反事实历史：人工智能在模拟与历史真相之间

生成式人工智能正在将“如果……会怎样？”这一问题转化为一种互动且沉浸式的体验，为历史教学开辟了新的前沿。然而，正如近期学术与教育学研究所示，模拟一个替代性情景并不等同于产生历史证据。虽然人工智能可以激发批判性思维并促使人们反思因果动态，但其结构性局限（幻觉与缺乏内部验证）使得严格应用历史方法变得不可或缺。目标不是用程序

生成式人工智能拥有一种非凡的能力，能够让“如果……会怎样”这一经典问题变得生动鲜活，提供对从未被探索过的历史岔路口的沉浸式互动体验。这项技术的教育价值在于，能够将机器生成的替代情景与真实史料、时代背景和既有史学阐释进行对比。然而，风险在于将文本上看似合理的叙述与经过验证的历史重建相混淆，把概率性的幻觉误认为平行真相。

“如果”作为互动教学工具

在历史教学中运用反事实推理，能够超越被动学习，训练学生理解历史事件的因果性、选择性和偶然性。具备历史身份的聊天机器人可以推动学生放弃简单的事实性问题，转而提出反思性、伦理性和假设性问题，从而促进历史视角和批判性思维的发展。

人工智能具有实时模拟替代历史情景的潜力，例如第二次世界大战的进程或古巴导弹危机的动态。然而，必须将这些用途呈现为对技术教育潜力的探索性研究，而非对过去事件的确定性经验证据。

技术局限：模拟不等于证明

使用大语言模型（LLM）的核心方法论问题在于缺乏内部机制来验证自身回答。因此，模型可能产生错误或完全不合逻辑的内容。这一局限在缺乏历史先例的情景中尤为严重：叙述越远离已确认的事实去探索反事实，模拟就变得越纯粹且越不可靠地具有推测性。

幻觉、结构性偏见和安全漏洞不可避免地损害了大语言模型在模拟社会系统和人类系统时的可靠性。一个扮演皇帝、将军或首相的人工智能代理并不真正知道那个人在替代情景中会怎么做。尽管诸如思维链等提示策略可以在某些情景中降低幻觉的发生率，但它们无法完全消除幻觉。因此，教师和学生的基本实践规则要求始终让代理明确说明来源、日期、不确定性范围以及可能的替代性解释。

历史方法作为幻觉的解药

要将人工智能模拟转化为真正的历史思维练习，必须锚定于历史研究的核心能力：溯源、语境化和相互印证，即评估史料来源、将其置于确切语境中并与其他证据进行对比的能力。在制度层面，联合国教科文组织建议在教育中采用严格以人为中心的人工智能方法，基于伦理和教育学验证、隐私保护、对教师的适当培训以及自主使用生成工具的最低年龄限制。

操作工具箱：将Wineburg的启发式方法应用于人工智能 在相信聊天机器人提出的替代时间线之前，有必要应用历史学家Sam Wineburg提出的评估启发式方法：

作者与动机： 评估人工智能所依据的原始史料的制作者，分析其动机和目标受众。
语境化： 将文件或事件置于其特定的历史和文化时刻中加以理解。
独立印证： 将生成的信息与其他独立的一手史料进行对比，以确认其有效性。

计算模拟可以有效地展示不同的选择如何可能开辟替代路径，但历史学科要求始终区分我们所知道的与我们假设的或仅仅是想象的内容。对输出提出的有用问题永远不仅是“如果……会怎样？”，而是“哪些客观证据使这个回答具有合理性？”。人工智能的功绩在于使过去可以被动态地质询，但它没有能力使过去变得可预测。其最佳用途不是生成完美的平行宇宙，而是提供一种对照工具，帮助我们更深入地理解为什么在现实中，发生的事情恰恰就是那些事情。

参考文献与来源

本文由La Bussola dell’IA编辑部撰写