Sanctuary · a quiet collection
疗养之地
理论教我们拆解世界,人文让我们不忘世界由具体的人组成。 在确定性之外,重新练习理解爱、失去、分歧与生活。
人不是等待优化的系统。保留迟疑、同情和不可量化的部分, 也是在 AI 时代保留人味儿。
11月20日周五
今日十讲
01哲学卡尔·马克思 · 1818-1883异化:劳动如何使人疏离于自身在技术分工日益精细的时代,重新审视工作与自我实现的关系。
讲义
异化(Entfremdung)是马克思早期思想的核心概念,描述在资本主义条件下,人的劳动及其产物反过来成为支配人的异己力量。马克思区分了四种异化:
- 工人与劳动产品相异化:工人生产得越多,他能够消费的越少;他创造的价值越多,自己越贬值。产品不属于工人,而成为资本家的财产。
- 工人与劳动活动本身相异化:劳动不是自愿的,而是被迫的。工人在劳动中不属于自己,只有不劳动时才感到自在。劳动成为苦役。
- 人与人的类本质相异化:自由自觉的劳动是人的类本质,但在雇佣劳动中,这种本质被贬低为维持肉体生存的手段。
- 人与人相异化:当人与自己的劳动、产品及类本质相异化时,必然导致人与他人的对立。资本家与工人之间的关系成为纯粹的利益关系。
马克思认为,异化的根源是私有制和分工。在资本主义下,劳动被商品化,人成为机器的附庸。要克服异化,必须扬弃私有财产,实现人的解放。
对工程师而言,异化概念提供了一种批判视角:在高度自动化和算法管理的今天,工作是否让我们感到充实,还是仅仅作为谋生手段?我们编写代码、优化系统,但这些产出是否反过来塑造了我们的生活?理解异化有助于反思技术劳动中的意义问题。
人物小传
卡尔·马克思,19世纪德国哲学家、经济学家和社会理论家。他生于普鲁士莱茵省特里尔城,先后在波恩和柏林大学学习法律与哲学,深受黑格尔辩证法影响。马克思一生颠沛流离,因政治观点流亡巴黎、布鲁塞尔,最终定居伦敦。他目睹工业革命带来的巨大生产力与工人的赤贫化,致力于揭示资本主义的运行规律。其思想核心是历史唯物主义,认为物质生产方式决定社会结构。异化理论主要在其早期著作《1844年经济学哲学手稿》中系统阐发,批判资本主义劳动对工人本质的扭曲。
生平一隅
1843年,25岁的马克思担任《莱茵报》主编,因撰文抨击普鲁士政府而遭查禁。流亡巴黎期间,他结识了弗里德里希·恩格斯,两人在咖啡馆彻夜长谈,发现彼此对资本主义的批判不谋而合。这段友谊成为思想史上最著名的合作之一。马克思在巴黎开始系统研究政治经济学,正是在此期间写下了《1844年经济学哲学手稿》。这份手稿直到1932年才全文发表,当时马克思已逝世近半个世纪。手稿中关于异化的论述,因揭示了现代人精神困境的根源,在20世纪引发广泛共鸣,成为理解马克思人本主义思想的关键文本。
复杂性提醒
常见误解是将异化等同于“不快乐”或“压力大”。马克思的异化是结构性概念,指人与自身本质的疏离,而非主观感受。另一个误解是认为马克思主张回到原始手工业。实际上,他肯定资本主义生产力的进步,异化是特定历史阶段的产物,终将被更高阶段取代。此外,异化理论主要基于19世纪工业劳动,对知识劳动、情感劳动等新形式的适用性需要重新审视。一些批评者指出,马克思的“类本质”概念带有本质主义色彩,假设了某种理想的劳动状态,这本身可能是一种形而上学的预设。
留给 AI 时代的人
算法工程师的工作往往高度抽象,代码运行在云端,难以看到直接成果。这种“黑箱劳动”可能加剧异化感:你优化了一个推荐系统,但不知道它如何影响真实用户;你训练了一个模型,但它的决策逻辑你也不完全理解。异化理论提醒我们,技术劳动同样需要意义感。或许可以尝试将工作与具体的人联系起来,理解你的代码如何改善或损害他人的生活。在AI时代,保持对劳动目的的反思,是抵抗异化的重要方式。
在你的工作中,哪些时刻让你感到自己与劳动产品、劳动过程或他人产生了深刻的联结?哪些时刻让你感到疏离?
