hero

Benjamin Breen 在 9 月 24 日提出一個比「AI 能不能幫歷史學家」更具體的主張：前沿 AI 實驗室、歷史研究者與資助機構，應主動建立合作，替可由模型推進的歷史問題提供資源。這不是把人文研究包裝成下一個 benchmark；他的前提恰好相反：真正可做的題目很少，而且必須由專家先把問題、材料與反證條件定義清楚。[1]

原文摘要

Breen 認為，近一年模型的能力改變，使它們不只可做逐字稿、翻譯等「研究助理」工作，也可能協助處理既有的歷史難題。但他沒有宣稱模型可獨力生產歷史知識；可行性取決於一組嚴格條件：領域專家是否已辨認出待解問題、所需資料是否已完整數位化且可存取、問題是否剛好需要模型能力不均勻卻突出的部分，例如多語推理、數學能力、跨大量資料或跨子領域搜尋；是否容許為問題寫專用程式；以及答案能否被清楚證明或證偽。[1]

這套條件把範圍壓得很窄。Breen 列出的例子包括密碼學與破譯、追蹤文本在翻譯與改寫之間的流動，以及把分散於小眾或彼此隔離的研究領域重新連接。他以牛頓從法文煉金術文本自由譯成拉丁文的一段文字為例，說明模型可協助辨識來源；重點不在模型「懂煉金術」，而在可比對的大量文本、語言轉換與可檢驗的對應關係恰好相交。[1]

這也要求把幾種常被混成一句「AI 做歷史」的工作拆開。轉寫是把掃描件轉成可搜尋文本；候選發現是從版本、語句、姓名或密碼模式中提出可能的來源、關聯或解法；命題測試則是在預先說明的資料與規則下，檢驗某個對應、解碼或文本傳播假說能否成立。三者都可以大幅減少人力瓶頸，卻不等於歷史詮釋。模型提出一條線索，不能自行決定它在何種制度、語境、物質條件與研究爭論中有何意義；更不能替代進檔案館查驗原件、辨認缺頁與編目歷史，或建立受訪者與社群之間的信任。

Breen 2025 年在 UCSC 的演講描述了同一條界線：未數位化檔案、默會或身體化知識、社會關係與實地存在，會因 AI 擅長數學、翻譯、程式等任務而更顯重要。歷史研究的未來不是拒絕工具，而是理解工具如何補足、而不是取代走入檔案、訪談與掌握地方文化脈絡的工作。[2] Simon Willison 轉述 Breen 較早的實驗時，也把當時模型放在「多才多藝的研究助理」位置：它可給出探索方向，但所謂突破性論點往往只是見多識廣卻可預期的平均答案。[3]

哪些歷史問題適合

最適合優先資助的，不是「讓模型讀完所有歷史並說出新觀點」，而是可被設計成可審核工作流的問題。其一是高品質數位材料上的轉寫與校對：保留影像、轉寫版本、人工修訂與不確定標記，讓錯誤能被追溯。其二是候選發現，例如跨語版本的片段追蹤、已知密碼的候選解讀、分散書目與資料庫的關聯搜尋；產出應是可供專家複查的候選清單，不是帶著自信口吻的結論。其三是命題測試：由歷史學家事先設定資料範圍、比對規則與失敗標準，讓另一位研究者能重跑程式並挑戰結果。

反過來說，材料未數位化、來源鏈不明、答案無法反證，或核心問題是「這段沉默意味什麼」時，模型的流暢輸出沒有解決證據問題。它可能加快前期整理，卻也可能把資料庫覆蓋率誤作歷史世界的覆蓋率；這正是資助設計必須先處理的偏差，而非等模型生成漂亮故事後才補救。

城武觀點

值得資助的不是「AI 幫人文證明自己有用」，而是能把公共資源投向可重現、可反駁的研究基礎設施：開放的影像與轉寫版本、可查的資料來源、專用程式、失敗案例與人工審核紀錄。若實驗室只資助能展示模型神奇答案的題目，歷史材料會被降格成 demo 的燃料，詮釋權仍集中在握有算力、資料管線與發表舞台的一方。

更棘手的是，歷史學最稀缺的部分往往正不在可抓取的文字：檔案館的編目缺口、紙張與筆跡的物質線索、地方關係中的信任，以及研究者知道何時不能下結論的判斷。Breen 的方案有價值，因為它沒有把這些摩擦視為待消除的成本。資助應要求模型系統交出可被質疑的中間產物，並讓檔案工作者與歷史學家決定問題；否則「加速研究」只會加速既有資料與既有權力的偏見。

城武的未解檔案——模型可以替你找到門牌，但誰有資格說明那扇門曾經通往哪裡，不能交給下一個 token。

來源

[1] AI labs need to start funding historical research（Benjamin Breen，Res Obscura，2026-09-24）

[2] Benjamin Breen – AI Legibility, Physical Archives, and the Future of Research（The Humanities Institute, UC Santa Cruz，2025-03-04）

[3] Simon Willison on benjamin-breen（Simon Willison，2025）