AI赋能社会科学研究的三重有限性

【主持人语】2024年，诺贝尔物理学奖、化学奖授予人工智能（AI）科学家，被外界普遍认为是对人工智能赋能科学研究（AIforScience，AI4S）的认可。同时，这也激励了学术界探索人工智能赋能社会科学研究（AIforSocialScience，AI4SS）的热情。甚至有些AI专家认为，人工智能赋能社会科学研究的前景将比赋能自然科学研究更大。如何从认识论、方法论层面审视AI4SS？AI4SS究竟会给人文社会科学研究带来什么突破，将如何改变各具体学科的面貌？AI4SS的大规模流行，可能产生何种问题或风险，又该如何应对？类似问题，近来已经引发诸多热议。本次笔谈聚焦“人工智能赋能社会科学研究（AI4SS）的跨学科反思”，从哲学、马克思主义理论、经济学、法学、新闻传播、艺术学以及数学、人工智能等进行跨学科研究，抛砖引玉，以期推动该领域研究的进一步发展。（刘永谋）

AI4SS即AI赋能社会科学研究，尽管其效用遍及研究的各个环节，能促进跨学科沟通，但并未实现对社会科学研究范式的统一或变革，也未能规避传统社科研究的诸多旧问题。并且，AI4SS在数据处理、模拟实验和内容生成方面也面临三重有限性。为实现对AI4SS的丰富、拓展和补充，一是要精准定位AI4SS在社会科学研究中的辅助作用，二是要明确社科研究中的人机分工、融合与共创，三是要甄别传统社科研究旧问题在AI4SS语境下的新表现，探究解决的新方案。

AI赋能知识生产备受关注。有人认为AI驱动科学研究更大的用武之地在于人文社会科学领域，该观点往往与社会科学自然科学化的理念紧密相连，因为社会科学与自然科学相比，确定性、客观性、预测性相差甚远，亟须用AI等科学手段加以改造。这既是逻辑实证主义者的“统一科学”信念在AI时代的新形式，也是数据至上主义的典型表征。AI发展的有限主义进路则主张科技以人为本，以有限设计构建有益AI，坚持防意识化的技术设计，贯彻去道德化的伦理设计，警惕短期片面的制度设计，审时度势地动态控制AI，同时需要认识到AI对社会科学研究的改造是有限的。

AI4SS可视为丰富社会科学多元化研究的新进路，但并未改变社会科学研究的本质，亦尚未构成社会科学研究范式的AI转向。参照学界的普遍观点，社会科学领域迄今并不存在统一的研究范式。从知识生产的内部环节审视，尽管AI4SS实现了对数据处理、模拟实验和内容生成的有益增强，但在这三方面仍然面临有限性难题。

一、AI4SS赋能的主要方面

AI4SS并非愿景，而是近年来蓬勃发展的重要趋势。纵览AI赋能社会科学研究的既有实践，AI对社会科学的冲击既遍及社会科学研究的每一个环节，如选题、收集资料、分析数据、提出假说与理论阐述等，也遍及不同的社会科学学科，如政治学、社会学、经济学、（社会）心理学等。计算社会科学亦在此背景下应运而生。研究者能借助AI实现实验流程自动化，或让其作为实验助手完成耗时费力的工作。AI能从访谈记录、政策文本中提取主题，识别虚假信息和仇恨言论，对群体认同、社会信任、公众态度与压力水平等方面展开情感分析，进行心理风险识别和干预。

AI工具种类丰富，跨学科适用性强。既有专为科研人员设计的AI程序，如智能社会科学研究系统（DATGS），OpenScholar，Sur-veyForge等。也有入门门槛低、成本低，资深研究者和科研新人都能快速上手的AI工具，如业界的豆包、Kimi、ChatGPT、Gemini纷纷推出“深度研究”（Research）版本。AI4SS对知识生成的提升，主要涵盖数据处理、模拟实验和内容生成三大领域。

数据处理功能涉及研究资料与多模态数据的采集、整理、翻译、分类与归纳。AI数据处理能力与AI时代的数据丰裕现象相适应、相匹配。AI可以通过网络爬虫与API接口集成海量数据（如文本、音频、图像），并运用监督学习、无监督学习及深度生成模型等技术，完成对数据的格式转换、纠错清洗、归类聚类、挖掘合成、预测推理和可视化。AI能够基于机器学习中的各类降维方法，在尽可能不损失数据信息的前提下，构建新的低维度协变量；同时依托深度学习技术实现特征工程自动化。此外，AI可以借助词云、关系图来直观呈现数据中的趋势、模式和异常点。AI也能检索并推荐文献，研究者还能训练AI自主批量下载文献。

