人工智能推動研究范式革命

近年來，學術界關于“數智化賦能社會科學”的討論日漸增多，但多數討論仍停留在用更強的算力處理更多的數據，用更好的算法發現更隱蔽的模式，用更快的速度完成更繁重的文獻檢索。這些進步當然重要，但它們本質上是在傳統范式的框架內做量的提升。AI正在同時從數據、方法和認識論三個層面沖擊哲學社會科學的根基，要求哲學社會科學研究者在深入思考的基礎上，運用AI推動真正意義上的研究范式革命。

第一，數據革命：從小樣本到全域數據。傳統社會科學的數據采集高度依賴問卷調查、深度訪談和田野觀察。數字化時代從根本上改變了這一格局。社交媒體上每天產生數十億條交互記錄，電子支付系統積累了幾乎所有人的消費行為數據，城市傳感器網絡實時捕獲人口流動和環境變化信息。社會科學家現在面對的不是“數據不夠”的問題，而是“數據太多、維度太高、變化太快”的全新挑戰。但數據革命的本質不只是“更多數據”，而是從根本上改變了社會科學的觀察粒度。更深層的影響在于，全域數據暴露了真實社會的復雜性遠超傳統理論模型的處理能力，進而呼喚方法論層面的根本變革。

第二，方法革命：從統計推斷到計算實驗。在以經濟學為代表的社會科學研究中，統計推斷是一種核心方法，但它只能分析已經發生的事情，無法回答“如果情況不同會怎樣”的反事實問題。AI帶來了計算實驗的可能性。在虛擬環境中構建包含大量異質智能體（Agent）的社會系統，設定不同的初始條件和政策參數，觀察系統動態演化的“計算實驗”方法為社會科學研究增加了一個全新的維度。計算實驗讓社會科學第一次擁有了自己的“實驗室”——可以在其中反復試驗、控制變量、比較方案。關鍵的質變在于大語言模型（LLM）驅動的多智能體系統中，Agent具有自主決策能力，使得宏觀現象從微觀交互中“涌現”，成為復雜系統的“自然”產物。

第三，認識論革命：從觀察世界到“生成世界”。傳統社會科學的核心方法論范式是“觀察—歸納—理論建構”。AI社會模擬器開啟了一種全新的認識論可能：通過“生成”一個“社會”來理解社會。LLM驅動的Agent具有類人的認知、推理和決策能力，其行為是基于對環境的“理解”而“生成”的，可以產生研究者未曾預設的新奇行為和涌現現象。這是從“解釋已發生之事”到“模擬可能發生之事”的范式躍遷。從馬克思主義的方法論角度看，這種轉變有其深層合理性——馬克思強調社會經濟現象是人的實踐活動的產物，而非抽象規律的自動展開。計算實驗恰恰是從人的具體行為出發，通過模擬實踐活動的復雜交互，觀察社會經濟規律如何從實踐中生成，這在方法論上與歷史唯物主義的邏輯具有內在一致性。

同時，AI還在四個維度上帶來學術研究的重構。一是從“代表性個體”到“異質性群體”。以經濟學為例，主流經濟學長期依賴“代表性個體”假設。但真實社會中不存在“理性人”，重大社會現象恰恰是由個體之間的差異性和互動性驅動的。AI驅動的多智能體系統天然支持大規模異質性建模，每個Agent可以具有獨特的特征和決策偏好。這意味著社會科學終于可以系統性地研究那些傳統模型遺漏的關鍵問題：少數個體如何通過網絡效應改變全局？邊緣群體對政策的響應為何與主流群體截然不同？社會規范如何在局部互動中自發生成和演化？

二是從“事后解釋”到“事前推演”。傳統社會科學的核心工作模式是事后解釋，而AI社會模擬器使政策“預演”成為現實。決策者可以在虛擬社會中同時測試多個政策方案，比較短期效果和長期后果。如清華大學AgentSociety平臺已成功模擬了UBI政策效果、信息傳播治理效果等，結果與真實世界高度一致；復旦大學SocioVerse在美國大選預測中，34萬智能體的預測準確率超過90%。

三是從“學科分立”到“計算統一”。學科分化導致經濟學、社會學、政治學、心理學、新聞傳播學等學科各有方法論傳統。AI社會模擬器提供了一個統一的計算框架，可以在同一個模擬環境中同時研究經濟行為、社會互動、政治態度、心理變化和信息傳播。這將更貼近真實社會中上述維度不可分割的現實，也有望推動社會科學從學科分立走向問題導向的整合。

四是從“靜態快照”到“動態演化”。傳統社會調查捕獲的是某個時間點的社會“快照”。AI模擬生成連續的、高時間分辨率的社會動態過程，可以觀察社會系統從一個穩態到另一個穩態的完整轉換路徑，包括臨界點、相變、路徑依賴等非線性動態特征。社會變遷不是從狀態A直接跳到狀態B，會經歷復雜的中間過程——有些是漸進的，有些存在突變；有些是可逆的，有些一旦跨過臨界點就不可逆。

我們必須清醒地認識到，AI并不是萬能的。AI可以對社會科學研究產生顛覆性的影響，但我們需要誠實地劃定能力邊界，明確AI不能做什么。

緘默知識不可模擬。AI精于處理編碼化的外顯知識，但對“意會”的緘默知識，如文化底蘊、隱性規范、社區記憶、情感邏輯等常常解釋乏力。研究者仍然需要通過田野調查、深度訪談、參與式觀察等傳統方法去觸碰那些無法被數據化的社會現實，做到返本開新。

價值判斷不可委托。社會模擬器可以告訴研究者政策會導致的結果，但它不能告訴我們哪個結果更好。關于公平與效率如何取舍、多數人的便利與少數人的權利如何協調等重大價值判斷是人主體性的表現，不能也不應該委托給機器。

系統性偏差必須警惕。LLM是在人類產出的文本數據上訓練的，這些數據本身攜帶著特定文化、時代、群體的偏見。復旦大學SocioBench評測顯示，個體行為模擬精度總體仍低于40%，欠發達地區模擬精度更低。規模大不等于更真實，“精確的錯誤”比“模糊的正確”更危險。

方法論互補而非替代。AI社會模擬不是要取代傳統社會科學方法，而是作為重要補充。最理想的研究范式是：計算實驗產生假說，傳統方法驗證假說；傳統方法發現困惑，計算實驗拆解困惑，兩者互補共進。

作者系清華大學馬克思主義學院教授

來源：中國社會科學報

責任編輯：問嚴鍇

新媒體編輯：程可心

如需交流可聯系我們