夜雨聆风最近有条新闻，很适合拿来刺激一下文科生。
Google DeepMind 请了一位剑桥学者 Henry Shevlin，职位名称很直接：Philosopher，哲学家。他研究机器意识、AI 的道德地位、人机关系，以及 AGI 到来前人类该怎么准备。
这不是孤例。DeepMind 里早有政治哲学和伦理学背景的 Iason Gabriel，长期研究 AI 对齐、价值冲突和社会影响。Anthropic 更典型，Claude 背后那份“宪法”式原则文件，主要作者之一 Amanda Askell 本来就是哲学博士，研究伦理学、决策理论和 AI 安全。
算法工程师，芯片专家，分布式系统高手，产品经理，增长黑客。现在连哲学家都被请进了 AI 大厂。
这事有点好笑，也有点严肃。
好笑的是，过去很多人觉得哲学“太虚”。严肃的是，当模型越来越像一个能说话、能判断、能行动的东西，工程师突然发现，有些问题不是再买一万张 GPU 就能解决的。
一个 AI 助手应该多听话？太听话，它可能帮用户做坏事；太不听话，它又像一个自以为是的监护人。
AI 要不要表现得有情感？没有情感，用户觉得冷；太有情感，又可能让孤独的人产生依赖，把机器当成亲密关系。
一个模型应该“诚实”到什么程度？它要不要直接说“我不知道”？当事实、安慰和风险提示互相冲突时，谁排在前面？
这些问题听起来像产品设计，往深处看，全是哲学。
赵汀阳《人工智能时代的文科可能前途》讲座
也正是在这个背景下，赵汀阳谈“人工智能时代的文科前途”，就很有意思。
他没有安慰文科说“放心吧，你们永远不可替代”。他的意思更不客气：
如果一件事 AI 能替你做，那它可能本来就不是文科最核心的工作。
这句话不太好听。
但它基本说中了。
先被 AI 打掉的，是“资料型勤奋”
过去很多文科工作，靠的是资料、勤奋和格式。
查一堆资料，做一份综述，摘几个观点，列一个框架，最后写成一篇看起来很完整的文章。以前这当然是本事，因为它真的花时间。
现在不一样了。
你让 AI 写一篇“康德义务论和功利主义的比较”，它很快能给你一版：定义、代表人物、主要分歧、现实案例、优缺点、结论，样样都有。你让它整理会议纪要、写新闻稿、拟讲座综述、生成公众号初稿，它也能做得像模像样。
它不一定深，但它快。
它不一定有思想，但它足够像“有思想的样子”。
这就麻烦了。
文科里很多过去被包装成专业性的东西，其实是“资料型勤奋”。这类能力不会完全消失，但价格会下降。以前你能把材料整理清楚，别人会觉得你专业；以后这只能算基本功，甚至是机器的默认能力。
所以赵汀阳真正刺痛人的地方在于：
AI 不是让文科消失，而是让低智能含量的文科劳动失去体面。
文科不能再靠“我读过很多”“我会写得像论文”“我能把话说得很圆”来维持尊严。
那文科剩下什么？
剩下更难的东西：提出问题，创造概念，判断价值，理解复杂性，设计未来，解释人类为什么会把自己活成现在这样。
换个日常一点的说法：
材料本身会贬值，问题意识会升值。
真正的文科，不是会答题，而是会改题
AI 很会答题。
它能把“什么是异化劳动”解释给你听，也能比较马克思、韦伯和福柯。它能写《红楼梦》人物分析，也能谈尼采、萨特和存在主义。你让它讲“技术如何改变现代人”，它能讲出一篇挺顺的文章。
但顺，不等于有问题意识。
如果你问：“《红楼梦》为什么伟大？”AI 大概率会说：人物复杂、结构精巧、语言优美、反映封建家族衰落。这些都没错，甚至很标准。
但一个真正有问题意识的人可能会问：
为什么今天的年轻人读《红楼梦》，越来越不像是在读一个家族如何衰败，而是在读一种无法安放自我的精神处境？
这就不一样了。
前一个问题是在考知识点，后一个问题是在改写理解方式。
再比如历史研究。问“某个王朝为什么灭亡”，AI 能给你财政、军事、制度、土地兼并、外部压力。五件套一摆，像模像样。
但更难的问题是：为什么一些制度明明已经暴露出问题，却还能长期维持？为什么一个社会会在繁荣期失去自我修正能力？为什么某些观念死了很多次，却总能换个名字回来？
