B06版 主题

圆桌 争议中的人机协同写作

2026年11月20日

  关于人机协同写作,学术界仍然存在诸多争议。其边界如何判定? AI能否带来真正新的思想发现,帮助研究者实现学术突破?如果AI接管了越来越多的基础工作,年轻学者又该如何培养独立研究能力和学术判断力?我们与梅剑华、张光伟、王小伟三位学者围绕这些问题进行了讨论。

  B06-B07版采写/新京报记者 李永博

  

  电影《人工智能》剧照。

  “人机共写”如何定义,可能不是最重要的事情

  新京报:你怎么定义“人机共写”?从帮助检索资料、翻译和文字润色,到整理文献、搭建文章结构,甚至参与观点形成和段落写作,AI参与到什么程度,一篇学术文章可以视为“人机共写”或AI辅助完成的作品?有必要区分“人机共写”与“AI代笔”吗?

  张光伟:讨论人机共写,我认为可能有两种不同的技术介入方式需要先区分一下。如果只是在传统写作流程的某个局部环节加入AI,比如查几条资料、翻译一段外文、润色一下字句,这就像给一辆旧车换上新引擎,发动机变快了,车还是原来的车。更深层的人机共写,是围绕AI的能力重新组织研究与写作流程。

  从浅到深看,人机协作大体有三个层次:最初是给指令、提要求,让AI做局部的文字处理;往上一层是检索增强,向模型注入大量文献片段,提高资料汇总的效率;更深的一层是方法论注入,也就是把长期学科训练中形成的研究规范、判断步骤和约束条件提取出来,转化为机器可执行的知识协议,让AI按照学科规矩来辅助推理。

  因此,区分人机共写与AI代笔十分必要。两者的界限不在AI写了多少字,而在整个生成过程有没有可靠的认识论锚点,关键的学术判断权在谁手里。我们在测试用AI从历史文献中提取人物关系时发现,约有一成半的输出属于看似合理却无文献根据的幻觉,叙述很流畅,逻辑也自洽,但回到原始史料中根本找不到依据。我们不得不引入算法,将AI的每一条输出与原始语料逐一比对,这实际上是把历史学家查脚注的习惯转化为校验规则。

  这说明,大模型的统计合理绝不等于学术上的文献可追溯。如果写作者放弃了核验原典的责任,任由AI顺着概率分布去编织话语,哪怕AI只写了三成,实质上也是代笔。反过来,如果真问题的提出、研究框架的设定、矛盾证据的取舍以及对错误推论的否决都由学者主导,人类作者贡献的就是最核心的方法骨架与价值裁定。至于署名与责任,我认为能够署名的只能是人(至少目前来看是这样),可以补充协作说明,但学术责任不能转移,AI不是责任主体,因此人必须对每一条证据的真伪和每一个结论承担全部责任。界限不在字数比例,而在统计合理与文献可追溯之间那道由人把守的判断关口。

  王小伟:我觉得很难定义人机共写。定义这件事,往往是人跳出来、回过头,站在更高的视角去审视,才给出的一个说法。人身处这个过程里面,也不知道AI最后会发展成什么样。可以先给一个非常宽泛的界定。对我来说,像观点类文章,如果核心观点受到AI的启发,我觉得就可以算是人机共写。

  文学这一块则讲究语句里的文气,好文学的语言有不可替代性。比如“两个黄鹂鸣翠柳,一行白鹭上青天”,你要是改成“有两个黄鹂在柳树上叫,一行白鹭在天上飞”,文学感一下就没了。所以这种语言层面的独特质感,如果也是AI参与写的,也算共写。总结下来就是不管是观点的创造性,还是这种语言本身的独特质感,只要是受到AI启发的,就可以算作人机共写。这是一个宽泛的界定。

  人机共写和AI代笔还是有必要区分开的。如果一篇论文或者文学作品从头到尾都是AI写的,那就是纯粹AI产出的。但共写不一样,共写会有来回的互动,人通过提示词引导AI,AI给出的想法又反过来激发人产生新的思考,双方都是深度参与进来的。如果全部都是AI写,我就很难认可人有作者性。不过,如果你写了非常复杂的提示词,那这就另说了,这种情况其实也算是人机共写。

  我个人觉得以后的写作可能都会是在人机交互的状态下完成的。我们平时写作,本身就是从自己过往经验里,提炼大量对话、论辩的内容,很多时候也是在交流的过程里即时生成想法,这是人与人之间互相激发。有了AI之后,就变成人和AI之间互相激发了。

