从“尤雨溪不懂Vue”说起…
在前端开发社区，流传着一个善意的老梗——"尤雨溪不懂Vue"。
Vue是全球最活跃的前端框架之一，尤雨溪是它的创造者。这个梗来自一个真实的场景：他偶尔在面对社区刁钻的用法提问时，也会语塞，需要翻阅自己当年写的文档。程序员们将此当作亲切的调侃——大师也有忘记自己手艺的时候。
然而最近，这个梗以一种谁也没料到的方式变成了现实。
尤雨溪在社交媒体上分享，他使用AI辅助开发Vue的底层功能时，AI生成了几百行代码。但他坐在屏幕前，发现自己读不懂这些代码的逻辑。作为这个框架的缔造者，他无法追溯AI是如何从A推导到B、再到C的。
他最终的选择是放弃阅读。搭建一个自动化测试环境，让AI自己跑测试、自己修Bug。只要输出正确，中间过程不再过问。
这个故事在技术社区被当作"AI太强了"的段子消化了。但如果安静下来想一想，它描述的其实是一种正在很多领域上演的默契妥协：为了更好的结果，人类正在逐步交出对"过程"的理解权。
火箭发动机管线、芯片与"代码屎山"
尤雨溪的妥协并不孤单。
在航空工程领域，AI曾被用来设计3D打印的火箭发动机冷却管线。传统图纸是规则、对称的，每一条线路背后都有工程师可以追溯的设计逻辑。但AI给出的方案看起来像一团密密麻麻的有机血管——扭曲、不规则，毫无人类工程美学的痕迹。流体力学专家坦承看不懂它为什么管用，如果出故障也无从维修。但试车结果是：热力学效率超过了所有人类方案。
类似的事情发生在芯片领域。Google的AlphaChip用强化学习优化TPU芯片布局，产出的方案不对称、看上去杂乱无章，与人类工程师精心绘制的图纸截然不同。但性能指标压过了人类专家团队的最优设计。
然后是一场波及更广的冲击。2026年2月，Anthropic宣布其AI工具Claude Code能够理解并重构COBOL代码。COBOL诞生于1959年，至今支撑着全球95%的ATM交易——它是数字世界的"拉丁文"，古老却不可或缺。世间几乎已无人能完全理清这些盘根错节的遗留代码，但整个金融体系又离不开它们。恰恰是这种"没人读得懂"，造就了IBM和大型咨询公司最深的护城河——维护费用高得惊人，因为别无选择。Claude Code的出现像一次"定向爆破"，把这把昂贵的解码钥匙以极低的成本交给了全世界。消息发布当天，IBM股价暴跌13.2%，市值蒸发超过300亿美元。当AI击穿金融底层，人文社科领域的“黑天鹅”还有多远？
而如果再往下追溯一层，驱动上述一切AI能力的根基——Transformer架构本身——就是"造物主看不懂造物"的原型。它的数学公式是人类推导的，训练数据来自几千年的人类文明积累，每一块GPU的电源是人类亲手接上的。我们对它的每一个构件都了如指掌。然而当参数量突破千亿之后，没有人——包括这个架构的发明者——能解释清楚，为什么这个系统在某一刻涌现出了类人的推理能力。
从火箭管线到芯片布局，从六十年的COBOL代码到Transformer的涌现——一条贯穿物理工程、软件工程和AI底层架构的链条清晰可见。在每一环上，人类都收获了更优的结果；也在每一环上，默默交出了一部分理解权。
从迷宫到直道
如果这种"交出理解权"只停留在工程领域，倒也还好——"反正能用就行"不失为一种务实态度。但当同样的逻辑蔓延到学术研究，触动的就是另一根弦了。
芝加哥大学与清华大学的研究团队最近在《自然》（Nature）上发表了一项引人深思的研究——《人工智能工具扩大了科学家的影响力，却收缩了科学的焦点》（Artificial intelligence tools expand scientists' impact but contract science's focus）。他们分析了4130万篇学术论文，得出了一个耐人寻味的结论：AI让科学家个人的职业表现显著提升了——发文量增长数倍，被引用次数攀升——但科学整体的探索版图，却在收窄。 研究主题变得越来越集中，边缘和冷门方向的探索正在加速萎缩。
拿着最强工具的人类，怎么反倒把路越走越窄了？
我们曾在《智能数字人文》的一篇推文AI时代科研的定义是不是正在被重写？中用过一个比喻：过去的学术研究像走迷宫。学者们在浩如烟海的文献中摸索前行，经常走进死胡同，经常迷路。但正是在那些迷路的时刻——偶然翻到一份被遗忘的边缘文献，在两个不相干的领域之间意外发现隐秘联系——许多真正的范式突破才得以诞生。
AI把迷宫变成了直道。你想追踪一位明代诗人的社交网络？AI瞬间生成知识图谱。你想验证一个社会学假说？AI几秒钟就拟合出回归曲线。结果精确，路径清晰。
但当所有研究者都在AI铺就的直道上奔跑、竞相产出确定性成果时，那些需要耐心和运气才能走通的迷宫小径——偏门的材料、噪音巨大的数据、没有成熟模型可套的冷门问题——就再也少有人愿意涉足了。
AI帮我们找到了通往结论的最短路径，却在无声中消灭了我们迷路的机会。而在学术史上，许多深远的发现，恰恰是迷路的副产品。
棋手的镜子
如果需要一个参照系——一群已经完整走过从"拥有过程"到"只剩结果"这一转变的人——围棋棋手是离我们最近的样本。
AlphaGo之前，围棋不只是竞技。"开局不能点三三"是千年来师徒相传的铁律，背后承载着关于"厚薄"与"大局观"的完整哲学。棋手间的对弈，被视为心境与境界的对话。
然后AlphaGo下出了"神之一手"。它的进化版AlphaZero把"点三三"变成了开局的常规选择——而这一步棋，人类棋手禁忌了上千年。
今天，所有职业棋手都在用AI训练，竞技水准达到了前所未有的高度。但圈内人都清楚，某种东西变了：千年的"棋道"在胜率计算面前显出了"棋术"的原形——一种人类因为算力有限而总结出来的经验性妥协。围棋没有消亡，但那种在有限认知中摸索、在不确定中落子的况味，被稀释了。
对人文学科来说，这面镜子已经摆在了面前。如果AI能扫描数百万份古籍档案，给出一个无懈可击的历史结论，而验证这个结论所需的计算量远超人力极限——不是因为结论错了，只是因为我们再也无力逐一核查——那时候，人文研究将如何自处？
写到这里，我不想给出一个漂亮的答案。
说"人类的未来一定是美好的"太轻浮。说"人文学科即将消亡"也太偷懒。真实的走向从来不会这么干净利落。
但有一件事值得留意：在结果越来越完美、路径越来越清晰的今天，"过程"正在变成一种奢侈品。
尤雨溪放弃了阅读那段代码，转而信任测试结果。工程师放弃了理解管线图纸，转而信任试车数据。棋手放弃了自己推演棋理，转而背诵AI的定式。每一次让渡都换来了切实的效率。
然而在人文学科中，"过程"从来不只是通向结论的手段。逐字逐句地考据、在残卷断简中与数百年前的书写者隔空对话、在一段晦涩的史料中反复推敲——这些看起来笨拙而低效的动作，本身就是人文研究的意义栖居之处。
也许在一个一切都可以被优化的时代，真正无法被优化的，剩下的只有思考本身的笨拙——那种反复咀嚼一个问题、走进死胡同又退出来、在已知与未知的边界上踌躇不前的状态。它不产出任何效率指标。
但那恰恰是整个故事中，最像"人"的部分。