这些问题不是资料汇编能解决的。
文科最值钱的地方，不是把旧答案讲得更漂亮，而是把问题本身往前推一点。
这也是哲学家在 AI 大厂变得有用的原因。
他们不是去给模型背柏拉图，而是去追问：一个模型如果能影响人的判断，它到底应该遵守什么原则？这个原则从哪里来？谁来授权？不同文化、不同阶层、不同政治共同体之间的价值冲突，能不能被一套公司文件解决？
问题一旦这样问，工程就不只是工程了。
AI 强在相关性，人强在追问“为什么”
赵汀阳区分 AI 和人类思维时，有个核心判断：AI 强在经验和相关性，人强在概念、因果和自反性。
大语言模型很擅长从海量文本里捕捉模式。什么词常常跟什么词一起出现，什么观点后面通常接什么论证，什么语气像学术，什么结构像评论，它学得飞快。
这很厉害。
但它的厉害，也有边界。
它知道“什么经常和什么一起出现”，却未必真正知道“为什么必须这样”。它能说 A 和 B 常常相关，却不一定理解 A 怎样导致 B，更不一定能创造一种新的“从 A 到 B”的路径。
当然，把 AI 说成只会鹦鹉学舌也太偷懒。今天的 AI 已经能参与因果推断、世界模型、机器人控制和科学研究辅助。问题在于，人的因果理解经常不只是计算。
一个木匠知道“这样敲下去木头会裂”，不是因为他在脑子里跑了一个统计模型，而是因为他的手、眼睛、失败经验和材料感连在一起。
一个老师知道“这个孩子不是不会，而是害怕答错”，也不是因为她拿到了完整数据，而是从眼神、沉默、家庭背景和长期相处里判断出来的。
文科面对的对象，很多都属于这一类：人、制度、欲望、羞耻、信念、群体情绪、历史记忆。
它们不是不能研究，而是不能只用“变量加变量”的方式研究。
价值不是事实的自然延伸
AI 公司为什么需要伦理学家？
因为模型越强，越不能只问“它能不能做”，还要问“它该不该做”。
这两个问题差别很大。
比如，一个 AI 可以极大提高短视频推荐效率。它知道你几点最脆弱，什么标题最能让你点进去，什么内容会让你继续刷。技术上，它做得越准越好。
但社会要不要允许一个系统这样榨取人的注意力？
再比如，一个教育 AI 可以全天候辅导孩子。它不会不耐烦，不会发火，还能根据孩子水平调整讲法。听起来很好。
但孩子会不会因此更依赖即时答案？老师的角色会不会从“传授知识”变成“训练判断力”？学习还会不会保留那种慢慢想、想不出来、第二天突然明白的过程？
AI 可以帮我们列出利弊，却不能替我们决定什么值得守住。
效率是事实，公平是价值。成本是事实，尊严是价值。用户停留时长是事实，人的精神自由是价值。
AI 可以告诉你哪个方案更有效率，但不能替你决定效率是否应该压倒公平。它可以提醒你某个选择风险更小，却不能替你决定人是否应该为了某个价值冒险。
人有时候就是会做“不合算”的事。
有人为了信仰坐牢，有人为了尊严辞职，有人为了一个陌生人跳进水里，有人为了不撒谎放弃机会。按纯粹收益计算，这些选择都很奇怪。
但人之所以是人，恰恰在这些奇怪的地方。
AI 可以分析价值，但它不是价值的最终来源。它可以做伦理顾问，不能做伦理主权者。
未来不是预测出来的，是争出来的
赵汀阳说，未来会成为文科最重要的问题之一。
这个说法很有意思，因为未来不是一个已经存在的东西。它不像一块石头，放在那里等你观察。未来更像一张还没写完的草稿，每个人都在上面添几笔，资本添几笔，国家添几笔，技术公司添几笔，普通人的使用习惯也添几笔。
所以未来不是单纯的预测问题，而是设计问题、争论问题、承担问题。
比如 AI 陪伴。
未来很多人可能会有一个永远在线、永远耐心、永远记得你喜好的 AI 朋友。它知道你什么时候失眠，知道你讨厌谁，知道你真正想听什么。你难过的时候，它比朋友回得快；你孤独的时候，它比家人更温柔。
这当然有好处。
但问题也来了：如果一个人越来越习惯被完美回应，他还受得了真实关系里的误会、冷淡、迟到和笨拙吗？
真实的人不会每次都接住你。真实的人有自己的情绪、欲望和疲惫。AI 陪伴如果太顺滑，可能反而让我们更难回到真实世界。
