我的第一本書《國家主導的全球化：中國模式、三極競爭與世界經濟的戰略重塑》始於2025年初。最近，出版社編輯通知我，編輯委員會一致批准這個項目出版，接下來將進入合同和出版製作階段。回頭看從最初構思、研究、寫作，到匿名同行評審和系統修訂的整個過程，我發現它恰好與生成式人工智慧迅速發展的時期重疊。因此，這本書也讓我有機會比較具體地思考一個現在很多研究者都會面對的問題：人工智慧究竟可以怎樣幫助學術研究和寫作，它又不能替研究者做什麼？
如果簡單地說“我使用人工智慧輔助寫了這本書”，其實很容易造成誤解。2025年初開始書稿時，我對生成式人工智慧並不信任，它對我的幫助也非常有限。當時給我印象很深的一個問題，就是人工智慧會一本正經地“胡說八道”，尤其會產生根本不存在的文獻和虛假引用。一個作者、一本書、一篇論文，甚至卷期、年份和其他出版資訊，都可能看起來非常完整，實際上卻是人工智慧編出來的。對於一般性的文字工作，這已經是一個缺點；對於學術研究，卻是一個根本性的可靠性問題。學術研究建立在可以追溯和核查的證據之上。如果來源本身不存在，後面的論證無論多麼漂亮都沒有意義。
所以我最早使用的其實是語法檢查軟體，主要説明檢查英文語法和表達。英語不是我的母語。我知道自己想表達什麼，也知道論證怎樣展開，但是把複雜的學術思想準確地轉換成清楚、自然的英文，需要投入大量時間。在這個階段，軟體主要説明我發現語法問題、不自然的表達和一些過長的句子。我的界線也比較明確：工具幫助我表達自己的思想，而不是替我產生思想。
後來，我逐漸開始借助人工智慧編寫和運行程式，檢查書稿中的正文引用與文末參考文獻是否一致。這項工作持續了很長時間，也是我較早發現人工智慧真正有用的地方之一。一本幾百頁的學術書稿包含大量引用，完全依靠人工逐條核對非常耗時，而且人在重複工作中容易遺漏。程式可以從正文中提取作者和年份，與參考文獻表進行比對，幫助找出正文已經引用但參考文獻表可能遺漏的專案，也可以反過來發現參考文獻表中存在、正文卻沒有出現的項目，還可以發現作者姓名、年份以及同一作者同一年不同文獻之間可能存在的不一致。
這件事後來影響了我使用人工智慧的基本方法。我並不是讓人工智慧直接告訴我“這些引用都沒有問題”，而是讓它幫助建立一種可以重複運行的檢查機制。程式負責發現異常，我再回到文獻和書稿本身判斷究竟是什麼問題。換句話說，我越來越願意把機械、重複而且結果可以核查的工作交給人工智慧，卻不會因此把最後的判斷也交給它。
我的專業背景可能使我對這個問題特別敏感。我接受過電腦科學、圖書館與資訊科學以及區域研究方面的訓練，長期從事大學圖書館、資訊系統、教學和研究工作。我的職業經歷也包括大學圖書館系統工作、教授職位以及大學圖書館領導工作。 因此，對我來說，學術研究從來不只是“寫文章”。怎樣檢索資訊、怎樣判斷來源、怎樣追蹤證據、怎樣建立引用關係，本身就是研究能力的重要組成部分。
這一點在人工智慧時代尤其重要。很多人會檢索資料，但是不同研究者在檢索深度、來源判斷和引用使用方面的能力差別其實很大。“找到一個來源”與“正確使用這個來源”並不是一回事。一篇文章談到了中國的產業政策，並不意味著它可以支持關於某項政策後果的任何論斷；一本書的總體觀點與自己的論點接近，也不意味著可以把它隨意放在某一句話後面作為證據。嚴格的學術研究需要能夠從一個論斷向後追溯：這句話的依據是什麼？來源在哪裡？原始材料究竟說了什麼？它能夠支持多強的結論？我的表述有沒有超過證據本身所允許的範圍？
因此，我後來逐漸把引用問題分成不同層次。首先是來源是否真實存在，其次是書目資訊是否準確，然後是正文引用與參考文獻表是否一致，再往後是來源本身是否可靠，而最重要的是這個來源是否真的支持我寫下的那句話。前面幾個層次已經越來越適合借助程式和人工智慧檢查，最後一個層次卻仍然需要研究者閱讀和理解來源本身。引用不是文章後面的裝飾，而是連接論斷與證據的橋樑。
