我的第一本书《国家主导的全球化：中国模式、三极竞争与世界经济的战略重塑》始于2025年初。最近，出版社编辑通知我，编辑委员会一致批准这个项目出版，接下来将进入合同和出版制作阶段。回头看从最初构思、研究、写作，到匿名同行评审和系统修订的整个过程，我发现它恰好与生成式人工智能迅速发展的时期重叠。因此，这本书也让我有机会比较具体地思考一个现在很多研究者都会面对的问题：人工智能究竟可以怎样帮助学术研究和写作，它又不能替研究者做什么？

如果简单地说“我使用人工智能辅助写了这本书”，其实很容易造成误解。2025年初开始书稿时，我对生成式人工智能并不信任，它对我的帮助也非常有限。当时给我印象很深的一个问题，就是人工智能会一本正经地“胡说八道”，尤其会产生根本不存在的文献和虚假引用。一个作者、一本书、一篇论文，甚至卷期、年份和其他出版信息，都可能看起来非常完整，实际上却是人工智能编出来的。对于一般性的文字工作，这已经是一个缺点；对于学术研究，却是一个根本性的可靠性问题。学术研究建立在可以追溯和核查的证据之上。如果来源本身不存在，后面的论证无论多么漂亮都没有意义。

所以我最早使用的其实是语法检查软件，主要帮助检查英文语法和表达。英语不是我的母语。我知道自己想表达什么，也知道论证怎样展开，但是把复杂的学术思想准确地转换成清楚、自然的英文，需要投入大量时间。在这个阶段，软件主要帮助我发现语法问题、不自然的表达和一些过长的句子。我的界线也比较明确：工具帮助我表达自己的思想，而不是替我产生思想。

后来，我逐渐开始借助人工智能编写和运行程序，检查书稿中的正文引用与文末参考文献是否一致。这项工作持续了很长时间，也是我较早发现人工智能真正有用的地方之一。一本几百页的学术书稿包含大量引用，完全依靠人工逐条核对非常耗时，而且人在重复工作中容易遗漏。程序可以从正文中提取作者和年份，与参考文献表进行比对，帮助找出正文已经引用但参考文献表可能遗漏的项目，也可以反过来发现参考文献表中存在、正文却没有出现的项目，还可以发现作者姓名、年份以及同一作者同一年不同文献之间可能存在的不一致。

这件事后来影响了我使用人工智能的基本方法。我并不是让人工智能直接告诉我“这些引用都没有问题”，而是让它帮助建立一种可以重复运行的检查机制。程序负责发现异常，我再回到文献和书稿本身判断究竟是什么问题。换句话说，我越来越愿意把机械、重复而且结果可以核查的工作交给人工智能，却不会因此把最后的判断也交给它。

我的专业背景可能使我对这个问题特别敏感。我接受过计算机科学、图书馆与信息科学以及区域研究方面的训练，长期从事大学图书馆、信息系统、教学和研究工作。我的职业经历也包括大学图书馆系统工作、教授职位以及大学图书馆领导工作。 因此，对我来说，学术研究从来不只是“写文章”。怎样检索信息、怎样判断来源、怎样追踪证据、怎样建立引用关系，本身就是研究能力的重要组成部分。

这一点在人工智能时代尤其重要。很多人会检索资料，但是不同研究者在检索深度、来源判断和引用使用方面的能力差别其实很大。“找到一个来源”与“正确使用这个来源”并不是一回事。一篇文章谈到了中国的产业政策，并不意味着它可以支持关于某项政策后果的任何论断；一本书的总体观点与自己的论点接近，也不意味着可以把它随意放在某一句话后面作为证据。严格的学术研究需要能够从一个论断向后追溯：这句话的依据是什么？来源在哪里？原始材料究竟说了什么？它能够支持多强的结论？我的表述有没有超过证据本身所允许的范围？

因此，我后来逐渐把引用问题分成不同层次。首先是来源是否真实存在，其次是书目信息是否准确，然后是正文引用与参考文献表是否一致，再往后是来源本身是否可靠，而最重要的是这个来源是否真的支持我写下的那句话。前面几个层次已经越来越适合借助程序和人工智能检查，最后一个层次却仍然需要研究者阅读和理解来源本身。引用不是文章后面的装饰，而是连接论断与证据的桥梁。

