冷門的哲學，成了“治”AI的熱門

金磊 發自 上海
量子位 | 公眾號 QbitAI

誰曾想啊，哲學這個冷門專業，竟成了當下AI的熱門。

這是我們今年逛WAIC時的意外發現——哲學含量，有點高。

△圖片由AI生成

例如在WAIC科學智能開放論壇的平行專場《心智與智能·青年生態論壇》上，第一位登臺演講的嘉賓，就是復旦大學哲學學院教授孫寧；科學智能開放論壇主場討論《AI原生時代的原始創新》，復旦大學哲學學院教授孫向晨同樣坐上了巔峰對話席。

無獨有偶，WAIC期間由復旦大學國家發展與智能治理綜合實驗室發布的《2026人文社會科學智能發展藍皮書》，又把深度思考、科研可信和AI治理擺到了聚光燈下。

但有一說一，這股看似突如其來的哲學熱，其實是有跡可循的。

幾年前參加AI大會，大家談論最多的是參數、算力和榜單；而如今，AI已經會寫論文、做數學證明、生成蛋白質構象，還能用一群智能體模擬社會。

雖然AI在能力上是一路高歌之勢，但隨之產生的問題也越來越接近哲學：

• 一個模型可以流暢回答問題，就代表它真的理解了嗎？
• AI能夠自主發現知識，它算新的科學家嗎？
• 如果AI發現了人類無法解釋、卻能通過實驗驗證的規律，我們又該不該相信？

孫寧在名為《智能之前，先有世界》的演講中，把問題拉回到了源頭。

早在上世紀90年代，認知科學家Stevan Harnad便提出符號奠基問題，追問符號系統怎樣通過感知和交互獲得真實意義。差不多同一時期，機器人工程學家Rodney Brooks又提出物理奠基假說，并留下一句頗有影響力的話——世界本身就是最好的模型。

△復旦大學哲學學院教授，孫寧

沿著這條思路，孫寧提出，一種深度扎根于世界的智能，至少需要身體、環境、他者和歷史。身體讓行動產生代價，環境提供反饋，他者帶來規范，歷史則讓失敗沉淀成經驗。

他最后將其概括為兩句話：

智能之前，先有世界。
心智之前，先有關系。

這也為當天的討論定下了基調。

這場青年論壇由復旦大學國家發展與智能治理綜合實驗室、上海科學智能研究院、復旦大學哲學學院、上海市青浦復旦未來技術研究院和Datawhale共同主辦。

臺上既有青年科學家，也有哲學家、社會科學家和創業者。大家從自進化模型聊到數學證明，從蛋白質動態聊到社會模擬，最后又把話題落到了治理和產業。

看似散落在不同學科里的問題，就這樣被串到了一起。

AI開始自己做科學了

哲學家剛追問完“什么是智能”，超衍智能創始人陳勇超便帶來了一個更具體的問題——AI能否成為新的科學家？

△超衍智能創始人，陳勇超

過去的大模型主要從互聯網數據中學習人類已有知識。陳勇超所說的自進化模型，則希望進入真實任務，從科研過程和環境反饋中持續學習。

具體來說，模型可以自己想idea、寫代碼、跑實驗、分析數據，再把成功和失敗的軌跡沉淀下來，繼續調整數據、模型和Harness。

陳勇超現場還展示了一組頗為吸睛的結果。

其團隊開發的Apex Search生成了34篇論文，并將這些論文提交至ACL、ARR等學術評審體系。按照他在現場披露的結果，其中約10篇有機會進入Findings或主會，兩篇論文獲得3.67分，評分高于約95%的人類投稿。

部分審稿意見甚至還給出了“領域內首項研究”、“實驗嚴謹”、“命題切中要害”等評價。

換句話說，AI生成的科研成果，已經能夠通過人類審稿人的第一輪檢驗。

但問題也隨之來了。

在后面的《社會之變》圓桌上，復旦大學大數據學院教授魏忠鈺就提出，如果AI一次生成并投稿幾十篇論文，最終有幾篇獲得高分，我們究竟該如何判斷它的科研能力？這說明系統的研究能力達到頂級會議發表的水平，還是它碰巧找到了現有同行評議機制的薄弱環節？

