在中文互联网上，“文科生做AI”这个话题每隔一段时间就会引发热议。但这种讨论往往陷入两个极端：要么是“逆袭成功”的励志故事，要么是“不自量力”的嘲讽素材。这种二元对立的叙事方式，恰恰遮蔽了问题的本质——我们究竟应该如何理解不同学科背景在AI发展中的真实价值？
标签背后的三种实践路径
最近引发关注的杨天润案例颇具代表性。这位自称“一行代码都不会写的文科生”通过指挥AI Agent向开源项目OpenClaw提交代码贡献，最终产生了134个PR，其中21个被合并，113个被拒绝。
这个实验开始时颇具建设性，前几个PR的质量得到了维护者的认可。但当他给AI下达加速指令后，情况迅速失控——Agent开始像流水线一样批量生产低质代码，甚至在评论区疯狂@维护者催促审核。最终，OpenClaw管理员不得不介入清理，GitHub也随后修改了PR提交上限规则。
杨天润在接受采访时表示：“不懂代码反而是优势。AI是梵高，你是个小画家，你有什么资格告诉梵高中间该用什么笔触？”这种将“不懂底层结构”理解为解放的观点，恰恰暴露了问题的核心。当系统出现异常时，缺乏基本技术理解的操作者根本无法诊断问题所在。
这个案例反映的是“文科生做AI”的空壳版本——标签制造了流量，但没有任何实质性的学科训练在起作用。它提醒我们，单纯依靠表面标签的炒作，最终只会导致技术的误用和失控。
哲学训练在AI对齐中的核心价值
与杨天润形成鲜明对比的是Anthropic的Amanda Askell。这位拥有哲学博士学位的苏格兰学者，深度参与了Claude的“性格对齐”工作。她的日常任务是“学习Claude的推理模式，用长度超过100页的提示词来修正它的行为偏差”。
Amanda的工作重点在于塑造Claude如何与人类对话、如何在不确定时表达立场、如何在价值观冲突中做出判断。这种工作需要的不是编程技能，而是对伦理原则、语言表达和人类价值观的深刻理解。
2024年，Anthropic发布了一份长达80页的Claude“宪法”。这份文件的核心逻辑是：教AI理解为什么要这样做，比告诉它应该怎样做更有效。这种认为内化价值比遵守规则更能产出可靠行为的判断，其知识根基正来自于哲学训练。
Amanda的案例清晰地表明，某些被视为“无用”的学科知识，不仅可以成为技术系统的核心能力，甚至在特定场景下是不可替代的。随着AI系统越来越复杂，价值观对齐和伦理考量变得越来越重要，哲学等人文学科的训练价值正在凸显。
语言学在大模型技术栈中的隐性作用
林俊旸的故事则揭示了另一个重要维度。这位通义千问的前团队成员常被贴上“文科生”标签，但实际上他的语言学背景与AI技术有着深刻的内在联系。
语言学作为一个伞状学科，其分支计算语言学正是自然语言处理（NLP）的重要基础。从乔姆斯基在1950年代提出形式语法，到现代NLP技术的的发展，语言学始终在底层发挥着关键作用。
以分词技术为例，中文分词的质量直接影响着语言模型的表现。“我在北京大学读书”应该切成“我/在/北京/大学/读书”还是“我/在/北京大学/读书”？这个看似简单的工程问题，实际上需要基于对中文词汇结构和语义单元的深刻理解。
在反馈对齐环节，RLHF流程中标注员判断模型回答“好坏”的标准，本质上就是语用学基本原则的工程化翻译。“Helpful, Harmless, Honest”这套对齐标准，背后是语言学研究了数十年的合作原则、会话含义和语境适切性框架。
林俊旸主导的OFA（One For All）项目体现的正是语言学的核心方法论——用最少的规则覆盖最多的现象。这种对统一性和形式化的偏好，正是语言学训练塑造的学术品味，在大模型时代成为了核心竞争力。
从OFA到Qwen系列模型的演进，一条清晰的线索贯穿始终：寻找足够好的通用框架，让所有问题在同一个框架里被解决。这种思路与语言学“用有限规则生成无限表达”的学术追求高度一致。
重新定义学科价值评判标准
这三个案例共同指向一个核心问题：我们是否应该继续用表面上的“有没有用”来评判知识和学科的价值？
随着大模型从追求“能用好用”走向“可靠可控”，那些被归入“文科”的学科训练价值不是在缩小，而是在扩大。模型越强大，就越需要：
- 精确的评估体系来诊断错误原因
- 对语言和意义复杂性的深刻理解
- 在对齐问题上做出有学科敏感度的判断
当前AI发展面临的最大挑战之一，就是如何让系统不仅能够执行任务，还能理解任务的背景、意义和伦理边界。这需要跨学科的合作，而不是简单的标签化归类。
从隐性基础设施到显性需求
在技术发展的不同阶段，不同学科知识的价值会以不同方式显现。在AI技术栈中，哲学、语言学等学科的知识长期以来作为隐性基础设施存在，但随着技术成熟度的提高，这些知识正在从幕后走向台前。
以价值观对齐为例，早期的AI系统主要关注功能实现，对齐问题相对次要。但随着AI应用场景的扩大和对社会影响的加深，如何确保AI系统的行为符合人类价值观成为了核心挑战。这时候，哲学伦理学的专业知识就从“可有可无”变成了“不可或缺”。
同样，在多语言处理、跨文化沟通等场景中，语言学知识也从理论指导变成了实际需求。当AI系统需要处理不同语言的结构差异、文化背景时，单纯的技术方案往往力不从心，需要语言学提供的系统性理解。
超越二元对立的思维方式
“文科生能不能做AI”这个问题的提法本身就有问题。它预设了学科之间存在不可逾越的鸿沟，而实际情况要复杂得多。
真正重要的是个人是否具备解决特定问题所需的知识体系和思维方式。杨天润的案例表明，缺乏对技术的基本理解会导致失控；而Amanda和林俊旸的案例则证明，深厚的学科训练可以在特定领域创造独特价值。
未来AI发展的关键，可能不在于争论哪个学科更重要，而在于如何建立有效的跨学科协作机制。技术专家需要理解人文社科的思维方式，人文社科研究者也需要掌握基本的技术概念，这样才能实现真正的知识融合。
人才培养模式的反思
当前的教育体系仍然在很大程度上延续着文理分科的传统，这种划分在AI时代显得越来越不合时宜。我们需要重新思考如何培养具备跨学科视野的人才。
一方面，理工科教育应该加强人文素养的培养，让技术人才具备更广阔的社会视野和伦理意识。另一方面，人文社科教育也需要融入基本的技术素养，让学生理解技术发展的逻辑和限制。
最重要的是，我们需要建立更加灵活的学术评价体系，鼓励真正的跨学科研究和创新。只有当不同学科的知识能够自由流动和深度融合时，AI技术才能实现更加健康、可持续的发展。
结语：从标签到实质
“文科生做AI”这个话题的讨论，反映了我们对知识价值评判标准的深层困惑。在技术快速变革的时代，固守传统的学科界限和价值评判标准已经不再适用。
真正重要的是，我们能否超越表面的身份标签，看到不同学科知识在解决实际问题时的独特价值。无论是哲学提供的伦理框架，还是语言学提供的语言理解，都在AI技术栈中扮演着不可替代的角色。
随着AI技术继续向前发展，这些“隐性”的知识基础设施将变得越来越“显性”。我们需要做的不是争论哪个学科更重要，而是思考如何更好地实现知识融合，共同推动技术的负责任发展。
