在一门研究生实验考古课程中，一名学生曾被要求用圆石反复敲击砂岩板，为门框制作螺栓滑入的门槽。几周后，这名学生向全班汇报称，自己大约敲击了一万次，最终砂岩板断裂。这一过程被授课教授用来说明“个体学习”的特点——通过大量试错获得经验，也被称为强化学习。

根据人类学研究，这种依靠个人反复尝试的学习方式在儿童、黑猩猩、乌鸦等物种中普遍存在，也是部分人工智能系统在制作简单工具或解决谜题时采用的机制。但相关研究指出，个体学习存在明显上限：无论试错多少，能力提升最终会趋于停滞。

文章举例称，人类投掷标枪已有数十万年历史，但整体表现长期变化有限。2024年巴黎奥运会标枪金牌成绩与1996年Jan Železný创下的纪录相比，低约5%。围棋领域中，专家水平从1950年到2016年间也相对稳定，直到人工智能的出现改变了这一局面。

与此形成对比的是技术本身的演进速度。自1997年IBM“深蓝”战胜国际象棋世界冠军卡斯帕罗夫以来，超级计算机的运算速度提升了约一百万倍，如今在国际象棋等多个领域，计算机系统普遍超越人类选手。

田纳西大学人类学教授R. Alexander Bentley在文化进化与创新研究中提出，技术进步与个体学习不同，其核心依赖于“组合”与“协作”。随着更多人和更多想法被连接在一起，可能的组合数量呈超线性增长，技术创新的速度与参与协作的人数密切相关。

Bentley与人类学家Michael J. O’Brien在新书《穿越时空的合作者》中梳理了约200万年的技术传统，认为技术演进长期依托专家之间、代际之间以及跨物种的协作。他将推动技术持续进步的关键概括为“TECH”四要素：传统（Tradition）、专业知识（Expertise）、协作（Collaboration）与人类性（Humanity）。

传统与专业知识：长期积累的基础

在古人类学记录中，阿舍利手斧被视为持续时间最长的技术传统之一。这种多用途石器由古人类制造和使用，延续近百万年，其中东非某地的使用传统持续约70万年。研究认为，人们通过跨代学习、实践和微调，不断改进阿舍利工具的制作方式。

文章指出，史前时期的小型现代人类社会同样依赖经过长时间积累的专业知识得以繁荣。这些知识涵盖音乐、茅草屋顶建造、种子栽培、泥炭地埋葬、制作小米面条以及为木乃伊随葬准备奶酪等具体技艺。

考古证据显示，早在约2.2万年前，加利利海附近的社区已经储存并利用上百种植物，其中包括药用植物。在这些社会中，萨满作为掌握医药知识和护理仪式的专家，在群体生存中发挥重要作用。以色列一处洞穴遗址中，一位女性萨满被安葬时随葬龟壳、金雕翅膀和一只断足等物品，研究者据此认为，这类专家在数千年间受到高度尊重。

Bentley认为，传统社会通常清楚谁是各领域的专家，专业化与协作一直是人类作为物种取得成功的重要基础。

协作：跨时空连接的知识网络

研究指出，仅有传统与专业知识并不足以推动技术持续前进，关键在于不同类型专业知识的结合。

文章以车轮的可能起源为例进行说明。相关推测认为，车轮可能出现在铜矿开采社区：一名专家在巴尔干地区采铜，另一名专家负责运输，第三名专家从事冶炼。约公元前4000年，更多工匠开始将铜铸造成类似早期车轮形状的护身符，涉及制作蜡模、包裹黏土、窑烧、浇注熔铜、破模取件等一系列工序。

随着运输技术发展，古代产品网络被重塑。欧亚非大陆上的社区制造轮式车辆和船只，驯养马匹及其他役畜，通过陆路和海路开展跨区域协作与贸易。铁匠、书记员、宗教学者、珠宝匠、丝织工和纹身师等不同职业群体通过这些网络相互连接。

