徐 贲 |AI“能做什么”比“不能做什么”更重要：人文学者应当启动“人机共笔”

文｜徐贲，美国加州圣玛丽学院英语系荣休教授

作者授权首发

斯坦福大学人工智能、机器人与未来教育中心主任，斯坦福大学全球创新设计联盟联席主席蒋里在视频里讲到他的一位朋友，是美国十大顶尖大学之一的正教授，是他那个领域的权威，也是领域内顶尖学术期刊的主编。这位朋友说，幸亏自己已经“上岸”，不用时时刻刻感受到AI对他职业安全的威胁。他把自己过去二三十年的研究成果整理了一下，发现AI只要几个星期就能完成。他主编的学术刊物，现在的投稿数量“呈几何级增长”，只能用AI来读这些论文。但还是有人手工写的论文，大约是百分之十。为什么能看出是“人写”的呢？因为那些是质量最差的。

在科学研究领域，如果你不想成为那垫底的百分之十，那你就得学会用AI。在我们的人文学科领域，情况似乎正好相反。人们仍然迷信“手工”产品，排斥AI参与，即使偷偷在用，也不敢公开承认。

在当前的知识界与学术界，关于人工智能的讨论正弥漫着一种微妙而普遍的"防线心态"。人们热衷于讨论“AI不能做什么”，时不时列举一份清单，试图证明"这是AI永远无法企及的领域"——它没有真正的理解力，缺乏人类的生命体验，无法体会微妙的隐喻，更不具备终极的道德与审美判断。

这种讨论看似深刻，甚至带着某种守护人类精神家园的悲壮情怀，但剥开温情脉脉的外衣，它本质上是一种基于人类中心论与静态本质论的防御性思维：人们坐在后视镜前，用过去的经验为一项呈指数级演化的技术划定终极红线。而历史反复证明，那些曾被宣称为"人类独占"的领地，正在技术的范式突破面前被逐一攻破。

与这种向后看、划界限的姿态不同，我在过去一段时间里选择了截然相反的路径：彻底放弃对"AI不能做什么"的预设，启动一场面向未来的人文研究人机共笔实验。我更关注的是“AI能够做什么”。我关心的不是为技术筑墙，而是想亲自验证，当人类的认知主权与机器的生成力深度碰撞时，我使用的AI能有怎样的表现——它能以怎样的增速与跨度，带我抵达单凭个体神经元绝对无法触及的跨学科前沿。

为什么必须是“实验”，而非“论辩”

超越“AI不能做什么”这一执念，首先是一个方法论问题，而不只是态度问题。清单式的论辩，本质上容易预设一个相对静止的靶子：只要技术的能力边界被认为是相对固定的，人们就可以坐在书斋里，用逻辑推演出一份“人类专属领地”的地图。

然而，生成式AI的现实处境恰恰相反——它的能力边界正在持续移动。许多今天成立的“AI不能”，都可能随着模型迭代而被重新检验。这并不意味着关于“AI不能做什么”的讨论没有价值，而是意味着，我们需要警惕把暂时性的能力边界轻易上升为技术的本质边界。凡是以静态命题回答“AI能不能”的论证，其有效性都必须随着技术变化不断重新校准。

真正与这种流变技术相匹配的认知装置，不应只是一次性的论辩，而应是能够持续运行的实验。实验的价值不在于给出一个终局结论，而在于建立一套可以反复运行、随时校准的追踪机制——它承认技术在变，因而不断更新观测样本，而不是一次性宣判边界。在这个意义上，“AI不能做什么”式讨论的问题，不 一定 在于它的具体结论，而在于它很容易选错认知装置：试图用一把适用于相对静态对象的尺子，去测量一个持续运动的靶子。对于这样的对象，更重要的不是提前宣布它的终点在哪里，而是持续观察它究竟能够走到哪里。

