Français 历史从来不只是日期、文献和证词的简单累积。它也是一个不断筛选、诠释和传承的过程。几个世纪以来，历史学家、档案工作者、教师、记者和文化机构一直在塑造我们的共同记忆方面发挥着至关重要的作用。但如今，一个新的参与者已经能够以前所未有的规模介入这一过程：人工智能。
随着生成式模型能够创造文本、照片、视频和人工合成的声音，AI与集体记忆之间的关系正逐渐成为一个重要的社会议题。这些技术可以帮助我们探索规模庞大的档案，修复某些文献，或让文化遗产更容易被公众接触。同时，它们也能够生成极具可信度的内容，呈现一些实际上从未发生过的事件。
因此，真正的问题已经不只是机器能否讲述历史，而是我们未来将如何继续区分历史文献与重构内容、假设与既定事实，以及说明性图像与真实证据。
这一问题正是 Léwis Verdun 的迷你读物《人工智能将如何重写历史？》所探讨的核心内容，并进一步引出一个更广泛的问题：在生成式内容时代，我们如何在不放弃人工智能所带来机遇的同时，保护集体记忆的可靠性？
当档案遇上人工智能
档案是理解过去社会的重要信息来源。图书馆、博物馆、政府机构和研究中心保存着数以百万计的照片、手稿、报纸、录音和其他文献，而其中只有一部分得到了深入研究。
在这一背景下，人工智能与历史研究可以形成一种极具潜力的合作关系。计算机系统能够帮助研究人员对大量文献进行分类、发现不同资料之间的关联、转录文本，或提升数字化馆藏的检索效率。
其目的并不一定是取代历史学家，而是增强他们探索资料的能力。
例如，一台能够快速分析数千份文献的机器，可能发现一些需要人类团队耗费大量时间才能识别的关联。AI还可以通过改进索引、翻译和背景信息整理，让某些数字档案更容易被普通公众获取和理解。
这种发展为博物馆和教育领域带来了许多值得关注的可能性。一场展览可以根据经过验证的资料，以不同方式呈现某个历史时期。教师可以更加便捷地使用来自多个馆藏的文献。研究人员则能够检索规模庞大的资料库，而不必逐一阅读其中的每份文件。
然而，分析速度并不能保证解释的准确性。
算法依赖数据和模型运行。如果数据中存在错误、过时的观点或信息分布不均衡，其输出结果也可能复制这些问题。因此，由AI生成的某位历史人物或某个古代群体的形象，即使看起来极为真实，也可能建立在值得质疑的假设之上。
正是在这里，人类的审慎判断再次变得不可或缺。
逼真的图像不一定就是历史证据
长期以来，我们对照片和视频赋予了一种特殊的可信度。尽管图像操纵技术早在人工智能出现之前就已经存在，但生成式工具正在从规模和普及程度上彻底改变这一现象。
如今，即使某个场景从未被拍摄过，我们也可以创造出一个在历史上看似完全合理的画面。已经去世的人可以仿佛站在镜头前讲话。一条古老的街道可以被重新构建到极其细致的程度。合成声音甚至能够让某位知名人物“说出”他们实际上从未说过的话。
因此，**历史深度伪造内容（deepfake）**正在削弱一种根深蒂固的心理判断：“我亲眼看到了，所以它一定发生过。”
危险的一部分恰恰来自其逼真程度。质量粗糙的图像往往会自然引起怀疑，而一张高度写实的图片，如果配有可信的说明文字并被转发数千次，则可能逐渐获得类似历史文献的权威感。
重复传播还会进一步强化这种现象。当同一张图片在社交网络上流传、出现在视频中，并随后被不同网站转载时，即使它最初完全由人工智能生成，也可能逐渐被人们视为一种可靠的参考资料。
因此，未来世代可能面临一种新的困难：他们的数字环境中将同时存在真实文献、修复内容、教育性重构、艺术创作以及具有欺骗性的伪造内容。
届时，我们需要提出的问题将不再只是：“这张图片展示了什么？”还应该包括：“它来自哪里？是谁制作的？依据了哪些资料？制作它的目的是什么？”
这种判断习惯正是未来公民和学生越来越需要具备的数字素养基础之一。
算法偏见会改变我们对过去的理解吗？
生成式人工智能并不是一扇完全中立的历史窗口。它生成的内容取决于训练数据、系统设计，以及用户提出问题和指令的方式。
然而，人类自身保存下来的历史档案本来就是不完整的。
有些群体留下了大量文字或视觉资料，而另一些群体留下的记录却非常有限。某些叙事曾经在社会机构中占据主导地位长达数十年。一些证词已经消失，某些语言曾遭到边缘化，而错误的历史形象有时因为被反复传播，最终变得令人习以为常。
因此，算法偏见可能进一步放大原本就存在的历史偏见。
设想一下，如果一个系统被要求根据一组信息分布不均衡或在科学上已经过时的资料，生成某个古代群体的形象，那么最终结果可能在视觉上极为震撼，却向公众传递了错误的历史印象。
当AI自动填补自己并不了解的信息时，这一问题会变得更加复杂。生成式模型的目标是产生连贯的回答，而不是在遇到每一个不确定因素时保持沉默。因此，一条虚构的信息可能混入多个真实事实之中，并借助这些真实信息获得额外的可信度。
