近现代环境史研究的智能化转型挑战

    ■曹牧

    智能化时代降临

    人工智能（Artificial Intelligence, AI）是计算机科学的一个分支，旨
在开发能够模拟、延伸或扩展人类智能的系统。其核心目标是使机器具备感知（如视觉识别、语音理解），推理（如逻辑分析、决策制定），学习（如从数据中改进性能），以及自主行动（如机器人控制、自动化决策）。根据能力水平，AI大致可分为三类：弱人工智能（Narrow AI），擅长特定任务（如人脸识别、语音助手）；强人工智能（General AI），具备人类水准的通用智能（目前尚未实现）；超级人工智能（Super AI），设想在所有认知领域超越人类的存在，不过目前仍处于理论阶段。而生成式人工智能（如ChatGPT、DeepSeek等）作为AI的一个子领域，与其他智能类型相比，最大的特点是具有令人惊讶的创造力。

    所谓“创造力”，即从既有事实与经验中生成前所未有的事物。这种能力虽然被想象得神乎其神，但在脑神经研究者的描述中则是较为普遍的一种人类大脑活动，广泛分布于大脑皮层的多个区域。所以并非只有最伟大的头脑才懂得运用创造力，人类每天的日常活动都在不断地要求与前日不同的创造。如同所有人类劳动一样，创造和思考都需要耗能。人类静息状态下大脑消耗的能量可以达到整个身体能耗的20%，由此看来思考不仅是一项劳动，还是十分辛苦的高强度脑力劳动。人工智能的出现与之前的所有技术一样，以扩展和发展人类原本的生物能力为目标，在减轻人类高负荷头脑劳作的同时，扩展人类的思维能力与创造力。而这种变化意味着机器可以替代一部分原本应该由人类头脑完成的工作，由此也容易引发被替代的恐惧。

    人类对人工智能的恐惧完全具有合理性，因为知识虽然是中性的，但知识的运用和影响却充满了风险。《知识的罪恶》（Ziolkowski,Theodore.The Sin of Knowledge:Ancient Themes and
 Modern Variations.UnitedStates: Princeton University Press,2021）一书认为过度追求知识会挑战良善和道德，因为知识使人失去天真，但并不自动带来善良，所以伦理问题必将成为智能化时代的一大核心问题。同时，知识拓展也可能引发无法预测的灾难性后果，典型者如核武器和技术依赖引发的环境危机。人工智能同样可以进入此列，成为知识可能导致未知影响的典型代表。

    当然，未知和不可控会引发恐惧但并不会阻碍变革产生的速度。砸毁珍妮纺纱机不能阻碍工业革命的推进，对于人工智能的怀疑甚至都不会减缓这项技术对世界的改变速度。既然无论我们是否愿意，都要走入一个新的智能化的时代，所有人都应当思考的是如何做好准备，处理技术运用与历史研究发展关系的难题。

    就此而言，近现代环境史的特殊属性，可以提供一个值得注意的试验场。

    浪潮中的近现代环境史研究

    环境史在中国的发展已过而立之年，但在近现代领域的探索则相对较晚。导致这种现象产生的原因，虽然有新理论运用于研究必然需要时间的因素，但也与环境史的研究材料分布更分散杂乱，需要更多的阅读和整理功夫有关。近几年近现代环境史成果的显著增加，则明显受益于材料的电子化、各类数据库的广泛应用以及全球网络信息资源的共享。从这个角度看，人工智能的运用能够降低近现代环境史研究在资料获取上的难度，从而显著推进研究的发展。

    近现代环境史研究因其独特的时代特征而呈现出显著的跨学科需求。随着现代化进程加速，学科专业化程度不断加深，环境史研究所涉及的知识谱系也日益扩展，这使得跨学科方法不仅成为可能，更成为一种必然要求。一个理想状态下的跨学科研究，绝非将两种泾渭分明的理论填塞进论文的八股之作，而应当拥有宽广而兼通的视野和胸怀。然而，灵活运用自然科学与社会科学手段，对研究者的要求很高，导致能够达到这一目标的成果极其稀少，养成文理兼容学科互动思考习惯的研究者也是凤毛麟角。