隨著人工智慧能力提高，我後來開始把一些已經寫好的段落交給它檢查。我會讓它尋找邏輯跳躍、概念不清、前後矛盾或者不必要的重複。但是在很長一段時間裡，這種使用仍然局限在段落層面。一方面，我自己還在摸索哪些工作適合交給人工智慧；另一方面，當時實際能夠使用的人工智慧資源也有限。在購買更高使用額度的版本以前，複雜工作做到一定程度就可能達到使用限制而被暫停。因此，在這本書絕大部分研究和寫作過程中，並不存在今天這種可以持續處理整部書稿的條件。
真正把人工智慧用於全書層面的檢查和精修，是最近兩個月的事情。到這個時候，書的研究問題、主要資料、理論框架、章節結構和完整書稿早已存在，而且已經經過出版社組織的外部匿名同行評審。人工智慧進入的不是一個空白頁面，而是一部已經形成並經過專業學者批評的書稿。它開始説明我跨章節檢查邏輯關係，比較核心概念在幾百頁書稿中的使用是否一致，尋找論證重複和概念漂移，檢查因果機制在不同章節是否前後一致，並繼續幫助核對引用和參考文獻。
同行評審在這個過程中非常重要，因為它提供了人工智慧不能替代的外部學術檢驗。評審者一方面肯定書稿的理論和經驗貢獻，另一方面也提出了實質性的批評，包括對國家能力的處理是否過強、中國國內制度複雜性是否得到充分體現、是否應該進一步與東亞發展型國家和中國政治經濟研究傳統展開對話，以及日本、韓國等中等強國和替代技術是否需要得到更多關注。 我隨後把兩份評審意見整理成幾個相互關聯的修訂方向，包括澄清理論框架、擴大與既有研究的對話、明確概念貢獻、完善部分經驗討論，以及改善全書的組織和一致性。
在這個階段，人工智慧對我的價值開始發生變化。它不再主要幫助修改句子，而是成為一種反復檢查和對話的工具。例如，當我承認中國內部存在中央與地方之間的互動、地方競爭和政策實驗以後，就需要進一步追問：這是否改變了我對整個制度體系的定義？如果美國重新使用產業政策、歐洲加強經濟監管，是否意味著三個體系正在趨同？還是說它們實際上仍然通過不同的制度邏輯回應類似壓力？一個概念在第二章中的定義，到第五章、第七章是否仍然保持同樣含義？同一個理論命題在幾個章節中反復出現，究竟是在逐層推進論證，還是僅僅重複自己？人工智慧很適合幫助尋找這些問題，因為它可以不斷比較、質疑和重新組織文本。
但也正是在這個階段，我越來越清楚地看到人工智慧的另一個局限：人工智慧能夠提煉出怎樣的理論骨架，在很大程度上取決於研究者給它提供了什麼材料。
人工智慧可以非常迅速地從一批材料中歸納共同主題，比較不同解釋，發現某些聯繫，甚至提煉出一個看起來非常完整的概念結構。但是，如果輸入的資料本身狹窄、片面或者品質不高，它也只能在這個有限的知識空間裡重新組合。它可能把一個不完整的材料集合整理得非常漂亮，卻不能保證研究者根本沒有意識到的重要文獻、理論傳統、歷史事實或者反面案例已經進入分析。
所以人工智慧提煉理論骨架的能力，與研究者本人的知識背景、檢索能力、來源判斷能力和專業訓練有直接關係。專業知識決定你知道應該尋找什麼；檢索能力決定你能否找到它；來源判斷決定哪些材料值得進入分析；長期的領域訓練則幫助研究者意識到還缺少什麼。真正困難的有時不是“我已經找到了什麼”，而是“我不知道自己還遺漏了什麼”。
這裡存在一個非常重要的鏈條：研究者的知識影響檢索，檢索決定材料的範圍，來源判斷決定哪些材料進入分析，而材料的範圍和品質又限制了人工智慧能夠提煉出怎樣的結構。 因此，我們最後看到的所謂“人工智慧提煉出來的骨架”，實際上已經包含了研究者此前大量不容易看見的工作。為什麼選擇這些文獻而不是另外一些文獻，為什麼把某項資料判斷為關鍵證據，為什麼認為某個案例構成反例，為什麼發現一個重要研究傳統沒有進入討論——這些工作往往發生在人工智慧開始歸納以前。
