论文标题：Interpolative and Extrapolative Work—The Place of Human Intelligence in the Age of Artificial Intelligence

期刊：Landscape Architecture Frontiers

作者：Liyan XU

发表时间：26 Jun 2026

DOI：10.15302/J-LAF-2026-0032

微信链接：点击此处阅读微信文章

注：原中英文全文刊发于《景观设计学（中英文）》（Landscape Architecture Frontiers）2026年第4期。

内插性工作与外推性工作

——AI时代的人类智识定位

Interpolative and Extrapolative Work

—The Place of Human Intelligence in the Age of Artificial Intelligence

许立言

北京大学建筑与景观设计学院

本文引用格式 / PLEASE CITE THIS ARTICLE AS

Xu, L. (2026). Interpolative and extrapolative work—The place of human intelligence in the age of artificial intelligence. Landscape Architecture Frontiers, 14(4), 260032. https://doi.org/10.15302/J-LAF-2026-0032

人类的智识活动，无论在科学研究还是设计创作中，大体可分为两类：一类耕耘于既有知识的边界之内，细化已有模式，补全各种细节，不妨称之为“内插性”（interpolative）工作；另一类则游走于人类知识的边缘，提出新的问题，建立此前不存在的联系，不妨称之为“外推性”（extrapolative）工作^[1]。

内插与外推的二分法并不新鲜，但人工智能（AI）的迅猛发展使其从一个认识论问题转变为一个紧迫的实践问题。近年来，生成式AI在文本、图像、代码等多个模态上取得了显著进展。前沿基础模型不仅展现出广泛的知识广度，也表现出相当的推理深度，其水平在许多任务上已不逊于资深研究者^[2]。在设计领域，视觉语言模型（VLM）显示了令人惊艳的图像构成能力，在创意生成与效果表达环节达到了相当高的水平。结合自主智能体等辅助工具，当代AI系统已经形成较强的实际工作能力，并由此引发了广泛的焦虑。不过，焦虑之余，我们似乎应尝试冷静地理解：AI究竟是什么？它能做什么、不能做什么？以及，如果人类必须与AI共存，留给我们的工作还有什么？

笔者谨提出以下观点：当前AI本质上是一个强大的内插引擎。这意味着，凡属高度程式化、能够在既有知识框架内展开的内插性工作，无论其当前表现得多么精致，最终都可能被AI的自动化替代；而外推性工作则构成人类最后且可持续的智识根据地。这既是关于AI能力边界的判断，也是关于人类自身责任的认知。

为理解AI为何属于内插引擎，我们不妨回到基本的数学原理。当前主流大语言模型的基石是注意力机制^[3]，它在数学形式上与统计力学中的玻尔兹曼分布是同构的^[4]。二者共享完全相同的指数归一化结构，乃至用于控制分布形态的超参数（即物理学中的“温度”概念）也被AI系统原封不动地继承了。尽管这种对应关系并不意味着二者物理意义的等同，但它也绝非纯粹形式上的巧合：它意味着注意力机制在每一步计算中寻找的都是给定上下文中统计意义上的最优加权——一种局部的、基于训练数据的概率平衡状态。将此局部机制推广到整个生成过程，当前AI的工作方式可被近似理解为一种概率补全系统：给定输入（即提示词），模型将在训练数据所张成的概率空间中，寻找统计意义上最可能的输出。

以上观察引出了关于当前AI能力边界问题的至少4层意涵。在最直接的数据层面上，AI在训练数据所覆盖的范围内表现卓越，这在定义上正属于“内插”。然而，当任务明显超出其训练经验所支撑的稳定区域时，模型往往会诉诸统计上看似合理、实则缺乏依据的补全。由于Softmax归一化的强制性特征，此类结果仍将被输出，由此产生所谓“幻觉”^[5]。换言之，当前AI所擅长的是在既有统计结构中寻找最可能的延展，而不是实质性地发明新的问题空间。在景观设计学科语境下，以下两个例子或可直观说明这一点。其一是建筑与景观效果图制作。效果图中的视觉语法（如透视、材质、光影与植物配置等）已被海量训练数据充分覆盖，因此AI能够快速批量生成任意风格与视角的高质量渲染图。其二则涉及看似更为“高级”的任务，例如应用了GIS的场地适宜性分析、复杂统计模型构建，乃至某些因果推断设计。这些工作目前仍需较高程度的专业训练，但终究属于在既有方法框架内对数据进行处理——本质上仍是内插，原则上仍处于AI可及的范围之内。相比之下，在问题意识、价值立场与概念方向上真正体现了作者性的设计工作，目前仍主要依赖人的判断与经验，即属于“外推”。