延伸阅读/《1844年经济学哲学手稿》
02历史弗朗西斯·耶茨 · 1899-1981被遗忘的技艺:记忆术如何塑造知识秩序从西塞罗到搜索引擎,我们如何组织与检索记忆。
讲义
记忆术(ars memoriae)是一套古老的记忆训练方法,核心是空间与图像。其基本原理是:将需要记忆的内容转化为生动的图像,放置在想象的空间(如宫殿、建筑)中的特定位置,回忆时沿着空间路径逐一提取。这套方法源于古希腊,由西塞罗等罗马演说家发扬光大,在中世纪和文艺复兴时期被广泛用于记忆长篇演讲、宗教经典和百科全书式知识。
耶茨的贡献在于揭示记忆术不仅是实用技巧,更是一种知识秩序和世界观。在中世纪,记忆术与经院哲学结合,用于记忆复杂的逻辑论证;在文艺复兴时期,赫尔墨斯主义者将其与宇宙论结合,认为记忆宫殿是宇宙的缩影。记忆术的衰落与印刷术的普及同步:当书籍可以廉价复制,外部存储取代了内部记忆,记忆术逐渐被视为繁琐且不必要。
对现代人而言,记忆术看似过时,但它提出的问题依然尖锐:我们如何组织信息?搜索引擎和云存储让我们不再需要记住事实,但这是否削弱了我们的认知能力?记忆术强调主动构建知识网络,而搜索引擎提供的是即时检索。前者要求理解与联想,后者只需关键词匹配。在AI时代,当机器可以记住一切,人类记忆的价值何在?
人物小传
弗朗西斯·耶茨,20世纪英国历史学家,以研究文艺复兴时期的神秘主义与记忆术闻名。她生于英国南安普顿,早年自学成才,后长期任职于伦敦大学瓦尔堡研究所。耶茨的学术生涯起步较晚,40多岁才出版第一部著作。她精通意大利语和法语,深入研读大量文艺复兴时期的原始文献。其代表作《记忆之术》(1966)追溯了古典记忆术在中世纪和文艺复兴时期的传承与演变,揭示了记忆训练如何与宇宙观、宗教和知识组织紧密相连。耶茨的著作深刻影响了文化史和思想史研究,使记忆术从被遗忘的技艺重新进入学术视野。
生平一隅
耶茨在撰写《记忆之术》时,曾深入研究16世纪意大利哲学家乔尔丹诺·布鲁诺的记忆体系。布鲁诺不仅将记忆术用于记忆知识,还将其发展为一种神秘的宇宙论,认为通过构建内在的记忆宫殿,人可以与宇宙秩序合一。耶茨发现,布鲁诺的记忆轮盘并非简单的助记工具,而是一种魔法—宗教实践。这一发现挑战了将布鲁诺仅仅视为科学殉道者的传统叙事。耶茨的著作出版后,引发了对布鲁诺的重新评价,也促使学者关注记忆术在科学革命前夕的复杂角色。
复杂性提醒
常见误解是认为记忆术只是死记硬背的变体。实际上,古典记忆术强调创造性想象和结构化组织,与机械重复截然不同。另一个误解是耶茨主张恢复记忆术。她是一位历史学家,旨在理解过去,而非提供现代处方。此外,记忆术的有效性存在个体差异,并非所有人都能从中获益。一些认知科学家指出,记忆术训练可能只提升特定领域的记忆表现,而非整体认知能力。记忆术与知识理解的关系也需谨慎:记住不代表理解。
留给 AI 时代的人
作为算法工程师,你每天都在构建信息检索系统。记忆术的历史提醒我们,知识的组织方式深刻影响认知。当推荐算法决定用户看到什么,它实际上在塑造一种集体记忆。我们是否应该让算法仅仅优化点击率,还是应该考虑如何帮助用户建立有意义的认知结构?也许可以从记忆术中获得灵感:好的系统不仅提供信息,还帮助用户建立联系、理解脉络。在AI时代,设计“助记”的界面,或许比设计“上瘾”的界面更有价值。
你最近一次不借助任何外部工具,纯粹依靠记忆完成一项复杂认知任务是什么时候?那种体验与使用工具相比有何不同?
