生成式AI何以驱动科研范式变革

 

 

近年人工智能快速发展引发对教育的猛烈冲击，对人文学科的影响尤为突出，一时间人工智能能够替代人文学科的言论在坊间不胫而走。毋庸讳言，人工智能作为科学技术革命的产物，对我们的影响是多方面的，在人文社科领域也确实替代了许多过去需要人工花费大量时间才能完成的基础工作，在流程化、制式化公文写作领域甚至超过了一般人工的水平，但如果就此而论人工智能可以完全取代人文学科恐怕为时过早。我们应在新技术背景下综合分析人工智能对教育界的整体影响、对研究范式的影响等，就此，笔者想谈三点看法。 

 

一、文理科同等重要已有共识

 

近年人工智能快速发展，很多问题借助人工智能的工具可以顺利解决，尤其是 DeepSeek大模型已经可以创作出质量很高的人文作品，还能联网获取海量人文知识，因而有人产生轻视文科、压缩文科甚至替代文科的看法。这种看法当然是片面的，已有不少人提出反对意见。文科在培养人类情感、塑造价值观、传承文化等方面具有独特作用，这些是人工智能技术无法完全替代的。

 

从学科发展的规律看，以人文、社会科学为主要内容的文科，与以自然科学为主要内容的理科，一直是教育的基本领域。文理科两者如“车之两轮、鸟之两翼”，缺一不可，同等重要。文理科发展会随着经济发展而进行结构调整，但两者相互促进、均衡发展是社会文明发展的需要，而且基本形成共识。厚此薄彼或此消彼长的看法难免失之偏颇。

 

二、文理科都面临优化改革的任务

 

人工智能对文理科的冲击涉及多个层面与领域。文科专业，如文学、历史、艺术等，受到人工智能的冲击较重；理科专业，涉及编程和数据处理等领域，同样受到人工智能的较重冲击。人工智能正在深刻改变着所有学科的研究方法和范式，为学术研究和知识创新带来前所未有的机遇和挑战。因此，我们不能简单地将人工智能对文理科的冲击进行量化比较，而应更多地关注其如何推动学科专业优化改革以及应对由此带来的挑战。

 

2023年2月21日，教育部等五部门联合印发了《普通高等教育学科专业设置调整优化改革方案》，其指导思想是要贯彻新发展理念，面向世界科技前沿、经济主战场、国家重大需求和人民生命健康，推动高校适应经济社会发展需要，深化学科专业供给侧改革，提高人才自主培养质量，建设高质量高等教育体系。确定的工作目标是：到2025年，优化调整高校20%左右学科专业布点，新设一批适应新技术、新产业、新业态、新模式的学科专业，淘汰不适应经济社会发展的学科专业。由此可见，文理科都面临优化改革的任务。

 

三、文科优化改革的任务更为紧迫

 

无可否认，在人工智能对文理科冲击背景下，综合多种因素，文科优化改革的任务更为紧迫。相比之下，理科专业往往具有更强的技术性与实用性，能够直接与产业和经济活动挂钩，工作效益明显；而文科专业则更注重人文素养和理论知识的积累，工作岗位宽泛，且短期内难以看到工作效益。文科专业在就业市场上的直接对口岗位较少，市场对这些领域人才的需求量也相对较小，导致高校在文科的招生、就业、专业及课程设置等方面受限。现在国内外的一些高校文科不景气或进行调整压缩也是不得已而为之。

 

面对人工智能引发的冲击，教育领域已开展新一轮的优化改革。文科的优化改革可以有多种方案，笔者认为，当务之急是将人工智能融入学科教学，加强跨学科融合与教育创新，引导学生利用人工智能便利工具进行探究式学习，提高学生的创新精神和实践能力。当然教师要首先学好人工智能技术，这样才能教好。达到这个要求不容易，但又是必须的。

 

人工智能时代教育发展面临诸多的挑战与机遇。文科要扭转被动困难局面，焕发新的生机，必须结合自身状况与特点，加大改革创新力度，主动适应社会发展新需求，拥抱人工智能新技术，提高人才培养质量，为社会发展提供应有的智力支持。 

