有時候，技術變化真正讓人感到震動的，並不是看到一條新聞說某個新的人工智慧模型發佈了，也不是看到各種令人眼花繚亂的能力演示，而是在某個很普通的下午，突然意識到：一個月前自己還在認真做的事情，現在已經不需要那樣做了。上個月，我還在使用程式檢查書稿中的文內引用和參考文獻是否一致。整部書大約有四百六十條參考文獻，如果完全依靠人工一條一條核對，不僅費時，而且很容易因為疲勞而遺漏。所以當時我專門用程式説明自己檢查，看看正文裡出現的引用能不能在書末的參考文獻表中找到，參考文獻表裡的條目是不是確實在正文中出現過。那時候，我覺得這種方法已經相當高效了。畢竟原本需要長時間機械核對的工作，可以交給程式自動完成，人只需要處理最後發現的問題。可是僅僅過了一個月，當我再次面對這部書稿時，突然發現自己思考的問題已經完全不同了。我不再只是問：“能不能幫我檢查這四百六十條參考文獻？”而是開始問：“能不能幫我審計整部書？”
這兩個問題看起來只是範圍擴大了一點，實際上背後的工作方式已經發生了很大的變化。上個月使用程式的時候，我仍然需要自己想清楚每一條規則。什麼算正文引用，什麼算參考文獻，作者姓名怎樣匹配，年份怎樣匹配，同一個作者同一年發表多篇文章時怎樣處理，哪些情況屬於錯誤，哪些情況只是格式差異。程式當然非常勤奮，只要規則寫對了，它可以一遍又一遍地檢查，而且不會疲勞。但問題在於，所有判斷標準首先必須由人轉化成機器能夠執行的規則。現在再使用人工智慧處理同一部書稿，我發現自己越來越少考慮“這個檢查應該怎樣程式設計實現”，而是越來越直接地描述我要檢查的問題。我可以告訴它：檢查整部書中所有文內引用和參考文獻是否對應；檢查同一個理論概念在不同章節中的定義有沒有發生變化；檢查同一個資料在不同地方出現時是否一致；檢查引用的文獻是不是真的支持我寫下的那句話；甚至檢查全書那些細小到令人頭疼的編輯問題。過去我首先考慮的是怎樣設計工具，現在我越來越多考慮的是：我究竟還想檢查什麼？
這種感覺很奇妙，因為變化並不是發生在一個與自己無關的遙遠領域，而是直接發生在自己的書桌上。還是同一部書稿，還是那些章節，還是那四百六十條左右的參考文獻，甚至還是我自己在做同一件事情，可是人與工具之間的分工已經悄悄改變了。以前我要先把問題拆解成一個個明確的小任務，再想辦法讓電腦執行；現在我開始可以把一個相對完整的問題直接交給人工智慧，讓它先理解我的意圖，再去尋找可能存在的問題。這種變化讓我第一次非常具體地體會到，所謂人工智慧能力的提高，並不只是回答問題更準確了、寫文章更流暢了，而是我們與電腦合作時所使用的“語言”正在改變。過去，我們要學習機器的語言，把人的問題翻譯成程式；現在，機器開始越來越能夠理解人的語言，把我們真正關心的問題轉化成它自己的工作過程。
最明顯的例子當然還是引用。四百六十條左右的參考文獻，如果只是檢查“有沒有”，其實已經是一個相對明確的機械任務。正文引用了某位作者某一年的文章，參考文獻表裡有沒有；參考文獻表列出了一篇文章，正文究竟有沒有使用；作者姓名和年份是不是一致；同一作者同一年發表的幾篇文章，字母標記有沒有前後混亂。這些問題過去通過程式也可以解決。但當人工智慧開始進一步追問“這篇文獻究竟支不支持這句話”的時候，事情就完全不同了。比如書稿中寫道某項研究發現某個比例是百分之三十，那麼真正重要的問題已經不只是參考文獻表裡有沒有這篇文章，而是原始文獻中的數字究竟是不是百分之三十；如果正文說一項研究“證明”了某種關係，而原文其實只是發現兩個變數存在相關性，那麼引用雖然形式上完全正確，學術意義上卻可能並不準確。過去的程式可以告訴我“引用存在”，卻很難告訴我“引用是否恰當”。而現在，這種原本需要人打開文獻、重新閱讀、理解上下文之後才能進行的核查，也開始進入人工智慧可以協助完成的範圍。
再往前一步，我發現真正讓我感到興奮的，甚至還不是引用，而是整部書內部的一致性。一本書寫到一定長度之後，作者面對的一個現實問題就是：你不可能始終清楚地記得幾個月以前自己究竟怎樣定義過某個概念。也許第二章說一個理論包含三個核心要素，到了第九章，因為寫作環境和上下文發生變化，不知不覺又用了稍微不同的表述；也許前半部一直採用某個術語，後半部換成了另一個意思相近的譯法；也許某個縮寫已經在前面定義過，隔了幾章之後又被當作第一次出現重新解釋；甚至同一個數位，在不同章節中因為資料版本不同，出現了百分之三十七和百分之三十八這樣的細微差異。寫每一個章節的時候，這些句子單獨看可能都沒有問題。真正的問題只有把整部書放在一起比較時才會顯現出來。可是對於一個已經對自己的文字熟悉到幾乎會自動補全意思的作者來說，這種全書範圍的比較恰恰非常困難。人工智慧在這裡突然變成了一雙很特別的眼睛：它既讀局部，也可以比較整體。