实验之所以必需，还因为写作本身的性质决定了，没有任何思想实验可以完全替代实操。许多人坚信“AI不能参与写作”，是因为他们隐含地把写作理解为一个“先在脑中想清楚，再把文字表达出来”的两段式过程。但真实的人文研究经验告诉我们：语言不是思想的静态容器，它本身就是思想生成的现场。思想很少以成熟的形态预先存在，它恰恰是在语词的碰撞、概念的辨析、修辞的推敲与逻辑的裁决中，才第一次获得清晰的轮廓。

正是在这个意义上，AI最值得研究的能力之一——迅速将模糊的念头外化为语言——恰恰触及了思想形成的内核，而这一点，仅靠坐而论道是无法充分验证的。只有把自己真正放进“投喂—反驳—重构”的循环里，才能知道这种参与究竟改变了什么，又没有改变什么。

在共笔实验中，我拒绝将AI仅仅视为查找资料或润色文字的边缘工具，而是让它直接参与“形成文字”的动态过程。一个尚未成熟的学术直觉、一个混沌的跨学科联想出现在脑子里，这时候必须通过与AI反复进行的深度对话，形成清晰、明确的议题和论述方向。这个Brainstorming阶段是最化花时间的，但至关紧要。在这个基础上，AI能在数秒内提供一份值得参考的，以我的问题意识为核心的草稿。

这份草稿绝非最终答卷，而是一个可被反驳、可被剥离、也可被重新组织的认知参照物。看到这段文字的瞬间，人类的判断往往会被迫显形：“不，这不是我的本意。”“这里的逻辑前提被悄悄改变了。”“这个表述太平庸，抽干了原有的洞察。”正是在这种生成、否定与重构的持续博弈中，原本混沌的思想才得以加速显形。

这里需要区分一个容易混淆的问题：AI参与了思维过程，并不等于人把思维的最终判断交给了AI。AI可以提供概念、提出路径、生成表述，甚至意外地打开此前没有意识到的可能性；但这些可能性最终是否成立、是否属于自己的思想、是否值得承担，都仍然需要由人来判断。因而，AI并非只是一个被动的文字工具，它更像思想的试剂与磨刀石：它参与思想的形成，却不因此取得思想的最终裁决权。人也并非通过排除AI来保存主体性，而是在不断接受、质疑、拒绝和重构生成物的过程中，使自己的判断重新在场。所谓主体性，因而不在于机器是否参与了文字的形成，而在于人是否始终保有对意义的最终解释权与推翻权。

样品的价值：从个案到判断的反射弧

任何真正的实验，都必然产出大量看似琐碎的“样品”。在人机共笔实验中，样品并不只是AI生成后被否定或修改的草稿，也包括最终形成并进入公共视野的作品。后者从出版意义上当然已经是“成品”，但如果从人文研究的历史尺度来看，它们依然具有鲜明的“样品”性质：在当下的人文研究领域中，这种由人和生成式AI深度共同完成、并以正式出版物形态出现的作品（包括我本人的作品），本身就是一种此前尚未形成稳定规范的新型文本。它们不是已经成熟的范式，而更像新范式诞生之初留下的第一批样本。

因此，样品的价值并不只在于它是否最终成为一篇漂亮的文章或一本成熟的著作。恰恰相反，它的不完美、它引发的争议，乃至读者的嘲讽、不满和批评，都属于实验本身的一部分。一个真正处于探索阶段的新事物，不可能一开始就符合既有的审美和学术标准；如果它过于完美，以至于与传统作品没有任何区别，反而未必能够让人意识到一种新的生产方式已经出现。那些令人不适、引发争议甚至被认为“不像人写的”的地方，恰恰暴露了新旧文本生产方式之间尚未被解决的摩擦。

这也是为什么，我越来越确信，样品本身才是这场实验最珍贵的产出之一。传统研究往往把最终文本视为唯一值得保存的成果，而把草稿、删改痕迹和失败路径视为应该被清理掉的过程性材料。但在人机共笔的早期阶段，情况可能恰恰相反：一篇正式出版的作品，既可以是研究成果，也可以是实验样品；一段被AI生成后遭到否定的文字，既是废弃文本，也可能是判断训练的样本；而读者对这些作品产生的不同反应，则构成了实验进入公共文化空间之后所产生的第二层样品。真正值得观察的，不只是“作品写得好不好”，还包括这种新型作品出现之后，人们究竟如何阅读它、评价它、拒绝它以及重新理解它。

