哲学为何在AI时代重新升温？一场关于智能本质、科研可信与社会落地的深度思辨

哲学不是退场，而是重返AI的中心

当AI已能写论文、证定理、生成蛋白质构象，甚至模拟社会演化，一个被搁置多年的问题重新浮现：它真的‘知道’吗？它是在‘思考’，还是仅仅在‘映射’？

这不是技术退步的叹息，而是能力跃升后必然抵达的临界点——AI越强大，越需要回答那些曾属于哲学、语言学、认知科学和伦理学的根本问题。

智能之前，先有世界；心智之前，先有关系

复旦大学哲学学院孙宁教授在WAIC青年生态论坛开篇即指出：当前AI的瓶颈不在算力或参数，而在‘奠基’。上世纪90年代，认知科学家Stevan Harnad提出‘符号奠基问题’：脱离感知与行动的符号系统，如何获得真实意义？机器人学家Rodney Brooks则回应以‘物理奠基假说’——世界本身就是最好的模型。

孙宁由此延伸：一种真正扎根于现实的智能，必须同时具备身体（赋予行动代价）、环境（提供即时反馈）、他者（施加规范约束）与历史（沉淀失败经验）。这四者共同构成智能得以生长的土壤。所谓‘智能之前，先有世界’，并非否定算法价值，而是提醒我们——脱离具身性、交互性与历史性，再流畅的输出也只是镜花水月。

AI能成为科学家吗？关键不在‘产出’，而在‘过程’与‘责任’

超衍智能创始人陈勇超展示了自进化模型的实际进展：AI可自主提出假设、编写代码、运行实验、分析结果，并将34篇生成论文提交至ACL等顶会评审体系，其中部分获审稿人高度评价，如‘领域内首项研究’‘实验严谨’‘命题切中要害’。

但高分不等于高信。复旦大学大数据学院魏忠钰教授随即追问：若AI批量投稿、择优提交，我们评估的究竟是它的科研能力，还是人类同行评议机制的漏洞？更深层的问题随之浮现——AI能否产生Transformer级别的原创突破？海量发现如何分级评价？成果归属如何界定？若用于有害研究，责任链条又该如何锚定？

人机协同的新范式：AI扩空间，人定价值，机器验逻辑

复旦大学上海数学中心王天栋副教授给出清晰分工：AI擅长检索文献、归纳模式、穷举反例、生成数十条证明路径；数学家则负责判断问题是否重要、猜想是否值得投入、概念是否自洽，并以严格形式化语言施加结构约束；最后由机器验证每一步推导是否无跳步、计算是否无误差。

可信，不等于永不犯错；而在于错误可追溯、风险可界定、结论可复现。数学为AI提供了最刚性的校准标尺——它不承诺答案正确，但确保推理过程经得起形式审查。

从静态结构到动态生命：AI的边界，在于物理世界的反馈闭环

AlphaFold解决了‘从序列到结构’的静态预测，但蛋白质的功能依赖构象变化、状态跃迁与时间尺度。后AlphaFold时代的目标，是生成一段符合热力学、动力学与物理守恒律的‘分子运动视频’。

难点在于：动态数据极度稀缺，评测标准尚未建立，模型既要覆盖低概率但功能关键的构象，又要维持长时间生成的结构稳定性。此时，AI不再是单向输出，而必须嵌入真实实验循环——提出假设→湿实验验证→数据回传→模型迭代。一旦任一环节断裂，自进化即告中断。

模拟社会，不等于理解社会

社会科学正为AI提供方法论滋养，AI也反向赋能社会实验。Epitome等平台可将十年社会演化压缩至14小时，支持政策变量快速干预与长期影响观测。但模拟的‘像’，不等于‘真’。

研究显示：大模型生成的社会数据在国家均值层面相关性高达90%，可一旦进入个体因果推断，显著性覆盖率骤降至34%–37%；用其恢复国家类型分类，结果接近随机。偏差并非来自技术缺陷，而源于训练数据中隐含的刻板印象与结构性偏见。

更需警惕的是‘偏见循环’：现实偏见→训练数据→AI决策→影响招聘/教育/内容分发→新数据反哺模型→偏见放大。因此，圆桌共识直指核心：可以用大模型模拟社会，但绝不能把模拟结果当作真实社会的声音。

治理不是刹车，而是修路

复旦大学国家发展与智能治理综合实验室发布的《2026人文社会科学智能发展蓝皮书》，将抽象原则转化为可操作流程。其提出的STRIDES框架，在理论构建、方法选择、数据使用、执行过程与审查机制五大环节设置检查节点：哪些前提必须明示？哪些证据必须溯源？哪些低置信结论必须交由人工复核？

在公共治理场景中，蓝皮书区分‘代理型’与‘辅助型’AI嵌入：前者让算法主导决策输出，人仅在故障或申诉时介入；后者则限定AI承担信息检索、风险提示与方案生成，最终决定权始终保留在人手中。而‘人在回路’，绝非仅留一个确认按钮——人必须拥有实时介入权、动态纠偏权与完整解释权。

最后一公里，是物理世界的门槛

中科院深圳先进院罗小舟团队打通了‘AI设计→自动化实验→检测反馈’闭环，角鲨烯产品已进入默克供应链，角鲨烷进入化妆品供应链。但生物制造的特殊性在于：它横跨数字与物理两个世界。模型再优，若实验设备无法精准执行、检测仪器无法稳定反馈、数据接口无法统一解析，整个自进化链条就会卡死。

镁伽科技张琰将此称为‘最后一公里’难题——难点不在单点技术，而在学科语言、软件协议、硬件接口与实验逻辑的全栈贯通。上游研发加速，若下游的临床审批、生产工艺、监管框架与组织惯性未能同步演进，技术红利便难以传导至终端价值。

新的生产力，正在重塑生产关系

当AI推动产业从‘过程交付’转向‘结果交付’，参与方不再按工时或模块收费，而是共担成果成败。数据方、模型方、自动化平台与产业客户需共同定义成功标准、共享风险、协商收益分配。

这已超出传统技术治理范畴，触及制度设计、产权界定与激励重构。AI治理，不只是防风险，更是建规则——如何让创新跑得快，也让社会跟得上；让模型更聪明，也让制度更清醒。

哲学升温，只是冰山一角

这场在上海发生的青年对话，参与者横跨哲学、数学、生物、计算机、社会学与公共政策。他们不争论‘AI会不会取代人类’，而聚焦于‘AI该怎样成为人类知识生产与社会运行的可靠协作者’。

哲学回归AI现场，不是怀旧，而是导航。当AI越会回答，人类越需厘清：该问什么问题？该相信什么证据？该把技术引向何种价值秩序？答案不在服务器里，而在实验室、议会厅、课堂与公众讨论之中。