這也解釋了為什麼同樣的人工智慧交給兩個不同的研究者，結果可能完全不同。區別並不只是兩個人會不會寫所謂的“提示詞”，而在於他們帶進人工智慧的知識世界不同。一個長期研究某個領域的人，可能立即發現人工智慧的回答遺漏了一位關鍵學者、混淆了兩個概念，或者把相關性說成了因果關係；一個剛剛進入這個領域的人，卻可能因為回答完整、流暢、結構清楚而認為問題已經解決。人工智慧可以處理已經進入它視野的資訊，但研究者仍然需要判斷什麼應該進入這個視野，以及視野之外還缺少什麼。
這也是為什麼我並不認為人工智慧會使資訊檢索能力變得不重要。恰恰相反，人工智慧越容易給出答案，研究者越需要判斷答案建立在什麼資訊基礎上。過去，優秀的研究者首先要知道怎樣找到資訊；現在，還必須知道怎樣驗證資訊、審計資訊，並發現資訊集合中的空白。人工智慧降低了獲得“某種答案”的成本，卻沒有自動解決資料選擇和知識邊界的問題。
與此同時，我在全書精修過程中還越來越明顯地發現人工智慧的另一個特點：它很容易重複，而且容易逐漸偏離原來的問題。
這種重複有時很隱蔽。人工智慧並不一定逐字重複同一句話，而是可能把同一個意思換一種說法再說一遍。單獨看每一個段落都很通順，甚至顯得很有道理；連續讀幾十頁以後，卻會發現幾個概念不斷以不同語言重複出現，論證並沒有真正向前推進。如果研究者不斷要求它“進一步解釋”“再展開一點”“寫得更加深入”，這種現象尤其容易發生。文字越來越多，並不意味著分析越來越深。
偏離則是另外一種風險。研究者最初可能提出一個非常具體的問題，經過多輪對話以後，人工智慧會不斷引入新的概念、新的分類和新的解釋。某些新想法確實有價值，但是如果不持續回到原來的研究問題，就可能發生一種很有誘惑力的漂移：概念越來越多，理論越來越宏大，語言越來越抽象，而最初真正需要解釋的經驗問題反而逐漸消失。
這也是為什麼我在最近的全書檢查中越來越重視刪減，而不是簡單地讓人工智慧繼續增加內容。人工智慧特別容易生成，它並不天然知道什麼時候應該停止。研究者卻必須不斷問：這一段增加了什麼？這個概念是否真的有必要？它與前面的概念有什麼區別？這一段是在推進因果解釋，還是僅僅換一種方式重複前面的判斷？這個新概念能夠解釋新的現象嗎？如果刪除它，整個理論會損失什麼？如果什麼都沒有損失，那麼這個概念很可能並不需要存在。
從這個意義上說，人工智慧可以幫助建立骨架，也可能不斷給骨架增加不必要的枝條。研究者的任務不僅是利用它生成和組織，還要不斷剪枝。好的人工智慧輔助研究並不是內容越生成越多，而是經過反復生成、檢驗、刪除和重新組織以後，留下真正具有解釋作用的部分。
我的第一本書後期修訂實際上越來越接近這個過程。最終版本保留了原來的中心論點和七章結構，但是把原稿中已經存在、卻沒有充分明確的因果關係進一步系統化，包括安全驅動的產業戰略、監管性去風險、安全多元化成本、遞迴性制度適應、沉沒承諾以及持久失衡之間的關係。修訂的重點不是不斷增加新概念，而是讓原有概念之間的機制聯繫更加清楚。
因此，我現在並不把人工智慧最重要的作用理解為“替研究者寫作”。對我來說，它更像是一種可以不斷對話、比較、檢查和質疑的研究輔助工具。它可以幫助我發現一處引用不一致，可以寫程式完成過去需要大量人工完成的檢查，可以比較相隔兩百頁的兩個概念定義，可以指出某一段論證存在跳躍，也可以提出我沒有立即想到的反例。但是它同樣可能產生虛假來源，可能在不完整的材料基礎上形成一個漂亮卻片面的結構，可能不斷重複，也可能在長時間對話中逐漸偏離最初的問題。
這幾種局限其實指向同一個問題：人工智慧並不知道什麼對於我的研究真正重要。
