AI越会回答，人为什么越需要深度思考？复旦发布2026人文社科智能发展蓝皮书

正文

曾经我们对 AI 的期待还比较朴素，写邮件、翻译论文、聊天搭子……那时候，AI 像一个初出茅庐的实习生，你指哪它打哪，但也经常一本正经地胡说八道。

近两年，AI 的发展可谓势如破竹。

它不再满足于替人写两段话，而是开始接手整套工作：写代码、查资料、做分析、生成方案，还能自己拆解任务、调用工具、安排步骤、检查结果。

随之而来的，还有不少令人啼笑皆非的变化。程序员开发出的 AI，开始接手一部分原本由程序员完成的工作；不少白领岗位也发现，AI 已经坐到了隔壁工位。

学术界的情形更有意思。AI 极大降低了论文写作的门槛，它不需要理解学术理想，也能把论文格式整理得相当庄严。

于是有人开始批量生成论文、批量投稿。审稿人工作太忙，便用 AI 辅助审稿；作者发现以后，又在论文里藏入只有机器容易识别的提示词，希望审稿 AI 给出积极评价。所有参与者都节省了时间，只有知识本身是否增加，暂时还没有统一意见。

但问题也正在这里：我们得到的是更多知识，还是更多长得很像知识的东西？当越来越多的工作都可以交给 AI，人究竟剩下什么？

复旦大学发布的《2026人文社会科学智能发展蓝皮书》，正是试图回应这些问题。

与首期蓝皮书主要观察 AI 如何赋能人文社会科学相比，本期蓝皮书以 「重新发现深度思考的价值」 为主题，进一步提出，AI 与人文社会科学的关系正在从「单向赋能」走向「双向融合」：AI 改变人文社会科学如何研究，人文社会科学则要参与决定 AI 为何使用、用于何处，以及应当受到怎样的约束。

作为本书的特别支持单位，上海科学智能研究院也正携手复旦大学，持续探索AI与人文社会科学深度融合的路径。

为什么 AI 越强，深度思考反而越重要

计算器普及以后，人不必再用纸笔计算复杂数字；导航出现以后，人也不必记住每一条路。照此推论，AI 能够分析资料、生成结论之后，人或许也可以少动一点脑筋。

可惜，社会问题不是算术题。

蓝皮书以气候——社会系统耦合为例指出，真正困难的并不是处理更多变量，而是理解自然系统与社会系统在结构、变量和尺度上的错配。一个模型能够运算，并不意味着它已经理解了问题。

气候——社会系统耦合的三类错配：结构、变量与尺度。

算术题只需判断答案是否正确，知识生产和公共决策却必须继续追问：论证过程是否可靠，前提假设是否合理，潜在风险是否可控，以及问题本身是否具有指引未来的价值。

蓝皮书认为，研究瓶颈正在转移： 过去的问题是能不能处理足够多的材料，现在的问题是能不能提出好问题、建立真实机制，并形成可以检验的证据链。

什么问题值得研究，观察到的模式应当如何解释，某种结果是否公平正当，以及研究遗漏了什么、固化了什么偏见，这些判断不能被彻底自动化。AI 能力越强，人的判断责任反而越重。