原因在于，人机共笔所依赖的相当一部分判断能力，具有迈克尔·波兰尼（Michael Polanyi）所谓“默会知识”（tacit knowledge）的性质——它很难仅凭一套抽象的方法论宣言被完整传授，而需要在大量具体案例的辨识、比较和试错中逐渐内化为一种近乎本能的反应。就像临床医生的诊断直觉并不只是从教科书中获得，而是在成百上千个病例的辨识与修正中逐渐形成，人文学者对“这是不是我的本意”的敏锐判断，同样需要在一次又一次面对AI生成物、并对其提出具体质疑的过程中被训练出来。抽象地讨论“要保持批判性”固然正确，却很难真正形成判断能力；唯有具体的样品——某一次AI悄悄替换了一个关键概念，某一次AI用一个看似稳妥的逻辑桥梁掩盖了原本更尖锐的洞察，某一次流畅的表述实际上改变了论证方向——才能让这些原本难以言说的判断逐渐显形，并最终沉淀为稳定的辨识能力。

而且，人工共笔的实验还能具体有效地揭示“AI现在不能”，但有待变得“未来可能”的写作能力。实验者（包括我本人）开始不能察觉这是能力缺陷，是因为尚不知道自己还不知道什么。例如：只有通过实践，最后才会知道，共笔作品常有不同章节之间的重复（当然可以通过编辑来消除）。AI可以把眼前的一段文字写得很完整，却不会天然知道某个观点在前面已经说过，某个例子已经使用过，某个概念已经反复解释过。于是，单独看每一节似乎都没有问题，放到整本书里，却可能出现论证反复、概念堆叠甚至结构臃肿。AI很擅长把眼前这一段写好，却不会天然知道整本书已经在哪一章说过了。文献也是如此。AI很容易反复援引那些最熟悉、最容易关联的经典文献。单看每一次引用似乎都合理，但放在全书中，就会发现引用范围实际上相当有限，同一批作者、同一组理论被不断调用，形成一种看似丰富、实则高度集中的“文献近亲繁殖”。这不是简单的查资料问题，而是AI生成机制与人的研究习惯叠加之后产生的结构性问题：机器倾向于调用已有的高概率关联，而人如果没有主动进行整体性的文献规划，就很容易在这种便利中不断循环。

样品的第二重价值，在于它使整个共笔过程具备了可追溯性。人机共笔最容易招致的质疑之一，是“我们如何知道最终文本中究竟有多少真正属于人的判断”。如果实验只呈现打磨光洁的成品，这个问题便很难回答，因为读者看到的只是结果，而看不到形成结果的过程。但如果同时保留AI最初给出的版本（里面有各种重复）、人类为什么接受或拒绝、哪些地方被修改、哪些路径最终被放弃，那么“判断在场”就不再只是一个无法展开讨论的自我宣称，而成为可以被追溯、被比较、也可以被质疑的过程性证据。样品因而不仅是训练研究者自身判断力的教材，也是使人机共笔获得方法论透明度的重要记录。

这里还有一个更值得重视的方面：主体性并不只体现在最终选择了什么，也体现在拒绝了什么。AI能够在极短时间内生成大量具有表面合理性的概念、论证和表达，人类的判断因而越来越不是从“有没有可能性”开始，而是在众多可能性面前不断作出取舍。一个研究者为什么接受某种表述、拒绝另一种表述，为什么保留某个概念、舍弃另一个概念，为什么认为某条论证虽然漂亮却不是自己的意思，这些“拒绝的痕迹”本身就是主体性的重要组成部分。样品所保存的，恰恰是这些通常不会进入最终文本的判断。