當論文生成得越來越快，評估可能會比生成更加困難。

陳勇超自己也留下了一連串問題。AI能不能產生Transformer級別的突破？海量科學發現該怎樣評價？AI科研成果歸誰？如果系統被用于有害研究，責任又該如何劃分？

緊接著登臺的復旦大學上海數學中心準聘副教授王天棟，給出了一種更清晰的人機分工。

△復旦大學上海數學中心準聘副教授，王天棟

AI擅長檢索、歸納、尋找特例和反例，也可以同時生成幾十條候選證明路徑。數學家負責判斷問題是否重要、猜想是否值得研究，再用嚴謹的概念和結構對結果施加約束。最后，還要加入機器驗證，檢查推理有沒有跳步、計算有沒有錯誤。

說白了就是：

AI擴大搜索空間，人定義價值，機器負責驗證。

在這套流程中，數學可以為AI提供結構約束、形式化驗證、誤差分析和適用邊界。可信也不等于永遠不犯錯，更現實的標準是錯誤能夠被發現，風險可以被界定，結論經得起復查。

隨后，上海科學智能研究院AI科學家楊自雄又把可信問題帶進了更加復雜的生命世界。

△上海科學智能研究院AI科學家，楊自雄

AlphaFold解決的核心問題，是從序列推斷高概率的靜態結構。但蛋白質、RNA等生物分子始終在運動，許多功能取決于構象分布、狀態轉換和時間尺度。

因此，后AlphaFold時代的研究目標，開始從“預測一個結構”走向“生成一段動態”。

這意味著模型既要覆蓋稀有卻重要的構象，也要維持長時間生成中的結構穩定，還要滿足熱力學、動力學和物理規律。靜態結構積累了大量數據，動態分子數據卻十分有限，相關評測體系也有待完善。

從數學證明到蛋白質動態，AI確實可以把探索做得更快、更廣。可一旦進入有效的科學發現，證據、實驗和真實世界的反饋，一個都少不了。

如果說數學與生命科學還有相對明確的驗證路徑，那么當AI開始模擬人和社會，事情就更復雜了。

智能進了社會，治理不能慢半拍

上海人工智能實驗室青年科學家瞿晶晶研究的，正是AI與社會科學的交叉。

△上海人工智能實驗室青年科學家，瞿晶晶

在她看來，社會科學是AI發展的核心基礎。Alan Turing關于“機器能否思考”的研究刊發于哲學期刊《Mind》；Herbert A. Simon提出有限理性理論，聯合Allen Newell創立物理符號系統假說，開創符號主義AI；Geoffrey Hinton結合心理學與認知科學研發神經網絡、模擬人腦機制，促成了如今的大模型時代。

而現在，這條關系開始反向運行，AI也在給社會科學帶來新的實驗方法。不過，AGI朝著社會化、規模化發展時，始終存在一個核心難題：在大規模、復雜的社會演化博弈中，很難兼顧邏輯一致性與實驗結果的可信度。

瞿晶晶展示了社會模擬平臺Epitome。在高通量效率上，平臺模擬可一鍵生成上千個虛擬樣本，將十年的社會演變過程壓縮至14小時。研究者可自由調整干預政策、群體關系等變量，快速觀測其長期社會影響。

這類方法尤其適合那些很難在真實世界里直接開展的實驗。

比如，如何模擬一個孩子從小學三年級成長到五年級？模型既要體現知識變化，也要模擬心理、行為和社會關系。研究者還希望在這個虛擬環境里測試不同教育政策，觀察哪種方式更有利于兒童成長。

雖然想法很有吸引力，但風險同樣藏在其中。

畢竟大模型可以模擬一個專家，卻未必能準確模擬一個處于具體家庭、地域和社會關系中的孩子。虛擬角色表現出來的態度，究竟來自真實社會規律，還是訓練數據里的刻板印象？

《社會之變》圓桌上，浙江大學公共管理學院百人計劃研究員、博士生導師蔣卓人分享了一組更具警示意味的數據。

在一項跨國信任研究中，大模型生成數據在國家均值層面的相關系數可以達到90%以上。可進入回歸分析后，顯著性覆蓋程度下降到34%—37%；當研究者嘗試用這些數據恢復國家類型時，結果又接近隨機。