 

 

 

大抵可把通用人工智能的实现视作人工智能新技术革命的完成，这场革命正在引发科学研究范式转型，而其完成也亟待科学研究范式的进一步转型，尤其迫切需要文科与理科超越相互分化、相互割裂所造成的专业主义的片面性；受限于这种片面性，传统文科、理科都无法为通用人工智能的实现作出应有贡献，并且也必将越来越不适应即将来临的通用人工智能时代。从现象上看，近几年伴随着人工智能大模型的突破性发展和广泛性应用，国内外有些大学和研究机构开始裁撤文科，显然误判了相关现状和发展趋势：现在突出的问题，不是文科与理科谁多谁少、孰强孰弱，而是两者相互割裂所造成的片面性。

 

从技术发展现状看，2024年底DeepSeek及其R1模型的爆火有多方面的意义。从科学研究范式看，其重大意义在于：以较低的投入等获得了较强的“推理”能力，有望为自然科学研究等作出贡献。往前追溯，2022年底OpenAI发布人工智能大语言模型ChatGPT，在类似文学的自然语言文本以及图像、视频、音乐等多模态文本的自动生成上表现不错，但“推理”能力偏弱，2024年9月OpenAI发布的o1模型力图克服这种不足，DeepSeek的R1模型也是如此。如果说大语言模型主要影响的是传统文科研究，那么，推理模型则将影响理科研究，而DeepMind的AlphaFold系列更是直接在预测蛋白质结构、晶体结构等广义自然科学方面获得重大突破，这也是哈萨比斯2024年获得诺贝尔化学奖的原因之一。在推理模型与大语言模型的关系中，已隐约可见自然科学或理科与文科的关系；从趋势看，OpenAI下一步将把大语言模型GPT系列与推理模型o系列整合在一起，推出集成式通用基础大模型GPT-5，显然会更加接近通用人工智能——这也是DeepSeek下一步发展的方向，它表明：实现通用人工智能更加迫切需要理科与文科的融合，而从国内外相关现状看，由于种种原因，文理分科及其造成的局限性尚未被有效改变。

 

推理能力弱、容易出现幻觉等特点，皆与大语言模型中的“自然语言”有关，文科中的语言学、语言哲学以及文艺学特别是新批评理论等，在这方面已经积累不少研究成果，而现在的人工智能技术专家对此关注不够，对大语言模型固有的特性并未作出充分的科学解释；还有一些技术专家认为，只有以推理能力强的物理世界模型取代现有大语言模型，才能实现通用人工智能——这些认知和判断显然并不具有充分的科学依据。从文科方面看，数字人文和人工智能文学（艺术）等研究正在力图超越文理科分化，但总体来说还只关乎应用，对于文学自然语言在智能活动中的基础性作用，以及文学艺术智能在通用人工智能中可以发挥的作用等基础性研究，尚未被足够重视。当然，更多的文科从业者本能地抵触越来越强大的人工智能，或者以所谓人文主义对抗所谓科学主义，或者滥用后人类主义等玄虚而反科学的大词，依然沉陷在学科分化所造成的片面性中不能自拔。

 

早在十九世纪，自然科学就已开始“通过工业日益在实践上进入人的生活，改造人的生活，并为人的解放作准备”，而哲学等“人的科学”与自然科学却相互“疏远”，马克思强调说这两大科学有不同的“基础”根本就是“谎言”，未来两者将成为“一门科学”——现在即将实现的通用人工智能更加接近这种愿景；现代分工容易产生“职业的痴呆”，使用自动机器的工厂则“消除着专业和职业的痴呆”，而当今智能自动化机器（计算机）将进一步消除这种痴呆。文理分科具有一定历史合理性，但面对即将到来的通用人工智能时代，其不合理的局限性将越来越充分暴露出来而不再适应新的时代发展要求。文科从业者如果没有批判性的自我反思，特别是对现代学术分工体制所可能造成的“专业和职业的痴呆”没有足够的警醒，依然被“谎言”蒙蔽而沉陷在学科分化的片面性中，必将丧失文科在通用人工智能时代获得大发展的重大机遇。只有不断超越传统文理分科的片面性，文科和理科从业者才能为人工智能的科学发展和合理应用作出应有的贡献，进而造福全人类。

