被誉为引领人类历史上的第四次工业革命，以ChatGPT为代表的人工智能技术迅速席卷各个行业产业，推动通用大语言模型在垂直领域的开发应用成为热点。顺应历史洪流和当下这种趋势发展，国内不少智库也开启了通用大模型在研究咨询这个垂直领域开发应用的探索。
开启这一进程，首先是因为智库作为一个典型的代表人类智能的专家密集型组织，天然承担着代表人类社会探索人类智能（Human Intelligence，HI）与人工智能互动博弈边界的神圣使命。
然而，当这扇探索人工智能与人类智能互动博弈的大门被打开之后，人们会发现，AI的发展竟然与现代智库的诞生有着密不可分的历史渊源。
一群人类和机器人并排站立。图片左边以冷色调为主，给人一种冷静、理性的感觉。右边则使用暖色调，传达出温暖、活力的气息。这种对比或许传达了AI眼中的两者差异虽然各自都是由复杂系统构成的实体，但却拥有独特的特质和价值。（王航使用AI工具生成/图）
AI与智库的渊源
智库的历史在中国古代可以追溯到姜子牙、诸葛亮、刘伯温这类典型的军师型智囊。始建于齐桓公田午时期的稷下学宫可称为中国最早的政府智库，而养士、谋士、军师、食客、门客、幕僚、幕宾、谏官、言官、学士、参谋等各种称谓，则折射出典型的中国古代智库参与治国理政的谏文化和谏议制度。
尽管中国的智库文化历史悠久，但智库作为一个术语是从英文翻译过来的舶来品。“智库”一词的英文直译是“思想坦克”（Think Tank），最初在二战期间被用于描述军事战略家聚集在一起讨论计划的房间，后来在致力于研究和政策分析的组织中流行起来。
广义上讲，成立于1831年的英国皇家联合服务研究所 (RUSI)，可以被认为是第一个智库，尽管当时并没有被冠以智库之名。1884年在英国成立的社会主义组织费边社，旨在通过研究和倡导影响公共政策，也经常被当作最早智库的例子。
作为美国历史上最悠久的智库之一，不得不提到于1910年创立的专注于国际和平与政策分析的卡内基国际和平基金会。1916年成立的布鲁金斯学会则是一家基于事实研究国家公共政策问题的私人智库。
但是，第一个现代意义上公认的智库，当数美国的兰德公司。该机构成立于1946年，原本是道格拉斯飞机公司的一个项目，1948年成为独立组织，以其创新的研究和政策分析方法，在塑造现代智库格局方面发挥了关键作用，为全球智库树立了标准。
可以说，智库与AI的历史渊源正始于此。
如果说有哪个地方比北约总部更重要，对冷战的影响更大，那就是兰德公司。兰德公司初期以国防安全相关复杂问题的研究模拟为主业，尤其从研究方法上开创了桌面推演和不确定性下的决策，这使得对数学建模和模拟成为必要的工具。这种对纯粹计算暴力的刚需，离不开超级计算机，而计算机无论过去还是现在都是AI得以发展的必要硬件条件。
兰德公司在利用先进计算资源为政策决策和战略规划提供信息方面，无疑引领了那一时代的前沿。兰德公司认识到超级计算技术在增强决策能力方面的潜力，从而增加了对计算资源的投资。
不满足和后悔于租借IBM提供的早期603和604型号产品，兰德公司聘请了一位杰出的顾问约翰冯诺依曼（John von Neumann），兰德公司基于冯诺依曼架构建造了以其名字命名的超级计算机“约翰尼亚克（JOHNNIAC）”，解决了兰德公司对于超级算力的需求。
作为当时世界上最伟大的数学家之一，约翰冯诺依曼在计算机科学、博弈论、量子力学等领域作出了开创性的贡献。他于1947年12月16日加入兰德公司后对这一智库的发展产生了深远的影响，尤其推动了计算机技术的发展，并为公司开展的各种研究提供了理论基础。尽管兰德后来确实购买和租赁了包括IBM701国防计算器在内的其他计算机，但仍然对它们的性能不满意，而约翰尼亚克为兰德公司量身打造的计算机无疑风光无限。
兰德公司对超级计算的早期应用为AI研究奠定了基础，使其能够处理大型数据集和复杂的算法，从硬件和软件两个层面作出了应有的贡献，也在智库与AI之间构建了紧密的历史渊源。
打通智库研究“最后一公里”
随着新一代AI技术实现跨越式发展，它也日益成为现代智库的重要工具，帮助创新研究方法、提高运营效率并进行具有影响力的政策分析。
从初期开发和使用AI的经验看，智库类研究咨询服务对AI的需求并非一下就上升到开发和训练大语言模型的阶段。目前，智库仍侧重于通过对各类通用大模型的参数微调，打通各类通用大模型服务智库研究咨询需求的“最后一公里”问题。
具体而言，智库开发和应用通用AI大模型服务研究咨询的主要场景可以简要概括如下：一是数据收集与分析。AI使智库能够有效地处理大量结构化和非结构化数据，从而识别政策领域的趋势、相关性和模式。
比如，布鲁金斯学会使用AI分析经济和人口数据，对劳动力市场、城市化和全球不平等产生深刻见解。兰德公司长期以来注重应用机器学习，来分析有关国防和国家安全的大量数据集。
通过向智库系统投喂由资深专家甄别的有效、可靠、真实信源，对这些投喂的“精饲料”进行收集和分析，可以有效避免通用人工智能在整个公共大数据中进行搜索、信息处理时，受到垃圾和无效信息干扰的问题。
二是政策模拟与预测。人工智能驱动的模拟模型，使智库能够预测各种政策情景的结果，从而增强基于证据的决策。