正式出版的共笔作品，还会把这种判断机制带入一个更大的公共实验场。作品一旦进入读者世界，就不再只是研究者与AI之间的内部交锋，而开始接受来自陌生读者的实际反应。有人赞赏，有人质疑，有人不满，也有人嘲讽；这些反应未必都正确，却都具有观察价值，因为它们暴露了公众面对人机共笔时仍在调用哪些旧有的作者观念、审美标准和知识规范。换言之，一本书可以同时是“成品”和“样品”：它作为成品接受阅读和评价，作为样品则让我们观察一种新型文本生产方式第一次进入公共文化空间时究竟会发生什么。

由此也引出一个值得进一步实践的方向：这场实验或许不应只保留和呈现那些“成功”的、最终被采纳的共笔样本，也应该有意识地保留那些被彻底推翻、被证明是死胡同的样本。科学实验的传统中，阴性结果——那些证伪了某个假设、却往往因不够“有趣”而从未进入正式发表的数据——同样构成了一个学科重要的集体记忆，使后来者知道哪些路径曾经被走过、为什么没有走通，从而避免在同一处反复踩坑。人机共笔也一样：如果只留下最终胜出的文本，那么这场实验留给未来研究者的，将只是一份精修过的成果，而不是一份能够展示判断如何形成、错误如何发生、方法如何从失败中生长出来的完整记录。

真正值得保存的，因而不只是“最后写成了什么”，还包括“曾经生成过什么”“为什么拒绝了什么”“在哪里判断失误过”，以及“作品进入公共空间之后引发了什么”。成稿可以是成果，但在一个尚未形成稳定规范的新领域里，它同时也是样品；被否定的文字是样品，读者的反应也是样品。实验真正留下的，不只是几本书，而是一组关于人机共笔如何发生、如何被判断、如何被接受或拒绝的历史切片。

不完美开始的代价，恰恰是这场实验必须支付的学费

任何真正的实验，都不可能在起点就拥有一套完备的方法论，这场跨学科人机共笔实验也不例外。由于缺乏可以直接借鉴的既有经验，早期走过不少弯路——其中最容易落入的陷阱，是“文本流畅性带来的思维提前收工”。AI生成的文本往往具有极强的连贯性和自洽感，当一段结构严密、修辞漂亮的文字瞬间呈现在眼前时，人很容易产生一种“思想已经完成”的错觉，从而减少进一步的追问、反例搜寻和概念辨析。真正危险的地方，并不是AI写得不好，而是它有时写得足够好，以至于让人过早停止思考。

这类早期失误很容易被回头看作一种本可以避免的浪费——如果一开始就懂得警惕，是不是就可以少走一些弯路？但对于一场尚无成熟先例的实验而言，这种事后的假设并不完全成立。恰恰因为人类与生成式AI在思想形成阶段的实时协作尚未形成稳定的方法论，许多风险只有在真实的互动中才会显现。早期的笨拙、误判和走弯路，当然可以在后来被纠正，却不能因此被简单地从实验记录中抹去。它们让研究者第一次知道，哪些地方最容易受到AI流畅性的诱惑，哪些判断会在“看起来已经完成”的瞬间悄悄停止，哪些原本清晰的思想会在看似无害的修改中发生偏移。换言之，弯路不仅是实验付出的成本，也是实验获得方法的方式。

更进一步说，早期样品的粗糙感本身也是有信息量的。它们标记出了人类警觉最容易松懈的那些临界点：文本一旦流畅到某种程度，判断力就可能开始松懈；措辞调整看似最安全，却可能成为意义悄悄漂移的隐蔽缝隙；一个逻辑上更加圆满的论证，也可能恰恰因为过于圆满，而把原本尖锐、尚未解决的问题提前抹平。这些临界点很难完全靠事先的理论推演预判，只能通过真实的碰壁逐渐标出坐标。实验因而不是先有一套完整的方法，再按照方法运行；相反，方法本身正是在一次次错误、修正和重新尝试中逐渐形成的。