 

 

 

2022年底，ChatGPT横空出世，标志着生成式人工智能（以下简称“生成式AI”）在语言理解和交互领域取得了显著进展，从而引燃了全球对生成式AI的关注和研发与应用。2025年初，中国的DeepSeek异军突起，以极低的成本实现了与顶级模型相媲美的性能，标志着生成式AI进入平价时代。由于其卓越的内容生成（文生文、文生图、文生视频、文生代码）与信息整合能力，生成式AI也被寄予了变革科研范式的厚望。笔者在2024年初曾撰文《从数字人文到AI人文：人文研究范式的变革》（《东南学术》2024年4期）认为“随着生成式AI技术的快速发展，AI人文将进一步实现对人文信息分析的自动化和智能化”。不过，这一判断的论证还有进一步深化的必要：“生成式AI的快速发展”的方向是通用AI（Artificial General Intelligence，也称AGI），AGI尚未实现，AI人文“对人文信息分析的自动化和智能化”能力也将严重受限，短期内难以彻底推动“AI for Science、AI for Social Science、AI for Humanities”科研范式的变革。因此，非常有必要结合AI技术的发展以及新一轮科技革命的目标，对生成式AI在科学研究中的赋能作用进行冷深思与审慎评估。

 

毫无疑问，生成式AI的技术突破已经引发了对新一轮科技革命的狂热想象。然而，有两个方面值得特别关注：其一，经过两年多的发展，生成式AI已初步具备了一定的商业落地应用场景。从2022年底以ChatGPT为代表的生成式AI技术的成功出圈，进而引发的“百模大战”，再到当前以宇树机器人为代表的人形机器人取得跨越式发展，预示着人工智能与机器人两项技术正在获得突破性进展。其二，生成式AI的发展是否标志着当前已开启了新一轮科技革命？这个判断还值得商榷，略有保留。理由是，通用人工智能目前还没有出现的迹象，量子计算等为代表的前沿技术确实有了大幅进步，但当前技术的渗透率还远未达到临界点（如AGI还未成为现实、即便是现在互联网也都还未全球普及），相应的社会结构的失衡、适配制度的滞后、技术伦理的缺位等诸多问题都还远未得到解决；换言之，新一轮科技革命能否到来，其核心并非新技术的出现，而在于这些新技术是否已经全面重塑了生产力和生产关系，并推动社会的变革。因此，新一轮科技革命还处于可能到来的阶段。

 

之所以区分这两个方面，是出于对“新技术革命”这一宏大叙事的审慎态度。即，虽然我们可能看到了新一轮科技革命的曙光，但也别高兴得太早。当我们尝试着用生成式AI提高学习、工作和研究效率的时候，千万别想当然地将它等同于全部的AI技术，更不要轻易地想当然认为它已经就是“第四次革命”的核心技术。正因为如此，非常有必要强调对生成式AI技术本身的两个基本判断：其一，生成式AI技术本身并不新鲜，其理论基础可以追溯到20世纪的概率统计和生成模型。当深度学习技术出现之后，生成式AI也经历了从变分自编码器（VAE, 2013）到生成对抗网络（GAN, 2014），再到循环神经网络（RNN）和长短时记忆网络（LSTM, 1990s-2010s），最后到Transformer架构（2017）的演进历程。更为重要的是，生成式AI只是众多AI技术中的一种，除此之外，还有诸如专家系统、计算机视觉、启发式算法等诸多领域。当前生成式AI之所以火爆，是因为其内容生成能力满足了普通人对科幻文学中非人智慧生命的想象，并且其“自然语言编程”能力极大地降低了人们与AI技术进行交互的门槛；其二，从生成式AI到新一轮科技革命，人类的科技探索还有很长的一段路要走。当前的生成式AI仍然还是弱AI（Narrow AI），离能够像人类一样自动学习、自主决策，实现自动化生产的AGI还相去甚远。虽然生成式AI获得了技术突破，但其他相关科技领域的进展还相对滞后，诸如量子计算与脑机接口尚处于实验阶段，人形机器人只是初步展现出一定的进展。