    造成跨学科障碍的主要原因，一方面是自然科学与人文社会科学的边界过于清晰，另一方面也更为残酷的是，人的认知能力和时间精力的有限性。虽然分科治学教育束缚了自由思维，但真正能够文理兼修且达到一定专业化程度的大脑却很稀少。人的生命时间的有限性决定（绝大多数人）只能在主要精力投入的方向成就其专长，而无法拥有足够的精神在很多界域均匀地成长。我们不能要求所有的研究者都必须是精力超群的天才，所以纵然存在一种理想的研究模式，很多优秀的选题也只能退而求其次地采用略显不足和保守的研究方式。就此而言，在人工智能的帮助下，研究者的个人能力和研究视野将获得实质性的扩展，成果也将日趋理想化。

    对于更为晚近的研究，田野调查手段和口述访谈内容是不可或缺的补充材料。技术已经为这些工作的推进提供了极大便利，如智能化的语音文字转录和文字识别图像化技术等，节省了大量文字整理的时间，但其中的实地考察和走访仍然需要人的参与。近年来随着人工智能的推广，在一些学科领域中的田野工作已经逐渐走向“云时代”。如人类学已经开始“云田野”调查，通过挖掘互联网中的数字痕迹来观察人类行为特征，为历史学研究提供了重要参照。若将人工智能与电子访谈、在线填报系统相结合，不仅能扩大受访群体规模、拓展调查地域范围，更能依托智能网络技术实现数据量的指数级增长。当研究者得以突破地理限制，与素未谋面的受访者建立数字连接时，一个更具复杂性和多样性的社会生态网络便将形成，这势必推动学术研究进入新纪元。

    综上，智能化转型确实有助于实现近现代环境史研究中那些传统人力难以企及的宏观构想。但需要强调的是，在前述研究图景中，人工智能始终处于工具性定位。倘若进一步设想：当AI具备相当程度的推理与创造能力，将计算机系统的严密逻辑注入学术分析时，历史研究者必将面临工作范式与学术价值的双重挑战。

    智能化时代的挑战

    近现代环境史研究必须直面智能化转型的浪潮，同时也要审慎应对随之而来的风险与挑战。其中最先需要重视的是利用机器从事研究过程中，创造力所属权相关的伦理问题。人工智能的介入催生了新的研究主体——包括算法代理和虚拟主体，这些前所未有的参与者向人类文明提出了全新的伦理命题。在缺乏历史先例的情况下，如何界定人机协作中的权责关系、如何平衡智能工具与研究者之间的创造性贡献，将成为一项长期存在的学术与伦理议题。

    人工智能共同创作，究竟谁是主角？ 这项讨论必然会持续很长时间，但与之相比，更应当立即引起我们关注的，是建立对技术产出的批判性审视机制——警惕从工具依赖滑向技术崇拜的认识论陷阱。如果机器智能是效仿人类智能而来，那便同样遵循着从微小事实积累推导出创新性成果的基本规则。正如人类创意源于日常的点滴积累（有些甚至是无意识状态下的经历），且随着信息累积的增加会出现新思想的涌现，人工智能则大量依赖数据规模、模型参数与算力（Dwarkesh Patel with Gavin Leech, The Scaling Era: An Oral
 History of AI,2019–2025,South San Francisco: Stripe Press,
 2025）。因此数据不仅决定人工智能决策的走向，也会出现“规模即智能”的盲区，和随着数据层级增多而与人脑类似的“意外能力涌现”（Emergent Behaviors）现象。

    数据影响人工智能的判断力，但这些可能左右决策的数据是否真的完全可靠？ 历史数据的记录者和记录对象与更广大的人口数量相比占比很小，社会中的阶层、群体、性别差异纷繁复杂，单纯强调数据很容易忽略其来源的不均匀和代表性的不完整，从而出现判断的失实。同时，当数据数量成为评判标准时，历史记录中固有的“结构性沉默”（structural silence）也将被算法放大，乃至产生数据霸凌问题。

