当人工智能超越人类：围棋世界中的创造力、专业知识与人类价值

2016 年 3 月，Google DeepMind 开发的 AlphaGo 以 4 比 1 的成绩击败世界围棋冠军李世石。这场比赛不仅改变了围棋的发展方向，也提出了一个远比围棋本身更加重要的问题：当人工智能在某个领域的能力已经超越最优秀的人类专家时，人类究竟会发生什么变化？

一种直观的判断是，人类专家将逐渐失去价值。既然机器能够做出更好的决策，能够在复杂局面中找到人类无法发现的最优解，那么人类长期积累的经验、知识与专业判断似乎就会贬值。但另一种可能性恰恰相反：当人类能够观察、学习并理解机器提出的全新解决方案时，人工智能也可能成为推动人类认知能力进步的力量。

李世石曾在回顾 AlphaGo 带来的冲击时表示，这次经历让他开始怀疑自己对于人类创造力的理解。AlphaGo 走出了许多与传统围棋思维截然不同的棋步，使他不得不重新审视过去学到的围棋知识，并意识到自己还需要进一步学习围棋。

我认为，这段反思揭示了人工智能时代最值得研究的矛盾：人工智能一方面打破了人类专家对于最高水平知识的垄断，另一方面却可能帮助人类专家提升决策质量、突破传统认知，并发展出新的专业能力。

要理解这种矛盾，我想结合两项研究展开讨论。第一项是 Minkyu Shin、Jin Kim、Bas van Opheusden 与 Thomas L. Griffiths 于 2023 年发表的《超人类人工智能可以通过增加新颖性改善人类决策》（Superhuman Artificial Intelligence Can Improve Human Decision-Making by Increasing Novelty）。研究者分析了 1950 年至 2021 年间职业围棋选手做出的 585 万余次落子决策，探讨超人类 AI 是否提升了人类决策质量，以及这种提升是否与创新有关。第二项是 Jiuheng He 于 2026 年发表在《Big Data & Society》的《后人工智能时代重新定义人类围棋专家：职业社会学与专业知识视角》（Redefining Human Go Experts in the Post-AI Era: Perspectives from the Sociology of Professions and Expertise）。这项研究通过田野调查与访谈，考察 AI 如何改变职业棋手的工作内容、知识权威，以及整个围棋行业组织和展示专业能力的方式。

在我看来，这两项研究实际上讨论了同一场技术革命的两个侧面：第一项研究关注人类能否因为机器的超越而变得更聪明，第二项研究关注即使人类因此变得更聪明，为什么他们仍然会失去某些原有的专业权威，以及如何重新找到自己的位置。

一、为什么围棋是理解人工智能与人类关系的理想案例？

围棋是一项有着数千年历史的智力活动，在东亚社会具有深厚的文化意义。掌握围棋的战略与艺术，长期以来被视为人类高级智力活动的重要表现。围棋不仅拥有数量庞大的爱好者，也形成了由学校、地方俱乐部、职业协会、电视转播、国际赛事和职业认证体系构成的成熟社会组织。尤其在中国、日本和韩国，围棋是一种高度制度化的职业活动，最优秀的棋手不仅能够参与国际锦标赛，还能依靠教学、讲棋、著书和理论研究维持职业生涯。

围棋同样是人工智能研究长期面对的重大挑战。它的规则相对简单，棋盘和合法行动都可以被明确定义，但可能出现的棋局状态极其庞大，甚至超过可观测宇宙中的原子数量。围棋要求棋手在高度复杂的决策空间中进行长远规划、局势判断和战略权衡，因此长期被认为是衡量机器智能的重要领域。过去，人们普遍认为，围棋中某些依赖直觉、经验和全局判断的能力，很难被纯粹的计算过程替代。

2016 年 3 月 15 日，AlphaGo 在与李世石的五番棋挑战中最终取得 4 比 1 的胜利，成为一个清晰的历史分界点。这场比赛吸引了全球数亿观众，也宣告了人类不再代表围棋最高竞技水平的时代。随着 AlphaGo Zero 及后续围棋 AI 系统的发展，机器逐渐建立起对顶尖人类棋手的压倒性优势。特别值得注意的是，部分新一代系统并不依赖人类历史棋谱提供的范例，而能够通过自我对弈学习策略，这意味着机器发现的优秀决策不再完全受人类既有知识体系的限制。

我之所以认为围棋尤其适合研究人工智能对人类的影响，是因为它同时具备其他许多领域难以满足的条件。首先，围棋职业比赛留下了完整、连续、可追溯的决策记录，因此我们能够观察几十年间人类实际做过什么，而不是只能依靠事后回忆。其次，围棋有明确的比赛规则与胜负标准，研究者可以借助超人类 AI 评估某一步棋在特定局面下的质量。最后，人工智能超越人类的时间点相对明确，使我们能够比较这一技术冲击前后人类行为的变化。

当然，围棋也有自身的特殊性。它是一个规则稳定、目标明确、状态空间有限的封闭系统，而医学、法律、企业管理等领域涉及开放的社会环境、不断变化的目标以及难以量化的价值判断。因此，围棋可以作为研究人机关系的早期实验场，但不能简单地把围棋中的结果视为所有现实职业必然经历的未来。

二、超人类人工智能出现之后，人类的决策质量真的提高了吗？

要判断人工智能是否改善了人类的决策，我认为首先需要解决一个基础问题：我们究竟如何衡量一个人的决策是否比过去更好？在围棋比赛中，胜负固然是重要结果，但它不能直接反映每一步棋的质量。一个棋手可能在某一步做出错误选择，却因为对手随后犯下更严重的错误而赢得比赛；也可能在整体表现优秀的情况下，仍然输给更强的对手。因此，如果仅用比赛胜率来衡量人类决策水平，就难以区分个人决策能力与外部竞争环境的变化。

2023 年的研究采用了一种更直接的方法。研究者从 Games of Go on Disk（GoGoD）数据库获得职业围棋比赛的逐步落子记录，建立了覆盖 1950 年至 2021 年、跨越 71 年的历史数据集，总计包含 5,857,513 次落子决策。随后，他们利用具有超人类棋力的 KataGo，对每一个实际出现过的棋局状态进行分析，让 AI 在与人类棋手完全相同的局面下提出自己认为最好的落子，并评估人类选择和 AI 推荐选择分别对应的预期胜率。

这套方法的重要性在于引入了反事实比较。研究者不仅观察人类实际选择了什么，还试图回答：如果在同一个局面下采用 AI 推荐的走法，比赛结果的预期会有何不同？为了进行评估，研究者让 AI 针对每一个人类决策模拟约 10,000 种可能的后续对弈情况，从而在整个数据集上形成约 580 亿个反事实棋局模式。如此大规模的计算，使他们能够为数百万次人类落子建立一种相对一致的评价标准。

研究者据此构建了决策质量指数（Decision Quality Index，简称 DQI）。其基本思路是，用 100% 减去 AI 推荐决策与人类实际决策之间的胜率差距，表达式为 $DQI=100\%-(P_{\mathrm{AI}}-P_{\mathrm{Human}})$ 。其中， $P_{\mathrm{AI}}$ 表示在当前局面下采用 AI 推荐落子所对应的预期胜率， $P_{\mathrm{Human}}$ 表示采用人类实际落子所对应的预期胜率。两项胜率都由同一个 AI 评价系统估计。假设 AI 推荐的落子对应 60% 的胜率，而人类实际落子对应 50% 的胜率，两者相差 10 个百分点，那么这一步棋的 DQI 就是 90%。如果人类选择与 AI 推荐的最优选择在评估上完全一致，DQI 则达到 100%。

