人工智能修辞学是研究语言、论证和叙事策略如何塑造人工智能系统的理解、发展与采用方式的学科。它考察技术术语、企业宣传、媒体报道和政策文件中的说服功能，这些元素共同构建了人工智能的社会意义。该领域不将语言视为描述人工智能技术的中立工具，而是分析修辞选择如何影响资金优先级、监管决策、公众信任及各行业的实际落地。
这一术语在2010年代末随着公众对深度学习和生成式人工智能工具认知的提升而逐渐流行。科学技术研究、传播学和计算机科学领域的研究者开始系统性地追踪“智能”“学习”“对齐”等术语如何承载关于机器能力与人机关系的假设。人工智能的修辞常常在自动化乌托邦承诺与就业替代的悲观警告之间摇摆，两种极端均服务于不同利益相关者的战略目的。
计算话语中的历史背景
当前与人工智能相关的修辞模式源于早期计算领域的争论。在1950年代和1960年代，伯纳德·威德罗等先驱将神经网络描述为具备类人推理能力的电子大脑，这一隐喻吸引了军方资助，但也引发了不切实际的期望。随后的1970年代和1980年代“人工智能寒冬”源于宏大承诺未能兑现后的公众失望，表明修辞膨胀可能引发严重反弹。
施乐帕克研究中心的研究者在1970年代强调用户友好界面以人性化计算，这一策略影响了后来的人工智能产品设计。卡内基梅隆大学和麻省理工学院计算机科学与人工智能实验室开发了借用认知心理学术语的机器学习正式词汇表，将拟人化假设嵌入技术出版物。1980年代和1990年代从符号人工智能向机器学习的转变也使修辞从基于规则的逻辑转向统计推断，但“学习”的语言得以延续。
炒作与怀疑周期
当代人工智能修辞常遵循行业观察者记录的繁荣与萧条模式。OpenAI、Anthropic和谷歌深度思维从2018年起发布的大规模模型引发了激烈的媒体报道，在突破性声明与存在性警告之间摇摆。分析人士指出，初创公司常使用关于神经网络性能的夸张语言以吸引风险投资，而亚马逊云服务和微软Azure等成熟企业则以更审慎的措辞强调可靠性和企业就绪性。
大语言模型能力的概念引发了尤为两极分化的修辞。一些支持者将这些系统描述为通用推理引擎，而批评者认为“理解”和“智能”等术语是误述统计模式匹配的隐喻性捷径。梅兰妮·米切尔和布莱恩·克里斯蒂安等学术研究者对拟人化人工智能语言提出了有影响力的批评，倡导使用更精确的词汇以区分机器行为与意识认知。
企业叙事与产品框架
科技公司投入大量资源构建与商业目标一致的人工智能叙事。苹果和三星电子将设备端人工智能功能定位为增强隐私的个人助理，而英特尔和超威半导体则以计算吞吐量和效率讨论人工智能能力。台积电、博通和高通等半导体制造商通过技术规格和基准比较构建面向工程受众的可信度，采用数据驱动的修辞掩盖潜在不确定性。
英伟达将其硬件定位为人工智能进步的关键基础设施，这一叙事通过开发者大会、白皮书以及与甲骨文云和Groq的合作得到强化。安谋控股强调边缘设备的能效推理，面向移动和物联网市场。硬件修辞常先于实际产品发布，企业通过分阶段披露和选择性基准测试管理预期差距。
伦理与安全叙事
从2020年代初开始，安全与伦理成为核心修辞战场。Anthropic等组织采用“宪法人工智能”语言以表明负责任开发，而OpenAI在安全担忧后从开源倡导转向受限部署叙事。“对齐”一词作为技术性且道德负载的概念出现，指代使人工智能系统按人类意图行事的工作。
斯坦福人工智能实验室和伯克利人工智能研究等场所的政策讨论考察了监管提案如何运用强调风险缓解或创新潜力的修辞框架。巴巴原子研究中心等公共机构发布的声明主要突出经济竞争力，以国家安全修辞为人工智能投资辩护。Essential AI等团体的批评者认为，伦理洗白，，即无实质保障地表演性使用伦理语言，，已成为常见的企业策略。