延伸阅读/《记忆之术》
03科学史约翰·麦克菲(John McPhee);概念来源:詹姆斯·赫顿(James Hutton) · 麦克菲 1931–;赫顿 1726–1797深时:地球历史如何重塑人类尺度当我们把时间放大到亿万年,人类中心主义开始松动。
讲义
深时(deep time)指地质学揭示的数十亿年时间尺度,远超人类文明、甚至人类物种的存在时长。赫顿在18世纪末提出均变论:过去的地质过程与今天的侵蚀、沉积、火山活动相同,因此地球历史必须用极长时间来解释。20世纪放射性测年法确认地球年龄约46亿年。
理解深时可以借助类比:若将地球历史压缩为一年,人类在12月31日午夜前几分钟才出现,有文字的历史不足最后一秒。这种尺度转换不是数字游戏,而是认知重构。
对工程师而言,深时提供了一种调试心智模型的工具。我们习惯以毫秒、秒、迭代周期思考问题,但很多系统——气候、生态、技术社会——的行为跨越数十年到数万年。深时训练我们把“短期优化”放入更长的反馈回路中审视。例如,一个推荐算法今天多推一条短视频,看似无害;但累积数十年,可能改变一代人的注意力结构。深时不是让我们放弃短期行动,而是要求我们在决策时同时携带多个时间尺度。
深时也挑战进步叙事。人类不是时间的目的,只是漫长地质过程中的一个事件。这种去中心化的视角,反而能缓解“人类必须解决一切”的焦虑,让我们更清醒地选择哪些问题值得投入。
人物小传
詹姆斯·赫顿是18世纪苏格兰地质学家,被称为现代地质学之父。他观察到岩层不整合现象,提出地球历史远超圣经记载的数千年,主张“没有开始的遗迹,没有结束的迹象”。约翰·麦克菲是美国非虚构作家,在《盆地与山脉》等书中借用“深时”(deep time)一词,将地质时间尺度带入公共话语。赫顿的思想颠覆了当时以宗教纪年为基础的时间观,为达尔文进化论提供了时间前提;麦克菲则让这一概念成为理解人类在宇宙中位置的隐喻。
生平一隅
1788年,赫顿与友人乘船沿苏格兰海岸考察,在西卡角发现红色砂岩垂直插入灰色片岩的露头。他意识到这代表两套地层之间隔了极长的时间:下层岩层先形成、倾斜、被侵蚀,再沉积上层。友人约翰·普莱费尔回忆,他们当时“看到了时间的深渊”。赫顿没有精确测定年龄,但这一观察让他确信地球古老得超乎想象。这个场景之所以重要,是因为它展示了深时概念源于具体地质证据,而非抽象思辨;一块岩石露头成了打破人类时间幻觉的入口。
复杂性提醒
深时常被误用为“人类渺小所以一切无意义”的虚无主义借口。但赫顿的均变论并不否定变化,只是强调变化速率远慢于人类感知。此外,深时与“人类世”概念存在张力:人类活动确实改变了地质记录,但这是否意味着我们已掌握地质力量?反例在于,人类世的时间尺度仅数百年,在深时中几乎不可见。另一个误解是将深时等同于线性进步时间;实际上,地质历史充满灾变、停滞与不可逆转折,并非稳步向前。
留给 AI 时代的人
AI系统往往在极短时间尺度上优化:点击率、日活、季度财报。深时提醒我们,技术基础设施——数据中心、模型训练、硬件制造——都有跨越数十年的物质与生态后果。一个工程师若只关注推理延迟,可能忽视模型训练消耗的能源在深时中转化为地质变化。深时不是要你放弃效率,而是帮助你建立“多尺度问责”:今天写的代码,十年后可能仍在运行,百年后可能成为数字沉积层。爱一个人、维护一段关系,也需要深时视角:不是每个瞬间都要高效,有些价值只在长期中显现。
如果你把当前最重要的项目放在一万年的时间尺度上审视,它还会是重要的吗?为什么?
延伸阅读/《盆地与山脉》(Basin and Range)约翰·麦克菲;《时间之箭,时间之环》(Time's Arrow, Time's Cycle)斯蒂芬·杰·古尔德
04哲学纳西姆·尼古拉斯·塔勒布(Nassim Nicholas Taleb) · 1960–反脆弱:从波动与压力中获益的系统特性有些事物在混乱中不仅存活,反而变得更强。
讲义
反脆弱(antifragile)指一种系统属性:在波动、随机性、压力或混乱中不仅不受损,反而变得更强、更适应。塔勒布用神话中的九头蛇比喻:砍掉一个头,长出两个。脆弱系统厌恶波动(如玻璃杯),强韧系统承受波动(如石头),反脆弱系统需要波动来成长(如肌肉、免疫系统、演化)。