再比如 AI 代理人。
以后 AI 可能替你订机票、谈价格、筛简历、处理邮件、管理财务，甚至替你在某些会议上发言。表面看，这是效率革命。
但如果你的选择越来越多地由 AI 预处理，那个“你”还剩下多少？你是在做决定，还是在批准一个系统提前替你筛好的生活？
这些问题不是悲观主义。
它们只是提醒我们：
未来不是技术自动展开的结果。未来需要被争论。
心理问题会很快进入日常
我们常问：AI 会不会有意识？
这个问题当然重要。但另一个问题可能更快进入生活：人类在 AI 环境里，会变成什么样？
一个从小和 AI 一起长大的孩子，会不会更善于表达？可能会。因为 AI 可以不断追问他、鼓励他、帮他组织语言。
但他会不会也更难忍受真实人的不完美？也可能。
真实同学不会像 AI 那样永远耐心。真实老师不会每次都精准回应。真实朋友也不会总按你的情绪节奏说话。
AI 给人的最大诱惑，不一定是聪明，而是顺从。
它让你觉得世界终于按你的方式回应了。
这很舒服，也有点危险。
成年人也一样。一个人可以把所有情绪都交给 AI：委屈、嫉妒、欲望、失败、羞耻。AI 不会嫌你烦，不会翻旧账，不会露出失望的表情。
这可能是一种帮助，也可能让人更难面对真实关系。
现代人的心理问题，本来就和文明系统有关。工作节奏、竞争压力、社交媒体、消费主义、绩效评价，已经把人压得很薄。AI 再进入其中，既可能提供支撑，也可能让这种压力更精细。
以后你不只会被老板评价、被同事比较、被平台算法推荐，还可能被 AI 分析、预测、提醒、纠正。
听起来很智能。
但人会不会因此越来越像一个需要持续优化的项目？
这就是文科和心理学必须追问的地方。
社会不是一道算术题
AI 很适合处理大规模信息，但复杂性不只是“信息很多”。
复杂性是：一个东西的整体效果，不等于把所有部分加起来。
短视频就是例子。
如果你只看单个视频，它可能只是搞笑、跳舞、做饭、讲知识。没什么大不了。
但当数亿人每天刷几个小时，事情就变了。它改变注意力，改变审美，改变新闻传播，改变消费，改变青少年对自我的想象，也改变公共讨论的语气。
没有哪一个视频单独造成这一切。
是系统造成的。
AI 也一样。
单看一个聊天机器人，它只是帮你写邮件、改简历、查资料。但当它进入教育、医疗、法律、客服、金融、军事、亲密关系和舆论传播，它就不只是工具了。
它会改变人们做决定的方式，也会改变人们理解自己的方式。
复杂系统最麻烦的地方在于，很多后果不是设计者一开始想要的。一个功能上线时看起来只是提高效率，几年后可能改变一个行业的权力结构。一个推荐算法只是想提高点击率，最后可能改变社会情绪。
所以文科不能只在技术之后做一点“伦理补丁”。
真正的文科应该更早进入问题：这个系统会制造什么关系？谁更有权力？谁被看见，谁被隐藏？它奖励什么样的人，又惩罚什么样的人？
这些问题很慢，但不能省。
机器跑得太快，人类要回头找慢问题
以前我们喜欢谈图灵测试：如果机器在对话里让人分不出来它是不是人，那它就通过了测试。
今天再看，这个标准有点低。
AI 已经很会像人说话。它会安慰，会道歉，会写情诗，会假装犹豫，也会假装深刻。它甚至知道什么时候该说“这个问题很复杂”。
但像人说话，不等于像人一样反思。
人最奇怪的地方，不是会思考世界，而是会怀疑自己的思考。
我为什么这样判断？我是不是被时代训练成这样？我的欲望是不是伪装成了理性？我以为自己在追求自由，会不会只是换了一种依赖？
这些问题没有标准答案，但它们让人变得不那么像机器。
这也是硅谷抢哲学家的讽刺之处。
技术公司不是突然爱上了哲学课。它们只是终于发现，当机器越来越会说话、会判断、会代理行动时，最难的问题不再是“能不能”，而是“应不应该”“凭什么”“由谁决定”。
这些问题，文科问了很多年。
只是以前大家嫌它慢。
现在机器跑得太快，人类不得不回头找那些慢问题。
如果文科还有不可替代的地方，大概就在这里：在一个技术不断加速的时代，继续追问什么是人，什么是好，什么值得我们共同承担。