它可以根據輸入尋找模式，卻不知道哪些沒有進入輸入的資訊最關鍵；它可以生成一個新的概念，卻不知道這個概念是否值得放進一本書；它可以把一段文字擴展得非常完整，卻不知道這段擴展是否讓理論真正向前走了一步；它可以提出十種可能的解釋，卻不能替研究者承擔選擇其中一種解釋並為其提供證據的學術責任。
所以，我越來越不願意把人工智慧時代的研究能力簡單歸結為“會不會使用人工智慧”或者“會不會寫提示詞”。真正決定研究品質的仍然是更基礎的東西：一個人長期積累了什麼知識，接受過怎樣的專業訓練，是否真正瞭解自己的領域，能否提出有意義的問題，是否具有系統的檢索能力，能否區分不同性質和品質的來源，是否能夠把引用準確地連接到具體論斷，以及面對一個看起來非常有說服力的答案時，有沒有能力說：“不對，這裡有問題。”
這也是我為什麼認為人工智慧越強，研究者的判斷能力反而越重要。人工智慧能力有限的時候，它的錯誤往往很明顯；能力越來越強以後，真正值得警惕的反而是那些寫得非常好、結構非常完整、聽起來非常合理的錯誤。一個明顯錯誤的答案容易被拒絕，一個九成正確而關鍵的一成存在問題的答案，可能更加危險。研究者必須知道應該檢查哪裡。
回頭看這本書從2025年初到現在的過程，我自己的人工智慧使用方式其實形成了一條很自然的演變路徑：最初只是語言輔助，後來借助人工智慧和程式進行引用一致性檢查，再後來檢查特定段落，直到最近兩個月才真正用於整本書的邏輯、概念、結構、重複和引用檢查。與此同時，真正決定這本書內容的研究問題、資料積累、理論思考和基本論證，並不是人工智慧替我產生的。正式同行評審又從外部對這些內容進行了檢驗，我再根據專業判斷決定哪些批評意味著需要增加文獻，哪些要求重新界定概念，哪些需要補充經驗材料，哪些則需要重新說明理論邊界。最終修訂仍然保持了原書的中心論點和基本結構，同時提高理論清晰度、文獻對話、經驗討論和整體一致性。
因此，如果今天有人問我怎樣利用人工智慧做研究，我不會首先建議他去學習一套複雜的提示詞。我更願意問：你是否知道自己真正要研究什麼？你是否瞭解這個領域已經知道什麼和還不知道什麼？你能不能找到真正重要的資料？你能不能判斷來源的可靠程度？你有沒有能力發現一個看起來完整的資料集合其實缺少了關鍵部分？你能不能判斷人工智慧是在推進你的論證，還是僅僅換一種語言重複你的論證？當它開始不斷增加概念時，你能不能把它拉回原來的研究問題？
我的經歷不是一個“人工智慧逐漸替我寫書”的過程，而是一個隨著人工智慧能力提高，我逐漸學會把不同性質的任務交給它，同時更加清楚哪些判斷不能交給它的過程。
人工智慧當然可以幫助研究者提煉骨架，但骨架的品質首先受制於進入分析的材料；材料的品質和範圍，又取決於研究者的知識背景、檢索能力、來源判斷和專業訓練。人工智慧可以幫助擴展骨架，但它也很容易重複和偏離，因此研究者還必須知道什麼時候應該停止擴展，什麼時候應該刪除，什麼時候應該回到最初的問題。
這可能也是我經過這兩年以後，對人工智慧輔助研究最基本的認識：
人工智慧擅長生成，研究者必須擅長選擇；人工智慧擅長整理已經進入視野的資訊，研究者必須知道什麼還沒有進入視野；人工智慧可以説明發現結構，研究者必須判斷這個結構是否真實、有用並且值得保留。
當文字越來越容易生成、資料越來越容易獲得、一個看起來完整的答案越來越容易出現以後，真正稀缺的可能不再是產生文字的能力，而是知道什麼問題值得研究，知道怎樣找到可靠證據，知道一個來源究竟能夠證明什麼，知道什麼應該留下、什麼應該刪除，並且在必要的時候知道人工智慧和自己都可能錯了。
人工智慧降低了生成和整理資訊的成本，卻沒有降低形成可靠學術判斷的難度。
而我認為，這種判斷能力仍然是人工智慧時代研究者最重要的能力。