核心机制包括:
- 过度补偿:压力激发超额恢复,如疫苗通过微量病原体增强免疫。
- 可选择性:拥有多个小规模试错机会,从错误中快速学习,而不是押注单一预测。
- 杠铃策略:极端保守与极端冒险的组合,避免中间地带。
在工程中,反脆弱与容错设计、混沌工程相通。Netflix的Chaos Monkey故意注入故障,迫使系统在真实混乱中进化。但反脆弱不等于“越多压力越好”;压力必须在一定阈值内,且系统需要恢复期。
对个人而言,反脆弱意味着拥抱适度的不确定性和失败,将其作为学习信号。塔勒布本人推崇斯多葛式的“爱命运”(amor fati):不是被动接受,而是主动把障碍转化为燃料。
人物小传
纳西姆·塔勒布出生于黎巴嫩,早年经历黎巴嫩内战,后赴美学习数学与金融,曾担任衍生品交易员。他长期研究概率、不确定性与风险,批评金融模型对极端事件的忽视。在《黑天鹅》中,他提出不可预测的重大事件塑造历史;在《反脆弱》中,他进一步区分脆弱、强韧与反脆弱系统。塔勒布的思想融合了实践智慧、斯多葛哲学与复杂性科学,强调试错、冗余和可选择性。他的工作挑战了过度优化的技术理性,在工程、经济与决策领域产生广泛影响。
生平一隅
塔勒布在交易生涯中观察到,许多交易员对小幅波动过度反应,却忽视罕见灾难。他本人则采用“杠铃策略”:将大部分资产投入极安全资产,小部分投入高风险高回报的期权,以从市场崩盘中获益。2008年金融危机中,他的基金据报大幅盈利,因为市场崩盘正是他等待的“正面黑天鹅”。这一经历直接催生了反脆弱概念:不是预测危机,而是构建一种能从危机中获益的结构。对工程师而言,这类似于设计容错系统:不是避免所有故障,而是让系统在故障中学习或重组。
复杂性提醒
反脆弱常被误解为“拥抱混乱”或“越挫越勇”的心灵鸡汤。实际上,塔勒布强调反脆弱是有条件的:系统必须具有冗余、可选择性或学习机制。一个没有备份的服务器在故障中只会崩溃,不会变强。此外,反脆弱并非适用于所有领域;人际关系、生态系统可能因过度压力而不可逆损伤。塔勒布也批评现代社会的过度优化(如精确预测、消除波动),但他并不反对所有规划,而是反对缺乏冗余和试错空间的规划。
留给 AI 时代的人
机器学习模型在某种程度上是反脆弱的:通过训练数据中的噪声和对抗样本,模型可以变得更鲁棒。但当前的AI系统往往被设计为追求稳定预测,缺乏从错误中主动学习的机制。工程师可以借鉴反脆弱原则:在模型部署中保留一定随机性,定期引入扰动测试;在组织层面,允许小规模失败以换取系统级学习。更重要的是,反脆弱提醒我们,过度追求精确指标可能使系统在罕见事件前极度脆弱。爱一个人、维护一段关系也需要反脆弱:不是避免所有冲突,而是建立一种能从冲突中修复并加深理解的模式。
你目前的工作或生活中,哪一部分是反脆弱的?哪一部分是脆弱的?你如何调整设计?
延伸阅读/《反脆弱:从不确定性中获益》(Antifragile: Things That Gain from Disorder)纳西姆·尼古拉斯·塔勒布
05哲学伊曼纽尔·列维纳斯(Emmanuel Levinas) · 1906-1995他者之脸:伦理如何在面对面中诞生当算法将人还原为数据时,一张脸如何抵抗系统?
讲义
列维纳斯提出“他者之脸”(le visage d'autrui)作为伦理的原初场景。脸不是物理特征,而是他人不可被还原的独特性与脆弱性的显现。当我面对一张脸时,我接收到一个无声的命令:“不可杀人。”这不是法律或道德规则,而是先于一切规则的伦理召唤。
核心概念
- 脸与面容:脸是裸露的、无防备的,它直接向我提出要求,使我成为“为他者负责”的主体。
- 总体性与无限:西方哲学常试图将他者纳入同一性(总体性),但脸指向无限,无法被概念化或数据化。
- 责任的不对称性:我对他者的责任不是对等的交换,而是无条件的、先于自由的。
现实意义
在算法时代,人脸识别、用户画像、推荐系统不断将人还原为特征向量。列维纳斯提醒我们:技术理性擅长处理“总体性”,却难以面对“无限”。当我们设计系统时,是否保留了一个空间,让用户作为不可预测的“脸”出现,而非仅仅作为数据点?
