南京大学学者探讨AI赋能史学研究的两条创新路径
当前学术界对人工智能在历史学中的应用讨论热烈，焦点常集中在生成错误及学者主体性削弱等问题上。这种视角易将AI视为外部威胁，忽视了其带来的深层变化。历史研究的核心责任者未变，但研究方式正在重构。南京大学历史学院副教授提出，应从嵌入既有工作流与重组历史解释形态两条路径，审视AI赋能史学的具体实践与潜力。
AI应用远不止于大模型问答或机器代写。甲骨文识别与赫库兰尼姆卷轴识读等案例显示，技术价值在于将复杂史料转化为可检索、可匹配的对象，再经模型处理。史料能否支撑新解释，仍依赖研究者判断。手稿识别误差、跨语种实体对齐等难题尚未完全解决，影响工具可靠性。对研究者而言，比流畅回答更关键的是字符准确性与来源可追溯性。
在明清海洋史研究中，AI若仅生成概括性文字价值有限。其优势在于深度嵌入工作流，协助整理异名、提取时空信息、组织分散证据。研究过程并非线性流水线，需在材料与问题间反复折返。建立开放研究工作台，保留史料卡片与证据表，让AI协助比较证据与记录取舍，是更具实践意义的方向。幻觉与错误候选应区分，待验证线索需经史料检验，避免虚构内容造成假象。
《中国社会科学》2026年第8期相关讨论展示了AI进入研究流程的实践，并触及知识生产形态变化。更深层的突破在于历史解释形态重组。AI可将文本、图像、地理信息在统一系统中重新连接，使问题从材料关系中浮现。研究者不必立即否定竞争解释，而可在证据系统中并置比较，形成可展开的解释网络。这种“弱实验”形态允许移除证据或改变条件，观察解释变化，从而评估其对证据条件的依赖程度。
这种突破并非普适模式。对经济史、海洋史等材料密集领域，AI在问题空间扩展与机制推演上价值显著；对重视概念与个体经验的领域，则需克制应用。两条路径互补，前者重组研究过程，后者重塑知识生产。AI可扩展生成空间，但证据判断与学术责任仍由研究者承担。将AI纳入研究规范，史学才能在新技术下坚守判断力，开拓新空间。