  写文学作品,如果朋友聊天引发了思考,我一般也不会把这件事写进致谢里,对吧?文学本来就没有致谢。学术论文的情况就要复杂很多:学术写作里,如果是受到某个人特定的启发,一般会放在致谢;要是核心观点是和别人论辩出来的,说不定还要共同署名。作品的形态,决定了你该怎么去区分、追溯人和机器各自的贡献。

  梅剑华:人机共写没有唯一的标准。我们现在似乎最在乎的是,AI在文章的结构、核心的观点以及成系统的段落写作中扮演核心作用,就被视为人机共写。而查资料、翻译、文字润色和整理文献,就被视为AI作为工具。这个初步的二分并不适合于当前的写作生态。因为真正要让AI参与写作并达到好的水平,人是需要花很大功夫的。不是有个大语言模型,你就可以用它写出好的作品。人文学术的写作和数学定理的证明是不同的。数学定理证明可以没有人味,提示词可以很简单,最终证出来就行。人文写作不行。人是有感觉的存在,写作是思想、经验和感受的表达。我不想定义人机共写。这好比练习武术,我不想说内家拳一定高明,试一试就知道,最终只有能打人的拳和不能打人的拳。无论怎样,要看文章本身达到了什么水平。如果人是责任主体,就没有必要区分人机共写还是AI代笔。重要的不是谁写了多少,而是谁对文章负责。

  人机协同写作,有学科限制吗?

  新京报:人机共写是否有学科边界?我们知道,不同学科的学术写作需要具备不同的能力,比如历史学需要辨析史料的真伪和价值,人类学和社会学高度依赖田野调查,文学研究离不开对具体作品和语言的审美能力。在不同领域的学术写作中,AI可以承担哪些工作,又有哪些工作难以被AI替代?

  王小伟:我觉得AI在文献资料整理上,在数字人文研究里,能够捕捉到很多人常常留意不到的、不同材料之间的关联,在这方面它的能力可能远超过人。AI存储近乎无限,在跨度很大的材料之间做跨领域关联的能力,肯定是强于人的。所以以后在信息整合、梳理还有数字人文这块,AI是大有可为的。

  不过要说有没有什么是它难以替代的?我们觉得人类学里大量的田野工作就很难被替代,对吧?毕竟要走进现场。当然现在也有不少AI应用,用AI生成问卷、处理数据,有时候得出的结果还挺贴近真实情况。因为网络上已经积累了海量数据,数据内部本身就带有一些结构性规律,AI学习到之后就可以做模拟。

  但不管怎么说,外部世界有外部性,会不断冒出各种随机的新状况,这部分恐怕只能靠不断走进现场才能把握。当然,如果以后AI发展出成熟的具身智能,靠机器人去到现场采集数据,那这一部分工作也会被不同程度替代。

  但我还是认为有一些经验是替代不了的:人到了田野现场,访谈者不只是一个信息收集者。访谈者介入访谈对象、介入当下情境。这件事本身,就会改变这个情境、改变访谈对象。人和机器介入带来的效果差别会挺大。也就是说,信息的观测、记录由谁完成本身就会影响最后收集到的信息。

  一个肉身的、有限的人进入环境,和一个硅基的、近乎无限的机器进入环境做观测,二者对现场带来的扰动是不一样的。从这个角度来说,这种人类亲身在场的经验,暂时还没法被取代。

  梅剑华:几乎在所有的领域,AI都可以替代人类的工作,至少可以参与其中的很多环节。类型不同,结果一样。问题只在于研究者选择多与AI互动,还是多与真实世界互动,二者在取效上可能是相同的。只有一点不可取代,那就是作为研究者的你自己想写,享受手搓的快乐,而有的人享受机搓的快乐。有人可能会觉得AI对于历史学辨别史料真伪是非常重要的,但不能用于文学写作。我的理解是,如果你真的是一个机搓大师,反复机搓,你也可以写出好的文学作品。只是,通常来说,文学需要敏感的心灵,文学写作的人愿意把机搓的时间放在手搓上。至于能不能写出旷世之作,这个标准不能针对AI,也不能针对一般的写作者。绝大多数人类写作者,同样写不出旷世之作。

  

  张光伟陕西师范大学历史文化学院讲师,硕士研究生导师。主要从事“人工智能+历史学”交叉学科研究。

  

  王小伟

  中国人民大学哲学院教授,人工智能治理研究院研究员。著有《重新回到生活》《日常的深处》等。

  

  梅剑华

  山西大学哲学学院教授、博士生导师、《认知科学》双语期刊主编、“心灵与机器”会议工作组组长。研究方向为:心灵哲学与形而上学、人工智能哲学等。

  真正深厚的学术积累无法速成;年轻学者不必同AI比拼生成的速度,而要尽早锻造出属于自己的学术判断力。——张光伟

  要保证和机器的深度隔离时间。尤其是年轻学者和学生,需要有一段时间,不依赖AI,独立地阅读、思考和写作。——梅剑华

  如何看待“AI腔”?