那么，数据、案例和经验的积累是否终将削弱人类外推的价值？未必。因为有一类限制并不在于数据的多寡，而在于模型的机制本身。在设计工作中，不难注意到现有AI系统难以处理诸如“韵律”或“均衡”之类的空间构成概念，而这一限制的根源在于算法的基本架构。空间构成概念在本质上是整体完形（Gestalt）或高阶拓扑关系，依赖于场景中所有对象之间复杂的全域有序关系结构，而非任何局部特征的统计叠加。现有的注意力机制以成对元素的相似度计算为基础，原则上虽不禁止捕捉此类高阶关系，但在现实的数据规模与计算预算下，其学习成本往往高到难以实现。这里的问题出在表示结构而非数据覆盖范围，因此单纯增加数据量并不能根本性地解决此问题。传统的设计艺匠由此得以保留其不可替代性。这是外推的第二层意涵。

更进一步，即使着眼于算法机制本身，当前架构所隐含的物理图景也规定了其固有的边界。现有AI架构大致对应于19世纪中后期形成的平衡态统计力学框架，而对于远离平衡态的有序结构，以及涉及“时间之矢”和“内生因果性”等问题的处理，原则上超出了其范畴。平衡态统计力学描述的是系统在给定约束下的最可能状态，其核心特征之一是历史无关性：系统的当前状态由其能量格局完全决定，而与它如何到达这一状态无关。然而，内生因果意味着系统的过去状态对未来有不可逆的影响——这正是时间之矢的物理含义，也是耗散系统区别于平衡态系统的根本所在^[6]。要突破现有架构，类比而言，即从玻尔兹曼－吉布斯平衡态走向普里戈金意义上的非平衡态耗散系统，可能需要某种范式转换。杨立昆提出的基于能量函数的自主智能体架构^[7]，可被视为当前最具雄心的尝试之一；但正如他本人所承认的，该路径仍处于高度探索性的前沿阶段，尚不能承诺在可预见的未来取得突破。

最后，也是最根本的，纵使以上困难在未来某一天被技术突破所克服，AI的外推能力仍存在一个无从消解、不依赖任何技术假设的认识论约束。路德维希·维特根斯坦在早期曾提出一个著名的、当下也被反复引用的命题：语言的边界即为世界的边界^[8]。如果该命题成立，那么受限于文本符号世界的AI，自然存在某种不可逾越的认知上限。晚期维特根斯坦在《哲学研究》中进一步追问了此边界的根源^[9]：语言的意义并不在于对世界的逻辑映射，而在于它所嵌入的“生活形式”（Lebensform）。意义即用法，而“用法”则依赖于完整的身体性与社会性生活实践。如果接受这一洞见，那么它对于AI能力边界的限定将更具决定性——对设计学科而言尤其如此，因为这意味着包含设计在内的日常生活体验，从根本上无法以还原论的方式化约。语言模型或许能够学会“尺度感”“场所精神”“空间序列”等设计概念的全部正确用法，甚至可以在恰当的语境中貌似精确地使用这些术语；但AI并没有身体，它不曾真正走过一条山路，也不曾在密林跋涉后抵达豁然开朗的山脊。设计本质上是一种深深嵌入身体经验与场所经验的实践：脚踩泥土与碎石的触感、阳光穿透树冠的角度、山谷冷风扑面而来的凉意、长时间攀升后的体力节奏变化，以及抵达时的释放感。这些经验，恰恰构成了维特根斯坦所谓“生活形式”的一部分——即支撑设计语言意义的、难以完全言说的基底。从合理意义上讲，这也是外推，是单纯的“计算”所不能触及的领域。

当然，我们不应断言AI“永远”无法获得身体性的理解。但综上所述，这是一个结构性——而非偶然性——的局限。婴儿本身便提供了一个有力例证：他们尚不会说话，却显然已经具备某种智能——一种建立在身体、感知、体验和交互之上的智能，并且先于语言而存在。设计师对此或许尤能产生共鸣。所谓“赤子之心”，正是设计乃至设计研究中最宝贵的内核。

如上述判断成立，那么与其焦虑于被AI取代，不如认真思考一个更具建设性的问题：在新的智识分工之下，人类应当承担什么角色？一个务实的原则或许是：将内插性工作交给AI，而将人类的精力集中于外推性的前沿。

