本文来自微信公众号： APPSO ，作者：发现明日产品的，原文标题：《文科生真能靠 AI 逆袭，但和朋友圈刷屏的爽文不一样》
最新的案例是杨天润，AI创业者，金融出身，正在开发一个多智能体协调平台。他自称「一行代码都不会写的文科生」，搭建了一组AI Agent，向GitHub上最热门的开源项目之一OpenClaw批量提交代码贡献。
想验证一个假设：一个完全不懂技术的人，能不能仅靠指挥AI，就参与到顶级开源项目中去。
结果是：134个PR，21个被合并，113个被拒绝。前几个PR质量还算不错，被维护者认可并合并。但当他给Agent下了一条加速指令后，事情迅速失控——Agent开始像流水线一样批量生产低质代码，在评论区疯狂@维护者催促审核。OpenClaw管理员介入清理，GitHub随后修改了PR提交上限规则。
黑红也是红，红过之后再黑更加是。杨天润被包装成「文科生逆袭」的代表，而他本人似乎也乐于接受这个角色。在接受品玩的采访时，他说了一句这样的话：
不懂代码反而是优势。AI是梵高，你是个小画家，你有什么资格告诉梵高中间该用什么笔触？
细思极恐。他把「不懂底层结构」理解为一种解放：不需要知道系统在做什么，只需要告诉它你想要什么。结果就是当Agent开始批量刷垃圾代码时，他连发生了什么都诊断不出来，因为他根本不知道自己在操作什么。
他以为自己在指挥梵高，实际上他在盲开一辆没装刹车的车，而且根本不知道刹车在哪。
围绕这件事的讨论，也随之落入两个极端：要么「文科生也能做AI」，要么「文科生别碰AI」；前者是跨越鸿沟的壮举，要么是掉进鸿沟的笑话
如果我们对「文科生做AI」的想象力只有这些，那未免太贫乏了。
Claude为什么需要一个哲学家
我们之前写过，Anthropic的办公室里，有一位正儿八经的文科生，深度参与了Claude的建设。不是测试它能不能写代码，不是检查它的数学能力，而是和它进行漫长的、关于价值观、关于措辞分寸、关于「面对不确定性应该如何表达」的对话。
Amanda Askell，苏格兰人，今年37岁。她的职业路径本身就是一个不太寻常的故事：在大学，她最初学的是美术和哲学，后来转向纯哲学，在牛津拿到了BPhil，又在纽约大学拿到了哲学博士。她博士研究的是无限伦理学中的帕累托原则：当涉及无限数量的道德主体或无限时间跨度时，伦理排序应当遵循什么规则。
这听起来像是距离硅谷最远的学术方向，但她先后加入了OpenAI的政策团队和Anthropic的对齐团队。2021年起，她成为Anthropic「性格对齐」团队的负责人，工作重点是塑造Claude如何与人类对话、如何在不确定时表达立场、如何在价值观冲突中做出判断。2024年，她入选了TIME100 AI榜单。《华尔街日报》描述她的日常工作是「学习Claude的推理模式，用长度超过100页的提示词来修正它的行为偏差」。据说她是这个星球上和Claude对话次数最多的人类。
为什么一个AI公司需要一个哲学家来做这件事？答案藏在一些非常具体的技术选择里。
今年1月，Anthropic发布了一份长达80页的文件，被称为Claude的「宪法」。媒体关注的是文件末尾关于AI意识的推测——当然，老板Dario Amodei也话里话外「暗示」这一点。
但更值得注意的是它的底层逻辑：教AI理解为什么要这样做，比告诉它应该怎样做更有效。这是一个技术判断，认为内化价值比遵守规则能产出更可靠的行为，而这种判断的知识根基，来自一个学美术、学哲学的人。
Amanda的案例回答了一个问题：被视为「无用」的学科知识，能否成为技术系统的核心能力？答案不仅是能，而且，没有她的哲学训练，Claude的对齐问题用现有的工程方法解决不了。
被重新命名的学科
如果Amanda的故事说明了，某些被归为「文科」的学科训练可以是AI的核心能力，那么林俊旸的故事要说的是一件更重要的事：有一整个学科，一直在大模型技术栈底层运行。
林俊旸离开通义千问后，中文互联网的报道反复使用同一个说法：他有应用语言学背景。稍微传几次，这个话就变形了，变成了他是「文科生」。
这个标签和杨天润身上贴的是同一个，但其实被严重扭曲。
林俊旸学的是语言学，这是一个伞状学科，它的分支覆盖语言教学、语言政策、翻译研究，也包括计算语言学。可以说，计算语言学，就是自然语言处理（NLP）之子。
乔姆斯基在1950年代提出了形式语法，这个理论工具直接催生了早期NLP的句法分析技术；Daniel Jurafsky和Christopher Manning，这两位NLP领域被引用最多的两本教科书的作者，都是语言学出身。