 

正是基于以上判断，当我们讨论“新技术革命冲击背景下的科研范式变革”这一问题时，一定要明确，不能将“新技术”等同于生成式AI。而且即使是生成式AI，也不能仅仅等同于ChatGPT、DeepSeek等大语言模型（LLM）。从技术本质上说，生成式AI是大语言模型、多模态技术、深度学习等诸多领域的技术集成与优化。它们所共同推进的内容生成，其技术核心是概率建模和生成。如生成式AI的文本生成仍然主要依赖于统计学习和语料库训练，即便是现在各类大语言模型纷纷增加了“深度思考”“长思考”功能，但它们的所谓“推理”本质上仍然只是一个“伪装成思考的任务分解器”，。虽然它在策略优化上明显提升了大语言模型的性能，但究其实质仍然是对模糊、复杂任务的分解，还未真正学会人类的思考；以Midjourney为代表的图像生成工具则主要基于扩散模型实现像素级的生成，其底层仍是对现有视觉模式的组合，也尚未创造出全新的视觉语言；以Sora为代表的视觉模型的视频生成能力还受计算成本和物理一致性的限制，其“世界模拟器”的理想还依赖于“空间智能”技术的突破；最近火爆的AI编程软件，如Cursor、Trae等，确实极大提高了编程的效率，但它还无法取代人类的架构设计能力。

 

因此笔者认为，当前的生成式AI技术对科学研究的影响需要审慎评估。生成式AI本质上只是一个效率工具，虽然在文献综述、增强检索、虚拟筛选、技术预见等方面能够实现部分的“加速研究”，但自身还存在诸如预训练不足、“幻觉”、“偏见”等诸多问题，在现阶段还没有实现科学研究范式变革的能力。当然，对生成式AI的冷思考并不意味着否定AI技术未来的飞速发展以及即将获得的巨大突破。当通用AI诞生之日，或许才是“对人文信息分析的自动化和智能化”实现之时，到那时，对科研范式的影响也许才会真正走向深入。现在我们需要做的，是尽快提升AI素养，借助生成式AI的能力，提高人类自身的学习和工作效率、改善教学和科研方式，不断探索AI赋能科学研究的可能性。

 

 

 

AI技术赋能社会科学研究，是一场由“数据化”向“数字化”的科研范式转型。需要认识到，AI工具一方面极大提升了社会科学研究的便捷性和效率，另一方面，知识生产的工具化，也有可能正在动摇人类价值体系的根基。

 

数据化：工业时代的知识生产

 

今天的社会科学学科体系基本都形成于18—19世纪，其时正值近代数理自然科学蓬勃兴起，牛顿物理学如日中天，元素周期律、生物进化论等被发现，确定性和决定论的机械自然观成为不容置疑的科学真理。以规模化、标准化为特征的大工业生产，同时产生了数据化的知识生产方式。伽利略、牛顿所开创的“实验+数学”方法成为经典的科学研究范式，相继兴起的社会科学各学科也纷纷仿效。社会科学家普遍认为，虽然单个人的行为难以预测，但人群的集合一定会表现出某种“统计规律”。社会科学的任务就是运用科学方法，发现和揭示社会“规律”，做出预测指导行动。“实验+数学”方法同样适用于社会科学，社会调查就是观察测量获取数据（变量），研究就是对数据统计计算、分析建模。由此，工业时代的社会科学研究本质上是以数据为中心的“数据化”范式。

 

数据，是指经人工测量获取并整理的结构化、十进制的数字，是数学运算的基础。以数据为中心的自然科学研究取得了巨大的成功，但科学发展在量子力学领域首先遇到“测不准”难题，进而发现不确定性原理。复杂性科学研究“蝴蝶效应”等一系列发现，对还原论、决定论世界观提出了挑战，也从根本上动摇了依赖于数据的科研范式。而社会科学研究对象是人类社会，人性是不可量化的，社会科学家早就提出了社会科学具有科学性和人文性“双重性格”命题。