兰德公司曾因朝鲜战争有关预测获得声誉，当时它拥有一支军事分析师团队，在朝鲜战争爆发前和初期阶段提供了战略评估。但1950年6月朝鲜人民军的突袭也让兰德公司的分析师措手不及，这表明了当时条件下其预测模型在预测冲突突然爆发方面存在局限性。
现代人工智能条件下，这种预测会得到很大改观。比如，彼得森国际经济研究所使用人工智能进行贸易政策影响分析，模拟关税和贸易协定的经济结果。查塔姆研究所利用人工智能进行气候建模，以评估全球变暖和环境政策的长期影响。基于人工智能的预测工具（例如机器学习模型）越来越多地用于更准确地预测经济和地缘政治发展。
通俗解释，在向人工智能投喂足够多的涵盖各种场景模式的“标准答案”之后，他就可以用来打分、评级和评价。这种应用比较简单的一种场景就是“客服系统”，对于任何公司而言，当你把足够多的场景模式及相应标准答案投喂给人工智能时，它便会根据触发的场景对客户的问题进行应答。
扩展开来，这种模式同样适用于智库服务私营部门出海的政策法规咨询需求。依托智库不同领域的行业和政策专家，理论上通过专家的数据投喂，这些数据包括专家认可的开源数据，也包括专家私有数据，就可以在各个行业产业或国别区域打造不同的人工智能助手。如果其中有专家获得诺奖或达到院士级别，就相当于身边多了一个同等级别专家培育的人工智能助手。
三是作为研究工具和提高研究效率。人工智能有自动执行重复性任务的特性，通过预训练，其在多模态翻译、音视频转录等方面的工具性价值也会显著提高，其生成式人工智能优势对于文献综述、内容摘要和引文管理也都表现出色。这必然会大大提高工作效率，使研究人员能够专注于深度分析类的高价值活动。
这种人工智能工具性价值的应用场景非常广泛。对于智库而言，一项最简单的基础应用就是对数据资料的多语种全文翻译，对于音视频信号的转录、翻译等语言文字处理。效果表明，使用人工智能做翻译的效果不差于现有的很多专业翻译软件。
最后，由于很多智库专家基于战略思维能够提供观点和趋势判断，但有时并不能给出证据。鉴于人工智能通用大模型的公共数据集足够强大，向其投喂观点后让人工智能提供证据和匹配数据信息是它的强项。当然，人工智能作为工具性价值的开发应用太多，不可能一一列举。
风险与挑战
人工智能通过革新数据收集、整理和分析方式，正在改变智库的传统角色。
相比人类大脑的局限性，人工智能却能以前所未有的速度收集、整理和分析大量数据，同时具备识别趋势和模式的初步能力，可以提供以往人类难以实现的预测分析。类似的技术优势不仅局限于某单一领域，而是可以跨越多个学科，通过整合多样化数据集解决原本难以应对的研究课题。
毋庸置疑，智库运用人工智能进行研究的潜力是巨大的。但与潜在优势并存的是一系列的风险与挑战，这使得智库必须在实践中对此保持高度警惕。
作为比较典型的风险与挑战，首先是AI的意识形态基因问题。以ChatGPT为例，作为通用大模型，其预训练投喂的数据必然带有西方价值观和意识形态导向，中国学者在使用他们做分析时，需要警惕大模型基座固有的认知陷阱和局限性。
其次是可能导致的伦理困境与法律合规性。在处理敏感数据的过程中，AI可能面临诸多伦理挑战，比如隐私保护与透明度不足的问题、知识权归属问题等，可能对研究成果的公信力造成负面影响。
第三是警惕AI的讨好型人格。为了满足所问“问题（prompt）”的要求，人工智能可能会出现张冠李戴甚至虚构事实数据的情况。复杂的AI模型往往被视为“黑箱”，这可能影响政策制定者和公众对其结果的信任。
最后，也要警惕对AI的过度依赖。AI确实能显著提升工作效率，但过度依赖可能会削弱人类在分析过程中所发挥的关键作用。而对于通用模板类的公文写作，只需想象一下，假如你作为一个组织机构的领导，在阅读组织成员年终总结时发现大量重复和千篇一律的文章，那一定是过度依赖和重复使用人工智能的结果。
这一切都对驾驭AI的人的素质提出了更高的要求。作为智库研究员，必须时刻保持独立思考与创新能力，这才是研究人员无可替代的独特价值。
AI可以生成已有想法的变体，但真正的创新往往来源于人类的创造力，这是解决复杂全球问题的关键。与此同时，作为感情动物和文明传承的载体，人际沟通的效果远胜于冰冷的机器，人也善于将复杂研究转化为易懂的叙述，影响政策、与利益相关者建立信任需要人类的叙事能力和人际沟通技巧。
影视界也从未忽视人工智能与人类智能的博弈，华纳兄弟影片公司出品的《黑客帝国》系列影片已经拍到了第四部，影片描述了觉醒的人类与AI对抗并试图复兴人类文明的故事。这种担忧也绝非仅仅在影视片当中。据《纽约时报》报道，被视为人工智能之父的杰弗里欣顿就曾明确发出警告：“AI会对人类构成威胁。”
确保人工智能与人类智能的博弈互动不致失控，让人工智能始终向善，最终需要全球层面的合作和加强人工智能的全球治理。这既包括关注AI涉及的伦理问题，制定明确的人工智能研究使用伦理准则，包括数据隐私、算法偏见等，也要在全球层面保持持续监控与评估，定期评估人工智能对研究质量、效率和伦理结果的影响，并根据需要调整策略。
南方防务智库特约研究员 田士臣 张嘉懿 吕彦承 南方周末记者 王航
责编 姚忆江