在历史领域，这种能够制造令人信服的“幻觉”的能力，使我们必须明确区分探索与验证。
AI可以提出研究线索，可以帮助开展调查，也可以提供假设性的重构。但一个历史论断仍然需要可识别的资料来源、充分的背景说明，并且在必要时接受人类专家的判断。
围绕人工智能伦理展开的国际讨论，也经常强调透明度、责任、人类监督以及公众意识等原则。
当这些原则应用于集体记忆时，它们会变得非常具体：我们需要知道某个内容是否由AI生成，能够追溯其依据的资料来源，并避免把重构内容当作原始历史文献来展示。
我们的个人记忆也正在变得“可生成”
这一问题并不仅仅涉及大型国家档案馆或重大历史事件。人工智能也开始影响我们保存和呈现个人记忆的方式。
根据一段个人叙述，一些工具可以生成童年生活场所的图像，将梦境视觉化，或者重构一个从未留下照片的场景。这些应用可能具有艺术、教育，甚至治疗方面的价值。
但与此同时，它们也模糊了一条重要界限：记忆本身与记忆的视觉呈现之间的界限。
人类记忆本来就不是对过去的完美复制。随着时间推移、情绪变化，以及我们一次又一次讲述某段经历，记忆本身也会发生变化。如果一张AI生成的图片随后为某段记忆赋予了极其逼真的视觉形态，那么这张图片反过来也可能影响我们未来如何讲述这段经历。
从个人层面来看，这一现象十分引人入胜。但如果扩大到数百万用户，它可能改变整个社会与过去痕迹之间的关系。
因此，AI与集体记忆不能只从虚假信息的角度来理解。它们还提出了一个更加深层的问题：当我们接触到的图像中有越来越多可能是人工合成的，一个社会究竟将如何构建自己的共同记忆？
如何在AI时代维护可靠的集体记忆？
完全禁止在历史领域使用人工智能，既难以实现，也可能适得其反。这些工具确实能够为研究人员、教师、文化行业从业者和普通公众带来新的机会。更合理的目标，是建立一套能够发挥其优势，同时避免混淆创作与史料的使用规范。
以下是一些值得培养的实践习惯：
- 确认内容的来源。 一张引人注目的图片应该能够追溯到明确的来源、作者、机构或制作方式。
- 区分历史文献与重构内容。 AI生成的内容应该被明确标注，尤其是在涉及历史人物或历史事件时。
- 交叉验证资料。 重要的历史论断不应完全依赖生成式模型给出的单一回答。
- 审视所使用的数据。 在条件允许的情况下，应关注重构所依据资料的质量、多样性以及年代。
- 培养数字素养。 学会寻找图像来源、核实信息并识别操纵痕迹，正在成为一种重要的文化能力。
- 保持人类监督。 历史学家、档案工作者、研究人员和专业人士在解释资料及其背景方面仍然不可替代。
- 建立透明规则。 机构、媒体和平台应该明确说明历史内容是否由AI生成，或者是否经过AI的大幅修改。
当读者遇到令人惊讶的历史内容时，可以简单地提出四个问题：原始来源是什么？内容是真实资料还是重构内容？是否存在其他独立来源能够证实它？为了理解其背景，我们还缺少哪些信息？
花几秒钟进行这些核实，就可能带来非常重要的区别。
因此，我们的目标并不是对所有数字图像和文本产生系统性的怀疑，而是建立一种适应生成式内容时代的全新证据意识。
人类与机器的合作也可能丰富历史研究
AI带来的风险不应该掩盖它的潜力。如果使用得当，它可以成为帮助公众接触文化遗产的强大工具。
它能够帮助人们探索过去难以查阅的馆藏，比较不同的文献资料，促进历史材料的翻译，或者创造新的教育体验，让公众更深入地理解某个时代。
其中最重要的条件，是始终保持对三种内容的明确区分：我们真正知道的、我们通过资料推断出的，以及我们借助技术重构出的。
从这个角度来看，人工智能与历史的未来并不一定是一场人与机器之间的竞争。它完全可以建立在互补关系之上：一方面是计算机系统强大的处理能力，另一方面则是人类的批判性思维、背景分析、责任意识和专业知识。
我们的集体记忆一直随着媒介的发展而变化：口述传统、手稿、印刷术、摄影、电影、数据库以及数字网络。人工智能代表着一个新的阶段，但它存在一个重要区别：它已经不再只是保存或传播过去留下的痕迹，而是能够创造新的“过去痕迹”。
正因如此，批判性思维、数据质量、透明度以及媒体教育正在变得越来越重要。我们的目标并不是在创新与记忆之间二选一，而是确保前者能够丰富后者，而不是抹去我们判断历史真实性所依赖的坐标。
这正是 Léwis Verdun 的《人工智能将如何重写历史？》所探讨的核心问题。通过档案、算法幻觉、深度伪造、偏见以及记忆重构等议题，这本迷你读物邀请我们思考：当机器开始具备创造可信历史表象的能力时，我们究竟希望保护和传承什么？
立即在 FIVE ÉDITIONS 的 Nouveaux Horizons 系列中探索 Léwis Verdun 的《人工智能将如何重写历史？》。