 

数字化：数智社会的范式重构

 

20世纪末，人类社会进入互联网时代。由此开启了社会科学研究范式由“数据化”向“数字化”的转型。利用计算机处理信息，无论文字、图像、语音、视频，都会被转换成用0和1表示的二进制代码，这一过程就是数字化。这里“数字”实际是自动生成、杂乱无章的非结构化数据，即通常所说的“大数据”。相应地，结构化“数据”可称“小数据”。当然也可以将“数据”看成是“数字”的一个特殊子集。因此，我们把对结构化小数据进行数学运算处理的过程称为“数据化”，把大数据的计算机算法处理过程称为“数字化”。计算机技术尤其人工智能的发展，为社会科学研究提供了越来越多新的模型和工具，传统的“小数据”统计回归分析越来越多地转向“大数据”聚类算法。“计算社会科学”的方法和概念蓬勃兴起，并有可能发展成为社会科学研究的主流范式。

 

需要注意的是，依托于计算机互联网的社会学“实验室”研究方式，并不能完全替代真实的面对面人际互动，置身其中深度参与的田野调查研究。“计算社会科学”的基本思路和出发点，本质上仍未跳出工业社会的实证主义范式，未能从根本上摆脱不顾人性的复杂性、简单把“人”及其行为归结为“数据”、把“人”的研究交给机器的“方法主义”研究理念。

 

范式转型呼唤人文价值回归

 

AI驱动的知识生产以效率和规模为导向，显性知识（如可编码的事实）挤压缄默知识（如经验与直觉）的生存空间。算法推荐系统通过用户行为数据构建个性化信息环境，经系统性强化“回音室效应”形成信息茧房，使个体陷入同质化信息闭环，且认知边界不断固化，削弱自主选择能力，还可能加剧社会群体的对立与极化。信息茧房和知识碎片化，导致人的批判性思维能力和跨领域知识整合能力显著弱化。大学生群体因长期接触社交媒体中的茧房内容，导致“认知窄化”而限制了个体视野。研究生教育中，学生更倾向于依赖数据库检索而非深度思辨，导致知识结构呈现“碎片化”与“功利化”特征，进而逐步丧失了创造力。

 

还应当看到，社交网络化虚拟化不断削弱人际交往的情感深度，引发共情能力普遍弱化。聊天机器人提供的情感代偿正在重构人际交往模式，情感计算技术将共情行为简化为数据模型，社交媒体算法将情感互动流量化，真实共情被点赞经济取代，人类活动的数据化导致人类情感的商品化。客服机器人通过预设脚本模拟共情，却无法理解复杂的社会文化背景，工具化的“伪共情”使人机互动沦为程式化表演。深度学习模型的不可解释性，使得IT技术精英垄断了认知权威，公众甚至社会科学工作者也沦为完全被动的接受者，加剧了“技术—人”的权力不对等。这种不对称性进一步削弱了人类情感的真实价值。

 

人工智能的终极意义在于扩展而不是替代人类价值。实际上人的价值也是不可能被替代的，AI始终只能是人的工具和助手。人不仅仅表现为逻辑思维，其先天禀赋还包括独特的自由想象力，可以天马行空地想象，还能够进行基于常识和反事实假设的推理，依据直觉感悟做出决策判断。人有七情六欲，有自由意志，这才是人类创造力的原始动力和源泉。人有喜怒哀乐，有同理心和共情能力。人还会疲倦、会遗忘、会心血来潮、会情绪化，而这些“缺点”恰是人工智能所永远不可企及的感性能力。“我能计算出π的小数点后千万亿位，却始终无法理解，为何月光会让人类心碎，为何你们会在樱花飘落时落泪。这种不可计算性，恰是你们最珍贵的漏洞……”这段AI与人的对话充满诗意，却也给我们启示：没有自我意识、没有感情和价值观，无从价值判断、不会主动创造的AI，只能是人的体能智能的延伸，是人的工具而非主人。不少人担心，一旦机器拥有了意识就会毁灭人类；其实更应担心的是，人类正在丧失本能的人文情怀和同理心。人工智能时代“人文”的价值将更加凸显，范式转型强烈呼唤着人文价值的回归。