人物小传
列维纳斯生于立陶宛一个犹太家庭,在斯特拉斯堡和弗莱堡学习哲学,深受胡塞尔和海德格尔现象学影响。二战期间作为法国军官被俘,在战俘营中度过五年,其立陶宛家人几乎全部死于纳粹屠杀。战后他长期在巴黎东方以色列师范学校任教,并逐渐发展出以“他者”为核心的伦理哲学。他的思想根植于犹太传统与现象学,但走向了对西方哲学“总体性”传统的批判,强调伦理先于本体论,他者的面孔是无限性的显现。
生平一隅
列维纳斯在战俘营中被迫从事繁重劳动,但他坚持阅读黑格尔、普鲁斯特和卢梭,并在营中开设小型哲学研讨。他后来回忆,战俘营的经历让他深刻体会到“他者”的脆弱性:当一个人被剥夺一切身份标记、沦为号码时,面孔却仍能唤起责任。这段经历直接塑造了他的核心命题——伦理关系不是源于理性计算,而是源于面对他人面容时无法回避的回应。
复杂性提醒
列维纳斯常被误解为否定理性或制度伦理。实际上,他承认社会需要法律、规则和比较(他称之为“第三方”的介入),但强调这些制度必须不断受到原初伦理关系的校正。他的思想也面临批评:过于理想化,难以操作化;对“脸”的强调可能忽视非面对面关系(如网络匿名)中的伦理可能性。此外,他的语言高度隐喻,容易导致神秘化解读。
留给 AI 时代的人
作为算法工程师,你每天处理海量用户数据,但数据背后是无数具体的“脸”。列维纳斯不是要你放弃模型,而是提醒:在优化点击率或留存率时,是否意识到每个用户都是一个不可替代的存在?当系统自动决策时,是否留下了人类介入的出口,让“脸”得以显现?在AI时代,保留人的温度,或许意味着在设计伦理中优先考虑“回应他者”而非“计算他者”。
在你最近一次使用技术产品时,是否有某个瞬间让你感到自己不是被当作“用户”,而是被当作一个不可替代的人?
延伸阅读/《总体与无限:论外在性》(Totality and Infinity)
06哲学吉安尼·瓦蒂莫(Gianni Vattimo) · 1936-2023弱思想:在确定性崩塌后如何思考当宏大叙事失效,弱思想为技术时代提供谦逊的认知姿态。
讲义
瓦蒂莫的“弱思想”是对形而上学“强思想”的反动。强思想追求客观、永恒、绝对的真理,并以此为基础建立等级体系。弱思想则承认:一切真理都是解释,且解释总是处于历史、语言和权力关系之中。
核心主张
- 解释即存在:没有脱离解释的“事实”,我们总是通过语言和文化框架理解世界。
- 弱化存在:海德格尔的“存在”被瓦蒂莫解读为不断消逝、无法被固定把握的事件。
- 伦理后果:弱思想导向宽容与对话,因为没有人掌握最终真理,所以必须倾听他者。
对工程师的启示
在AI领域,模型训练、数据标注、评估指标都预设了某种“强”的客观性。但瓦蒂莫提醒:任何模型都是特定视角的产物,可能固化偏见。接受“弱思想”意味着在设计系统时保持谦逊,承认不确定性,并纳入多元解释。
人物小传
瓦蒂莫是意大利哲学家、政治家,都灵大学理论哲学教授。他早年研究海德格尔和尼采,后成为后现代主义在欧洲的重要代表。他提出“弱思想”(pensiero debole),主张放弃对绝对真理和终极基础的追求,转而拥抱解释的多元性与历史性。瓦蒂莫还积极介入公共领域,曾担任欧洲议会议员,并公开承认自己是同性恋者与天主教徒,这种身份的交织影响了他对差异与宽容的思考。
生平一隅
瓦蒂莫在自传中回忆,他年轻时曾信仰马克思主义,并期待一种彻底的社会变革。但1968年学生运动失败后,他陷入深刻怀疑,开始反思所有“强”的解放叙事。一次与朋友贾尼·卡恰托雷的对话中,对方说:“也许我们需要的不是更强的真理,而是更弱的真理。”这句话成为“弱思想”的灵感来源。瓦蒂莫后来常以此为例,说明哲学概念往往诞生于具体的生活挫败与对话。
复杂性提醒
弱思想常被误解为相对主义或虚无主义。瓦蒂莫明确否认这一点:弱思想不是“怎么都行”,而是要求我们认真对待解释的责任,避免将局部观点伪装成普遍真理。批评者指出,弱思想可能削弱行动力,因为缺乏坚实基础会导致犹豫不决。瓦蒂莫回应:弱思想不是不行动,而是行动时不宣称绝对正确,保持修正的可能。
留给 AI 时代的人
作为算法工程师,你习惯于追求精确、效率和可复现性。但现实世界充满模糊性和语境依赖。弱思想不是要你放弃严谨,而是在模型输出、特征选择、伦理审查时,意识到自己的视角有限。在AI时代,保留人的温度或许意味着:当系统给出确定答案时,仍愿意追问“是否可能有其他解释?”这种谦逊不是缺陷,而是智慧。
在你的工作中,有没有一个时刻你曾确信自己的方案是“唯一正确”的,但后来发现另一种解释同样有效?
