输出返回给这位用户。这是一个非常简单的案例。然而，这个提示词及其质量将对我们要获得的输出质量和结果产生巨大影响。我们如何构建提示词，施加什么样的约束条件，提供何种背景信息，之前对AI说过什么它可能还在记忆之中，以及我们的意图是什么？这些是否表达得清晰明确？
这直接类比于修辞学，即说服和结构化沟通的艺术。人文学科如修辞学、语言哲学和话语分析成为了与AI系统互动的实用工具。还记得你在写作课上必须写的那些论文吗？嗯，我也不喜欢它们。但这些技能会让你在编写提示词时变得更好，因为你在那里学到了框架的微小变化会改变输出结果。指令中的歧义会产生差异，隐含的错误假设会导致糟糕的结果。
因此，清晰地定义意图、背景和边界不再仅仅是一项写作技能，而是在AI系统中进行操作的能力。一个框架不佳的提示词不仅是不清晰，更是计算上的未指定状态。当然，AI系统反映了其训练数据的结构。这意味着它们可能会无意中强化多数观点，边缘化少数视角，忽视文化细微差别，甚至将频率误认为真理。换句话说，它们见得越多，就越觉得这一定是真的，但事实并非总是如此。
人文学科的训练有助于引入一些在此过程中至关重要的纠正机制。例如，我们学习历史视角和意识、文化素养、批判性分析以及对叙事框架的觉察——即故事周围发生了什么。所有这些都能让我们检测到“可能的输出”与“合适的甚至有用的输出”之间的区别。在实践中，这防止了我们过度信任AI流畅但可能浅薄、具有误导性的答案。
这里的关键点是：人工智能确实扩大了可能的回答空间，但它并不定义哪些回答真正重要；它不告诉我们哪些价值需要优先考虑，也不告诉我们要如何解读才是合理的。同样，它也不会告知我们哪些后果是可以容忍的。我们必须自己决定这些事情。这些仍然是人类的责任。正如我们要涵盖的那样，人文学科是对这些问题进行结构化研究的领域。
在一个AI丰富的世界里，仅仅拥有技术流利度是不够的。事实上，我认为最有价值的技能是批判性思维，这涉及判断力：包括伦理判断、解释性判断、文化判断和沟通判断。底线是：我们因为AI而变得不那么像人了？不，事实上，我们正在变得更加依赖于“作为人类意味着什么”。回想一下我在学校时，老师们告诉我们……
我们学习文学是为了了解人性的残酷、与自然的斗争、社会的压力以及内心的冲突。我们从这些永恒的教训中学到的东西，正是我们需要用来指导我们使用AI的准则。在一个有趣的剧情反转中：随着技术的进步，我们越需要扎根于人文学科——也就是我刚才提到的那些内容。既然AI接管了曾经困扰我们日常的所有琐碎任务，那么现在我们有了更多的时间去享受一本好书。