教育与教学修辞
大学课程和在线课程塑造未来从业者谈论人工智能的方式。麻省理工学院计算机科学与人工智能实验室和多伦多大学提供强调数学严谨性的课程，而牛津大学和卡内基梅隆大学的项目则整合人工智能伦理的人文学科视角。克里斯·毕晓普和弗朗索瓦·弗勒雷等教科书作者通过符号选择、示例和问题框架影响技术词汇。
人工智能引入K-12教育产生了自身的修辞领域，“数字素养”和“人工智能就绪”等术语掩盖了关于算法概念适当发展阶段的争论。AI21 Labs和Inflection AI等公司制作的教育材料既推广其产品，又塑造公众对人工智能能力的理解。
媒体呈现与公共话语
新闻报道在向普通受众传递人工智能修辞方面发挥关键作用。使用发光机器人头部或抽象神经网络的库存图片使读者通过科幻镜头解读故事。标题常采用拟人化语言，，“人工智能学会编程”“模型发现新药”，，掩盖了人类工程师和数据整理的作用。
社交媒体平台放大病毒式主张，往往剥离细微差别。菲利波·门策尔等研究者研究了人工智能相关错误信息如何通过网络动态传播，形成加剧公众焦虑或热情的反馈循环。“人工智能寒冬”一词在预测市场调整的评论中被重新启用，而“超级智能”出现在缺乏经验依据的推测性文章中。
测量与评估语言
人工智能评估的修辞本身就是一个争议领域。GLUE、SuperGLUE和MMLU等基准已成为公司引用以宣称优势的修辞工具，但批评者指出基准分数往往无法预测实际性能。大卫·卡普兰和杰克·克拉克倡导考虑任务多样性和鲁棒性的更细致评估框架。
随着模型剪枝和量化技术的进步，关于模型大小的语言已从关注参数数量转向强调“效率”和“每瓦能力”。“涌现能力”一词引发了关于缩放定律是否产生真正的质变或仅反映测量伪影的争论。亚伦·库维尔和阿列克谢·埃弗罗斯提出了反对过度解读性能曲线的观点。
系统与政策修辞
政府机构和国际组织运用人工智能修辞为立法行动辩护。欧盟《人工智能法案》草案反复提及“高风险”和“可信赖”人工智能，使用法律语言对系统进行分类。美国在行政命令中偏好“美国领导力”叙事，而中国的公共话语强调“国家实力”和“技术主权”。
学术机构通过建立连接技术研究与修辞分析的跨学科中心作出回应。斯坦福人工智能实验室发布年度报告，追踪人工智能专利和出版物的文本趋势。伯克利人工智能研究举办可解释性研讨会，将透明度框定为道德要求，塑造研究生对其研究目标的构想。
开放与控制的修辞仍未解决。Meta和Mistral的开源权重发布被框定为人工智能民主化，而安全倡导者认为这种开放性助长滥用。这一争论延伸至AWS Trainium和谷歌云等基础设施提供商，它们在托管来源不明的模型的同时营销负责任的人工智能服务。
未来方向
随着人工智能系统更深入地融入日常生活，修辞可能转向问责和分布式责任的问题。“人在回路”和“以人为中心的人工智能”等术语反映了自动化与能动性之间的持续协商。Figure AI和Sanctuary AI的人形机器人项目采用拟人化修辞，可能重塑公众对具身智能的期望。
新兴研究探索多模态人工智能如何改变论证实践本身，因为生成的文本、图像和音频模糊了作者与工具之间的传统界限。关于推理设置中Top-p采样和温度缩放的修辞揭示了关于生产系统应允许多少随机性的深层分歧。
学者们日益呼吁一种承认不确定性同时支持知情决策的务实修辞。这将用区分已验证能力与推测可能性的校准语言取代不加批判的鼓吹和危言耸听。这种平衡话语能否在注意力经济中占据主导仍是一个开放问题。