这个指标并不是说棋手的真实胜率一定达到 90%，而是衡量人类决策与 AI 评估下最佳决策之间的差距。DQI 越高，意味着该次人类落子相对于 AI 推荐落子的预期损失越小。更重要的是，研究者使用同一套 AI 评价历史上不同时代的棋谱，而不是采用各个时代棋手对于“好棋”的不同理解，从而尽量避免评价标准随历史变化而产生的偏差。不过，它依然是以特定超人类 AI 为参照建立的指标，并不等同于对围棋所有可能状态进行数学意义上的最优性证明。

在得到 DQI 之后，研究者进一步分析 1950 年至 2021 年间人类决策质量的时间变化，并控制棋手固定效应，以减少不同年代活跃棋手构成差异对结果的影响。在年度分析中，他们以 1950 年为基准；在月度分析中，则以 1950 年 1 月为基准，观察不同时点对应的决策质量变化。这些分析得出了一个值得重视的结果：在 AlphaGo 出现之前的约 66 年间，职业围棋选手的决策质量整体改善相对有限，而在 2016 年至 2017 年之后，决策质量出现了明显且持续的上升。

这个时间变化与两个重要事件相吻合：2016 年 AlphaGo 战胜李世石，以及 2017 年前后超人类围棋 AI 程序逐渐向职业棋手开放和普及。研究者在年度和月度固定效应分析中，都观察到了人工智能出现之后的明显提升。尽管长期趋势中仍存在一些局部例外，但整体图景相当清晰：与之前数十年相对平缓的变化相比，2016 年之后职业棋手的落子决策与 AI 评价的最佳选择显著接近。

我认为，这个发现之所以重要，不是因为它证明了机器比人类更擅长围棋——AlphaGo 的比赛结果早已说明这一点——而是因为它显示，即使机器已经占据能力优势，人类自己的决策表现也可能随之提升。人工智能并不只是替代原有的决策者，还可能通过改变人类的学习环境，推动人类在没有 AI 直接代下棋的情况下做出更高质量的选择。

三、为什么研究者认为，决策质量的提升可能来自创新？

如果人类在人工智能出现之后做出了更好的决策，下一个需要解释的问题就是：这种变化究竟发生在什么地方？人类可能只是简单模仿 AI 推荐的标准答案，也可能逐渐学会了某种新的思考方式，使自己更愿意尝试此前没有考虑过的策略。2023 年的研究特别关注后一种可能性，并将其与决策的新颖性联系起来。

这里的“新颖性”不是一个抽象的创造力概念，而是可以通过历史棋谱进行操作化衡量的行为特征。研究者借鉴国际象棋研究中识别新招的方法，在每一局比赛中寻找第一步使整段棋谱成为历史上从未出现过的序列的落子。假设一局棋的前 9 步构成了历史上曾经出现过的顺序，但加入第 10 步之后，这个由 10 步构成的完整序列在此前所有比赛记录中都没有出现过，那么第 10 步就被定义为这局棋的第一个“历史新颖落子”。

这种衡量方式关注的并不是某个棋盘坐标是否从来没有被使用过，也不是某一种局部战术是否第一次被发明出来，而是当前整段落子序列是否突破了历史上已经出现过的组合。如果一局棋很早就产生了历史上从未见过的序列，说明棋手较早脱离了已有的常见路径；如果直到很后面才出现这种变化，则说明整局棋在较长时间内仍沿着历史上出现过的顺序展开。

为了量化这种区别，研究者建立了新颖性指数（Novelty Index），其计算方式为 $NI=60-m_{\mathrm{novel}}$ 。其中， $m_{\mathrm{novel}}$ 表示一局棋第一次出现历史新颖序列时对应的手数，60 是该研究所考察范围内的最大手数。新颖落子出现得越早， $NI$ 就越高。例如，第 10 手首次出现历史新颖序列，对应的新颖性指数为 50；第 20 手才出现，则对应 40。因此，这个指标衡量的是棋局在多早的阶段脱离历史上已经观察到的路径，而不是直接判断新走法在战略上有多么独创。

研究还发现，历史棋谱自身的积累会影响新颖性测量。随着时间推移，越来越多的落子序列被纳入数据库，理论上新的一局棋需要走到更深的位置，才更可能产生此前没有记录过的完整序列。因此，在正常情况下，历史时间的推移会对新颖性指数形成向下的压力。研究者在年度和月度固定效应分析中，也确实观察到了这一长期趋势。

但 2016 年之后的变化打破了原有趋势。研究结果显示，在超人类 AI 出现之后，职业棋手开始更早地走出历史上尚未出现过的落子序列，新颖性指数出现了明显的上升。研究者还使用另一种定义新颖性的方式进行补充分析，依然得到了类似结果。这表明，在人工智能改变围棋世界之后，人类不仅做出了质量更高的决策，也更频繁、更早地偏离传统棋谱路径。

我认为，这一结果与李世石面对 AlphaGo 时产生的认知冲击形成了呼应。长期以来，职业棋手在成熟的围棋知识体系中学习，依靠前人积累的定式、布局和战略原则形成判断。某些走法之所以被认为是正确的，并不一定是因为它们已被彻底证明最优，也可能是因为优秀棋手长期采用这些策略，逐渐形成了一种由经验、声望和职业训练共同维系的共识。超人类 AI 的出现，使这些共识第一次受到来自人类知识体系之外的系统性挑战。

不过，我也必须区分两个概念：历史上没有出现过的棋谱序列，不一定意味着真正创造了一项全新的围棋理论；更加新颖的落子，也不一定比传统落子更优秀。一个新颖选择可能是深刻的创新，也可能只是普通失误。因此，真正关键的不是新颖性本身有没有增加，而是人工智能出现之后，新颖决策与决策质量之间的关系是否发生了变化。

四、人工智能出现之后，创新真的变得更有价值了吗？

为了检验新颖性是否与决策质量的提升有关，研究者进一步建立了回归模型，把每一次落子的 DQI 作为被解释变量，同时引入三个关键变量：第一，落子发生在超人类 AI 出现之前还是之后；第二，该落子是否属于研究定义下的历史新颖落子；第三，前两个变量的交互项。通过这种设计，研究者不仅能够判断 AI 出现之后整体决策质量是否提高，还能够进一步比较，新颖落子与非新颖落子在这一时期分别改善了多少。

研究者建立了两个模型。模型 1 控制落子手数与棋手固定效应，但不加入月份固定效应；模型 2 在此基础上加入月份固定效应，因此不再单独估计与时间高度重合的 AI 出现后虚拟变量，以避免多重共线性。两个模型都包含 5,857,513 个决策观测值，标准误按棋手层面进行聚类处理。

主要回归结果如下：

变量	模型 1	模型 2
AI 出现后虚拟变量	0.59754	—
新颖落子虚拟变量	-0.60770	-0.60777
AI 出现后 × 新颖落子	0.51504	0.51498
月份固定效应	否	是
落子手数固定效应	是	是
棋手固定效应	是	是
观测值	5,857,513	5,857,513

上述三个主要系数在对应模型中均达到 $p\lt 0.001$ 的统计显著性水平。模型 1 中，AI 出现后虚拟变量的标准误为 0.01601，新颖落子虚拟变量为 0.01219，交互项为 0.02147；模型 2 中，新颖落子虚拟变量的标准误为 0.01218，交互项为 0.02132。

在我看来，最值得关注的是交互项。在两个模型中，这个系数都稳定地处于约 0.515 的水平，且具有高度统计显著性。这意味着，在超人类 AI 出现之后，新颖落子的决策质量改善幅度，显著高于非新颖落子的改善幅度。换言之，人工智能出现后的整体决策进步，并不是只发生在传统、熟悉的策略中；历史上尚未出现过的决策序列也发生了明显改善，而且其改善程度相对更大。