  新京报:很多人机共写的作品经常被批评有“AI腔”,并作为判断作品是否有AI参与的某种依据。你怎么看待人机共写中的“AI腔”?

  王小伟:所谓的AI腔这个问题其实挺复杂的。如果是说明类文字,核心观点本来就是作者自己的,只是拿AI润色,结果带出不少AI腔,这好像还不太严重。说明性写作本身,它的作者性不在文字质感上,重点是观点。这种情况下,AI腔顶多读着乏味,其实不影响文章本身。比如写一份洗衣机操作说明,里面带点AI腔,我觉得不太妨碍它传递信息。

  我们没法接受的,是本身带有作者声腔的文学写作里出现AI腔,因为这会从根本上破坏作者性。毕竟对文学来说,作者的语言质感、遣词造句、语句节奏,都是独属于自己的风格,这一块就很难接受AI腔。其实就算限制在文学领域里面,情况也不一样:比如有的人写科幻,文本语言本身的趣味没那么关键,重点是故事和设定结构,AI腔尚可忍受。但散文这类文体,就非常看重鲜明的作者声腔。所以不能一概而论,得针对具体情况,做更细致的考察。

  梅剑华:我们曾经有“八股腔”,现在有“AI腔”。

  第一部分“AI腔”里有人味,也是从人那里继承出来的。AI从人类的语言中学习,自然也会继承人类写作中已有的表达习惯。

  第二部分“AI腔”是当前通用大模型平均化、周全化带来的结果,比如“不是……而是……”,不把话说满,留有余地,面面俱到,等等。这些是可以改进的,但改进需要时间。这取决于你是愿意机搓还是手搓。

  第三部分“AI腔”,也许是需要我们逐渐习惯的。因为语言本身就是不断变化的。过去我们不习惯的表达,后来也可能成为日常语言的一部分。

  当然,习惯不等于认可。好的写作仍然需要有自己的语言风格。

  AI依然不能取代基础的学术训练

  新京报:现阶段的AI自身究竟能否带来有价值的思想突破?

  张光伟:现阶段的AI自身缺乏生存体验与问题意识,不能凭空产生人文思想发现;但在深厚学术积累的支撑下,它可以成为学者的思考伙伴,触发有价值的学术突破。

  我前些年做过一项西夏文字典《文海》的研究,用复杂网络方法将每个西夏字作为节点、字与字之间的互训解释关系作为连接边,从中提取西夏文的基本字集。后来有朋友把这篇旧文放进AI工具生成了中英文双语对谈。中文对谈用洗面筋和剥洋葱的比喻,贴切地解释了算法如何洗去末端字、沉淀出核心字集;英文对谈则做了一次原论文没有涉及的跨学科延伸,主动将《文海》的层级网络结构与语言学中的萨丕尔-沃尔夫假说联系起来,追问这种独特的文字组织方式是否塑造了党项人认识世界的方式。这说明,当AI对完整的研究进行多视角反刍时,它能够跨越语言和学科壁垒,帮研究者照见自己未曾充分意识到的理论空间。

  我用级联激活来概括这种突破机制,灵感来自核物理中的链式反应。核裂变瞬间释放的快中子速度极快,但直接触发下一次裂变的概率并不高;真正维持链式反应持续、可控进行的,是经过减速剂慢化后的慢中子。AI与人文学术之间也有类似的结构:AI很快,像快中子;人文学术很慢,但学者长期积累的文本、材料、问题与方法,恰恰是让反应得以持续深入的慢化剂。

  以我们持续十年的西夏文数字化工作为例,AI带来的激活是一环扣一环的:先是识别字数突破长尾困境,从早年的一千六百多个常用字向全字表扩展;接着是过去很难实现的西夏与汉语自动翻译进入研究视野;再往下,原本分离的文字识别与自动翻译开始互相促进,更好的识别为翻译提供输入,更好的翻译又反过来校验识别中的错误,为打破冷门绝学语料稀缺的困境提供了一种可能。更重要的是,这种激活是双向的。大模型对西夏文这种死文字原本一窍不通,正是古代学者编纂的《文海》和现代学者几代人整理的字典注释,让AI得以借道汉语语义空间开展推理而“认识”西夏字。而在唐长安城研究中,AI的介入也倒逼我们把传统考据中只可意会的隐性经验,转化为结构化的中间表征与显式流程。

  积累是势能,AI是触发器;学术积累的深度,决定了我们借助AI能够探索的半径。

  新京报:人机共写会让人丧失写作能力吗?尤其对年轻学者和学生来说,如果越来越多的基础劳动都交给AI,他们又将通过什么途径掌握独立研究的能力?