但实验者需要支付的代价，并不止于认知上的笨拙和方法上的弯路。对于一种尚未获得普遍认可的新型研究方式，先行本身还意味着声誉风险。一个人如果率先公开使用AI进行深度人文研究，他所面对的往往不仅是对作品质量的评价，还可能是对其动机的猜测：是不是想作弊？是不是沽名钓誉？是不是因为江郎才尽，才会干这么low的事情？这些猜测并没有事实依据，却会形成一种偏见，往往很难通过后来的实验结果完全逆转：成功了，人们可以说只是赶上了技术红利；失败了，却被幸灾乐祸地说成“果然如此”。柏拉图在“洞穴的故事”里描述的场景，千百年来，一直不断在重演。

这构成了一个十分现实的“不对称”：实验成功以后，经验可以被后来者迅速吸收，方法可以被普遍采用，整个学科都可能因此受益；但实验失败时，最先尝试的人却往往要独自承担失败的声誉成本。后来者可以享受经过验证或优化的成果，却不必承担探索过程中的风险。这种“搭便车”心理自古皆然，是人性的弱点，不一定是谁的恶意。人类面对不确定性时有一种极其稳定的行为倾向：收益可以共享，风险却由少数先行者承担；他们因此永远只能是最孤独的，也是我特别论述孤独的原因之一。

与历史上的许多创新一样，当下的文科创新存在一种看似悖论的现象：大家口头上都赞成“应该勇于创新”，却很少有人愿意成为那个首先尝试的人。等到一条道路被证明可行，原先的怀疑往往迅速消失；而在道路尚未被证明的时候，最容易获得的却不是支持，而是质疑。对人机共笔而言尤其如此，因为它触及的不只是技术使用方式，还触及长期以来关于作者、学者、劳动和原创性的观念。一个率先公开实验的人，实际上是在用自己的作品、声誉乃至动机可信度，为一个尚未形成共识的研究方式提供第一批现实样本。在一个缺乏制度性支持和理性理解的环境里，尤其是这样。

作为“认知粒子加速器”的AI：实验带来的知识扩展

人文研究人机共笔实验真正令人震动的地方，并不只是在于写作速度提高了多少，而是一个人的实际认知活动半径开始发生何种巨大变化，具备了怎样拓展知识、文明和未来认识边界的能力。

传统的人文研究往往受制于个体大脑的信息吞吐能力、知识储备以及学科壁垒。一位学者若要真正跨越哲学、教育学、心理学、历史、文化比较与演化生物学，不仅需要长期积累不同领域的知识，还必须不断支付“概念翻译”的成本：理解一个学科的问题意识，掌握它的基本概念，再寻找它与另一个学科之间可能存在的连接。许多想法并非没有价值，而是在真正展开之前，就因为这种成本过高而被放弃了。

AI改变的首先正是这一点。它并没有替人完成跨学科研究，却显著降低了跨越知识边界、提出假设和进行初步试错的成本。当一个哲学概念被放进教育学的问题中，当一个文学现象被要求从认知科学重新解释，当一个社会现象被拿去与演化机制进行比较，AI可以迅速提供不同学科的概念框架、可能的对应关系、潜在的冲突点以及相互反驳的路径。原本需要经过漫长准备才能进入的思想空间，因而可以被更快地打开。过去一个研究者面对一个跨学科联想，首先要问的是：“我是否有足够的知识去研究它？”而在人机共笔条件下，他可以先问另一个问题：“这个想法究竟能不能成立？”

这是一种重要的变化。它使研究从“先积累足够的知识，再开始思考”，部分转向“先提出问题，再让知识围绕问题迅速聚集”。AI最有价值的地方，并不是替研究者储存了多少知识，而是使大量原本因为准备成本过高而无法尝试的思想，获得了一个被迅速展开、比较和质疑的机会。它把许多过去只能停留在脑海中的模糊联想，变成了可以被观察、被反驳、被修改的认知对象。

从这个意义上说，把AI称为一种“认知粒子加速器”并不只是一个修辞性的比喻。粒子加速器的价值，不在于它替物理学家决定实验结果，而在于它使原本难以发生、难以观察的碰撞得以发生。AI对于人文研究的价值也具有类似的性质：它能够让不同概念、不同学科、不同解释路径以极低的成本发生高频碰撞。研究者提出一个尚不成熟的想法，AI可以迅速把它展开；研究者发现其中的问题，又可以要求它反向攻击；一个概念如果过于狭窄，可以换一个学科重新描述；一个论证如果看似成立，可以要求AI寻找反例；一个直觉如果值得保留，则可以继续追问它能够延伸到哪里。于是，研究不再只是沿着一条预先设计好的道路缓慢推进，而开始具有一种过去很难实现的“多路径并行试探”能力。