这里还有一个容易忽略的细节：新颖落子虚拟变量本身的系数为负。它意味着，在研究所设定的基准条件下，新颖落子原本平均具有较低的 DQI，而不是天然比传统选择更好。因此，不能简单地把研究结论理解成“越创新越正确”或者“AI 出现之后所有创新都优于传统选择”。交互项说明的是新颖落子的相对改善幅度更大，而不是新颖落子必然取得最高质量。

这一点对理解创新尤其重要。我们经常把创造力看作一种独立于质量的个人特质，仿佛只要做出了不同于他人的选择，就意味着产生了价值。但这项研究提示我，真正有意义的创新需要同时满足两个条件：一是它突破已有决策方式，二是这种突破能够在实际任务中带来更好的结果。超人类 AI 的作用，可能不是简单地让人类变得更加大胆，而是帮助人类重新认识哪些原本被忽略、被排斥或不被理解的选择，实际上可能具有更高价值。

五、人类是不是只是在记忆和模仿人工智能的答案？

上述结果很容易引出一个替代解释：职业棋手可能并没有真正提升自身的判断能力，而只是记住了 AI 提出的优秀走法，并在正式比赛中重复这些答案。如果这种解释成立，所谓决策质量和创新的提升，实际上可能只是机器知识向人类棋谱的直接迁移，而非人类思考能力发生了实质变化。

研究者把这种解释称为记忆假说（Memorization Hypothesis）。它可能以两种形式出现：一种是记住 AI 生成的连续落子序列，尤其是布局阶段常见的标准变化；另一种是针对容易出现的具体棋盘状态，记住 AI 推荐的最佳应对。为了判断这两种记忆方式能否解释研究发现，研究者进行了多组额外分析。

第一种检验是排除所有与 AI 最佳选择相同的人类落子。 在整个研究数据集中，大约 40% 的人类决策与 AI 评估的最佳决策一致，另外约 60% 则采用了不同的选择。如果人类决策质量的改善完全来自记住并复制 AI 给出的最佳答案，那么当研究者只分析这 60% 没有与 AI 选择一致的落子时，2016 年之后的质量提升就应该明显消失。但实际结果并非如此。即使完全排除与 AI 最佳落子相同的人类选择，剩余决策的年度和月度质量变化趋势仍然显示出人工智能出现之后的明显上升。

第二种检验是观察棋局不同阶段的决策质量。 研究者发现，整个数据集中超过一半的历史新颖落子发生在第 10 手之前，而约 99% 的棋局在第 21 手之前就已经出现了此前没有记录过的完整落子序列。这意味着，比赛进行到第 21 手以后，棋手往往已经处于一个与历史上所有完整已知序列都不相同的局面。由于围棋可能产生的状态极其庞大，棋手几乎不可能事先记住所有这些具体局面对应的 AI 最佳选择。

研究者因此把前 60 手划分为六个连续的 10 手区间，分别研究不同阶段的决策质量变化。如果棋手只是记住开局中的 AI 序列，提升就应当主要集中在前 10 手或前 20 手，而不容易延续到后续不断变化的复杂局面。但结果显示，不仅第 1 至 10 手和第 11 至 20 手出现了质量改善，第 21 至 50 手等较后阶段也表现出类似的提升趋势。这说明，记忆固定开局序列无法完整解释人类决策质量的变化。

第三种检验是观察对手偏离 AI 最佳路径之后，棋手如何应对。 假设双方都熟悉某一套 AI 推荐的标准变化，但其中一方突然走出了不符合 AI 最优推荐的棋步，那么另一方接下来的反应就不再属于原先完全固定的最佳落子序列。研究者专门分析了对手第一次偏离连续 AI 最佳选择之后，另一方紧接着做出的决策，并发现这些应对决策在 2016 年之后同样表现出质量提升。这说明，棋手不仅在熟悉的标准变化中走得更好，在应对对手意外选择时，也可能形成了更好的判断能力。

研究还进一步针对新颖性进行了两项检验。第四种检验是只观察那些与 AI 最优推荐不同的历史新颖落子。 如果新颖性的提高完全来自复制 AI 提出的新走法，那么排除与 AI 最优选择一致的落子之后，新颖性提升就应该消失。然而，研究者重新计算新颖性指数的年度趋势后，依然发现 2016 年之后的明显上升。这意味着，人类不仅复制了 AI 的优秀走法，也开始在不同于 AI 最佳选择的路径上更早地产生历史新颖序列。

第五种检验是将 AI 自身生成的棋谱提前加入历史数据库。 原有新颖性分析只考虑此前人类比赛出现过的棋谱，因此存在一种可能性：职业棋手在私下学习时已经看到 AI 生成的新序列，随后在比赛中使用这些序列，但研究者仍然会因为历史人类棋谱中没有出现过它们，而把它们识别为人类的新颖决策。为此，研究者生成了约 60 万次 AI 对 AI 的落子决策，并把这些数据在时间上人为放置在超人类 AI 出现之前，再重新识别每局棋的历史新颖落子。

如果大量所谓新颖落子只是人类记住 AI 棋谱后进行的重复，那么在加入这些 AI 棋谱之后，相应的历史新颖性应当明显下降。但研究发现，重新计算后的新颖性时间趋势几乎没有发生变化，AI 出现之后的上升依然清晰可见。这进一步削弱了“人类只是复制 AI 历史棋谱”的解释。

我认为，这五组分析共同支持了一个相对稳健、但仍需谨慎理解的结论：单纯记忆 AI 的最佳答案，无法充分解释职业棋手在决策质量和新颖性方面的全部提升。 人类可能不只是学会某些新定式，也可能通过与 AI 的接触重新组织了自己的战略判断方式。不过，这些分析并没有直接观察棋手的内部认知过程，因此不能彻底证明人类已经内化了 AI 的决策逻辑，也无法精确区分理解、模仿、训练环境变化和其他学习机制分别贡献了多少。

六、在人工智能出现之前，职业围棋专家的权威是如何形成的？

如果把目光从个人决策转向整个围棋职业体系，我认为另一个问题同样重要：为什么人工智能改变的不是单纯的棋力排名，而是整个行业对专业知识与专业权威的理解？

在 2026 年的社会学研究中，Jiuheng He 借鉴了 Andrew Abbott 的职业管辖权理论，以及 Gil Eyal 关于专业知识网络的研究框架，分析围棋职业群体在 AI 出现前后的变化。Abbott 认为，职业并不是沿着某个固定路径逐渐发展为垄断组织，而是不同专业群体在相互联系的职业体系中，持续竞争对特定工作任务的控制权。他将这种控制权称为职业管辖权（Jurisdiction）。一个职业之所以能够长期拥有某项工作的合法控制权，不仅因为从业者具备实践能力，也因为他们能够将实际工作与一套抽象、系统、被社会认可的专业知识联系起来。

按照这一理论，外部技术变化可能创造新的工作任务，也可能让原有任务的价值下降，从而形成所谓“管辖权空缺”。当某种技术突然获得完成专业工作的能力时，原先负责这项工作的职业群体就必须重新划定边界，争取新任务，或者重新定义自己仍然能够控制的工作。

在围棋领域，职业棋手的专业地位有着悠久的历史基础。日本江户时代，德川幕府就曾通过资助职业棋手、组织御前对局等方式支持围棋活动。进入现代之后，特别是 20 世纪后期，围棋逐渐形成以国家或地区棋院、职业资格考试、职业段位和国际冠军赛事为核心的制度体系。中国围棋协会、日本棋院、韩国棋院等机构分别管理职业认证、国内排名和职业赛事，通过严格的准入制度，在职业棋手与业余棋手之间建立了清晰的身份界限。