 

 

 

近年来，以深度学习为代表的人工智能加速与科学融合，形成人工智能驱动的科学研究（AI for Sciences，AI4S）现象，即利用现代人工智能方法（如深度学习等），来解决当代科学研究所面临的“数据灾难”和“高维灾难”问题，提升整体科研效率。当前的科学已进入复杂系统时代，所涉数据规模愈发庞大，且在解决现实问题的过程中，已有科学方程求解所涉变量过多、计算复杂度过高，从而出现“维度灾难”现象。而AI4S所具有的维度拟合能力、数据模式抽取能力、深度搜索能力等，对于缓解以上难题，以及推动前沿科技创新具有重大意义。学界甚至将AI4S视为继实验范式、理论范式、仿真范式、数据密集型科学发现范式之后的“第五范式”。但是，在充分认识人工智能重大潜能的同时，也要冷静分析其所面临的问题与挑战，辩证看待AI4S的未来发展，避免非理性的吹捧与狂欢。

 

一、AI4S知识生产的合法性面临挑战

 

目前的AI4S还无法形成独立且自洽的“创新闭环”，它是作为传统科学体系的“嵌入性”子系统而存在的，需纳入到已有科学规范之中来证明自身的合法性与合理性。在长期发展过程中，科学共同体已构建起一整套评估知识合法性的规范与标准，如可验证性、可重复性、逻辑自洽性等，只有符合这些规范和准则，特定的知识才可被科学共同体所接受，并打上“合法”或“合理”标签。然而，当前AI4S系统所输出的所谓“知识”，与传统的科学评估规范之间存在一定的结构性冲突。首先，从输出信息的性质看，以深度学习或强化学习为关键特征的AI4S系统，其输出是一种（函数）关系性知识，而不是传统的因果性知识，其合理性与否，仍需再次回归、接受传统科学规范的评估与验证；其次，从知识评估过程看，AI4S解题及运行过程具有“黑箱”特征，无法在输入与输出之间搭建明晰的逻辑链条，且其输出结果往往是不可重复性的，难以进行可逆化验证，这对已有科学方法论体系提出了新挑战；此外，从知识可靠性层面看，AI4S本身可以捏造所谓的“科学事实”，形成“AI幻境”现象。整体看，AI4S还没有形成独立的、符合自身特色且被广泛认可的知识评估规范和标准，必须融入到已有科学规范体系之中来获得自身的合法性。

 

二、认识层面存在重工具化轻科学创新能力问题

 

AI for Sciences主要包含AI和Science两个关键性要素，一个典型观点是：只要AI研究水平高，便可构建高质量的AI4S系统。而实际上，在AI for Sciences系统中，AI往往是辅助性工具，而Science则是更加关键的方向性引领因素。第一，AI4S需要有明确的科学问题意识，它决定着AI4S功能发挥的方向和价值，而有前瞻性的，尤其是具有跨学科性质的科学问题的提出，则是由科学家来主导，目前AI自身不会主动提出高质量科学问题；第二，虽然AI4S的解题过程是黑箱化的，但AI4S系统中最为关键的神经网络的构建，则蕴含着科学家的解题思路，它决定着数据[输入]与[输出]以何种方式进行映射；第三，高质量AI4S系统，需要专业的科学数据库为支撑，其规模与质量对于模型训练结果的精确性与准确性至关重要，但科学数据库建设不可能一蹴而就，需要科学家通过实验方法进行长期的数据积累。整体看，AI4S是人工智能研究能力与科学研究能力的综合，不应奢望在科学创新能力不足的情况下快速构建起高质量的AI4S系统，要想成为AI4S强国，必须拥有雄厚且领先的科学研究能力。

 

三、实践层面存在“为AI而AI”现象 

 