随着人工智能能力提高，我后来开始把一些已经写好的段落交给它检查。我会让它寻找逻辑跳跃、概念不清、前后矛盾或者不必要的重复。但是在很长一段时间里，这种使用仍然局限在段落层面。一方面，我自己还在摸索哪些工作适合交给人工智能；另一方面，当时实际能够使用的人工智能资源也有限。在购买更高使用额度的版本以前，复杂工作做到一定程度就可能达到使用限制而被暂停。因此，在这本书绝大部分研究和写作过程中，并不存在今天这种可以持续处理整部书稿的条件。

真正把人工智能用于全书层面的检查和精修，是最近两个月的事情。到这个时候，书的研究问题、主要资料、理论框架、章节结构和完整书稿早已存在，而且已经经过出版社组织的外部匿名同行评审。人工智能进入的不是一个空白页面，而是一部已经形成并经过专业学者批评的书稿。它开始帮助我跨章节检查逻辑关系，比较核心概念在几百页书稿中的使用是否一致，寻找论证重复和概念漂移，检查因果机制在不同章节是否前后一致，并继续帮助核对引用和参考文献。

同行评审在这个过程中非常重要，因为它提供了人工智能不能替代的外部学术检验。评审者一方面肯定书稿的理论和经验贡献，另一方面也提出了实质性的批评，包括对国家能力的处理是否过强、中国国内制度复杂性是否得到充分体现、是否应该进一步与东亚发展型国家和中国政治经济研究传统展开对话，以及日本、韩国等中等强国和替代技术是否需要得到更多关注。 我随后把两份评审意见整理成几个相互关联的修订方向，包括澄清理论框架、扩大与既有研究的对话、明确概念贡献、完善部分经验讨论，以及改善全书的组织和一致性。

在这个阶段，人工智能对我的价值开始发生变化。它不再主要帮助修改句子，而是成为一种反复检查和对话的工具。例如，当我承认中国内部存在中央与地方之间的互动、地方竞争和政策实验以后，就需要进一步追问：这是否改变了我对整个制度体系的定义？如果美国重新使用产业政策、欧洲加强经济监管，是否意味着三个体系正在趋同？还是说它们实际上仍然通过不同的制度逻辑回应类似压力？一个概念在第二章中的定义，到第五章、第七章是否仍然保持同样含义？同一个理论命题在几个章节中反复出现，究竟是在逐层推进论证，还是仅仅重复自己？人工智能很适合帮助寻找这些问题，因为它可以不断比较、质疑和重新组织文本。

但也正是在这个阶段，我越来越清楚地看到人工智能的另一个局限：人工智能能够提炼出怎样的理论骨架，在很大程度上取决于研究者给它提供了什么材料。

人工智能可以非常迅速地从一批材料中归纳共同主题，比较不同解释，发现某些联系，甚至提炼出一个看起来非常完整的概念结构。但是，如果输入的资料本身狭窄、片面或者质量不高，它也只能在这个有限的知识空间里重新组合。它可能把一个不完整的材料集合整理得非常漂亮，却不能保证研究者根本没有意识到的重要文献、理论传统、历史事实或者反面案例已经进入分析。

所以人工智能提炼理论骨架的能力，与研究者本人的知识背景、检索能力、来源判断能力和专业训练有直接关系。专业知识决定你知道应该寻找什么；检索能力决定你能否找到它；来源判断决定哪些材料值得进入分析；长期的领域训练则帮助研究者意识到还缺少什么。真正困难的有时不是“我已经找到了什么”，而是“我不知道自己还遗漏了什么”。

这里存在一个非常重要的链条：研究者的知识影响检索，检索决定材料的范围，来源判断决定哪些材料进入分析，而材料的范围和质量又限制了人工智能能够提炼出怎样的结构。 因此，我们最后看到的所谓“人工智能提炼出来的骨架”，实际上已经包含了研究者此前大量不容易看见的工作。为什么选择这些文献而不是另外一些文献，为什么把某项资料判断为关键证据，为什么认为某个案例构成反例，为什么发现一个重要研究传统没有进入讨论——这些工作往往发生在人工智能开始归纳以前。

