没有亲历，不妨碍提出有效建议。能够提出建议，不意味着掌握具体处境。AI扩大了间接经验的使用范围，也使经验与判断之间的距离更加需要说明。
解释能力的增长，首先提出理解问题；建议能力的增长，则进一步涉及身体、情境与实践。语言可以传递经验，却不能保证每项经验都适用于当前对象。
间接经验确有价值
知识并不全部来自亲历。文本、证言与专业训练，使个体能够借助他人的经验行动。大语言模型从大量材料中学习关联，可以重新组织其中的表达、知识与推理，为具体任务提供支持。
这种支持具有实际用途。复杂叙述可以整理成事实、偏好与待确认事项；不同选择可以并列比较；含混措辞可以拆开；材料中的限制条件可以集中提取。研究者因此更容易识别判断依赖什么。
哲学研读中的术语用例比较，社会科学中的访谈条件提取，都可以利用这种能力。模型增加材料处理的范围，也降低反复比较的成本。它的价值，不必通过拥有相同经历来证明。
但经验的可传递性有范围。文本表达的是经验的一部分，具体选择还受资源、关系和行动条件制约。材料中没有说明的条件，不会因为回答完整就自动齐备。
身体与情境各自承担什么
德雷福斯对人工理性的批评，强调熟练活动、背景与情境对理解的作用。这一论点针对把日常理解完全还原为明确事实和规则的设想，不宜概括为“没有身体就没有任何理解”。著作
身体使某些事实具有直接的行动分量。疲劳改变可承受的选择，疼痛改变注意，熟练活动则使行动无需逐条计算。描述这些作用，与拥有相应经验，是不同条件。
不同任务对这些条件的依赖也不同。整理一份交接清单，较多依赖可明确陈述的信息；判断一种生活安排能否持续，则需要了解个体的承受能力与现实约束。任务相近，证据要求可能相差很大。
多模态系统与机器人增加了感知和行动反馈，使相关问题继续变化。但输入形式的增加，尚不能直接证明其具有人类的身体处境。技术能力与经验条件需要分别考察。
建议的质量，取决于条件是否充分
有效建议至少需要两方面依据：相关知识与对象的具体条件。模型可能拥有较强的知识组织能力，却缺少足够的对象信息。建议失当，有时发生在这两者之间。
因此，AI适合先协助明确问题。哪些信息已经确认，哪些偏好彼此冲突，哪些条件尚不清楚，都可以整理。需要补充的材料清楚以后，判断才有进一步依据。
这种方法也适用于研究。政策分析需要保留实施条件，访谈解释需要保留表达情境，概念比较需要保留术语所在的论证。把条件抽掉，容易得到通用判断；把条件放回，才可能得到适切解释。
亲历本身也不保证判断可靠。人会误用自己的经验，忽略他人的处境。AI的问题因此反过来要求人类检验自身：经验怎样进入理由，哪些经历具有相关性，哪些差异不能省略。
经验可以传递，判断必须重新成立。 AI带来的帮助，是使更多经验能够参与比较；它留下的要求，是让每项建议重新面对具体条件。
参考资料与延伸阅读：
发表评论