延伸阅读/《现代性的终结》(The End of Modernity)
07科学史托马斯·F·吉尔林(Thomas F. Gieryn) · 1950–边界工作:科学如何划定自身与伪科学的界限科学共同体如何通过区分内外来维护权威
讲义
“边界工作”指科学共同体通过修辞策略划分科学与非科学(如伪科学、业余科学、技术)的边界,以维护自身权威与资源。吉尔林总结四种典型策略:
- 扩张:将其他领域纳入科学范畴,如称经济学为“科学”;
- 垄断:宣称只有专业科学家有权定义真理,排除外行;
- 保护:当科学受到批评时,将责任推给外部因素,如“那是技术问题,不是科学问题”;
- 驱逐:将越界者标记为伪科学,如“智能设计不是科学”。
例如,在美国进化论与创世论的法庭辩论中,科学界通过强调可检验性、同行评议等标准,将创世论排除在科学之外;但在面对公众质疑转基因安全性时,又强调“科学共识”的权威。
边界工作并非贬义,它揭示了科学的社会性:科学权威依赖于持续的说服与协商。对工程师而言,理解边界工作有助于识别技术决策中的话语权争夺——例如,当算法被标榜为“客观中立”时,可能隐藏了价值判断;当批评者被指“不科学”时,可能是一种边界维护。
边界工作提醒我们:科学并非纯粹客观,其边界由人划定,并服务于特定利益。
人物小传
托马斯·F·吉尔林是美国社会学家,现任印第安纳大学布鲁明顿分校社会学教授。他早年研究科学知识社会学,关注科学权威的社会建构。1983年发表论文《边界工作与科学划界:非科学的意识形态利益》,提出“边界工作”概念,成为科学社会学经典。其研究揭示科学与非科学的界限并非自然存在,而是社会行动者通过修辞策略建构的产物,影响了科学传播、科学与公共政策等领域。
生平一隅
吉尔林在研究中发现,19世纪英国科学家为争取皇家学会的权威,曾贬低颅相学等民间知识,称其缺乏严谨方法;但同一批科学家在向政府申请资助时,又强调科学能解决实际问题,与工程、技术划清界限。这种在不同场合灵活调整边界的行为,正是“边界工作”的生动体现。他以此说明,科学边界是策略性话语,而非固定事实。
复杂性提醒
易被误解为“科学只是权力游戏”,否定其客观性。但吉尔林并非反科学,而是分析科学边界的社会建构过程。批评者指出,边界工作可能过度强调利益,忽视科学方法的内在有效性。此外,有些边界(如物理与化学)更多是学科分工,而非利益争夺。适用边界:它更适合解释争议领域(如气候变化、疫苗),而非常规科学实践。
留给 AI 时代的人
在AI领域,边界工作无处不在:企业用“人工智能”标签吸引投资,同时将失败归咎于“数据问题”而非算法缺陷;当算法决策出错时,工程师可能辩称“技术中立”,将责任推给使用者。理解边界工作,能让你看清技术话语中的权力运作,避免被“科学”光环迷惑。它也提醒你:在团队中,谁有权定义“最佳实践”,往往取决于边界策略,而非纯粹技术优劣。
当你听到“这不科学”时,你能否分辨这是基于证据的否定,还是一种边界维护策略?
延伸阅读/Thomas F. Gieryn, Cultural Boundaries of Science: Credibility on the Line
08伦理杰姆·本德尔(Jem Bendell) · 1972–深度适应:在气候崩溃中学习如何活下去当避免危机已不可能,我们如何减少伤害
讲义
深度适应基于一个判断:气候变化已到临界点,即使立即大幅减排,也无法避免严重的社会崩溃(如粮食短缺、大规模迁移、基础设施失效)。因此,本德尔提出三个核心问题:
- 韧性:我们如何保持最重要的事物(如社区、水源、知识)在冲击中不瓦解?
- 放弃:我们愿意主动放弃哪些东西(如消费主义、某些技术依赖),以减少未来伤害?
- 和解:我们如何与自然、彼此以及自己的恐惧和解,在崩溃中保持人性?
