文章摘要
今年行业会议上，哲学在人工智能领域成热门话题。多场核心论坛有哲学相关讨论，这与AI能力迭代带来的伦理认知问题有关。会议探讨了AI能否成科研主体、科研成果评估、人机协作、多领域应用挑战等。同时提及AI治理难题及解决方案，还构建指数评估融合程度。背后是上海青年科学智能生态正形成，AI与多领域深度交织。

在今年的行业会议上，一个出人意料的现象引发关注：原本属于冷门学科的哲学，正在成为人工智能领域的热门话题。

这一趋势在某次行业盛会中体现得尤为明显，多场核心论坛都出现了哲学相关的深度讨论：平行专场《心智与智能·青年生态论坛》的首位演讲嘉宾是哲学领域学者，主场讨论《AI原生时代的原始创新》也邀请了哲学学者参与圆桌对话。同期发布的一份行业蓝皮书，更是将深度思考、科研可信与AI治理推到了讨论的核心位置。

回溯数年前的行业会议，从业者们的讨论核心还停留在模型参数、算力规模与性能榜单；而当下的AI已经具备了多维度的能力：可以自主撰写学术论文、完成数学证明、生成蛋白质空间构象，甚至能通过多智能体系统模拟复杂社会运行逻辑。

随着AI能力的快速迭代，其衍生出的伦理与认知问题也逐渐逼近哲学的核心边界：

  • 当一个模型能够流畅回应人类的提问，是否意味着它真正理解了问题的本质？
  • 能够自主完成科研发现的AI，是否可以被视作新型科学家？
  • 如果AI发现了人类无法解释却经实验验证的规律，我们是否应该信任这类成果？

在相关平行论坛上，哲学学者的发言为整场讨论锚定了底层逻辑。早在90年代，认知科学家便提出了符号奠基问题，追问符号系统如何通过感知与交互获得真实语义；几乎同期，机器人工程学家也提出物理奠基假说，留下了“世界本身就是最好的模型”这一经典论断。沿着这一思路，该学者提出，真正扎根于现实的智能，必须具备身体、环境、他者与历史四个核心要素：身体赋予行动以代价，环境提供反馈机制，他者构建行为规范，历史则将失败沉淀为可复用的经验。他最终将这一观点总结为两句核心判断：

智能之前，先有世界。
心智之前，先有关系。

这场以“心智与智能”为主题的青年生态论坛，由复旦大学国家发展与智能治理综合实验室、上海科学智能研究院、复旦大学哲学学院、上海市青浦复旦未来技术研究院及多家专业学术社区联合主办，参会嘉宾覆盖青年科学家、哲学家、社会科学家与产业创业者，讨论范围从自进化模型延伸至数学证明，从蛋白质动态模拟拓展到社会系统仿真，最终落脚到技术治理与产业落地层面，让原本分散在不同学科的议题形成了完整的逻辑链条。

当哲学家抛出“什么是智能”的终极追问后，超衍智能创始人带来了更具象的现实问题：AI能否成为独立的科研主体？与传统大模型仅从互联网数据中学习人类已有知识不同，其团队研发的自进化模型能够直接介入真实科研任务，从实验过程与环境反馈中持续迭代学习。具体来说，这套系统可以自主提出研究方向、编写实验代码、执行测试流程、分析实验数据，并将成功与失败的经验沉淀下来，持续优化数据、模型与测试框架。

该团队开发的Apex Search系统已生成34篇学术论文，并提交至ACL、ARR等国际学术评审体系。根据现场披露的数据，其中约10篇有机会进入会议Findings板块或主会环节，两篇论文获得3.67分的评分，高于约95%的人类投稿作品，部分审稿意见甚至给出了“领域内首项研究”“实验严谨”“命题切中要害”等高度评价。这意味着AI生成的科研成果，已经能够通过人类审稿人的首轮筛选。

