AI参与人文研究，知识汲取或与命题论证同步实现？

在传统的文史哲研究过程中，相关主题的知识储备，是研究问题的必要前提。只有在相关文献梳理充分的前提下，才能提出相关问题的逻辑框架，进而对此展开论证；

但是，在生成式AI参与研究的过程中，知识的汲取，极有可能在“大胆假设”的框架下“小心求证”的过程中，同步完成。例如，对某领域，提出一个命题，而该研究者有关的知识体系，完全可能在论证该命题的过程中同步完整获取，而无需事前熟练掌握。

这个问题，触及了生成式人工智能介入人文学术后，对传统治学范式最根本的冲击：知识储备与问题提出、论证展开的先后逻辑关系正在被重构。这不仅是工具层面的效率提升，更是一次认识论与方法论的震荡。

一、传统范式的逻辑必然：“前理解”与诠释学循环

在传统的文史哲研究中，“知识储备先于问题提出”并非简单的经验惯例，而有其深厚的学理根基，最根本的支撑来自诠释学对“理解”何以可能的揭示。

海德格尔提出，任何理解都受制于“前结构”（Vorstruktur），即先有、先见、先把握。伽达默尔进而将此发展为“前理解”（Vorurteil）概念，并强调理解永远是一个“诠释学循环”的过程：对部分的理解需要依赖对整体的预期，而这种预期又来自理解者已有的知识传统。在研究中，这意味着：

问题意识不可能凭空产生。 一个有意义的问题，必然是在与既有文献、经典文本、历史语境的持续对话中，由困惑、断裂或张力中生长出来的。没有足够的文献浸润，所谓的“大胆假设”极易沦为无根的臆想，甚至重复早已被推翻的旧说。

知识储备塑造“视域融合”的能力。 理解是理解者的当下视域与历史文本的过去视域不断碰撞、交融的结果。一个空空荡荡的视域，根本无法与深邃的传统发生有效融合，只能将文本“同化”为自身的肤浅偏见。

论证过程本身就是知识内化的外在显现。 传统考证、义理辨析、脉络梳理，每一步都需要调动大量默会知识——对史源的精微鉴别、对概念在不同语境下语义变迁的体认、对文体风格的审美判断。这些能力是在长期“博观约取”中化为研究者第二自然的，无法由外部即时查询替代。

因此，传统的“先储备后发问”路径，本质上是让研究者的心智结构与学科传统之间建立起一种同构的“问题域”，使研究者本身成为“活的知识结构”，从而具备发现真问题的敏感性。

二、生成式AI引发的范式偏移：从“前提”到“同步”的认知外包

 “在论证过程中同步完成知识汲取”，是AI参与后研究模式变革的核心。这是一种认知外包与即时知识拼装的新范式。

之所以成为可能，是因为大语言模型实现了人类知识的高度压缩与文本化再生产。它打破了以往知识获取受限于个体阅读速度、记忆容量和信息检索能力的瓶颈。研究流程被重构为：

（1）触发假设：研究者可能基于一个零散的灵感、一个跨界的类比，甚至是从AI对话中生成的反馈，迅速形成一个“大胆假设”。这一假设的产生，对前置知识量的依赖大幅降低。

（2）AI支撑的同步性循环：研究者将假设分解为一系列追问，即时投喂给AI，获取相关文献要旨、概念流变、正反论据甚至逻辑框架。此时，“小心求证”的过程，同时也是“知识汲取”的过程。 研究者一边通过与AI对话编织论证，一边在AI输出的文本中快速构造起对该领域的认知地图。

（3）知识产品与学习过程合一：最终产出的论文或分析，其生产过程即是研究者本人从“门外”到“入门”乃至“结构掌握”的学习过程。知识与论证同步生成，结果与过程合一。

三、深层剖析：解放认知潜能与认知风险并存

这种范式的偏移，其学理意义是双重的，需要我们以辩证的理性加以审视。

（一） 认识论层面解放潜能

打破“诠释学循环”的僵化封闭。传统循环有时会因个体视野的局限而陷入“同义反复”，难以跳出既有框架。AI作为“他者知识库”的介入，可能以一种强力方式打破循环，引入遥远的知识片段和意想不到的联结，促成更具创造性的“视域融合”。这可以视为对伽达默尔传统的一种数字时代延伸：对话者从一个扩大为包含机器的多重主体。

促进问题导向的跨学科穿梭。大量前沿问题位于学科交界处。传统学者因知识迁移成本过高而难以进入，AI支持的“即时学习”模式，使得研究者能以问题为锚点，迅速在不同学科的知识碎片间跳跃，形成动态的、临时性的知识结构。这更契合波普尔所强调的“从问题出发”的科学发现逻辑，将知识储备从“前提条件”降维为“待调用资源”。

（二）可能的风险与危机

然而，这种同步模式如果成为主流，将可能从根本上动摇人文学术的根基。

“问题意识”的空心化与伪深刻。真正的问题意识源于对知识复杂性与矛盾性的长期“浸泡”。当假设可以凭借浅层刺激迅速提出时，研究者很可能丧失对问题“真”与“假”、“深”与“浅”的辨别力。一个由AI协助提出的看似学理化的问题，可能完全脱节于该学科真正的现实关怀与内在脉络，导致产出一大批语言上无懈可击、学理上精致却与人类真实处境无关的“学术空转”产品。

论证中的“知识的表演”与理解的缺席。 同步获取的知识，往往是缺少语境深度、体感温度和批判审视的“扁平信息”。研究者能娴熟地组织这些信息完成逻辑论证，但这更近乎一种“知识的表演”，而非真正理解后的阐明。波兰尼强调的“默会知识”，如对文本的“品味”、对历史行动者处境“设身处地”的同理想象、对思辨哲学概念“上手”的体悟，是无法通过语言描述性输出直接获得的。当研究者跳过长期浸润，其论证将不可避免带有“机心”，丧失人文学最珍贵的“体温”与“洞见”。

研究主体性的自我消解。 在“假设-求证-同步获取”的循环中，研究者的核心能力从“博学、慎思、明辨”悄然转变为“提问、筛选、整合、润色”的“AI管理术”。其思想内核容易被AI的算法倾向所塑造，独立的批判性思维可能在看似高效的产出中被搁置。最终，研究者可能变成一个高效的学术加工者，而非思想者，其学术人格和判断力难以真正成熟。

结语：走向一种审慎的“增强型诠释学”

综上，揭示了一个无法回避的境遇。生成式AI确实瓦解了“知识储备必须绝对先于问题提出与论证”这一传统的绝对性，创造了同步生成的新型研究动力。这是技术带给认知的解放。

然而，解放的代价可能是深层的异化。人文学术的本质，不只是“论证”与“知识”，更是对“意义”的追问与对人类境况的理解。这种理解，需要研究者作为完整的“人”来认识和理解。

因此，合理的道路或许不是退回传统，也不是无保留地拥抱同步范式，而是建立一种增强型诠释学的自觉：将AI作为拓展“前理解”广度、打破视域僵化的强大引擎，但同时将最核心的知识内化、问题锤炼、价值判断和默会感知，严格保留在个体的深度阅读、持续思考与生命体验之中。

支持单位：