职业资格并不容易取得。根据研究中来自中国围棋职业定段赛的数据，2023 年参加定段赛的 613 名选手中，只有 36 人最终取得职业资格。这 613 人原本都已经达到业余五段水平，属于业余棋手中的顶尖群体，研究将其描述为大约前 1% 的业余选手。最终取得职业资格的人包括 20 名 18 岁以下男性棋手、10 名 18 岁以下女性棋手，以及仅 6 名成年棋手。由于职业定段名额高度向青少年倾斜，一些有天赋的棋手甚至在 13 岁左右就离开常规学校教育，投入高度专业化的围棋训练；而未能在 18 岁前取得职业资格的人，则往往不得不重新考虑升学与未来职业道路。

为什么这么多人愿意为一个职业身份投入如此高昂的时间与教育成本？因为职业段位不仅代表棋力，也意味着被围棋行业认可的专业身份。一个棋手即使未必能够成为世界冠军，只要取得职业资格，仍然可以从事教学、讲解、写作、棋谱分析、理论研究等工作。职业身份帮助他们获得学生、客户和行业认可，形成相对稳定的职业生涯，而下一代希望成为职业棋手的年轻人又不断创造新的教学需求。

在 AI 出现之前，我把职业棋手掌握的核心权威概括为两项任务：第一，展示最接近理想水平的围棋对弈；第二，对围棋比赛、战略和理论提供权威性的解释。这两项任务相互支持。职业棋手通过比赛证明自己拥有高于普通人的棋力，再利用这种能力证明自己有资格判断什么是好棋、什么是坏棋，以及某项战略为什么有效。围棋协会通过职业认证与赛事制度控制第一项任务，也间接强化了职业棋手对第二项任务的解释权。

这是一种典型的专业知识权威结构：最擅长完成任务的人，也被认为最有资格解释任务应该如何完成。 在人类始终占据最高围棋水平的时代，这两个身份几乎天然结合在一起，优秀棋手既是最佳实践的创造者，也是最佳实践的解释者。

七、围棋专家的权威，是否只来自他们个人的知识与能力？

我认为，仅用职业资格和棋力高低来解释专业权威，仍然是不完整的。Gil Eyal 提出的专业知识网络模型提供了另一种观察方式。与 Abbott 关注“谁控制某项工作”不同，Eyal 更关心“专业知识如何通过人、技术、设备、机构和社会安排被实际展示、传播和认可”。在这个框架中，专业能力并不是完全储存在某个人头脑中的静态资产，而是一种依赖社会技术网络运作的实践结果。

这一思路与行动者网络理论存在明显联系。它把专业人士、普通使用者、物理设备、制度规则、传播平台和相关概念都纳入同一个分析框架。围棋高手的棋力固然可以通过获胜体现，但要让社会广泛承认这种能力，仍然需要职业协会组织比赛、赛事机构制定规则、棋盘棋子呈现决策过程、记录员保存棋谱、媒体转播比赛，以及评论员把复杂的落子过程解释给观众。没有这些安排，个人即使拥有卓越能力，也难以以同样的方式获得社会认可。

围棋讲解是一个非常典型的例子。与篮球等运动不同，普通观众往往难以仅凭棋盘上黑白棋子的变化理解比赛进程。在篮球比赛中，即使不懂专业战术，观众也能够通过比分变化、进攻动作和球员表现大致感受比赛；但在围棋中，如果没有解说，一场对局可能持续数百手，随后某位棋手突然认输，观众却完全不明白为什么比赛已经结束。

职业讲解者因此承担了类似医生解读 X 光片的角色。患者面对影像时可能不知道哪里存在问题，需要医生解释影像背后的医学意义；普通围棋观众面对复杂局面时，也依赖专家说明棋手的意图、局势的变化、失误的原因和潜在的后续发展。围棋讲解并不只是告诉观众某个人下了哪一步，而是在重新组织一场比赛的意义，使观众理解某些动作为什么具有决定性作用。

2004 年 8 月 30 日，常昊九段在解说丰田杯世界围棋王座战半决赛孔杰对李世石的比赛时，就曾指出，执黑的孔杰在布局阶段准备充分，局势一度有利；随后白棋第 44 手出现失误，黑棋第 45 手使白方整块棋受到攻击；但黑棋第 141 手又因计算失误犯下关键错误，白棋第 142 手最终形成决定性打击，使黑棋无法做活。从表面来看，这只是对比赛过程的说明，但在 Abbott 的理论中，讲解者实际上连续完成了专业判断的三个环节：诊断问题、推断后果，以及提出应该如何应对的处理方案。

更值得注意的是，职业棋手使用的围棋语言并不是他们所独占的。普通业余棋手同样知道“失误”“攻击”“死活”“劫争”等术语，也可能理解部分局部变化。职业棋手真正拥有的，是在公共讨论中把这些概念作为权威判断使用的合法资格。这种资格既来自他们更高水平的知识运用能力，也来自职业段位、比赛成绩和行业制度的共同承认。

专业知识网络模型还能够解释，为什么同样的围棋专业能力在不同情境中会呈现不同的形式。在传统电视直播中，两位职业棋手通常站在演示棋盘前，一位负责跟进比赛进度、提出问题，另一位负责深入判断局面并进行专业解释。历史上，这种分工还经常受到性别惯例影响：女性职业棋手更多承担主持与提问角色，而更高排名的男性棋手经常承担专家解说角色。这种形式并不只是工作分工，也是一种精心安排的知识展示。

例如，在 2016 年中国围棋联赛的一次直播中，负责提问的讲解者故意询问白棋是否可以在某处落子，专家则立即摆出黑棋反击的变化，说明白棋如果这样下，角部三颗棋子就会被吃掉，从而导致严重损失。在另一次互动中，提问者询问角部棋形的死活结果，专家便用棋子演示一个经典的“刀把五”死形。对专业棋手来说，这些问题可能并不复杂，但通过角色分工和模拟初学者视角，直播间成为专家展示知识、观众逐渐理解专业语言的场所。

另一种场景发生在赛后的棋手复盘中。2022 年 8 月，研究者在福州吴清源杯世界女子围棋公开赛期间观察到，一场比赛结束后，两名棋手面对棋盘沉默了约两分钟，随后其他棋手逐渐围拢过来。由于比赛房间存在信号屏蔽，现场没有人通过手机查询 AI 评价。中国棋手首先指向棋盘上的某个位置，并把棋子移动到另一个落点，韩国棋手则点头回应，再指出自己认为重要的另一区域。整个交流持续不到五分钟，双方几乎没有依赖共同语言，而是通过手势、落子和对局理解完成了复盘。

虽然这次观察发生在 AI 已经广泛应用的 2022 年，但现场的行为形式保留了人工智能出现之前的传统：职业棋手依靠对棋盘和变化的共同理解，在低声交流甚至不使用语言的情况下判断局势。它也说明，同一种围棋专业能力可以在完全不同的社会安排下被展示。在电视直播中，专家通过语言、角色分工、摄像机和媒体传播获得公开认可；在赛后复盘中，专业能力则通过实物棋子、身体动作和棋手之间的默契得到体现。

从这一角度出发，我更倾向于认为，专业能力不仅包括个人知道什么，也包括一个社会如何安排条件，使个人能够展示自己知道什么，并让其他人认可这种知识。 这也是为什么人工智能出现之后，职业棋手所面临的变化会远远超出单纯的棋力竞争。

