生成式AI何以驱动科研范式变革 （下） 
作者：中国学派    发布时间:2025-03-25
  

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。