也就是說，模型從宏觀上看起來很像真實社會，一旦進入具體人群和因果關系，偏差便會暴露出來。

更麻煩的是，社會數據還會形成循環。

現實中的偏見進入訓練數據，模型再參與招聘、教育、內容分發和公共決策，新的結果又成為下一輪訓練材料。如果缺少審計和糾偏，原有偏見可能在循環中被不斷放大。

所以，圓桌上出現了一個很直白的提醒：

可以用大模型模擬社會，但別把模擬結果當成真實社會的聲音。

AI進入社會后，治理也無法停留在“模型準不準”這一層。

《心智之問》圓桌談到了攻擊、有害生物研究、心理依賴等風險。復旦大學科技倫理與人類未來研究院青年副研究員朱林蕃還提到，當前AI治理普遍面臨“一管就死、一放就亂”的困境，需要技術、政策、倫理和國際合作共同尋找更細致的解決方案。

同場的上海市青浦復旦未來技術研究院青年研究員馬立鵬，則從技術角度補了一層。今天的AI幾乎什么都能答，卻缺少“知道自己不知道”的元認知能力。只有先讓AI認清自己的能力和邊界，后續的評估與治理才更有抓手。為此，也需要哲學、教育學、計算機等不同學科共同參與。

責任問題也越來越棘手。

當AI智能體擁有更強的主動性，它能否成為法律或道德意義上的行動者？如果它無法獨立承擔責任，開發者、部署者、使用者和最終決策者之間，又該怎樣劃分責任？

講到這里，也就不難理解，復旦大學國家發展與智能治理綜合實驗室為何會出現在這場科學智能論壇的主辦名單中。

這家實驗室的研究范圍橫跨人工智能、大數據、人文社會科學、公共治理等，是首批教育部哲學社會科學重點實驗室。它所承擔的一項重要工作，就是把技術變化放進真實社會和制度環境中觀察，再推動學術研究與政策需求銜接。

其牽頭復旦大學AI+新文科生態，聯合上海科學智能研究院，匯集近20個學科40余位專家合作編寫的《2026人文社會科學智能發展藍皮書》，便試圖將許多看起來抽象的治理原則，轉化成可執行的研究和制度流程。

比如，AI進入科研后，最終留下的不能只有一篇語言流暢的論文。研究問題、數據字典、分析腳本、運行記錄、審查意見和人工裁決，也應當被保留下來，讓別人能夠沿著證據鏈重新走一遍。

《藍皮書》提出的STRIDES框架，就在理論、方法、數據、執行和審查等環節設置檢查節點。哪些假設需要寫明，哪些證據需要定位，哪些低置信度結論要重新交給人判斷，都被納入了流程。

到了公共治理領域，問題更加直接。

藍皮書區分了代理型和輔助型兩種AI嵌入模式。前一種模式讓算法一路參與到決定輸出，人往往只在系統故障或申訴時出現；后一種模式讓AI承擔檢索、計算、風險提示和方案生成，最終決定仍由人完成。

