当AI开始做科学：哲学介入如何重塑智能治理新范式
在2026年世界人工智能大会（WAIC）的会场内，一个显著的现象引起了行业内的广泛关注：曾经被视为冷门人文学科的哲学，正以前所未有的热度进入人工智能的核心讨论区。这并非偶然的学术怀旧，而是技术演进至深水区后的必然回响。当AI大模型在数学证明、蛋白质构象预测及社会模拟等复杂任务中展现出超越人类的速度与广度时，我们不得不面对一系列本质性问题：智能的前提是什么？AI生成的知识是否具备真正的可信度？当算法深度嵌入社会决策，治理的边界又该如何界定？
智能的本源：从符号奠基到物理世界的回归
过去几年，AI行业的发展逻辑主要围绕参数规模、算力堆叠及榜单排名展开。然而，随着模型能力的指数级增长，技术瓶颈逐渐从“能不能算”转向“理不理解”。复旦大学哲学学院教授孙宁在《心智与智能·青年生态论坛》上提出的观点，为这一转向提供了理论锚点。他引用的认知科学家Stevan Harnad提出的“符号奠基问题”，直指当前大模型的核心缺陷：符号系统如何通过感知和交互获得真实世界的意义？
孙宁进一步指出，真正的智能不能仅存在于虚拟的数字空间，而必须深度扎根于世界。他提出智能生成的四个基石：身体赋予行动以代价，环境提供实时反馈，他者带来社会规范，历史则将失败沉淀为经验。这一论断将讨论拉回了源头，强调了“智能之前，先有世界；心智之前，先有关系”的哲学基础。这意味着，未来的AI研究不能仅停留在文本数据的训练上，必须引入物理世界的交互与约束，构建具备具身智能（Embodied AI）潜能的系统。
科研范式重构：自进化模型与可信性挑战
在明确了智能的本源后，AI在科学发现中的角色成为另一大焦点。超衍智能创始人陈勇超展示的“自进化模型”Apex Search，展示了AI从被动知识学习者向主动科研者的转变。该系统能够自主提出假设、编写代码、运行实验并分析数据，其生成的论文在ACL等顶级会议评审中获得了高于95%人类投稿的评分。这标志着AI已具备通过同行评议初审的能力，但同时也引发了关于科研能力评估的深层争议。
复旦大学大数据学院教授魏忠钰提出的质疑极具代表性：如果AI能批量生成论文，我们如何区分其是达到了顶级科研水平，还是利用了评审机制的漏洞？这种“高通量生成”带来的评估困境，使得科研的可信度成为比生成效率更关键的指标。对此，复旦大学上海数学中心准聘副教授王天栋提出了“人机分工”的新范式：AI负责扩大搜索空间、生成候选路径，人类负责定义问题的价值与猜想的重要性，而机器验证则用于检查推理的逻辑严密性。这种模式确立了“AI扩大搜索，人定义价值，机器负责验证”的可信科学流程。
此外，上海科学智能研究院AI科学家杨自雄将这一逻辑延伸至生命科学领域。AlphaFold解决了静态结构预测，但后AlphaFold时代的挑战在于动态分子的生成。蛋白质功能往往取决于构象分布与状态转换，这要求模型不仅要具备静态预测能力，还需满足热力学、动力学等物理规律约束。从数学证明到生物分子动态，AI正在从单一维度的知识检索，迈向多维度的科学探索，但证据、实验与真实世界反馈的缺失，仍是制约其成为独立科学家的关键短板。
社会模拟的悖论：治理滞后于技术迭代
当AI从自然科学延伸至社会科学，治理的复杂性呈几何级数上升。上海人工智能实验室青年科学家瞿晶晶展示的Epitome社会模拟平台，能够在14小时内模拟十年的社会演变过程，一键生成上千个虚拟样本。这种高通量实验方法为教育政策、社会干预效果评估提供了前所未有的工具。然而，社会模拟的本质风险在于数据的真实性与因果关系的可靠性。