这也解释了为什么同样的人工智能交给两个不同的研究者，结果可能完全不同。区别并不只是两个人会不会写所谓的“提示词”，而在于他们带进人工智能的知识世界不同。一个长期研究某个领域的人，可能立即发现人工智能的回答遗漏了一位关键学者、混淆了两个概念，或者把相关性说成了因果关系；一个刚刚进入这个领域的人，却可能因为回答完整、流畅、结构清楚而认为问题已经解决。人工智能可以处理已经进入它视野的信息，但研究者仍然需要判断什么应该进入这个视野，以及视野之外还缺少什么。

这也是为什么我并不认为人工智能会使信息检索能力变得不重要。恰恰相反，人工智能越容易给出答案，研究者越需要判断答案建立在什么信息基础上。过去，优秀的研究者首先要知道怎样找到信息；现在，还必须知道怎样验证信息、审计信息，并发现信息集合中的空白。人工智能降低了获得“某种答案”的成本，却没有自动解决资料选择和知识边界的问题。

与此同时，我在全书精修过程中还越来越明显地发现人工智能的另一个特点：它很容易重复，而且容易逐渐偏离原来的问题。

这种重复有时很隐蔽。人工智能并不一定逐字重复同一句话，而是可能把同一个意思换一种说法再说一遍。单独看每一个段落都很通顺，甚至显得很有道理；连续读几十页以后，却会发现几个概念不断以不同语言重复出现，论证并没有真正向前推进。如果研究者不断要求它“进一步解释”“再展开一点”“写得更加深入”，这种现象尤其容易发生。文字越来越多，并不意味着分析越来越深。

偏离则是另外一种风险。研究者最初可能提出一个非常具体的问题，经过多轮对话以后，人工智能会不断引入新的概念、新的分类和新的解释。某些新想法确实有价值，但是如果不持续回到原来的研究问题，就可能发生一种很有诱惑力的漂移：概念越来越多，理论越来越宏大，语言越来越抽象，而最初真正需要解释的经验问题反而逐渐消失。

这也是为什么我在最近的全书检查中越来越重视删减，而不是简单地让人工智能继续增加内容。人工智能特别容易生成，它并不天然知道什么时候应该停止。研究者却必须不断问：这一段增加了什么？这个概念是否真的有必要？它与前面的概念有什么区别？这一段是在推进因果解释，还是仅仅换一种方式重复前面的判断？这个新概念能够解释新的现象吗？如果删除它，整个理论会损失什么？如果什么都没有损失，那么这个概念很可能并不需要存在。

从这个意义上说，人工智能可以帮助建立骨架，也可能不断给骨架增加不必要的枝条。研究者的任务不仅是利用它生成和组织，还要不断剪枝。好的人工智能辅助研究并不是内容越生成越多，而是经过反复生成、检验、删除和重新组织以后，留下真正具有解释作用的部分。

我的第一本书后期修订实际上越来越接近这个过程。最终版本保留了原来的中心论点和七章结构，但是把原稿中已经存在、却没有充分明确的因果关系进一步系统化，包括安全驱动的产业战略、监管性去风险、安全多元化成本、递归性制度适应、沉没承诺以及持久失衡之间的关系。修订的重点不是不断增加新概念，而是让原有概念之间的机制联系更加清楚。

因此，我现在并不把人工智能最重要的作用理解为“替研究者写作”。对我来说，它更像是一种可以不断对话、比较、检查和质疑的研究辅助工具。它可以帮助我发现一处引用不一致，可以写程序完成过去需要大量人工完成的检查，可以比较相隔两百页的两个概念定义，可以指出某一段论证存在跳跃，也可以提出我没有立即想到的反例。但是它同样可能产生虚假来源，可能在不完整的材料基础上形成一个漂亮却片面的结构，可能不断重复，也可能在长时间对话中逐渐偏离最初的问题。