文章指出，专业知识往往分布在城市及其腹地，城市成为跨大陆产品与知识网络的枢纽。例如，在古埃及，木乃伊制作无法由单一工匠独立完成。萨卡拉地区的木乃伊制作专家依赖覆盖整片大陆的供应网络，以获取油脂、焦油和树脂等材料，并结合防腐、保存、包裹和棺椁封印等多种专业技能。

从印度河文明到维京人、蒙古人、密西西比文化和印加帝国，国家和帝国被描述为协调原材料、专业知识和成品交换的更大枢纽。文章提到，12世纪伊斯兰西班牙的一些宫殿专门通过中东商人进口中国瓷器，商人再在瓷器上以金箔书写阿拉伯文题字，这一过程体现了高度具体的跨区域协作。

作者认为，尽管规模不断扩大，这类网络的基本结构在历史上保持相对稳定。如今，在全球化的产品体系中，iPhone等产品同样依赖分布在不同地区的专业知识和生产设施网络进行组装。

人类性：社会学习与AI的挑战

文章指出，人工智能的发展可能改变TECH模式下延续数千年的技术进步方式。当前，大多数大型语言模型通过生成统计上常见的回答来完成任务，这被认为可能带来文化“扁平化”风险，削弱专业知识和原创内容的比重。

随着高质量训练数据——即人类专业知识的集中体现——日益稀缺，相关风险被认为会进一步放大。研究者担心，这可能形成一个反馈循环：如果新一代模型主要以大量低质量内容为训练基础，其推理和理解能力可能随时间明显下降。一些科学家警告，人类与大型语言模型之间可能形成互相强化的循环，持续产出泛泛而谈的内容，导致所谓“脑力衰退”。在极端情况下，模型在反复使用自身输出作为训练数据后，可能出现系统性崩溃，生成大量无意义内容。

文章提到，这种“脑力衰退”现象是部分人工智能领域先驱对大型语言模型能否达到人类智能水平持保留态度的原因之一。但作者认为，更关键的问题在于如何确保人工智能系统能够持续改进，而这依赖于TECH框架中的“E”——人类专家的参与。

为说明少数“知情者”对整体系统的影响，文章引用了“吹笛人效应”的相关研究。实验显示，孔雀鱼会跟随邻近个体行动，当一条机器人鱼被设定为“带路者”时，鱼群最终被引导至食物所在位置。近期研究还表明，当自动驾驶汽车在道路车辆中占比约5%时，交通拥堵情况已出现明显缓解。在这些案例中，少数掌握更多信息的个体改变了整个系统的运行模式。

文章将大型语言模型视为一种“社会学习者”，认为其学习过程可以是双向的：一方面，设计者可以通过有意识的训练策略，确保模型持续吸收人类历史积累的专业知识，从而提高其长期改进的可能性；另一方面，这也为人类从模型中学习创造条件。

在围棋领域，2010年代DeepMind开发的AlphaGo通过个体学习重新发现了人类数百年积累的围棋知识，并在此基础上提出前所未有的下法。随后，人类围棋高手将这些由AI生成的新策略纳入自身训练体系，形成新的学习循环。

文章指出，训练良好的大型语言模型同样可以在科学信息整合、帮助人们摆脱阴谋论思维、支持多元群体达成共识等方面发挥作用。在这些情形下，人类与模型之间的学习被描述为双向互动。

作者在结尾强调，从阿舍利手斧到超级计算机，人类创新始终依赖传统、专业知识、协作与人类性。如果未来的人工智能系统能够有效识别并依托真正的专业知识，而非削弱或稀释它，那么人工智能有可能被视为继古代文字、市场和早期政府之后，人类历史上又一项重要技术制度，继续推动人类作为“穿越时空的合作者”这一长期进程。

作者简介：R. Alexander Bentley为田纳西大学人类学教授。本文经授权转载自The Conversation，原文标题为《Will AI accelerate or undermine the way humans have always innovated?》。