    数据扩展了研究的材料边界，但也暗藏知识的均质化风险。这是否会驱使人工智能得出的结论逐渐滑向宏大雷同和“绝对正确”？ 随着数据量增多而不可避免的宏大叙事，即便在统计意义上无懈可击，也缺失了针对具体人群的观察，与当下近现代环境史研究所需要的关怀具体案例和注重个性化发展方向相悖。这迫使我们反思：历史研究的终极目标，究竟是追寻放之四海而皆准的“标准答案”，还是深刻把握人类社会生态中盘根错节的复杂性与多元性？ 如赵汀阳所言：“历史关注的是往事的意义而非往事”（赵汀阳，《历史性与存在论事件》，《中国社会科学》，2023年第7期，第5页），历史学从来不是通过简单归纳材料就能机械得出结论的“科学”，其最根本的学术品格，恰恰体现在对信息的选择与价值判断之中。

    历史虽然追求普遍性的问题与意义，但其发展本身就是多元和不可重复的，最恰当的历史意义应当从足够多和足够广阔的时空范围内的大量独立历史事件的意义中提取。因此与正在发生且与现实关系紧密的近现代环境史，便更强调对地方经验、多元化和对非对称性问题的讨论。环境史的“在地性”（locality）研究，应当聚焦于特定地域中人与自然的互动关系，通过
考察地方生态社会网络的演变，揭示环境变迁的空间差异与个体化影响，从而呈现环境史的多元性，并丰富地方性知识的积累。同样，由于近现代环境史关注的部分问题与当下时代中正在发展的社会问题紧密相连，其研究便不得不深入地方，因此必须关注更为碎片化的环境问题。考虑到人类社会的复杂性，此类考察也应重视不同群体在环境适应方面的非对称性表现，系统了解各社会阶层、族群对环境变化的差异化应对策略。这种学术路径可以显著增加历史叙事对边缘群体的关注，也能有效防止宏大叙事容易导致的结论同质化倾向。

    近现代环境史要探究更多直接与当下有关的议题，因此应当从具体往事
中提取经验，在历史事件的延长线上影响未来。这一目标的实现固然要借助数智技术拓展史料边界，然而也要注意，庞大的数据并不必然产出特别重大的结果，两者并非正相关关系。因此，近现代环境史研究虽然应当注意超量材料扩展的好处，也要小心陷入对数据的盲从，并在智能化转型中重新确立自身的学术使命与伦理责任。

    新的责任与任务

    “社会科学”关注人的行为，但其讨论范围有时也包括心理学和生物学
等领域，因此有学者认为以较为中性的“行为科学”称之更为合适。而使用“行为科学”作为“社会科学”的替代词的另一个好处是“它并不强烈地暗示包含在行为科学中的学科所研究的范围仅仅局限于有感觉能力的有机体的特点”（R.S.鲁德纳：《社会科学哲学》，三联书店出版社1983年版，第
6页）。换言之，那些非有机的、不同类型的机器行为，也可以作为社会现象加以研究。

    在深度学习过程中，随着生成式人工智能的数据数量不断累加，机器思考的逻辑层级更为复杂，因此会出现非人类设计的“意外能力浮现”现象。这种虚拟主体所呈现的决策逻辑和行为模式，虽然难以用传统人类认知范式完全解释，却已然构成值得历史学者关注的新型社会现象。

    人类对自然的改造始终以技术为中介，而人工智能的兴起标志着算法首
次成为自主性环境干预力量。尽管这个正在进行中的影响作为历史研究的对象尚过于年轻，但从学科发展的总体规律上看，其对环境系统的塑造作用必将成为未来环境史——特别是关注“技术—环境”互动的近现代环境史——的核心研究议题。

    事实上，关于人工智能技术应用产生的直接环境影响近年来不断被提及。尽管AI系统在终端使用环节表现得无比“清洁”，但其全生命周期的能量消耗却十分惊人。这种高能耗主要发生在模型训练、数据存储、硬件制造和日常运行等环节中，其中大模型训练的问题最为突出。2021年康奈尔大学的
一项研究证明机器学习的能源消耗正在迅速增长，并倡导估算和控制大模型的碳消耗总量，并合理选择训练中心的区位（D.A.Patterson et al.,“Carbon Emissions and Large Neural
 Network Training,”arXiv:2104.10350,Apr.2021）。

