夜雨聆风作者与校对：徐轶青，斯坦福大学
中译：许文立，澳门城市大学
这篇文章来自斯坦福大学徐轶青教授的 Substack 专栏。说实话，我特别喜欢徐老师的专栏封面图——中国水墨画的风格，山川河流、道路桥梁，还有一轮冉冉升起的朝阳： 
也强烈推荐大家关注徐老师的专栏（网址：https://yiqingxu.substack.com/），里面有许多很有价值的洞见： 
今天是斯坦福的毕业典礼。每年的这一天都很特别。我穿上学袍，和学生们合影，同事们逐一念出毕业生的名字、他们的成就，以及他们将要去往的地方。这些孩子取得的成就、他们光明的前程，总让我惊叹；他们带给我快乐。但今年，尽管没有人提起AI，它却一直萦绕在我心头。
我一直在斯坦福的壁球馆和两位球友打球。一位是心胸外科医生，另一位是科技公司的技术主管。上周，其中一位问我：“轶青，你是不是有什么事？这几个月，我感觉你跟以前不太一样了。”
我向他坦白，我心里确实有些迷惘，而我把这归咎于AI。
别误会：AI给我们这个领域、也给我个人带来了巨大的振奋。我已经能把很多更繁琐的工作交给AI，比如编写软件包、复现已有的研究。
如今几乎没有人再（大量）手搓代码了；这就是现在的现实。以我的一个R包 fect为例，AI写了数百个测试，并在此过程中抓出了许多bug，其中一些已经潜伏多年无人察觉——可以看看它的更新日志；AI 的“处理效应”令人震撼。今年到来的 agentic AI，让我成了巨大的受益者。
我能确定的
在这个agentic的世界里待了几个月之后，我已相当确定：AI将从根本上改变整个社会科学、乃至更广义的科学的运作方式。
几个月前，这或许还是一句颇具争议的话。如今它已不再那么离经叛道。正如我在不同场合所说，海啸已经到来，无论我们喜欢与否，都必须去适应。
我认为社会科学论文的质量将会显著提升——也许不需要两年，可能只要几个月。对于我更熟悉的定量与统计类论文尤其如此，原因很简单：我们从AI那里获得了巨大的认知层面的帮助，尤其在数学与编程领域。
我仍不时在推上看到有人质疑AI的能力，通常是拿它的幻觉、或者无法一次就把事情做对来说事。但我认为这些问题会很快改变。哪怕只和两个月前相比，它们也已经少了很多。
我不是说我们不需要验证。恰恰相反，我们需要大量的验证，这一点我后面会讲。
但它同时也带来一种深深的质疑、不确定与焦虑——我想把它描述出来，却又不太知道从何说起。
焦虑的来源
我试着反思：为什么在这个AI时代，我会感到如此迷惘——明明我一直在借助AI不断产出。我想，写这篇博客本身，其实就是我给自己做的一次冥想练习。
不只是生产力工具
第一个原因是，AI不只是一种生产力工具。它所增强、乃至取代的，是我们视为“自我”核心的那部分认知能力，因此它开始触及工作与生活的意义。
这并不是什么新的担忧。人文与艺术领域的人早就提出过，却常常被我这样的人所质疑。如今，我自己也切身感受到了。
Gary（加里·金）曾对我们说过（大意如此）：想法不值钱，执行才是王道——请原谅我这里玩的双关。然而有了AI，执行的成本正变得极低。这是否意味着，想法重新成了王者？
我不确定。今天我还和一位过去的学生（他如今在一家 AI 创业公司工作）争论这个问题。他试图说服我：那些我眼中“廉价”的想法，其实可能是好想法，值得以更快的节奏分享给世界。可是，当真正的工作被AI掏空之后，这些想法还算是人类的吗？它们还真正代表着人类的智慧吗？
也许吧。但我之所以焦虑，是因为我们正处在这样一个过渡期——大量唾手可得的“低挂在树上的果实”就摆在那里。或许等这场转变过去，剩下的会是那些艰难得多的问题，而我也能重新在工作中找到更深的意义。
我的一位朋友（他极聪明，我也很钦佩他）告诉我，他觉得我们如今都成了天文学家。我不是要冒犯天文学家，因为我和他其实都不清楚你们具体做些什么；但他的意思是：我们正试图用一架望远镜去寻找星辰。望远镜也不是我们自己建造的，我们只是盯着它看，偶尔调整一下方向，试图有所发现，而这往往要靠运气。
信息过载
我反思的第二个原因，是我们面对的信息和选择都太多了。
当摆在面前的信息和选择都过于庞杂时，会衍生出几个不同层面的局面。一方面，对于那些精通本领域、把工作做得很扎实的研究者来说，边际生产率会变得异常之高。
另一方面，你必须去选择做什么。即便在AI出现之前，这对许多研究者也是一个选择、一个突出的难题；我们常常不得不在数量与质量之间权衡。
