让“合成专家”参加德尔菲调查的尝试

武夷山

    Futures（未来学）杂志2026年12月号（总第184卷）发表土耳其伊斯坦布尔的Ulak Communication Inc（乌拉克通信公司）项目管理办公室Cihan Şahin的文章，AI-assisted Delphi as a futures method: Synthetic experts and collective intelligence in technology foresight（作为未来学研究方法的AI辅助德尔菲法：技术预见中的合成专家与集体智能）。请DeepSeek翻译该文的“引言”小节，我修改。

引言

全球电信行业正站在一个关键的转折点上，正从5G的成熟期迈向第六代（6G）网络的构想阶段。这一演进不仅仅是技术升级，更是一场深刻的社会变革，需要对人类与其可能未来之间的关系进行全面理解（ITU-R, 2023, Yang et al., 2020）。当我们展望2026—2050年这一时间跨度时，电信行业必须应对一系列范式转变，包括AI驱动的网络设计、地面-卫星-边缘计算一体化基础设施、先进频谱利用、下一代密码安全以及可持续发展目标（De Alwis et al., 2021, Wu et al., 2021）。这些变革发生在前所未有的不确定性背景之下：技术融合加速，威胁格局不断演变，不同地缘政治集团之间的标准竞争，以及平衡创新速度与基础设施投资回报的迫切需求（OECD, 2022, World Economic Forum, 2025）。在未来研究的语境中，这些动态构成了一个复杂的预期领域，技术轨迹与社会政治、经济和生态约束在此交汇，要求开展严谨的预见研究。

技术预见方法论为驾驭这种复杂性提供了结构化框架，使利益相关者能够预判颠覆性变革，识别战略选项，并围绕可能的未来建立共识（Coates et al., 2001, Cuhls, 2003）。德尔菲法由兰德公司于20世纪60年代开发，已成为专家驱动预测的黄金标准，通过对专家进行多轮匿名咨询达成共识，同时最大限度地减少群体思维和主导效应（Linstone and Turoff, 1975, Rowe and Wright, 1999）。电信领域的传统德尔菲研究已成功指导了频谱分配、技术路线图制定和政策开发（Aichholzer, 2009, Schuckmann et al., 2012）。然而，在技术发生指数级变革和知识网络全球化的时代，传统的专家咨询面临日益严峻的挑战。实际障碍包括：专家可用性受限，地理分散，招募成本，耗时的多轮流程，以及因专家小组多样性不足而可能产生的偏差（Gupta and Clarke, 1996, Keeney et al., 2006）。对于以工程、经济、政策和地缘政治等多学科复杂性为特征的电信行业而言，组建足够多样且可及的专家小组已变得越来越困难（ITU-T, 2020）。

大语言模型（LLMs）作为通用认知技术的出现，为解决这些局限提供了变革性潜力（Brown et al., 2020, Bubeck et al., 2023）。近期研究表明，LLMs能够在适当提示下模拟专家推理模式、综合领域知识并参与结构化审议（Wang et al., 2023, Wei et al., 2022）。Nóbrega等人（2024）率先探索了基于LLM的德尔菲法（“数字神谕”），而近期学术界迅速拓展了这一领域。Calleo和Pilla（2025）提出了实时AI德尔菲法（RT-AID）以提升决策速度，Alon等人（2025）综合了近期以AI为核心的德尔菲研究以识别新兴政策脉络，Mueller等人（2024）探索了人类与AI专业知识相结合的混合专家小组的潜力。Park等人（2025）在医学共识构建领域、Bell等人（2025）在系统工程领域的平行工作进一步建立了互补的示范模式。然而，电信行业的独特特征——包括深厚的技术专业性（如频谱管理、网络安全协议）、标准制定领域中的幻觉风险以及多方利益相关者的地缘政治张力——要求超越通用的AI-德尔菲框架进行实质性调整。本研究批判性地考察以下问题：当面对AI知识边界和人类专家可用性都难以应对的领域复杂性时，具有专业化人设（specialized personas）的多样化LLM集成能否维持共识效度，从而对专家知识生成的基本假设提出质疑。

尽管存在这一方法论创新，但在更广泛的未来学研究领域中，AI辅助德尔菲法如何在电信业未来研究和技术预见中进行系统性应用，仍显探索不足。该行业的独特特征——快速创新周期、深度技术专业化、监管复杂性和地缘政治敏感性——对合成专家的可靠性和一致性构成了严峻考验。此外，2026—2050年时间跨度涵盖多重断裂性变化（5G向6G过渡、量子威胁、气候紧迫性），需要细致入微的、纳入众多利益相关者的共识构建，而传统德尔菲法难以高效扩展以应对此需求。通过将AI整合到预见过程中，我们既解决了实际局限，也对电信未来如何被构建的传统假设提出了质疑，从而使影响集体预期的视角更加多元化。这种方法与未来学研究的解放性目标相一致，即降低参与高层预见活动的门槛，促成对人类的技术可能性的更具包容性的探索。

为填补这些空白并探索合成专业知识在技术预见中的潜力，本研究由三个核心研究问题引导：

RQ1（方法论创新）：AI辅助德尔菲法在多大程度上能够——通过将LLMs视作具有指定专业人设的合成专家——就复杂的、多维度的电信预测挑战达成严谨且内部一致的共识？其收敛动态过程如何与未来学研究中既有的德尔菲原则对齐，特别是在生成新颖且多样的未来想象方面？

RQ2（实质性预见）：哪些涵盖技术、经济、监管和地缘政治维度的关键德尔菲调查条目将塑造2026至2050年全球电信格局？合成专家如何评估这些条目的相对优先性和系统性的相互依赖关系，从而促进电信未来的多元化？

RQ3（实用性与批判性反思）：与传统专家小组相比，AI辅助预见方法论如何能够增强电信业利益相关者战略规划的可扩展性、成本效益和适应性？这对专业预见实践的未来意味着什么，包括专业预见活动之挑战主流叙事和促进更具包容性的预期性治理的能力？

本文的贡献有三方面。在方法论上，我们推进了AI辅助预见，证明了具有结构化人设的多样化LLM集成能够在复杂的多维度预测挑战中达成严谨共识，从而夯实未来研究的方法论基础。在实质性预见方面，我们提供了一个包含15个关键德尔菲调查条目和六个主题维度的电信业未来综合框架，以跨越技术、经济、监管和地缘政治视角的AI合成专业知识为基础，从而提供关于预期实践的新知识。在实践上，我们提供了一种可扩展的、具有成本效益的对传统专家小组的替代方案，使更频繁、更具适应性的预见活动能够与电信行业加速创新的节奏相匹配。在此过程中，我们为预期（anticipation）这一跨学科研究领域做出了贡献，还提供了关于社会与其技术未来之间关系的新见解，为构建对社会负责且生态公正的电信基础设施奠定了更坚实的知识基础。至关重要的是，这一AI辅助德尔菲框架通过将海量领域知识提炼为基准预测来补充人类预见，使专家小组能够跳过基础趋势识别这一步工作，直接聚焦于高层战略复杂性和伦理复杂性问题。需要指出的是，该框架的主要贡献在于构建和综合现有轨迹与行业路线图，而不是生成极度新颖的或猜测性的未来场景。

支持单位：