八、当 AI 成为最强棋手，人类职业专家失去了什么？

人工智能对职业围棋最直接的冲击，是打破了职业棋手对最高水平对弈的垄断。2016 年以前，顶尖人类职业棋手的比赛通常被认为是最接近理想围棋的实践范例，其他棋手通过研究这些比赛学习布局、战略和战术。但随着 AlphaGo 以及其他超人类围棋程序出现，最优秀的人类棋手也不再代表这项活动的最高能力边界。

这意味着，过去由同一个职业群体掌握的两项任务开始发生分离。人类职业棋手依然能够参加高水平比赛，但这些比赛已经不再是展示整个围棋领域最高能力的唯一舞台。职业棋手也仍然能够讲解和研究围棋，但他们对局面的判断不再自然享有最终解释权，因为 AI 可能给出与人类传统理论完全不同、却在实际胜率评估上更优的选择。

我认为，这种变化可以用 Abbott 所说的职业管辖权重新分配来理解。AI 并没有使人类职业棋手从围棋世界消失，而是让围棋行业重新定义了职业比赛的功能。过去，顶级人类比赛既用于确定谁是最优秀的人类棋手，也承担展示理想对弈方式的功能；在超人类 AI 出现之后，前一项功能继续保留，而后一项功能在很大程度上转移给了 AI。人类比赛通过建立清晰的竞赛边界维持自身意义：AI 程序不得参加职业人类赛事，棋手也严格禁止在比赛过程中获得未经允许的 AI 帮助。

因此，职业围棋比赛仍然能够吸引观众、产生世界冠军并维持职业体系，但其所展示的不再是整个围棋世界的绝对能力上限，而是人类棋手之间的最高水平竞争。这里发生的并不是简单的技术替代，而是任务目标的重新定义：机器承担接近理想水平的棋局探索，人类比赛则继续展示人在统一规则和公平约束下能够达到的竞技水平。

解释权受到的冲击更加微妙。过去，世界冠军对棋局的判断很难受到普通爱好者的实质性挑战，因为双方拥有巨大的棋力差距。但在 AI 工具普及之后，业余棋手可以直接看到 AI 给出的推荐走法和胜率变化，并使用这些结果质疑职业棋手。2026 年的研究中，一位匿名九段世界冠军对此表达了明显的不满：如今很多业余棋手拿着 AI 给出的数字批评职业选手，只关注某一步棋让胜率上升还是下降，却忽略了棋手在真实比赛中做出决策时的思考过程，仿佛所有人都站在一种无所不知的视角上评价别人。

世界冠军古力也谈到了相似经历。他表示，自己现在进行公开讲解时比过去更加谨慎。以前即使他判断黑棋有利，但实际优势没有那么大，也很少有人提出质疑；如今，一旦他的评价与 AI 分析不一致，观众可能立刻拿出星阵、KataGo 或绝艺等系统的结果指出错误。因此，只要涉及明确的局势判断，职业讲解者通常必须先查看 AI 提供的胜率，以避免在公众面前受到挑战。

这种变化说明，人工智能不仅向专家提供了更强大的工具，也向普通人提供了挑战专家的依据。业余棋手与职业棋手之间的身份差异并没有消失，但他们在某些判断信息上的差距明显缩小。过去，专业身份本身就能为某项判断提供可信度；如今，专家提出的判断越来越需要接受外部算法的检验。

我认为，这里发生了一种重要的权威转移：过去，人们因为相信某位专家而相信他的判断；现在，人们越来越可能因为某项判断与 AI 评价一致，才相信这位专家。 这意味着，专家在许多场景中从知识的最终裁判者，变成了需要不断说明、检验和维护自身判断合理性的专业参与者。

九、既然 AI 的判断更准确，为什么人类专家仍然不可替代？

表面上看，如果 AI 已经能够提出更好的落子、估计每个选择的胜率并指出关键失误，那么职业棋手似乎没有必要继续承担围棋解释工作。但 2026 年的研究强调，实际情况并非如此。原因在于，做出高质量决策，与把决策解释为人类能够理解的知识，并不是同一项任务。

研究所考察的围棋 AI 系统，通常把当前棋盘状态作为输入，通过算法计算候选落子的概率分布与胜率评价，并根据这些信息选择下一步。对于一个具体局面，系统可能给出多个候选位置，标明每一步对应的推荐概率、胜率，以及后续可能出现的变化。它也可以把整局棋的胜率变化绘制成曲线，让使用者看出比赛在什么时刻出现了重要转折。

但这些信息本身，并不必然构成符合人类围棋思维习惯的解释。假设一个程序显示，某一步棋的预期胜率从 55.8% 下降到 40.5%，它确实指出这一步棋造成了 15.3 个百分点的预期损失；但仅凭这组数字，观众仍然不知道棋手究竟犯了什么战略错误，也无法理解为什么某一种选择更符合整体局势。对围棋学习者来说，知道哪里应该落子只是第一步，更重要的是理解为什么这样下，以及未来遇到相似但不完全相同的局面时应该如何判断。

研究把围棋 AI 的这一特点与人类专家的解释能力进行比较。AI 可以生成下一步落子的概率分布，人类专家则通常会讨论几种可能选择及其战略含义；AI 可以用胜率衡量落子的优劣，人类专家则会使用攻击、防守、取舍、厚薄、先手和整体平衡等概念解释其中的原因；AI 可以利用胜率曲线展示比赛变化，人类专家则能把这些变化重新组织为一段包含关键失误、转折点、战略意图和最终结果的叙述。

这种差异也与深度学习系统的黑箱性质有关。人工神经网络由数量庞大、关系复杂的参数构成，算法可以计算出输入对应的结果，但即使对于系统开发者，也往往很难直接追踪某项输出究竟由哪些内部计算过程共同决定。围棋 AI 因而能够在实际竞技能力上超越人类，却未必能够直接把内部决策过程转换成传统围棋理论所使用的概念语言。这里所讨论的是研究中的围棋专用 AI 分析系统，不能直接等同于所有具备自然语言生成能力的人工智能。

2023 年 2 月 12 日，朴廷桓九段与党毅飞九段的比赛提供了一个清晰案例。研究者使用星阵围棋 AI 分析这局比赛时发现，在一个关键局面中，AI 为白棋推荐的最佳落子具有 55.8% 的预期胜率，而实际选择的落子对应 40.5% 的胜率。这意味着，白棋的一次选择造成了 15.3 个百分点的胜率损失。根据整局胜率变化曲线，双方在前期局势较为接近，但从中盘开始，白棋连续出现问题，黑棋逐渐取得优势，并在约第 100 手附近形成接近确定获胜的局面。

如果只看 AI 数据，我们能够知道这局棋在什么时刻发生了胜率转折，却未必知道棋手的战略思维为什么出了问题。职业讲解者李泽豪在复盘中提供了另一种解释。他认为，党毅飞在第 58 手之后的局势判断出现问题，过于执着于处理价值较小的棋子，导致其他部分的棋形变薄，整体受到威胁，到第 62 手以后白棋的局势已经非常困难。后续虽然试图在右下角通过劫争寻找机会，但此前积累的损失过大，最终难以挽回。

这段解释把 AI 展示的胜率损失转化成了人类能够理解的战略原则：不能为了挽救局部价值较小的棋子，而忽视整体棋形的安全与未来发展。对于围棋学习者而言，这比单纯记住某个局面下应该落在哪个坐标更有迁移价值，因为它提供的是一种能够在不同棋局中反复使用的判断框架。

但我认为，还需要看到这种解释中隐藏的变化。过去，职业棋手可能首先依靠自己的理解发现关键失误，再用围棋理论解释原因；如今，AI 常常先通过胜率变化识别出问题发生的时刻，人类专家随后运用围棋语言对这一结果赋予战略意义。最终呈现给观众的讲解形式可能没有发生太大变化，但知识产生的顺序已经不同：算法提供评价与候选变化，职业棋手负责把这些信息转化为能够被学习、讨论和传播的解释。