深度适应不是悲观主义,而是“悲剧性的乐观”:承认最坏可能,同时积极行动。例如,社区建立本地食物网络、学习传统技能、设计无电网通信,都是韧性实践;个人减少飞行、拒绝高风险投资,是放弃;而心理上接受不确定性、培养互助文化,则是和解。
对工程师而言,深度适应挑战了“技术解决一切”的假设。它提醒:许多系统(如全球供应链、数据中心)依赖脆弱的基础设施,一旦气候冲击加剧,可能连锁失效。你或许无法阻止崩溃,但可以设计更分散、更冗余、更可修复的系统。
深度适应的核心是伦理转向:从“拯救世界”到“减少痛苦”,从“控制未来”到“适应不确定”。
人物小传
杰姆·本德尔是英国可持续发展学者,曾任教于坎布里亚大学,创立可持续发展领导力研究所。他长期研究企业社会责任与环境治理,后转向气候危机的社会影响。2018年发表论文《深度适应:气候悲剧的导航地图》,提出“深度适应”框架,认为气候崩溃已不可避免,社会应重点减少伤害而非仅追求减排。该文引发全球争议,成为气候运动的重要思想资源。
生平一隅
本德尔在2018年论文发布前,因担心学术生涯受损,曾考虑匿名发表。但最终决定署名,并辞去大学教职,专注于推动深度适应理念。他回忆说,当意识到主流气候政策忽视“最坏情况”时,感到“认知失调”:一方面相信科学共识,另一方面看到减排目标屡屡落空。这种撕裂促使他提出:与其假装一切可控,不如诚实面对崩溃的可能,并寻找有尊严的生存方式。
复杂性提醒
常被误解为“放弃减排”,但本德尔明确支持减排,只是认为仅靠减排不够。批评者指出,深度适应可能引发“末日疲劳”,削弱气候行动;且“崩溃不可避免”的断言缺乏精确预测依据,可能过度悲观。适用边界:它更适合高风险、高不确定性场景的规划,而非替代科学预测。它应作为补充框架,而非唯一指南。
留给 AI 时代的人
AI系统同样面临深度适应问题:当模型出现不可预见的错误、数据管道断裂、或电力中断时,你如何保持服务韧性?深度适应鼓励你思考:哪些功能必须保留?哪些可以优雅降级?你能否与用户建立信任,在失败时坦诚沟通?它也提醒你:技术乌托邦叙事可能掩盖脆弱性,而承认局限、设计冗余、培养社区互助,才是长期生存之道。
如果某项你依赖的技术在未来十年内失效,你个人和你的社区将如何适应?
延伸阅读/Jem Bendell, Deep Adaptation: Navigating the Realities of Climate Chaos
09哲学查尔斯·桑德斯·皮尔士 · 1839-1914可错论:知识如何在不完美中成长承认错误不是弱点,而是知识进步的必要条件。
讲义
可错论(fallibilism)主张:任何经验知识都可能出错,无论它目前多么可靠。皮尔士认为,人类的认识是有限的,我们无法一劳永逸地获得绝对真理,但可以通过科学方法不断逼近。
核心概念
- 信念是行动的指南:我们持有信念是为了指导行动,当行动遇到阻力时,信念就会受到怀疑。
- 探究的目的:消除怀疑,建立暂时稳定的信念,但新证据可能再次引发怀疑。
- 科学方法:通过公开、可重复的检验来修正错误,而不是依赖权威、直觉或先验推理。
一个例子
假设你编写了一个推荐算法,在测试集上准确率很高。但上线后,用户行为与预期不符。可错论要求你:第一,承认模型可能出错;第二,收集新数据,定位错误;第三,更新模型。这个过程没有终点,因为用户偏好、数据分布都在变化。
现实意义
在AI时代,可错论提醒我们:任何模型都是对世界的近似,而不是世界的完整复制。工程师需要为错误预留出口,设计监控和回滚机制,而不是追求“完美模型”。同时,可错论也适用于人际关系:我们对他人的理解总是片面的,需要保持开放,随时准备修正自己的判断。
人物小传
查尔斯·桑德斯·皮尔士是美国哲学家、逻辑学家、科学家,实用主义创始人之一。他接受过化学和科学训练,曾在哈佛大学天文台和海岸测量局工作,对测量精度和误差有深刻理解。皮尔士提出,所有知识都是暂时的,任何信念都可能在未来被推翻。他反对笛卡尔的怀疑主义,主张从现有信念出发,通过科学方法不断修正。其思想生前未获广泛认可,去世后手稿被发现,影响了詹姆斯、杜威、波普尔等哲学家。
生平一隅
皮尔士曾因测量光速而获得国际声誉,但他对误差的体会源于更早的经历:在海岸测量局工作时,他意识到测量永远无法绝对精确,每次测量都有误差范围。这种对不完美测量的日常经验,使他拒绝任何宣称绝对确定的知识。他晚年贫困潦倒,靠为字典写词条维生,但仍坚持写作逻辑和哲学手稿,其中反复强调“我们永远无法达到绝对的确定性,但我们可以通过修正错误来逼近真理”。这与他可错论的核心一致:知识不是静态的终点,而是动态的纠错过程。
复杂性提醒
可错论常被误解为“一切都是相对的”或“我们什么都不知道”。皮尔士明确反对这种极端怀疑论:我们确实拥有大量可靠的知识,只是不能宣称绝对确定。可错论不等于放弃标准,而是要求我们为所有知识声明保留修正空间。另一个误解是认为可错论只适用于科学,其实它也适用于日常判断和伦理决策。但可错论也有局限:它主要针对经验知识,对数学和逻辑的必然真理是否适用存在争议;而且,过度强调可错性可能导致决策瘫痪,需要在行动与反思之间找到平衡。
留给 AI 时代的人
算法工程师习惯追求精确和可复现,但可错论提醒我们:模型永远是对现实的简化,不可能捕捉所有复杂性。与其追求“零错误”,不如设计能够优雅降级的系统。在人际关系中,可错论帮助我们放下“我必须完全理解对方”的执念,接受沟通中的误解是常态,并通过持续对话来修正。爱不是一次性的完美理解,而是在不断犯错和修复中加深联结。
在你的工作或生活中,有哪些你曾视为绝对正确的判断,后来被证明是错误的?这个修正过程对你有什么影响?