这种变化的意义，尤其体现在跨学科研究上。过去跨学科常常意味着一个人必须在不同知识体系之间来回搬运自己：读书、记忆、翻译、比较，再试图寻找概念之间的连接。AI并没有消除这些工作，但它可以把其中一部分从“必须先完成的准备工作”，转化为“可以在问题推进过程中即时完成的认知操作”。因此，跨学科研究最重要的变化也许并不是让研究者掌握了更多学科，而是让更多原本不值得承担高昂准备成本的跨学科假设，第一次有机会被认真试验。

这也使“研究速度”需要被重新理解。真正加速的并不只是从构想到文字的速度，而是从一个可能性到另一个可能性的移动速度。传统研究中，一个假设可能需要数周甚至数月才能完成初步论证；如果最终发现方向错误，前面的投入往往很难收回。AI则使大量低成本的思想试探成为可能：这个概念是否成立？换一种理论会怎样？如果站在相反立场上，论证还能成立吗？这个解释能否迁移到另一个领域？即使答案是否定的，研究者也没有因此白费全部成本，因为一次被否定的尝试本身已经提供了新的边界信息。研究因此获得了一种过去较少拥有的能力：以较低代价犯更多有价值的错误。

而这恰恰与前面所说的“样品”联系起来。AI产生的大量文字、概念和论证，并不都应该进入最终作品；其中相当一部分的价值，恰恰在于它们没有进入。一个被否定的概念，一条走不通的论证，一种最终被证明过于简单的跨学科类比，都在帮助研究者绘制一张过去不存在的“思想地形图”。研究成果因此不再只是最后留下来的那条路径，也包括那些已经被探索、比较和排除的路径。AI降低了试错成本，于是研究者可以把更多精力用于真正重要的事情：判断哪些可能性值得继续，哪些应该被放弃，哪些表面的相似实际上隐藏着根本差异。

当然，这里必须保持一个清醒的区分：可能性的扩张，并不等于知识本身的自动增长。 AI能够迅速生成一个看似合理的跨学科连接，却不能仅凭生成本身证明这种连接是真的；它能够提出一个新的解释，却不能因为这个解释漂亮，就使它成为可靠的知识。恰恰相反，可能性越多，筛选、验证和判断的重要性就越高。如果说AI扩张了研究者能够进入的思想空间，那么人的工作便越来越集中到这个空间中最困难的部分：辨认什么是真正的新发现，什么只是概念的重新包装；什么是有意义的连接，什么只是语言造成的相似；什么值得继续追问，什么必须及时拒绝。

因此，人机共笔带来的真正知识扩展，并不是“AI替人想得更多”，而是人可以以更低的成本，让更多原本不会被认真思考的可能性进入判断过程。知识的增长由此不再只是知识储备的增长，也可能表现为研究者能够提出多少问题、尝试多少路径、承受多少失败，并最终从这些可能性中辨认出什么。

这也重新定义了研究者在AI时代的位置。研究者不再只是传统意义上的知识占有者，也不是被机器拖着走的“文字打字员”。如果一定要寻找一个比喻，他更接近一个不断设计碰撞条件的人：提出问题，选择方向，改变条件，要求反驳，比较结果，然后决定什么值得留下。AI负责制造大量可能性，人负责赋予这些可能性以方向和权重。前者扩大了认知空间，后者决定哪些部分能够沉淀为知识。

所以，这场实验真正带来的增速，并不是简单意义上的“更快写完一本书”，而是让一个人的思想能够在有限的生命时间里，进入更多原本难以进入的领域，尝试更多原本不敢承担成本的假设，并在更多失败和修正中形成自己的判断。它所扩展的首先不是人的知识库存，而是人的认知行动能力。