这也形成了一个值得警惕的认识论问题。职业棋手提出的战略解释，并不一定是 AI 内部真实采用的推理过程。它可能是人类根据算法结果构建出来的一种合理化叙述。因此，人类专家在解释 AI 输出时，既发挥了不可替代的知识转译作用，也承担着把无法直接理解的算法结论解释成可理解理论的风险。

十、人工智能时代，职业棋手的工作如何被重新定义？

我认为，职业围棋专家最值得关注的转型，并不是从“棋手”变成“不会下棋的人”，而是从拥有最高水平知识的权威，逐渐转变为能够理解、筛选、解释和传播算法结果的专业中介。2026 年的研究借助职业管辖权理论指出，AI 夺走了职业棋手展示围棋最高水平的管辖权，却并没有完全夺走他们解释围棋的工作。相反，解释工作的内容发生了重要改变：人类专家不再只是直接分析棋盘，而是需要回应 AI 评价、理解 AI 推荐，并把算法输出重新组织为人类能够接受的战略语言。

这种转型并不总是顺利发生。职业七段棋手孟泰龄在访谈中提到，AlphaGo 刚刚出现时，一位著名老棋手因为长期生病，没有及时关注人机挑战赛。恢复之后，这位棋手读到了孟泰龄分析 AlphaGo 棋谱的著作，感到非常震惊，甚至打电话质问：如果书中 AI 提出的那些走法是正确的，那么他们过去学习和实践的围棋是不是都错了？孟泰龄一时很难通过语言进行解释，只能建议对方亲自与绝艺或星阵等围棋 AI 对弈。

这个案例反映出一种深层的职业认知冲突。当某个人为了掌握一项技艺投入了几十年时间，并通过职业认证、比赛成绩和长期实践获得社会认可时，突然出现的外部技术如果直接否定大量传统判断，就不仅是在修正他的某项知识，也是在挑战他理解自身职业身份的基础。许多职业棋手最初无法接受 AI 的压倒性能力，但随着 AlphaGo 相关算法公开、开源围棋程序发展，以及越来越多棋手能够亲自与机器对弈，这种怀疑在 2016 年挑战赛后的约一年间逐渐减弱。AI 对局面的评价也因此获得了越来越高的权威性。

不过，AI 工具的普及并没有让业余棋手在所有方面追平职业棋手。职业八段胡耀宇在访谈中指出，AI 分析结果背后存在大量普通业余棋手难以理解的内容。他们可能知道某一步棋的胜率很高，却不一定理解职业棋手在比赛中的真实思考过程，也不一定能够掌握 AI 推荐落子背后的战略意义。职业棋手由于拥有更深厚的训练和理论基础，仍然更有能力吸收和解释这些信息。

因此，职业棋手的专业优势出现了重新定位。他们可能不再是最强决策的创造者，却仍然能够成为高质量知识的解释者；他们不再独占判断正确与否的信息，却依然可能比普通使用者更懂得如何把评价结果转化为有效的学习内容。

这种变化也可以放到更广泛的职业研究中理解。近年来，新闻业、刑事司法、警务、医学诊断、法律服务和金融交易等领域的研究都发现，算法进入专业工作之后，职业群体不一定被完整替代，而是会通过抵抗、重新分工、制度调整和工作流程变化，把算法纳入原有的职业体系。相关研究把这种过程描述为一种经由技术中介的职业演化。专业人士可能从原始知识的主要生产者转变为知识中介，负责解释算法输出、修复算法分类与人类概念之间的不一致，并在算法不透明的情况下维持专业判断的可用性。

在我看来，这种变化对“专业能力”的定义提出了新的要求。过去，成为专家意味着能够比其他人更准确地完成任务；未来，在某些已经被机器超越的领域，专家的价值可能越来越多地体现为理解机器输出的适用范围、识别其中需要解释的部分、帮助其他人形成有效判断，以及承担机器输出进入实际社会活动之后的责任。

十一、AI 时代的专业知识，背后究竟需要怎样的社会技术网络？

如果继续使用 Eyal 的专业知识网络框架，就会发现人工智能的胜利并不是一台孤立机器完成的，而是一整套社会技术体系共同运作的结果。围棋 AI 能够展示超人类棋力，需要算法、硬件、计算资源、工程师、赛事组织者和传播平台共同参与。与此同时，这些要素并不总是在公众面前同等可见。

2016 年的 AlphaGo 挑战赛就是一个典型案例。在媒体广泛传播的比赛画面中，李世石坐在棋盘一侧，另一侧是 DeepMind 的黄士杰博士。黄士杰并不是以传统意义上的棋手身份与李世石对弈，他的工作主要是根据屏幕上显示的 AI 指令，把棋子放到棋盘上的相应位置。对于观看比赛的大多数观众来说，AlphaGo 似乎只是屏幕中一个没有身体的智能系统，真正运作的技术基础几乎完全不可见。

但在幕后，DeepMind 拥有专门的技术团队和控制室。工程师通过多个显示器监控系统运行，检查推理过程、计算状态和相关参数。根据研究引用的 DeepMind 技术资料，AlphaGo 在挑战赛中使用了 1,202 个 CPU 和 176 个 GPU，并依赖 Google Cloud Platform 提供计算资源。如此庞大的硬件与技术劳动共同支撑了比赛中的每一次机器决策，与公众看到的简洁软件形象形成强烈对比。

我认为，这种对技术基础设施的选择性展示十分重要。公众通常把 AlphaGo 的胜利理解为一个人工智能系统战胜了一个人，但从专业知识网络的角度看，比赛实际上发生在一个由研究团队、工程师、计算设备、云计算平台、软件、赛事规则、棋盘和媒体共同构成的体系之中。机器输出的形成依赖大量技术与组织劳动，但这些劳动往往在公众叙述中被放到幕后，从而形成一种机器仿佛能够独立、自主完成所有工作的印象。

围棋 AI 展示最高竞技能力，也需要新的竞赛舞台。日本电气通信大学早在 2007 年就开始举办 UEC 杯世界计算机围棋大会，邀请来自世界各地的围棋程序参与竞争。但在 2016 年以前，这类比赛主要是 AI 研究者之间的技术活动，对更广泛的围棋职业世界影响有限。2013 年起，赛事组织者开始邀请日本著名职业棋手与程序冠军及亚军进行比赛，当时机器往往还需要五子或更多的让子条件。

AlphaGo 战胜李世石之后，这种关系迅速反转。2017 年的 UEC 杯吸引了围棋界与媒体的广泛关注，尽管 AlphaGo 本身没有参赛，但多种受到其技术路线启发的围棋 AI 已经达到甚至超过人类职业棋手的能力。此后，AI 之间的比赛逐渐成为展示最高围棋水平的重要场所。职业棋手也开始研究这些比赛中的棋谱，并出版分析 AI 不同风格和布局偏好的著作，例如讨论绝艺布局等新的战略模式。有时，AI 比赛获得的关注甚至超过传统人类赛事。

这意味着，展示围棋最高水平的专业知识网络已经发生结构性变化。过去，这个网络主要围绕职业棋手、围棋协会、职业赛事和棋谱传播建立；如今，AI 开发者、计算基础设施和机器之间的比赛成为核心组成部分，职业棋手在其中主要承担学习、整理和解释的角色。原本由职业棋手占据中心的位置，逐渐被更多人类与非人类行动者共同构成的新结构取代。