  梅剑华:我最担心的就是这个事情了。总之,亲自读书、亲自查材料、亲自写作、亲自犯错的感受是不一样的。一开始使用AI,会让人迷失自我,失去判断力。过去说,读书读过了,会变成两脚书橱,也有类似的问题。有些思想要从经验中来,有些思想要从写错开始。大脑不是大语言模型,会因为各种现实的经验被激活。写作不只是把已经想好的思想表达出来,写作本身也是思想形成的过程。有些问题只有写的时候才会发现,有些错误只有自己犯过才会理解。我赞成深度融合和深度隔离,两手抓。要保证和机器的深度隔离时间。尤其是年轻学者和学生,需要有一段时间,不依赖AI,独立地阅读、思考和写作。

  张光伟:如果把AI当成跳过基础训练的捷径,确实会削弱独立研究能力,而且退化的不只是遣词造句的能力,更是学术判断力。

  今天AI把技术和写作的门槛降得很低,学生借助大模型和编程工具,很快就能生成一篇结构工整的综述,或者做出一个数字化平台原型。但在教学和科研中,我看到一种值得警惕的浅层重复:做一个工具,再做一个类似工具;或者输入几个关键词,让AI拼出一篇看似面面俱到的文章。这就好比缺少了慢化剂的约束,快中子在表层一掠而过,无法触发深层的思考。如果写作者省去了研读原典、比勘异文和推敲概念边界的苦功,头脑中的认知加工层没有被真正激活,写出来的东西自然有知识而无见识。如果长期单向依赖AI产出,而自身的核心能力不升级,学者甚至可能面临被工具反噬的风险。

  在AI时代,年轻学者和学生的训练重心,需要从知识的存储器转向智慧的中央处理器。具体或可通过三条途径来养成独立研究能力:

  第一,坚持先探边界,再决定工作。学生使用AI的第一步不应是让它代笔,而是拿一手史料去测试它的能力边界。比如把西夏文字典和例句给AI,它能做基础翻译;但把扫描版原始文献直接交给它,它就做不到了。探明边界之后,AI能轻易完成的能力不必低水平重复,AI做不到、频频出错的地方,才是研究者真正需要下功夫的领地。

  第二,在给AI立规矩和挑错中训练基本功。过去学者靠手工抄卡片、做长编来练内功;今天可以让学生去批判性地评估AI的论证过程,或者尝试为AI制定文献互证的规则。要想找出AI生成的无据幻觉,或者写出一条能管住AI不犯常识错误的规则,学生自己首先必须把原典体例、史料性质和考据方法吃透。给AI挑错、查AI的脚注,本身就是高强度的研究训练。

  第三,在深度协作中沉淀属于新一代学者的新型积累。年轻学者或许没有前辈学者数十年的个人材料积累,但如果从起步阶段就带着真问题与AI深度切磋,在协作中建立起经过严格核验的结构化语料、清晰的推理中间层或可复用的研究方法,这些协作产物本身就会变成新的学术积累,成为触发下一轮探索的起点。

  真正深厚的学术积累无法速成;年轻学者不必同AI比拼生成的速度,而要尽早锻造出属于自己的学术判断力。

  新京报:你认为,在某个时间点,人机共写能否进入正式的知识生产体系?如果学术期刊开始接纳人机共写成果,现有的学术评价体系需要作出哪些调整?

  梅剑华:年初,有学者已经设想了AI论文自动生产工厂。未来不仅会形成人机共写的情况,甚至会出现AI论文自动生成的机制。丘成桐先生也将在明年办“《Journal of AI-Assisted Mathematics》”的研究期刊。现有的知识生产体系势必受到挑战。现有的学术评价体系本来存在问题,AI的出现加剧了这一问题。未来的学术评价体系似乎应有新的可能性,例如要容纳非论文的研究成果。我们不能把学术贡献简单等同于论文发表,更不能把论文的数量等同于思想的创造。AI可能使论文生产越来越容易,但真正重要的,仍然是提出了什么问题,解决了什么问题。学术评价应该更多地回到这些基本问题上来。