但快速的论文产出也带来了新的质疑：在后续的“社会之变”圆桌讨论中，一位学者提出，如果AI一次性生成并提交数十篇论文，最终仅有少数高分作品，我们该如何判断其真实科研能力？这究竟代表系统达到了顶级会议的发表水准，还是恰好利用了现有同行评议机制的漏洞？随着AI论文生成速度的不断提升，成果评估的难度甚至超过了成果本身的生成。

陈勇超也提出了一系列待解的难题：AI能否实现类似Transformer级别的底层技术突破？海量的科学发现该如何进行系统性评价？AI科研成果的知识产权归属如何界定？如果系统被用于有害研究，责任该如何划分？

紧接着登台的数学领域学者，提出了更清晰的人机协作分工框架。他指出，AI擅长快速检索、归纳总结、寻找特例与反例，甚至可以同时生成数十条候选证明路径；而人类研究者则负责判断问题的重要性、评估猜想的研究价值，并用严谨的概念与结构对结果施加约束，最后通过机器验证环节检查推理是否存在跳步、计算是否存在误差。这套逻辑可以概括为：

AI扩大搜索空间，人定义研究价值，机器负责最终验证。

在这套流程中，数学可以为AI提供结构约束、形式化验证、误差分析与适用边界。他同时强调，科研可信并不等于永远不犯错，更现实的标准是错误能够被及时发现、风险可以被清晰界定、结论经得起反复复查。

随后，AI科学家将可信性问题带入了更复杂的生命科学领域。AlphaFold的核心突破是从氨基酸序列推断高概率的蛋白质静态结构，但事实上，蛋白质、RNA等生物分子始终处于动态变化中，许多生物功能依赖于构象分布、状态转换与时间尺度。因此，后AlphaFold时代的研究目标，已经从“预测单一静态结构”转向“生成动态分子过程”。这要求模型不仅要覆盖稀有但重要的构象，还要维持长时间生成过程中的结构稳定性，同时符合热力学、动力学与物理规律。相较于静态结构积累了大量公开数据，动态分子的相关数据十分有限，对应的评测体系也有待完善。

从数学证明到蛋白质动态模拟，AI确实能够大幅提升探索的速度与广度，但要实现有效的科学发现，证据、实验与真实世界的反馈缺一不可。

如果说数学与生命科学还有相对明确的验证路径，那么当AI开始模拟人类社会与复杂系统时，挑战则更加多元。上海人工智能实验室的青年科学家专注于AI与社会科学的交叉研究。她指出，社会科学本身就是AI发展的核心基础：图灵关于“机器能否思考”的研究发表于哲学期刊《Mind》；赫伯特·西蒙提出有限理性理论并联合创立物理符号系统假说，开创了符号主义AI的先河；辛顿结合心理学与认知科学研发神经网络，模拟人脑运作机制，直接推动了当前大模型时代的到来。

而当下，这种影响已经开始反向传递：AI也为社会科学带来了全新的实验方法。不过，当通用人工智能朝着社会化、规模化方向发展时，始终面临一个核心难题：在大规模、复杂的社会演化博弈中，很难同时兼顾逻辑一致性与实验结果的可信度。

她展示的社会模拟平台Epitome，能够一键生成上千个虚拟样本，将十年的社会演变过程压缩至14小时，研究者可以自由调整干预政策、群体关系等变量，快速观测政策的长期社会影响。这类方法尤其适合那些难以在真实世界中直接开展的实验，比如模拟儿童从小学三年级到五年级的成长过程：模型不仅要体现知识积累的变化，还要还原心理、行为与社会关系的演进，研究者可以在虚拟环境中测试不同教育政策的效果，观察哪种模式更有利于儿童成长。

但这类模拟也暗藏风险：大模型可以模拟一位泛化的专家，却未必能精准还原处于具体家庭、地域与社会关系中的个体，虚拟角色呈现的态度，究竟源于真实的社会规律，还是训练数据中的刻板印象？