与此同时，解释围棋的知识网络也发生了变化。在电视直播中，传统的双人讲解模式仍然保留，专业讲解者依旧站在棋盘前分析局势。2024 年 12 月 28 日申真谞与屠晓宇的比赛转播，就是研究所讨论的例子之一。表面上看，直播形式与 AI 出现前相似，但讲解者已经可以通过手机查看实时 AI 分析。观众未必能够直接看到算法界面，解说者则能够根据需要选择展示哪些 AI 推荐走法、哪些胜率变化，以及哪些内容应该省略。

这种安排为职业讲解者保留了相当程度的解释主动权。当某个 AI 推荐选择比较容易用传统围棋理论说明时，讲解者可以详细讨论；当某一步棋难以理解时，他们则可能选择不展示，或者只简要提及。在这样的直播结构中，信息流动通常仍然是单向的：讲解者解释，观众接收。职业棋手因此可以利用自身的专业语言组织一套连贯的比赛叙述，维持公开解释的权威性。

网络平台中的情况则有所不同。在线围棋解说经常使用文字讲解与实时 AI 分析相结合的方式，研究者观察到，一些平台的解说会大约每隔五手展示一次 AI 评价，并提供可以点击查看候选变化、胜率和分析过程的链接。观众因而能够直接接触原始算法输出，并在聊天区域提出问题，要求解释为什么 AI 推荐某一步看似不合理的选择。

在这种环境下，讲解者很难像传统电视直播那样完全控制观众看到哪些 AI 信息。当面对某些难以解释的推荐走法时，一些职业讲解者会直接承认，这是“只有 AI 才能下出来的棋”，现有的人类理解框架尚不足以说明其完整逻辑。他们有时还会建议观众研究稍微次优、但更容易被人类理解的替代选择，因为机械地模仿一手无法理解的 AI 落子，并不一定能够真正提高个人棋力。

我认为，电视直播与在线平台之间的区别，恰好反映了人工智能时代专业权威的两种不同组织方式。在前者中，专家可以通过控制 AI 信息的可见程度维持解释的主导权；在后者中，观众能够直接接触 AI 输出，专家必须更频繁地回应质疑，并明确划分自己能够解释与暂时无法解释的内容。专业知识不再只是从专家传递给公众，而是在算法、专业人士和普通使用者之间不断被检验、协商和重新组织。

由此看来，人工智能并没有创造一个完全没有人类专家的知识体系。相反，它让专业知识的生产与传播变得更加复杂：AI 负责生成高质量选择和数值评价，工程师负责维护技术系统，平台负责提供访问与互动方式，职业棋手负责进行战略解释，普通爱好者则参与检验和质疑。这些参与者共同构成了新的专业知识网络。

十二、两项研究放在一起，揭示了怎样的变化？

我认为，2023 年的量化研究和 2026 年的社会学研究最有价值的地方，在于它们让我们同时看到人类能力与职业权威的不同变化方向。

从个体决策角度看，超人类 AI 出现之后，职业棋手的落子质量显著提高，历史新颖落子更早出现，而且新颖落子的质量改善幅度更大。多项针对简单记忆与模仿的检验显示，这些变化难以完全归因于棋手复制 AI 最佳走法。这意味着，机器的超越可能为人类打开了新的认知空间，使他们有机会摆脱某些传统策略的限制，重新探索过去不被认为合理的决策。

但从职业社会学角度看，同一场技术革命却削弱了职业棋手原有的知识权威。尽管人类棋手在不断变强，他们与顶尖 AI 之间的能力差距仍然意味着，最优秀的人类不再代表围棋最高水平。人工智能接管了展示理想对弈能力的核心任务，并将局势评价的标准在很大程度上从职业棋手转移到算法系统。职业棋手因此必须重新寻找自身定位，越来越多地承担解释 AI 结果、组织战略叙述和帮助他人学习的工作。

这两种变化并不矛盾。一个职业群体可以在绝对能力上取得进步，同时在其所属领域的知识权威结构中失去原有地位。过去，人类棋手之间的差距决定谁是专家；现在，即使最优秀的人类棋手都在不断进步，也未必能够重新获得对最佳围棋决策的最终解释权，因为判断标准已经发生变化。

在我看来，进一步连接两项研究的关键概念是知识传播与累积文化演化。人类社会能够跨代积累知识，并从他人的发明和经验中学习，但这种积累并不一定自动发生。传统知识有时会形成路径依赖，使专家更倾向于采用经过前人验证的熟悉策略，而不愿意尝试尚未获得权威认可的新选择。即使一个新方案客观上可能更好，现有职业文化、认知偏见和学习摩擦也可能阻碍它被接受。

超人类 AI 在围棋领域打破了这种结构。由于部分 AI 系统通过自我对弈发现策略，它们可以在相对不受人类历史习惯限制的情况下搜索复杂的决策空间，发现过去被忽略的选择。人类专家在观察这些选择之后，可能重新评价原有知识，逐步学习新策略，并在此基础上展开进一步探索。创新由此有可能从机器向人类传播，再在人类棋手之间扩散，形成新的知识积累过程。

但这个过程不能被简单理解为机器创造知识、人类被动接受知识。2026 年的研究说明，AI 提供高质量结果并不等于这些结果已经成为能够被人类有效使用的专业知识。要实现知识传播，还需要专业棋手把算法结果转化为战略概念，需要教学机构重新组织训练内容，需要媒体和平台提供传播方式，也需要业余棋手通过学习、讨论和质疑参与知识检验。

因此，我认为人工智能时代的创新至少包含两个相互联系的过程：一是决策空间的扩展，即机器帮助人类发现此前没有充分探索的选择；二是知识组织方式的重构，即人类社会通过职业制度、解释工作和技术网络，把机器输出转化为能够被理解和应用的知识。前者改变我们能够做出什么选择，后者改变我们如何认识、传播和验证这些选择。

这也解释了为什么职业专家的价值不会因为机器性能超过人类而简单归零。专业人士的部分工作确实可能失去原有的重要性，但另一些任务会被重新定义。人类专家仍然需要决定如何解释算法输出，如何判断哪些建议值得学习，如何将新知识整合进既有理论，以及如何在算法无法直接提供人类可理解说明的情况下组织有效的实践。

十三、围棋的经验能否推广到医学、法律和其他专业领域？

虽然围棋提供了十分清晰的案例，但我认为在推广这些发现时必须区分研究已经证实的事实与仍有待验证的推论。

首先，2023 年的研究主要建立在历史观察数据之上。2016 年之后决策质量和新颖性同步提升，以及新颖落子的质量改善幅度更大，都支持人工智能可能影响了人类学习与决策的解释，但它们本身并没有完全建立因果关系。研究者也明确指出，未来仍需进一步验证人工智能是否直接增加了新颖决策、新颖决策是否进一步导致质量提高，以及如果并非通过新颖性发挥作用，还可能存在哪些其他机制。

其次，研究对新颖性的测量具有特定含义。首次出现历史上没有记录过的完整落子序列，能够衡量棋手何时偏离既有棋谱，却不能直接识别一项决定是否具有真正的理论原创性。未来还需要进一步分析，不同时期的新颖落子在战略内容上有哪些实质区别，以及棋手的整体决策风格是否因 AI 发生了长期变化。

第三，研究使用 KataGo 作为决策质量的参照标准。这在围棋研究中具有明显优势，因为该系统的竞技水平超过职业人类棋手，能够为不同年代的棋谱提供相对统一的评估。但它毕竟是一种算法评价，而不是对所有可能对局的完全数学求解。因此，DQI 反映的是人类选择与所用 AI 评价体系之间的差距，而不是独立于所有模型的绝对真理。