而所謂“人在回路”，也不能只剩一個確認按鈕。人需要擁有介入權、糾偏權和解釋權。

從這個角度看，治理更像是在為技術修路。哪些場景可以提速，哪些地方需要護欄，出現問題后由誰復核、誰解釋、誰承擔責任，都要提前寫進規則。

除此之外，2026版《藍皮書》還構建了“中國高校AI4SSH指數”，從研究核心能力、發展創新潛力和社會傳播能力等維度，觀察高校AI與人文社會科學的融合程度。

它傳遞出的判斷很明確。一個領域要形成長期能力，靠幾篇論文和幾個模型還不夠，數據、算力、工具鏈、人才培養、組織協作和評價制度都得跟上。

這正是國家發展與智能治理綜合實驗室連接學術與政策的意義。技術提供新的可能，社會科學解釋影響，經濟學研究激勵與分配，治理研究再將這些認識轉化為程序和制度。

在上海，學術、政策和產業接成了一條線

治理問題繼續往下走，最終還會碰到產業。

中國科學院深圳先進技術研究院研究員、森瑞斯生物科技創始人羅小舟，在現場講了一個很形象的差別。

△中國科學院深圳先進技術研究院研究員、森瑞斯生物科技創始人，羅小舟

AI寫代碼、做數學，很多流程可以在計算機里完成閉環。但生物制造還要跨過數字世界與物理世界之間的那道坎。

模型提出一個科學假設后，實驗設備要把它真正做出來，再將檢測結果反饋給模型。只要有一個環節沒打通，自進化就會停下來。

羅小舟團隊依托投資超過20億元的深圳合成生物重大科技設施，用自動化設備充當“身體和手”，再讓AI承擔實驗設計和決策。他們希望輸入一個需求后，系統能夠自動設計實驗、編寫腳本、執行操作、采集數據，再進入下一輪優化。

相關技術已經被用于角鯊烯、角鯊烷等產品研發和生產。其中，角鯊烯產品進入了默克供應鏈，角鯊烷也進入了化妝品供應鏈。

但科研和產業深度融合，模型只是其中一環。

《致用之路》圓桌談得相當坦誠。AI可以加快抗體設計、蛋白質優化和菌株改造，可后面還有濕實驗、臨床、審批、工藝、生產和市場。

鎂伽科技聯合創始人兼高級副總裁張琰，則把其中的難點概括成了AI落地物理世界的“最后一公里”。在他看來，實驗室自動化和機器人技術已經相對成熟，更難的是把AI、軟件系統、儀器設備和具體學科需求真正打通。為此，鎂伽科技嘗試讓實驗室里的儀器和機器人像電腦外設一樣被控制，再將模型、自動化實驗和數據反饋接成閉環。

上游縮短了研發時間，瓶頸很可能馬上轉移到下一個環節。監管制度、產業慣性和組織流程沒有同步變化，技術帶來的加速也很難沿著價值鏈傳遞下去。

當然，錢的問題也繞不開。

數據方、模型方、自動化實驗平臺和產業客戶共同創造一個結果，應該怎樣收費，又該如何分配收益？張琰也把話說得很直接，新的生產力會改變生產關系，除了“怎么搞錢”，還要想清楚鏈條上的各方該“怎么分錢”。

聽起來很接地氣，卻點中了AI進入產業后的深層變化。

過去，各方按照工作環節收費；而現在，AI推動產業從過程交付走向結果交付，參與者開始共同對最終成果負責。

新的生產力，也在催生新的生產關系。

這同樣屬于AI治理的范圍。除了安全、倫理和權利，技術紅利如何分配、產業規則怎樣調整，以及傳統監管如何適應新的科研速度，都需要有人研究。

回頭看，這場青年論壇的嘉賓構成其實很有意思。

有人研究自進化模型，有人為AI建立可信邊界，有人探索蛋白質動態和社會模擬，也有期刊編輯從學術評價體系出發，追問AI研究究竟解決了什么真實問題；還有人從實驗室走向創業，把科研成果推進到自動化實驗和工業生產。

他們來自不同專業和機構，又在上海坐到了一起。

同一天下午，科學智能開放論壇主場沿著“發現之道、閉環之基、落地之路”展開，諾貝爾化學獎得主Arieh Warshel、圖靈獎得主Gilles Brassard等嘉賓討論科學智能與原始創新。

青年論壇則把鏡頭推向科研可信、社會治理和產業鏈條。

一邊討論科學智能能夠走多遠，另一邊繼續追問它怎樣穩穩地進入現實。

這背后，是上海正在形成的一種青年科學智能生態。

上海提供高校、科研機構、產業資源和政策研究平臺，年輕人則在這里跨越學科邊界，把模型、社會和產業放進同一套問題里。

所以，哲學在AI圈重新變熱，只是這場變化露出水面的部分。

更深處，AI已經進入知識生產和社會運行，技術問題也開始與治理、經濟、倫理和公共政策交織在一起。

AI越會回答，人類越要認真決定該問什么、該相信什么，又該把技術帶向哪里。