浙江大学研究员蒋卓人的研究数据揭示了这一风险的严峻性：大模型生成的宏观数据与国家均值的相关系数虽高达90%以上，但在回归分析中，显著性覆盖度骤降至34%—37%。这意味着，AI模拟的社会看似宏观逼真，却在微观因果与具体人群互动中暴露出巨大的偏差。更危险的是“数据循环”效应：现实中的偏见进入训练数据，模型生成带有偏见的决策数据，这些数据又成为下一轮训练材料，导致偏见在算法闭环中被不断放大。
因此，《2026人文社会科学智能发展蓝皮书》强调，社会模拟结果绝不能直接等同于真实社会的声音。治理的核心不在于追求模型的绝对准确率，而在于建立审计与纠偏机制。复旦大学科技伦理与人类未来研究院青年副研究员朱林蕃指出，当前AI治理面临“一管就死、一放就乱”的困境，需要技术、政策与伦理的协同介入。关键在于赋予AI“元认知”能力，使其明确自身的能力边界，并为后续的责任划分提供抓手。
产业落地与生产关系变革：从过程交付到结果交付
技术最终需落地于产业，而AI在物理世界的落地面临着“最后一公里”的阻碍。中国科学院深圳先进技术研究院研究员罗小舟指出，生物制造等硬科技领域，模型假设需通过自动化实验设备转化为物理结果，任何环节断开，自进化循环即告终止。镁伽科技联合创始人张琰进一步概括了这一挑战：难点不在于实验室自动化本身，而在于将AI、软件系统、仪器设备及具体学科需求打通，实现从数据到物理实体的闭环。
这一技术闭环的打通，必然引发生产关系的深刻变革。过去，AI服务多按过程交付收费；现在，随着AI深度参与研发与生产，各方开始对最终成果负责。这种从“过程交付”向“结果交付”的转变，迫使产业链上下游重新思考利益分配机制。新的生产力要求新的分配制度，包括数据方、模型方、平台方与产业客户之间的收益分配与风险共担。
构建智能治理的制度化框架
面对技术与社会的深度交织，单一的学科视角已无法应对复杂挑战。复旦大学国家发展与智能治理综合实验室牵头的《2026人文社会科学智能发展智能发展蓝皮书》，提出了一套制度化的解决方案。其核心是STRIDES框架，该框架在理论、方法、数据、执行和审查等环节设置检查节点，要求保留研究问题、数据字典、分析脚本及人工裁决等完整证据链，确保结论可追溯、可复查。
在公共治理层面，蓝皮书区分了“代理型”与“辅助型”两种AI嵌入模式。对于代理型AI，人仅在系统故障或申诉时介入；而对于辅助型AI，人需全程保留介入权、纠偏权与解释权，即真正的“人在回路”。这种区分明确了不同场景下的责任边界，避免了责任模糊带来的伦理风险。同时，上海正在形成的青年科学智能生态，通过汇聚近20个学科的40余位专家，试图将抽象的治理原则转化为可执行的研究与制度流程，连接学术研究与政策需求。
结语：在不确定中寻找确定的锚点
2026年的WAIC传递出的信号清晰而明确：AI已经不再是单纯的技术工具，而是嵌入知识生产与社会运行的基础设施。哲学的回归，象征着行业对智能本质的重新审视；治理的强化，标志着行业从追求技术奇点转向追求稳健落地。
在这个由算法驱动的新阶段，技术问题已与社会伦理、经济分配及公共政策紧密交织。AI越能快速给出答案，人类越需要谨慎地决定该问什么问题、该相信什么证据、该将技术带向何方。治理不再是技术的附庸，而是技术得以持续演进的基础设施。唯有通过跨学科的深度协作，建立严谨的评估体系与伦理边界，我们才能在智能进化的洪流中，找到稳定与创新的平衡点。这不仅是上海青年科学智能生态的实践，也是全球AI治理走向成熟的重要一步。