对研究者而言，AI将越来越胜任大量方法执行性、资料整合性和表达规范性工作，如文献梳理、数据处理、模型拟合，以及学术写作中的一般性段落撰写等。这些工作当然重要，甚至往往构成研究的基础；但只要它们主要在既有问题意识与方法框架内展开，其认知性质便仍更接近内插而非外推。因此，研究者不可替代的任务最终收束为一点：提出真正有价值的研究问题，并为其提供原则性解决思路。问题意识之所以具有外推性，正是因为真正重要的问题往往要求在不同知识域之间建立此前不存在的联系，而这种联系并不位于任何训练数据的概率空间之内。

对设计师而言，AI提供了一个近乎无限的创意可能性空间，包括形式生成、方案变体、场景渲染等。然而，设计师的职责并不是在这一空间中盲目挑选，而是自觉地规定其方向：决定什么值得做、为何值得做，以及为谁而做。同时，设计工作中那些需要身体在场的环节，包括对场地的感知、对使用者的共情、与业主的沟通，以及对公众的叙事等，同样属于广义的外推。因此，这些工作不仅仍将属于人类，而且在相当长时期内都难以被替代。

我们或可继续沿用前述案例，进一步说明此类人机协作的边界。以户外游线规划设计为例，AI能够从海量全球导航卫星系统（GNSS）徒步轨迹数据中识别统计模式，并相当可靠地回答诸如哪些路段最受欢迎、不同类型用户偏好何种路线，以及在既定体力预算下何种路径组合最优等问题。以上种种都是在既有行为数据的概率空间中做补全，因而属于典型的内插性任务。然而，对于一条游线体验品质的判断——例如攀升节奏的层次变化、转弯处视野豁然开朗的戏剧性、树荫与暴晒交替形成的韵律，以及抵达终点后回望来路时的满足感——则需要身体在场的感知能力，因此仍属于设计师不可被替代的领域。优秀的作品应是二者的结合：AI提供高效的数据基础设施，而设计师则赋予路线以体验性的意义结构。

从更广阔的历史视角来看，我们应认识到，一种工作能否被视为具有智识创造意义的“研究”，其标准始终在变化^[10]。例如，描述性统计报告在19世纪曾被视为严肃的学术贡献，而今天已很少有人如此认为。在景观设计领域，效果图制作也曾是一项重要而有价值的设计工种，如今却正在迅速被自动化工具所替代。表面上看，标准的提升似乎只是“水涨船高”的结果，而其内在动机则是随着知识前沿的推进和工具能力的增强，那些曾经位于前沿的工作，逐渐被纳入可内插的范畴——起初由人工完成，随后由机器。AI并未改变这一历史进程的方向，只是极大地加速了它。

由此，我们或许可以提出一个更一般性的准则：如果一项工作能够被定义为既有方法框架在新数据或新场景中的应用，那么无论它在当下看起来多么技术密集，其本质仍是内插性的。这并不是贬低。如前所述，内插性工作具有重要的实践价值，但其学术生命终究是有限的。相反，在既有知识尚无法自动生成答案之处，承担方向设定、价值判断与经验赋义的责任，才是外推性工作的应有之义。

那么，在景观设计的实践与研究语境中，什么才是真正的外推性工作？是发明全新的空间组织原则，是发现人与环境交互的未知机制，还是重新定义“何为好的景观”的价值命题？这些问题并不存在现成答案。但这恰是关键所在——提出一个真正好的问题，本身就是外推的纯粹形态。

对现有从业者和学生而言，如何转向外推性工作，自然也不会是轻而易举的。除了更高的智识要求之外，新的劳动分工对行业既有结构的冲击，或许构成了更现实的张力。仍以效果图制作为例，我们必须意识到，它不仅是一类设计工种，也是培养年轻设计师空间感知能力的重要训练路径。当这项工作被AI“解决”后，消失的不仅是一个岗位，更可能是一条通往设计直觉的学徒路径。这一挑战真实而深刻。或许，这本身也是时代留给我们的另一个外推性问题。

从长远来看，AI的能力无疑还将持续增长，也许会远远超出今天的想象。然而，即便如此——或者恰恰因此——在已知的前沿不断探索外推性的研究和设计，也许正构成了人类最独特、也最值得的智识承诺。正如科学共同体在80年前所写下的那样：前沿是无尽的^[11]。在AI时代，我们不应仅将这句话视为一种修辞；它比以往任何时候都更成其为一个邀请。