在今天，很多人認為這一輪人工智能革命是人文學科的一場危機，而在危機的轉化中，人們慢慢發現，人文也是人工智能的長遠發展的基石。而且這也並非電腦與人文的第一次相遇。
早在上個世紀，就有學者與IBM合作，把一大批神學著作數碼化，以供研究。之後的幾十年裡，基於電腦的數據處理和統計分析方法都有不少進展。及至七十年代，年鑑學派的法國史家拉迪里宣稱：未來的歷史學家如果不會編寫程式，就無法存活。
但電腦並未就此征服人文。一九七四年，有學者用電腦重寫美國奴隸制的歷史，引發激烈爭論。批評者指出，若史學方法和數據的用法本身有誤，運算技術再先進也不會帶來更好的史學，反而讓錯誤更難檢視：那套方法別人若不掌握，就連批評都無從下手。這一點，在今天依然引起共鳴。
接下來的那些年裡，電腦的影響潤物細無聲。從大型電腦到個人電腦，再到互聯網，運算技術大幅擴充了人文的數碼基礎設施，使得公共史學、電子版本和數據庫等成為可能。它也改變了史學方法本身：材料多了、讀得細了，微觀研究得以展開；大量數據可以統計比對，長時段的研究也重新有了可能。即便在這一輪人工智能革命到來之前，人文和電腦早已共存多年，並催生出數碼人文這樣一門綜合學科。嶺南大學歷史系的“中國歷史與數字人文”等項目，正是在這一背景下應運而生的。
雖然二〇二二年被稱作人工智能元年，但人文學科真正感受到衝擊是在最近一兩年，影響才剛剛開始。首先是人工智能在理解上的革命：一些過去較為機械的工作做起來不再費力，人文研究裡經常要做的資訊提取和概括性總結，所需的時間大幅縮短。其次，在專門的任務上，以文字識別為例，基於大語言模型的視覺識別在與傳統高精度識別軟件相當的價格下，對某些複雜材料的識別效果可以好上三倍以上；這也直接打破了少數廠商對這項技術的壟斷。此外，更複雜一些的認知工作，例如難度適中的數據提取，AI智能體也已能勝任，於是過去要靠大筆經費和一支隊伍才做得成的事，如今小團隊甚至個人也做得成。
而在去年，也就是二〇二五年的十一月，人工智能的範式本身也經歷了一次靜悄悄、但影響深遠的革命：AI助理（智能體）的興起。智能體（Agent）這個概念並不新鮮，無論是在大語言模型之前的深度學習裡，還是在此之後的“推理+行動”（ReAct）一類設計裡，它都早已存在。然而在幾家主要的人工智能公司于二五年末紛紛推出新一代前沿模型之後，一道門檻就此跨過。程式開發社群很多人注意到，這些模型不僅能寫複雜的代碼，對系統的複雜性和整體規劃也開始得心應手，基本可以獨立完成初級到中級程式設計師的工作。對不寫程式的人來說，這意味着即使沒有編程基礎，也能很快把自己想要的工具做出來。同時，人文研究者也開始相信自己可以和智能體協作，不必再擔心它會刪掉珍貴的檔案文件。今年年初一度爆紅的龍蝦助手，正是AI助理這個範式落地的一個標誌。
人們意識到，在智能體的時代，隨着技術門檻的下降，專業知識的重要性反而進一步凸顯。所謂“AI+X”中的那個X愈發重要，X是專家知識，是領域知識，尤其是具體而細緻、複雜的那一種，也是人工智能的最後一公里。過去對人工智能還抱着過度期待的時候，人們常常用提示詞（prompts）告訴大語言模型，讓它“像一個歷史學家那樣思考”。結果它也只能是聽起來像一個歷史學家。現在大家明白了，大模型真正需要的，是寫成了技能（skill）指引的歷史學家的技藝（craft）。技藝才是無法窮盡的X，是永無止境的探索空間。
例如在嶺南大學的課堂上，筆者教學生做歷史模擬的AI助理。學生很快會發現，只是模仿歷史人物說話很容易，但那樣的人物不過是學舌的鸚鵡，很難有真正屬於人的行為。原因在於，要建立這樣一個AI助理，不能只是提供語料，而要為它設計一個符合歷史邏輯的模型。那意味着把經過分析和辨析的歷史情境與各種背景因素，連同對那個歷史世界的認識，一併提煉成可以數據化的知識。做到這一步，人物才可能像真的活在歷史裡，多個智能體之間也才談得上像歷史人物那樣彼此互動。更要緊的是，這樣一個模型的每一次打磨，都需要有歷史意識、受過歷史訓練的人去閱讀、分析、再次建模。而且對於不同的歷史情境，哪怕是在同一個時期，也都需要一次次運用人的技能，給它注入人的歷史智慧。
更進一步，不妨設想一個人工智能的歷史學家（AI historian）。科學界已經有這樣的嘗試，例如《自然》雜誌上的“自動科學家”，號稱只要給出某類科學問題，人工智能系統就可以自動得出答案。其內部的機制，是把某種“最佳”的方法、過程和範式編寫成程式碼，再配上單一的基準測試和指標，作為判斷是否“成功”的依據。這對科學研究當然有它的道理，但歷史學家要做的，恰恰是用多元的方法去處理具體而充滿偶然的問題。從人文的角度去建造這樣一個系統，要處理的問題複雜得多，同樣要面對人工智能系統與世界建模的難題。而這也正是今天訓練人文學生的意義所在：讓他們在理解人工智能機制的同時，也理解人文學科真正的價值。
（本文作者是嶺南大學歷史系研究助理教授）