    此外，人工智能推理过程的能量消耗显著高于传统的检索。调查显示，ChatGPT每次查询约消耗2.9Wh，是传统搜索查询的十倍（Oremus, Will.“ChatGPT Is Chewing through Electricity.”
TheWashington Post, May 4,2023）。微软为了训练自己的大模型，在爱荷华州建设超级计算中心，造成当地水资源消耗量飞涨，根据新闻报道突然增大的水资源很可能会影响当地的正常农业灌溉活动（Thomas, Thomas.“Iowa’s AI Boom Is Draining Its Water: Will
 the State’s Farms Suffer？”InformationWeek, February5,2025
）。与之相似，谷歌在比利时建立的数据中心，也因为大量使用水资源作为冷却用水而引起了广泛关注。斯坦福大学2024年发布的AI指数报告（Stanford Human-Centered AI, 2024AIIndex Report）总结了2023年人工智能发展中出现的一些值得关注的问题，这份报告的九个章节分别从研发、技术性能、经济影响、AI责任、多样性、公众意见等角度讨论了人工智能的发展状况和主要问题。该调查确定人工智能在特定任务（图像分类、视觉推理等）的表现上已经超越人类，但在复杂数学、常识推理和规划等角度仍有差距。与以往的科技发展情况不同的是，人工智能研究主要由产业推动而非学术推动，且发展状况缺乏规范和评判，因此存在更多失控风险。

    继2024年报告警示大模型训练与生成式AI投资消耗激增问题后，该组织2025年最新研究进一步量化了AI技术的能源与环境代价。数据显示，2024年发布的58个主流AI模型（包括 GPT-4与 Llama3.1）在训练阶段分别产生5,184吨和8,930吨CO2排放，相当于250个美国人年均碳足迹的总和（Stanford Human-Centered AI. 2025 AI Index Report. Stanford: Stanford HAI,2025）
。虽然单次推理的能耗相对较低，但由于AI模型每天被调用数百万次，其累计的环境影响可能超过训练阶段。国际能源署（IEA）预测，AI和数据中心的电力需求可能在2026年前翻倍，新增的电力使用量相当于整个日本的用
电量（International Energy Agency.Electricity 2024:Analysis and
 forecast to 2026.Paris:IEA,2024）。由于对能源的巨量需求，人工智能的大量应用很可能会进一步推动能源结构的转型，其中涉及的大量新问题，需要关注当下的环境史研究者保持关注和参与讨论。

    人工智能发展的未来是否会全面超越我们？ 这还是个未知的问题，但人工智能时代已经到来，并必然带来革命性的影响。之前在侯深教授组织的“一切始于人类的肚子”圆桌会议上，我们曾经围绕饮食反思现代性，讨论在进化层面上古老的身体与快速现代化过程的不协调。而人工智能引发的讨论，则更像是人类智能在现代化进程中不得不做出的一场调试。

    在智能化时代，我们需要重新思考人类智能的价值，也要找到历史研究
由人类完成的理由。随着人工智能的普及，知识将变得廉价，然而与知识绑定的思考与判断却因此显得更为可贵。我们似乎不断追求历史的真相，但那些最为耀眼的历史作品，被盛赞的往往是其飞驰的想象力和启发性，而不是干瘪的事实堆砌。同样，一些思想的伟大之处不是“绝对正确”，而是用人性光芒关怀所在时代而表现出的温暖的偏差。近现代环境史研究必然要迎接一场技术转型，但在接受新技术用于研究的过程中，应当格外注意发挥人的判断与分析能力，以便更好地驾驭和筛选材料。这种观念不仅应当成为学术研究的自觉，也需要推广到教学中，在普及技术的同时，为学生增加结合实践、现场体验与人物访谈方能实现的人文训练。不断探索和发扬人文精神的价值，或许是技术更新和转型过程中，最不该被忽略的部分。