如果说传统工具主要帮助人把已经形成的思想表达出来，那么生成式AI开始帮助人把尚未形成的思想提前变成可以面对的对象。它把模糊的直觉外化，把隐约的联想展开，把尚未成形的假设置于眼前，再让人对它说“是”或者“不是”。也正是在这个意义上，AI作为“认知粒子加速器”的真正价值，并不在于它能够替人走多远，而在于它让人有机会看到：自己究竟还能想到多远。

而当这个距离被真正拉开之后，问题也随之改变了。我们需要追问的，已经不再只是“AI究竟能做什么”，甚至也不只是“人还能做什么”，而是一个更困难的问题：当机器能够参与如此深地参与思想形成，人究竟凭什么仍然是那个最终作出判断、承担责任的人？

结语

回到最初的问题：我们为什么不再需要无休止地讨论“AI不能做什么”，而是更多地思考“AI能够帮助我们做什么？”

更多地关注AI赋能，并不是因为关于AI边界的讨论已经没有意义，而是因为我们越来越难以把一个不断变化的技术，装进一张预先画好的边界地图。对“AI极限”的过早预设，限制的往往不只是我们对机器的想象，也可能限制人类借由机器所能够抵达的认知空间。一个尚未被真正尝试过的可能性，如果在进入实验之前就被宣布为“不可能”，那么被提前关闭的，也许恰恰是一条原本可以通向新知识的路径。

因此，与其不断坐在论辩的讲台上划定“人类专属领地”，不如回到具体的研究现场：提出问题，真正使用AI；生成样品，观察偏差；接受它的启发，也拒绝它的诱惑；记录失败，修正方法；再把已经走过的路径交给下一次实验和下一个实验者。

真正值得建立的，不是一份越来越长的“AI不能做什么”的清单，而是一种能够随着技术变化不断更新的研究方法。对于一个尚在形成中的领域，经验本身就是最重要的知识来源，而那些笨拙、失败甚至令人不满意的尝试，也并非实验的污点，而是方法得以产生的地方。

人机共笔实验最终留给我的最重要认识是：AI真正扩张的，不只是文字生产的效率，而是一个人能够实际进入、尝试和比较的思想空间。但空间扩大以后，人的任务并没有因此消失，反而变得更加重要。机器能够迅速生成可能性，却不能替人决定哪些可能性值得相信；能够提供铺天盖地的资料与路径，却不能替人决定什么是有迫切性的问题意识；能够把模糊的念头变成流畅的文字，却不能因此决定这些文字究竟是不是自己的思想。生成越容易，判断就越不能被省略；可能性越多，选择和拒绝就越具有意义。

所以，未来的人文研究也许不必再把最重要的问题放在“AI能不能”与“AI不能”之间。更值得追问的，是当AI越来越深入地参与知识和文字的形成之后，人是否仍然能够保持一种清醒的距离：既不因为机器强大而把判断交出去，也不因为害怕机器强大而拒绝进入新的认知空间。归根到底，真正需要守住的，从来不是文字生产的纯洁性，而是判断与责任没有被交出去。

我们无需焦虑于机器是否会替人写下越来越多的文字。真正值得警惕的，是人在面对那些庞大、流畅、近乎无穷的生成物时，是否还愿意停下来，提出那个最简单、也最困难的问题：“这真的是我想表达的吗？” “这真的是对他人有意义，有价值的智能产品吗？”如果这个问题始终存在，主体性就没有消失。因为主体性从来不等于一个人亲手敲下了多少字，而在于他是否仍然能够对意义和价值作出自己的判断，并在必要的时候说“不”。

这或许也是这场实验最终指向的地方：AI时代真正需要重新发现的，并不是机器究竟能够做什么，而是人在机器能够做得越来越多之后，仍然能够做出什么样的判断，担负怎样的责任。而这，才是人机共笔，不管遭遇多少困难和误解，都值得继续下去的理由。这已经是不可逆转的新文明趋势，我们必须跟上时代的潮流，除非是愿意最后成为那垫底的百分之十。