这几种局限其实指向同一个问题：人工智能并不知道什么对于我的研究真正重要。

它可以根据输入寻找模式，却不知道哪些没有进入输入的信息最关键；它可以生成一个新的概念，却不知道这个概念是否值得放进一本书；它可以把一段文字扩展得非常完整，却不知道这段扩展是否让理论真正向前走了一步；它可以提出十种可能的解释，却不能替研究者承担选择其中一种解释并为其提供证据的学术责任。

所以，我越来越不愿意把人工智能时代的研究能力简单归结为“会不会使用人工智能”或者“会不会写提示词”。真正决定研究质量的仍然是更基础的东西：一个人长期积累了什么知识，接受过怎样的专业训练，是否真正了解自己的领域，能否提出有意义的问题，是否具有系统的检索能力，能否区分不同性质和质量的来源，是否能够把引用准确地连接到具体论断，以及面对一个看起来非常有说服力的答案时，有没有能力说：“不对，这里有问题。”

这也是我为什么认为人工智能越强，研究者的判断能力反而越重要。人工智能能力有限的时候，它的错误往往很明显；能力越来越强以后，真正值得警惕的反而是那些写得非常好、结构非常完整、听起来非常合理的错误。一个明显错误的答案容易被拒绝，一个九成正确而关键的一成存在问题的答案，可能更加危险。研究者必须知道应该检查哪里。

回头看这本书从2025年初到现在的过程，我自己的人工智能使用方式其实形成了一条很自然的演变路径：最初只是语言辅助，后来借助人工智能和程序进行引用一致性检查，再后来检查特定段落，直到最近两个月才真正用于整本书的逻辑、概念、结构、重复和引用检查。与此同时，真正决定这本书内容的研究问题、资料积累、理论思考和基本论证，并不是人工智能替我产生的。正式同行评审又从外部对这些内容进行了检验，我再根据专业判断决定哪些批评意味着需要增加文献，哪些要求重新界定概念，哪些需要补充经验材料，哪些则需要重新说明理论边界。最终修订仍然保持了原书的中心论点和基本结构，同时提高理论清晰度、文献对话、经验讨论和整体一致性。

因此，如果今天有人问我怎样利用人工智能做研究，我不会首先建议他去学习一套复杂的提示词。我更愿意问：你是否知道自己真正要研究什么？你是否了解这个领域已经知道什么和还不知道什么？你能不能找到真正重要的资料？你能不能判断来源的可靠程度？你有没有能力发现一个看起来完整的资料集合其实缺少了关键部分？你能不能判断人工智能是在推进你的论证，还是仅仅换一种语言重复你的论证？当它开始不断增加概念时，你能不能把它拉回原来的研究问题？

我的经历不是一个“人工智能逐渐替我写书”的过程，而是一个随着人工智能能力提高，我逐渐学会把不同性质的任务交给它，同时更加清楚哪些判断不能交给它的过程。

人工智能当然可以帮助研究者提炼骨架，但骨架的质量首先受制于进入分析的材料；材料的质量和范围，又取决于研究者的知识背景、检索能力、来源判断和专业训练。人工智能可以帮助扩展骨架，但它也很容易重复和偏离，因此研究者还必须知道什么时候应该停止扩展，什么时候应该删除，什么时候应该回到最初的问题。

这可能也是我经过这两年以后，对人工智能辅助研究最基本的认识：

人工智能擅长生成，研究者必须擅长选择；人工智能擅长整理已经进入视野的信息，研究者必须知道什么还没有进入视野；人工智能可以帮助发现结构，研究者必须判断这个结构是否真实、有用并且值得保留。

当文字越来越容易生成、资料越来越容易获得、一个看起来完整的答案越来越容易出现以后，真正稀缺的可能不再是产生文字的能力，而是知道什么问题值得研究，知道怎样找到可靠证据，知道一个来源究竟能够证明什么，知道什么应该留下、什么应该删除，并且在必要的时候知道人工智能和自己都可能错了。

人工智能降低了生成和整理信息的成本，却没有降低形成可靠学术判断的难度。

而我认为，这种判断能力仍然是人工智能时代研究者最重要的能力。

支持单位：