在“社会之变”圆桌中，一位公共管理学者分享了一组极具警示意义的研究数据：在一项跨国信任研究中，大模型生成的数据在国家均值层面的相关系数可以达到90%以上，但进入回归分析后，显著性覆盖程度下降至34%—37%；当研究者尝试用这些数据恢复国家类型时，结果接近随机。这意味着，宏观层面的模拟看似与真实社会高度吻合，但一旦深入具体人群与因果关系，数据偏差就会暴露无遗。

更棘手的是，社会数据还会形成偏见循环：现实中的偏见进入训练数据，模型再参与招聘、教育、内容分发与公共决策，新的结果又成为下一轮训练数据，如果缺乏有效的审计与纠偏机制，原有偏见可能在循环中被不断放大。因此，圆桌讨论中出现了一个直白的提醒：

可以用大模型模拟社会，但绝不能将模拟结果等同于真实社会的声音。

当AI进入社会运行领域，治理的边界也不再局限于“模型准确率”这一层面。在“心智之问”圆桌讨论中，嘉宾们谈到了AI攻击、有害生物研究、心理依赖等多维度风险。一位科技伦理学者指出，当前AI治理普遍面临“一管就死、一放就乱”的困境，需要技术、政策、伦理与国际合作共同探索更细致的解决方案。

另一位青年研究员则从技术角度补充：当前的AI几乎可以回答绝大多数问题，但缺乏“知道自己不知道”的元认知能力，只有让AI清晰认知自身的能力边界，后续的评估与治理才能找到切实的抓手，这需要哲学、教育学、计算机等多学科的共同参与。

责任划分的问题也日益棘手：当AI智能体具备更强的主动性，它能否成为法律或道德意义上的责任主体？如果无法独立承担责任，开发者、部署者、使用者与最终决策者之间该如何划分责任？

这也不难理解为何复旦大学国家发展与智能治理综合实验室会出现在这场科学智能论坛的主办名单中。作为首批教育部哲学社会科学重点实验室，该实验室的研究范围横跨人工智能、大数据、人文社会科学与公共治理等多个领域，核心工作之一便是将技术变革置于真实社会与制度环境中观察，并推动学术研究与政策需求的有效衔接。

由其牵头的《2026人文社会科学智能发展蓝皮书》，联合上海科学智能研究院与近20个学科的40余位专家共同编写，旨在将抽象的治理原则转化为可执行的研究与制度流程。例如，AI进入科研领域后，最终留存的不应仅为一篇语言流畅的论文，研究问题、数据字典、分析脚本、运行记录、审查意见与人工裁决等完整证据链都应当被保留，以便其他研究者能够复现研究过程。

蓝皮书提出的STRIDES框架，就在理论、方法、数据、执行与审查等环节设置了明确的检查节点：哪些假设需要明确标注、哪些证据需要精准定位、哪些低置信度结论需要重新交由人工判断，都被纳入了标准化流程。

在公共治理领域，蓝皮书区分了代理型与辅助型两种AI嵌入模式：代理型模式中，算法全程参与决策输出，人类仅在系统故障或申诉环节介入；辅助型模式中，AI仅承担检索、计算、风险提示与方案生成的工作，最终决策仍由人类完成。他同时强调，所谓“人在回路”绝不能仅保留一个确认按钮，人类需要拥有完整的介入权、纠偏权与解释权。

从这个角度来看，AI治理更像是为技术发展铺设道路：哪些场景可以提速、哪些环节需要设置安全护栏、出现问题后由谁复核、谁解释、谁承担责任，都需要提前通过规则明确下来。

除此之外，2026版蓝皮书还构建了“中国高校AI4SSH指数”，从研究核心能力、发展创新潜力与社会传播能力等维度，评估高校AI与人文社会科学的融合程度。蓝皮书传递的核心判断十分明确：一个领域要形成长期可持续的能力，仅靠几篇论文与几个模型远远不够，数据、算力、工具链、人才培养、组织协作与评价制度等全方位支撑都不可或缺。

这正是国家发展与智能治理综合实验室连接学术与政策的核心意义：技术提供新的可能性，社会科学解释技术的社会影响，经济学研究资源分配与激励机制，治理研究则将这些认知转化为可落地的程序与制度。