第四，围棋与开放社会环境中的专业工作存在根本区别。围棋拥有稳定规则、明确目标和可以量化的比赛结果，而医学诊断不仅涉及疾病识别，还涉及患者差异、治疗偏好、责任分配和伦理选择；法律判断不仅需要处理事实与规则，也需要考虑程序正义、社会价值和制度合法性。即使 AI 能够在某些子任务中超越专家，也不能直接推断它能够取得对整个专业实践的最终权威。

最后，2026 年的社会学研究主要基于亚洲围棋共同体中的定性材料。研究者在 2022 年至 2024 年间进行了 12 个月的多地点田野调查，并完成 44 次半结构化访谈，采用滚雪球抽样接触相关人员。其中包括 21 名职业棋手、10 名围棋 AI 工程师、7 名高水平业余棋手、3 名围棋教师，以及 3 名围棋赛事组织者。21 名职业棋手分别来自中国、日本、韩国和美国，其中中国棋手 17 人，日本棋手 2 人，韩国棋手和美国棋手各 1 人；受访工程师则包括星阵和绝艺等中国主要围棋 AI 系统的开发人员。研究还通过国际赛事观察、直播材料和实际围棋平台分析，比较 AI 出现前后的专业知识展示方式。

这些资料能够细致呈现职业棋手如何理解 AI、如何重新安排工作，以及权威关系在具体实践中如何发生变化，但它并不代表所有国家、所有职业群体或所有人工智能应用场景。研究所呈现的职业管辖权安排，也可能随着围棋 AI 和其他技术继续发展而进一步变化。

即便存在这些限制，我仍然认为围棋为理解其他领域提供了若干值得检验的方向。在医学、金融、法律和科学研究等领域，当算法开始在某些特定任务上超越人类时，我们既需要研究它是否改善了专业人士在独立工作时的实际表现，也需要研究它如何改变专家资格、工作分工、知识解释权和责任关系。单纯比较机器与人的任务准确率，并不足以描述整个职业体系发生了什么。

尤其值得关注的是算法的不透明性。在许多专业领域，技术系统可以输出高质量预测，但预测如何形成并不容易被直接解释。这使专业人士不得不处理一种新的知识摩擦：他们既不能轻易忽略机器的优越表现，也不能把所有模型输出不加解释地交给使用者。在医学诊断、金融交易或法律辅助判断等场景中，专家可能需要把算法的统计分类与现实世界中的专业概念联系起来，对不一致的情况进行解释、修正或补充。

这种工作与围棋讲解者面对 AI 胜率曲线时的任务存在相似之处，但其责任后果可能更加重大。因此，未来对人机合作的研究不应只问“AI 能否做得比人更好”，还需要追问“人类能否因为 AI 而获得新的判断能力”“谁有权解释 AI 的输出”“在算法判断被应用于现实之后，谁承担最终责任”，以及“支持 AI 运行的技术基础设施和人类劳动为什么经常被忽略”。

十四、当机器已经知道得更多，人类还应该学习什么？

综合两项研究，我逐渐形成了一个判断：人工智能对人类专业能力的影响，不能仅仅从替代或增强两个方向进行理解。更准确地说，它可能同时带来能力提升、知识结构变化和社会权威重组，而这些过程有时会相互促进，有时也会产生新的紧张关系。

2023 年的研究表明，超人类 AI 出现之后，职业围棋棋手不仅更接近 AI 评价的最优决策，也更早地走出过去没有出现过的棋谱序列。这些结果说明，机器的存在有可能帮助人类突破长期形成的认知惯性。传统经验仍然重要，但经验不应被视为所有可能选择的边界。当人类能够观察一种能力明显超过自己的系统时，最重要的学习机会可能不只是记住它推荐了哪一步，而是重新思考为什么过去认为不可行的选择实际上值得考虑。

2026 年的研究则进一步说明，知识和专业能力的社会价值不会仅仅取决于谁能产生最准确的结果。即使 AI 已经成为最强围棋决策者，人类专家仍然在知识的理解、解释和传播中发挥重要作用。职业棋手虽然失去了展示最高水平对弈的独占地位，却通过解读 AI、组织讲解、开展教学以及帮助普通棋手理解复杂变化，继续维持专业价值。

这里最重要的区别，是答案与理解之间的区别。AI 可以向使用者提供一个高质量的答案，但使用者是否真正理解答案、是否能够把它转化为新的判断能力，以及是否知道在什么情况下应该接受或质疑这个答案，仍然是不同的问题。对于一位正在学习围棋的人来说，知道最优落点并不等于掌握围棋；对于一位使用复杂技术系统的专业人士来说，获得优秀预测也不等于形成完整的专业判断。

因此，我不认为人工智能时代的学习应该仅仅追求更快地获取正确答案。相反，更有价值的能力可能包括：识别传统知识中的隐含假设，理解机器为什么会挑战这些假设，在面对不熟悉的选择时保持探索能力，以及把算法结果重新组织为可以迁移到其他情境的知识。与此同时，人类还需要意识到，自己对于 AI 结果的解释可能只是基于现有理论形成的一种理解，而未必完全揭示了模型内部的实际运作方式。

围棋世界也提醒我们，专业身份并不是一成不变的。职业棋手的价值从来不只是某个抽象的棋力数字，而是由竞技、教学、解释、研究、制度认可和社会传播等多种活动共同构成。当机器接管其中某项任务时，职业并不必然消失，但其内部任务的价值排序、从业者之间的关系以及公众判断专家的标准，都可能发生变化。

我认为，未来真正重要的不是坚持人类必须在所有任务中比机器更强，也不是把机器的每一次输出都视为不容质疑的最终结论，而是建立一种能够让机器优势转化为人类学习、创新和专业实践能力的机制。这样的机制既包括先进算法，也包括能够解释算法的专业人士、支持知识传播的教育组织、允许普通使用者提出质疑的平台，以及明确划分工作责任的制度安排。

回到 2016 年 AlphaGo 战胜李世石的那个历史时刻，人们最初看到的是机器终于超越了一个长期被视为人类智慧象征的领域。但当我把此后数百万次职业落子的变化，与围棋行业近十年的职业转型放在一起观察时，看到的并不是一个简单的人类失败的故事。

一方面，人类通过接触比自己更强大的机器，开始做出更多新颖且质量更高的选择。另一方面，人类不得不接受自己不再拥有最高水平知识的全部权威，并重新定义专业工作的意义。人工智能的出现，既可以使人类失去原有的优势，也可以为人类创造新的学习空间；它既可能削弱传统专家的地位，也可能让理解、解释和传播知识的能力变得更加重要。

这或许才是围棋案例留给人工智能时代最值得思考的启示：当机器开始比人类更擅长给出答案时，人类的价值并不必然随之消失，但它可能越来越取决于我们能否从这些答案中获得新的理解、提出新的问题，并把机器创造的可能性转化为真正属于人类的知识和实践。

参考研究

1. Shin, M., Kim, J., van Opheusden, B., & Griffiths, T. L. (2023). Superhuman artificial intelligence can improve human decision-making by increasing novelty. Proceedings of the National Academy of Sciences (PNAS). PMCID: PMC10041097. PMID: 36913582.

本文借鉴了该研究关于 1950—2021 年职业棋手历史落子、决策质量指数、新颖性指数、回归模型、记忆假说检验及研究局限的主要结果。

2. He, J. (2026). Redefining human Go experts in the post-AI era: Perspectives from the sociology of professions and expertise. Big Data & Society, 13(2). DOI: 10.1177/20539517261465667.

本文借鉴了该研究关于职业管辖权理论、专业知识网络、亚洲围棋共同体田野调查、职业棋手身份转型、AI 分析与人类解释的关系、围棋赛事技术基础设施，以及电视和在线讲解模式变化的主要讨论。