而如今，它之所以变得如此紧迫，是因为好的成果能比从前快得多地产出。假如我们能产出比2025年我们眼中“好作品”多50倍、且质量相当的成果，我们就应该这么做吗？
还是应该慢下来，转而去啃那些真正困难的问题？我想，职业激励会偏向前者，尤其对研究生和尚未拿到终身教职的青年教师而言。
接下来是“理解”。某位名人（大概是陶哲轩，但我找不到确切出处）说过：思考可以外包，理解却无法外包。这些天我对这句话感受尤其强烈，因为AI产出的东西实在太多、太密集了。
问题在于，其中大部分是对的——都是有用的信息。只有大约5%-10%（在我接触的领域里，这个比例还在缩小）存在严重问题，而我的工作，就是找出这5%-10%到底是什么，并引导AI去修正它。
这就是我们工作的本质吗？我不认为最终会是这样，但这就是我目前的工作状态。每天我都觉得自己的大脑快被架着烤，认知代币（cognitive tokens）也消耗得飞快。
我常听学术界的人说：“不行啊，我们得读机器生成的每一行代码，确保它都是对的。”可我们真做得到吗？我们真会去逐行读吗？我觉得这根本不现实。
我们需要更聪明的验证方式——以软件开发为例，这意味着使用信息屏障、对抗性测试，以及让一个环节去检查另一个环节的工作流。
信号干扰
最后一个焦虑来源，谈不上是我个人的深层困扰，但或许与我的学生更相关：能力的信号正在被剧烈地扭曲。
举个例子，过去若你能证明半参数效率界，那就标志着你作为计量经济学家的功力。我听说这个信号现在弱了很多：只要给几个好的提示词，前沿模型往往一上来就能给你一个八九不离十的结果，当然你还得仔细核对。
这引出了几个关键问题：
我们该如何遴选出色的学者？我们当然可以回到那个标准答案——希望学者去研究雄心勃勃、宏大而深刻的问题；但我想，过渡期会是混乱的。 在这个高度动态的环境里，我们该如何引导学生（甚至我们自己）去积累技能？由此带来的后果是，我们根本无从判断，半年之后哪些技能会更受珍视、更有帮助、更有用。
关于AI时代人类在社会科学发现中的角色，我略去了许多乐观的看法。比如，社会的变化往往非常缓慢；AI很难直接采集数据；更多的问题会变成可以解决的问题；而社会科学发现中还有一条长尾，是AI至今仍不擅长的。我并不反对这些观点。只是它们别人已经讲过，我就不在这里重复了。
前路
在当下这个时代，做任何预测都极其危险、也极不审慎。然而，凭着我所了解的、以及我使用 AI 的经验，我相信有几件事是确定的：
对验证的强调会大大增加。我们如今都成了AI的训练者——最直接的方式，就是我们过滤掉AI产生的错误，再把论文提交到 arXiv 这类开源平台。不管我们喜不喜欢，发现并剔除AI产生的谬误，从而确保知识工作依然值得信赖，现在已经变成了研究者的重要职责之一。正如Matt Gentzkow在四月那场活动上所说，信任会成为一种越来越稀缺的资源。一旦信任被破坏，学术声誉将遭受重创。 我们需要慢下来。我知道，这在很多情形下是一种囚徒困境。即便撇开外部的激励不谈，那种想要去创造、去多产的内在冲动，也仍然极具诱惑——因为对我们这些渴望探索与创造的人来说，AI简直是天赐的玩具。
我还想补充一点：我认为我们应当对学生使用AI更宽容一些，尤其因为他们还处在“学徒”阶段。只要他们出于善意，我们的目标就不该是去监管每一次AI使用，而是帮他们理解其中的风险与局限。
在未来的几个月乃至几年里，AI的误用会很普遍。我觉得人们有一种倾向，是把它过度道德化，把每一个个案都当成对道德准则的违背。规范每个月都在被改写，而大多数学生都是怀着善意、在巨大的压力下，使用着在他们脚下不断变动的工具。
真正的底线依然成立：捏造数据，或者把自己并不理解的东西冒充成自己的成果。这显然是错误的，我们也应当及时指出。我承认，这种诱惑确实很强。但除此之外，我们应该给学生留出试验的空间，同时反复提醒他们：事情可能会以怎样的方式出错。
如果要给研究生们一些建议，我想再补充三点：
尽可能把AI整合进你的工作流。我相信你们大多数人已经在这么做了，所以这一点大概是多余的。 试着去做比你现在在求职报告（job talk）里看到的更有野心的项目。 把更多精力放在理解和自学上。我相当确定，对一个问题的深入理解，会放大AI的能力，反之亦然。在AI的辅助下，如果你真正理解了背后的问题，你的工作会好得多。我在自己的学生身上已经见证了这一点。
很抱歉，在这个喜庆的日子里，写下这样略带忧郁的文字。