治理议题延伸至更深层，便会触及产业落地的现实难题。一位生物科技领域的研究员分享了一个形象的对比：AI写代码、做数学证明的流程可以在数字世界中形成完整闭环，但生物制造却需要跨越数字世界与物理世界的鸿沟。当模型提出科学假设后，实验设备需要将假设转化为真实的生物样本，并将检测结果反馈给模型，只要有一个环节无法打通，自进化流程就会停滞。

其团队依托投资超过20亿元的深圳合成生物重大科技设施，用自动化设备作为系统的“身体与手”，让AI承担实验设计与决策工作，目标是实现从需求输入到自动设计实验、编写脚本、执行操作、采集数据、迭代优化的全流程闭环。相关技术已应用于角鲨烯、角鲨烷等产品的研发与生产，其中角鲨烯产品已进入国际知名制药企业供应链，角鲨烷也进入了化妆品供应链。

但科研与产业的深度融合，模型仅为其中一环。在“致用之路”圆桌讨论中，嘉宾们坦诚分享了诸多挑战：AI可以加速抗体设计、蛋白质优化与菌株改造，但后续还需要湿实验、临床测试、审批流程、工艺优化、规模化生产与市场推广等多个环节。

一位自动化科技企业联合创始人将这些难点概括为AI落地物理世界的“最后一公里”：他认为实验室自动化与机器人技术已经相对成熟，真正的挑战在于将AI、软件系统、仪器设备与具体学科的需求真正打通。为此，其团队尝试让实验室仪器与机器人像电脑外设一样被统一控制，将模型、自动化实验与数据反馈连接成完整闭环。

他同时指出，当上游研发时间被大幅压缩后，瓶颈很可能转移至下游环节：如果监管制度、产业惯性与组织流程未能同步调整，技术带来的效率提升很难沿着价值链传递至最终环节。

资金分配的问题同样无法回避：数据方、模型方、自动化实验平台与产业客户共同创造成果后，该如何收费、如何分配收益？他直言，新的生产力必然会改变生产关系，除了思考如何实现商业价值，更需要明确产业链各方的收益分配规则。

过去，产业各方按照工作环节收取费用；而当下，AI推动产业从过程交付转向结果交付，参与者需要共同为最终成果负责。新的生产力正在催生新的生产关系，这同样属于AI治理的范畴：除了安全、伦理与权利归属，技术红利的分配方式、产业规则的调整方向，以及传统监管如何适配新的科研速度，都需要系统性的研究与探索。

回溯整场青年论坛的嘉宾构成，不难发现其独特之处：有人专注于自进化模型的研发，有人致力于构建AI的可信边界，有人探索蛋白质动态模拟与社会系统仿真，还有人从学术评价体系出发，追问AI研究是否解决了真实的社会问题；更有从业者从实验室走向创业，将科研成果推进至自动化实验与工业生产环节。这些来自不同专业与机构的参与者，在上海完成了一场跨学科的思想碰撞。

同一天下午的科学智能开放论坛主场，围绕“发现之道、闭环之基、落地之路”展开讨论，多位国际顶尖学者分享了科学智能与原始创新的前沿观点；而这场青年论坛则将目光聚焦于科研可信、社会治理与产业链落地，一边探讨科学智能的发展边界，一边追问技术如何平稳地融入现实社会。

这背后，是上海正在逐步形成的青年科学智能生态：城市提供了高校、科研机构、产业资源与政策研究平台，年轻的研究者们则跨越学科边界，将模型、社会与产业纳入同一套问题框架中进行思考。

因此，哲学在AI领域的重新升温，只是这场变革浮出水面的冰山一角。更深层的变化在于，AI已经全面进入知识生产与社会运行体系，技术问题开始与治理、经济、伦理与公共政策深度交织。当AI越来越擅长给出答案，人类更需要认真思考：该提出怎样的问题、该信任怎样的成果、又该将技术引向何方。

以上内容不代表本平台立场，仅供读者参考