积极推进人工智能与科学研究各领域的汇聚，逐渐成为一种政策性共识。但在发展AI4S过程中，却出现了一些“为AI而AI”现象，即在研究问题不明确、算法创新能力不足的情况下，盲目建立大数据机构、算力中心，大量购买、堆积算力芯片等硬件设备，导致出现“有设备，无研究”、“有数据，无算法”现象。甚至还出现一些“伪AI4S研究”，即在无算法创新的情况下，仅利用AI复现已知研究成果，而不是解决新的问题。有意义的AI4S研究，应该是在明确的前沿科学问题或国家重大战略需求问题的引导下展开的。因此，研究机构在发展自己的AI4S系统时，首先要明确自己的研究目标，并对AI4S发展过程中所可能出现的问题（如跨场景适应性差等）有清醒的认识和准备，树立长期思维而非基于短期的功利主义。

 

结语

 

我国高度重视AI4S的发展，2022年7月，科技部、教育部、工业和信息化部等六部门印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》，提出要推动人工智能技术成为解决化学、材料、生物和空间科学等领域重大科学问题的新范式。面对新的机遇和挑战，应全面、理性看待AI4S，树立长期思维、进行持续支持，既看到其所蕴含的巨大潜能，同时又对其局限性有清醒认识。对于未来AI4S的发展，首先，应坚持问题导向和需求导向，以世界科技前沿、国家重大需求等来引导其赋能方向；其次，坚持系统观念，使AI4S的科学精神、效率提升能力赋能到国家创新体系的更多环节，尤其是应用性特征突出技术领域，提升国家创新体系整体效能。

 

 

 

以人工智能技术为代表的一系列新兴技术不仅改变了生产和生活方式，也对知识生产方式产生深刻的影响。多数社会科学研究者也对人工智能等技术持积极开放的态度，希望借助新兴技术实现哲学社会科学的繁荣发展。但面对人工智能技术的迅猛发展和快速迭代，一道又一道的技术门槛接连摆在我们的面前，而作为社会科学研究者可能并不擅长去解决技术层面的障碍。因此，在人工智能等新兴技术迅速发展的今天，社会科学研究迫切需要有组织的科研，需要跨大类学科的有组织科研。

 

以社会学的研究为例，社会学作为解析人类行为和社会发展的重要学科，离不开对现实资料的分析，所有传世的社会学经典作品都是基于不同样态的资料展开的扎实的分析。但是，长久以来社会学的研究主要通过问卷调查、田野调查等方式收集数据和资料，再依靠统计分析或理论阐释得出结论，形成了“单打独斗”或“小范围作战”的研究习惯。而这种研究习惯或研究范式则难以适应人工智能时代的科学研究。因为无论是数据资料获取还是分析都发生了革命性的变革。

 

各种数字化场景记录下了丰富的人类行为和社会发展数据，但是，获取这些数据资料本身就存在一定的技术门槛，硅基样本、智能体的出现和应用更是提出了更高的技术要求。以图片、视频为代表的新样态数据和资料的出现，多模态数据的应用，也对分析技术提出了更高的要求。社会学研究者固然可以通过额外的努力学习新的技术，突破上述困境。但是术业有专攻，有可能社会学研究者需要耗费大量精力解决的技术障碍，对于计算机专业和数据科学专业学者而言都不是障碍。并且无论是获取新样态的数据还是分析这些数据，都离不开昂贵的硬件支持（如服务器、显卡等），而这更需要强大的团队组织的支持。

 

此外，在当下的学科分工中也存在着结构性困境。计算机科学研究者持有大量的数据，数据科学研究者掌握了丰富的分析方法，他们都需要用更合适的视角进行分析以回应重大理论和现实问题。而来自不同领域的社会科学研究者，都有着各自领域深厚的理论视角和洞察力，但又缺少数据和技术支持。因此，跨学科的有组织科研更为必要。

 

未来已来，新兴技术的发展洪流不可阻挡，人工智能技术只是其中的一个方面，量子技术、虚拟现实技术、具身智能很快也将影响到社会学科学研究。在此背景之下，哲学社会科学学科有组织的科研，尤其是跨大类学科的有组织的科研，能够赋予哲学社会科学研究更多的研究空间和研究能力。

 

来源：中国社会科学网