延伸阅读/《皮尔士文选》(The Essential Peirce)
10伦理彼得·辛格 · 1946-陌生人的伦理:我们为何对远方的苦难负责面对遥远他人的痛苦,我们的道德边界在哪里?
讲义
辛格的伦理思想建立在功利主义基础上:一个行为道德与否,取决于它是否增进了所有受影响者的幸福。在《饥荒、富裕与道德》中,他提出两个核心论点:
- 痛苦和死亡是坏事,无论发生在身边还是远方。
- 如果我们有能力阻止坏事发生,而不牺牲任何具有同等道德重要性的东西,我们就应该去做。
思想实验
想象你穿着一双昂贵的皮鞋,看到一个孩子掉进浅水塘。你会跳下去救他,即使皮鞋会毁掉。因为孩子的生命远比一双鞋重要。辛格认为,同样的逻辑适用于全球贫困:你花几百元买一件不必要的衣服,而同样数额的钱可以为一个贫困家庭提供蚊帐,预防疟疾死亡。如果你不捐,就等于看着孩子淹死却转身离开。
对工程师的启示
算法工程师常常构建影响数百万用户的系统。一个推荐算法可能加剧信息茧房,一个信用评分模型可能歧视弱势群体。辛格的伦理要求我们考虑所有受影响者的利益,包括那些我们永远不会见到的用户。这需要超越局部优化,从系统层面评估后果。
争议
批评者指出,辛格的要求过于苛刻,可能导致道德疲劳;也有人认为,距离确实影响道德义务,因为我们对近处的人有特殊责任。但辛格回应:在全球化时代,距离不再是道德差异的合理基础。
人物小传
彼得·辛格是澳大利亚哲学家,当代功利主义伦理学的主要代表。他出生于墨尔本,在牛津大学师从R.M.黑尔,后任教于普林斯顿大学和墨尔本大学。辛格以动物解放运动和有效利他主义闻名,主张将道德关怀扩展到所有能感受痛苦的生物。其思想深受功利主义传统影响,强调行动应最大化整体幸福。辛格不仅著书立说,还身体力行,将自己收入的相当部分捐给慈善机构,并倡导“尽你所能行善”的生活方式。
生平一隅
1971年,辛格在孟加拉饥荒期间写下了著名论文《饥荒、富裕与道德》。当时电视上播放着难民饿死的画面,而西方社会仍在正常消费。辛格提出一个思想实验:如果你路过一个浅水塘,看到一个小孩溺水,你会不顾弄湿衣服去救他吗?几乎所有人都会说会。但辛格指出,远方同样有孩子因缺乏食物而濒临死亡,我们却无动于衷。这个类比震撼了学术界,也开启了关于全球贫困伦理的长期争论。辛格本人一直践行这一原则,据报道他每年捐出约30%的收入,尽管他并不要求每个人达到同样标准。
复杂性提醒
辛格的理论常被误解为“你必须把所有钱都捐出去”。实际上,他区分了强版本和弱版本:强版本要求牺牲所有同等重要的东西,弱版本只要求牺牲一些不重要的东西。他还承认,个人能力有限,无法解决所有问题,但至少应该做一部分。另一个争议是功利主义允许为了多数人牺牲少数人,这与直觉冲突。辛格试图通过“偏好功利主义”来缓和,但批评者认为这仍无法充分保护个体权利。此外,他的动物伦理观点(如认为某些动物比严重残疾婴儿有更高道德地位)引发了激烈争论,甚至受到死亡威胁。
留给 AI 时代的人
在AI伦理讨论中,我们常关注算法偏见、隐私和自动化决策。辛格提醒我们:技术的影响是全球性的,一个训练模型的能耗可能加剧气候变化,而气候变化的受害者往往是远方的贫困人群。作为工程师,我们能否在优化性能的同时,考虑那些看不见的“他者”?爱和关怀不应只限于家人和朋友,也可以延伸到陌生人。这并不意味着要牺牲一切,而是意识到我们的选择有涟漪效应。
当你优化一个系统时,你是否考虑过那些最脆弱、最遥远的用户?如果考虑,你的设计会有什么不同?
延伸阅读/《饥荒、富裕与道德》(Famine, Affluence, and Morality);《实践伦理学》(Practical Ethics)