换句话说，「学语言学的人去做NLP」就像「学物理的人去做芯片设计」一样，是一条正统路径，不是跨界。
那个「意外感」完全是中国语境制造的。高考文理分科的制度惯性，把「语言学」塞进了「文科」的心智模型里。但语言学的核心方法论——形式化、统计建模、语料标注——本质上是工程思维。林俊旸在北大的合作者孙栩、苏祺，都是NLP方向的研究者；他2019年加入达摩院时进入的是NLP团队。这不是一个文科生误入技术领域的故事，从一开始就不是。
比「林俊旸不算文科」更值得展开的，是语言学在大模型技术栈里实际扮演的角色。它比大多数人以为的要深得多，也隐蔽得多。
比如分词。所有语言模型处理文本的第一步，是把输入切成模型能处理的基本单元。对英语来说，空格提供了天然的词边界，看起来简单。但中文里，没有空格，且每一个标点符号的用法，都可以左右句子的表达意思。
「我在北京大学读书」是切成「我/在/北京/大学/读书」还是「我/在/北京大学/读书」？这不是一个有标准答案的工程问题，它取决于你对中文词汇结构和语义单元的理解。
2024年底有研究者专门发表论文，讨论如何优化Qwen模型的阿拉伯文分词效率，因为通用方案在处理这类语言时效率显著下降。Qwen系列在多语言上的表现，不是把所有语言当英语的变体来处理，而是基于对语言间结构性差异的理解，做出的设计选择。
又比如反馈对齐。RLHF流程中，标注员需要判断模型的两个回答哪个「更好」。这个判断听起来主观，但它背后有一套语言学已经研究了几十年的框架：语用学。
标注员在评估「好的回答」时，实际上是在判断合作原则（回答是否提供了足够但不过量的信息）；会话含义（回答是否捕捉到了用户真正想问的、而不仅仅是字面上问的东西）；以及语境适切性（同样的内容，用这种方式说在这个场景下是否得体？）。
「Helpful，Harmless，Honest」这套被广泛使用的对齐标准，本质上就是语用学基本原则的工程化翻译。
从林俊旸的学术轨迹中，也能看到一种非常语言学的研究风格。他主导的OFA（One For All），2022年发表于机器学习领域的顶级会议ICML，至今被引用近1500次。这个工作的核心思路不是为每个任务搭专用方案，而是用一个足够通用的序列到序列框架，把图像生成、视觉定位、图像描述、文本分类等跨模态任务统一起来。
从OFA到Qwen-VL（被引超过2200次），再到Qwen2.5，以及最新的3.5，一条清晰的线索贯穿始终：与其为每个问题发明一套专门的解法，不如找到一个足够好的通用框架，让所有问题在同一个框架里被解决。
用最少的规则，覆盖最多的现象——这正是语言学几十年来的核心追求。生成语法的全部学术野心，就是找到一套有限的规则系统，能够生成无限的语言表达。OFA的架构哲学与此同构，为每种语言现象写一套专门规则并不现实，应该寻找一个底层框架来统一它们。
林俊旸做大模型做得好，不是因为语言学背景「也能」做AI，而是语言学训练塑造了一种特定的学术品味，对统一性和形式化的偏好。这种品味在大模型时代，恰好是核心竞争力。
看不见的地基，看得见的需求
三个人，同一个标签，三种完全不同的路径。
杨天润不懂底层结构，把「不懂」当优势，结果失控。这是「文科生做AI」的空壳版：标签制造了流量，但没有任何学科训练在起作用。他的故事体现的恰恰是——当「文科生」只是一个营销标签时，会发生什么。
Amanda Askell的哲学训练构成了对齐问题的核心方法论。没有她，Claude不是Claude。她的故事回答的问题是，被视为「无用」的学科知识，能否成为技术系统的核心能力。答案是不仅能，而且不可替代。
林俊旸的语言学训练构成了大模型技术栈的隐性基础设施。他的「文科背景」从来不是跨界，是正统路径。他的故事回答的问题是，文科对于先进技术的贡献，到底「隐性」到了什么程度，它是不是正在变得显性。
而终极问题并不是「文科生能不能做AI」，而是我们能否理解到一点：靠表面上的「有没有用」来评判知识和学科，已经过时了。
随着大模型从追求能用好用，走向追求可靠和可控，这些被归入「文科」的学科训练，价值不是在缩小，而是在扩大。模型越强大，越需要精确的评估体系来诊断它在哪里、为什么出错，也越需要理解语言和意义的复杂性来设计更好的训练数据，越需要在对齐问题上做出有学科敏感度的判断。
「文科生逆袭」这个叙事——无论是赞美还是嘲笑——遮蔽了真正在发生的转向：看不见的地基，正在变成看得见的需求。