近年来，人工智能与历史学的关系日益受到学术界关注，围绕大语言模型的讨论尤为集中。人工智能在史学应用中存在生成错误知识、削弱学者主体性、模糊原创边界等问题，应受到重视。但如果讨论长期停留在人工智能“会不会替代”等层面，则易将人工智能视为史学研究的外部威胁，忽视其已经引发及可能进一步带来的变化。人工智能未必改变历史研究“由谁负责”，却会改变历史研究“如何进行”。对此，可从两条路径考察人工智能赋能史学研究：一是嵌入既有研究工作流；二是探索历史解释形态的重组。

　　史学应用不等于“大模型问答”

　　目前，大语言模型引发学术界热议。但人工智能应用于史学研究，不能被简单视为“大模型问答”或“机器代写”。更值得关注的变化发生在史料整理、知识组织、研究过程记录和校验等环节。甲骨文识别、赫库兰尼姆碳化卷轴识读等探索，都不是简单依靠机器撰写历史，而是先将复杂材料转化为可识别、可匹配、可检索的对象，再由模型完成识别、分类、补全或增强。它们首先解决的是复杂材料如何进入研究的问题，而材料能否支撑新的历史解释，仍要依靠研究者判断。

　　应用于历史研究的人工智能，既可能是图像识别模型、手稿识别系统，也可能是知识图谱工具或建立在专业史料库之上的检索增强系统，大语言模型只是其中一类工具。对史学研究者来说，一段流畅的回答未必有多大价值，更关键的是字符识别是否准确、史料来源是否可靠、实体标注能否复核、检索结果能否回到原始材料。迄今为止，手稿识别误差、跨语种实体对齐困难、长文本检索遗漏，以及模型生成中的出处漂移等问题仍未完全解决，这些都会影响相关工具在史学研究中的应用可靠性。

　　笔者从事明清海洋史、中外关系史研究，长期面对外文档案和中文史籍之间的互证问题。人工智能若只是帮助生成概括性文字，实际价值有限。更具价值的是其能够深度嵌入研究工作流，协助研究者整理异名，提取时间、地点、人物、商品和制度信息，提示可能相关的材料，并将分散证据组织成可以核查的结构。

　　嵌入研究工作流

　　人工智能介入史学研究，首先可以嵌入既有研究流程。但这里需要避免把史学研究想象成一条整齐的流水线：先提出问题，再收集材料，然后整理证据，最后写出结论。研究通常要在材料和问题之间反复折返。一条新史料可能改变原有问题，偶然发现能够带来新的研究方向，整理材料时产生的疑问，也会促使研究者重返文献。因此，在既有流程中使用人工智能，不宜把它设计成固定步骤。更合适的是建立一种开放的、可往返的研究工作台。专业史料库、史料卡片、证据表和研究日志仍然重要，但它们应服务于史料回访、问题调整和证据重组。机器不只是加快检索，也应帮助研究者保留线索、比较证据、记录取舍。南京大学历史学院数智文献处理平台的建设，可视为对这一方向的探索。

　　这一路径还要求区分幻觉与探索阶段产生的错误候选。对于最终研究成果，虚构的史料和错误出处等必须排除，但在材料探索、问题生成阶段，模型提出的不成熟关联乃至错误假设，并非毫无价值。它们可以作为待验证的线索，但不能伪装成事实，相关材料与依据必须可追溯，并重新接受史料与研究者的检验。未经验证的生成内容一旦借助流畅的文字呈现，便容易造成事实有据、结论可靠的假象。

　　在“数智时代历史学的新进展”专题（《中国社会科学》2026年第8期）中，高晞、梁晨、张萍的讨论，主要展示了人工智能进入史学研究流程的实践，并触及知识生产形态的变化。在此基础上，还可进一步追问：人工智能是否可能改变历史问题的生成方式与解释的组织形态？

　　重组历史解释形态

　　梁晨指出，技术引入并不意味着认识论层面的史学研究范式发生根本转变。本文探讨的第二条路径，则着眼于历史知识生产组织形态的可能突破。传统史学研究以史料、问题和论证为中心，史料通常要经过研究者的选择和整理才能进入具体的研究过程。人工智能深入史学研究，研究者面对的不再是若干孤立材料，而可能是一个不断生成候选关系的历史数据环境。文本、图像、地理信息和语言变体，都可以在同一系统中被重新连接。

　　问题的产生方式也将有所变化。研究者未必总是先提出问题，再搜集史料，问题也可能从材料关系中浮现。某个概念在多语种文献中的错位，某类商品在不同港口记录中的异常分布，都可能成为新问题的切入点。人工智能可以扩大候选关系和问题的生成空间。

　　历史解释的最终形态也可能随之改变。传统论文或著作在最终呈现时，通常要求研究者将解释凝练为一条相对清晰的论证线索，而人工智能系统则可以保存多个解释版本。某一解释更符合账簿材料，另一解释更符合官方文书。研究者不必立刻否定某个竞争解释，而是可以让它们在同一证据系统中并置、比较和修正。如此，历史解释就不只是最后形成的一条线索，也可以成为一个可展开的解释网络。

　　在这一解释网络中，史学原有的解释检验可能形成某种“弱实验”形态。历史不能重来，历史学也无法像自然科学那样对历史进行实验。人工智能的应用，能够在庞大的证据网络中系统展开并记录证据条件变动所引发的解释变化。研究者可以移除关键证据、加入反例或改变材料范围，观察原有解释是否随之变化。输出结果的异同本身并不能证明解释成立，真正需要考察的是解释对不同证据条件的依赖程度。换言之，人工智能实验的对象不是历史本身，而是我们对历史的解释。

　　这种突破并不适合所有历史研究领域，也不能以一种统一模式替代传统史学研究范式。对经济史、海洋史等材料密集、关系复杂的领域，人工智能的价值更多体现在问题空间的扩展、解释比较和机制推演上。对重视概念、语境和个体经验的研究领域，则要克制地应用人工智能。不同研究领域的材料和问题不同，人工智能介入的方式也会不同。

　　上述两条路径并非彼此排斥。第一条路径着眼于人工智能如何进入既有研究过程，强调当下亟须推进相关基础建设。第二条路径讨论历史问题的产生方式和解释形态可能发生的变化。前者更多是重组研究过程，后者则可能重组知识生产形态。

　　人工智能带给史学的真正挑战，是如何在新技术条件下重建史料、问题、解释与责任之间的关系。机器可以扩展问题和解释的生成空间，但对证据的判断、不同解释的取舍仍然取决于研究者，学术责任也应由其承担。只有把人工智能纳入史学研究规范，历史学才可能在新技术条件下坚守学术判断力，开拓新的研究空间。

　　（作者系南京大学历史学院暨明史研究中心副教授）