模拟实验则是用AI模拟社会调查和实验，主要形式是ABM（Agent-Based Model-ing）。在个体层面，AI既可以模拟被试，让其以不同的“身份特征”参与虚拟实验；也可以模拟主试，让其自主生成假说、设计实验与分析结果。在群体层面，AI可以模拟一定规模的社会运动，最典型的是社会模拟器（Social Simulator），或称为HAI（Human AI）。HAI即用很多AIAgent模拟社群，Agent按一定的设定规则在虚拟空间相互作用，解出统计特征和群体行为特征。模拟实验旨在生成社会数据和社会事实，如斯坦福虚拟小镇（Smallville）模拟社交、协作、环境，清华大学构建的AgentSociety模拟极化现象和全民基本收入政策的影响。对于自然灾害、恐怖袭击与极端主义等不可预期风险，模拟实验更是重要研究路径。

内容生成功能是AI对社会数据和社会事实进行分析和推理，以生成社会知识，主要包括模式识别、知识推理与生成AIGC内容等。例如AI能从研究者上传或请求搜索的资料中提取、复制与解释内容，对指定的主题文献生成速读版和精读版的摘要。AI能优化手稿、修订格式，按要求导出参考文献清单。研究团队可以借助论文生成功能辅助统稿，快速整合不同成员的研究成果，统一论文撰写规范。研究人员既能给AI提供大纲或全文，让其进行扩充、翻译与润色，也能让AI按照要求生成假说和大纲写作，完成学术文章。这已经成为人文社科期刊最为担忧的功能，因为难以完全区分个人创作和AI生成。

AI既是生成社会知识的新工具，也是社会科学研究中的新对象。在社会知识内部生产之外，AI4SS还对社会科学成果的评价和政策应用产生影响。但这属于AI4SS的外部功能，不是本文讨论的重点。

二、数据处理的有限性分析

AI4SS在上述三大领域的应用充分体现AI赋能社会科学研究是富有前景的，总体上极大地提高了社会科学研究的效率，但这不代表AI4SS总如预想般富有成效，它也带来诸多问题和风险。尤其研究者使用的AI工具层次不一，AI4SS并不总是用更专业和昂贵的AI产出成果。在AI的数据处理中，数据来源与流通层面面临数据隔绝和数据孤岛问题，数据训练与产出的质量层面则存在数据毒性、欠拟合、过拟合、随机鹦鹉和AI幻觉等问题。

部分学科和论域所需的数据带有保密属性，难以获取和流通，有些研究涉及的数据未必开源，这是基于安全、隐私、合规等要求进行的数据隔绝。它一方面保护了数据隐私，但客观上也会固化AI数据孤岛的现象，阻碍AI4SS研究所需数据的连通共享。AI也面临数据异构性、可访问性和互操作性等挑战。若研究受限于碎片化的、特定的数据集，将加剧AI4SS研究样本选择偏差，导致研究结果难复现。

至于AI的数据毒性与质量，AI能够高效广泛采集数据，但不能分辨所有数据源的内容质量，以及信息传播主体的意图。有人可以故意发送虚假信息，对AI“投毒”。AI自身也可以“产毒”，制造“数字泔水”。AI被“灌毒”，人类再用AI进行数据再处理。而AI的数据过滤和清洗可能“误伤”真人样本。例如用AI判定收集问卷的质量，如果填答时间和设定的参考时间相比过短或过长，将被归类为无效问卷，被认为是机器或代填公司刷单。其判定逻辑是填答过短反映用户未仔细浏览设问和选项，或是问卷被其他AI公司爬取自动填答用于赚取填答红包、操纵结论；填答过长被认为是AI代刷软件卡顿。但实则可能是因为该样本为熟悉问卷调研内容的从业者或专家，也可能是老年人、网络不稳定群体在仔细揣摩问卷，缓慢作答。

AI把握数据时还面临欠拟合和过拟合的问题。过于简单的模型会导致AI无法恰当地学习到趋势和规律，误差大。过拟合则是AI在学习过程中过度捕捉数据中的细节特征与无关噪声，导致模型泛化能力下降。数据拟合的“重复性”可能加剧研究同质化。不同研究者使用相同的AI模型、同质的数据源，会得到相似的结论，减少知识创新。

随机鹦鹉和AI幻觉显现AI数据处理结果的不稳定。即便是同一研究者在短时间内以不同语气的指令向同一AI提问，或是要求其以专业术语、大白话、“毒舌”口吻回答，AI将会给出表述不同甚至观点也改变的信息。AI幻觉还可能编造虚假信息和文献。即使是真实文献，AI往往也优先推荐arXiv以及其他免费开放平台或期刊的文献。因为这些文献是AI更易于获取和用于训练的，由此可见，AI的收集和推荐并不全面。

另一方面，社会事实的客观性问题有待商榷。波兹曼（Neil Postman）认为舆论是编造的客观概念，不能完全进行数字化排序。对于同一个对象有无数序列标准，不同标准背后有不同的预设。例如社会学和政治学研究调研公众是否喜欢特朗普时，将不喜欢到很喜欢的赋分设计为从0分到5分，但受访者对“讨厌、喜欢”的感受程度不同，也不确定调查者的0分到5分是什么水准。量化社会事实的疑难在AI4SS中并未消除。

三、模拟实验的有限性分析

社会模拟器有三大有限性，即模拟人的行为主义迷思、环境模拟的不可能、社会实然与应然的复杂关系。AI模拟实验属于数学模型实验的一种，实验方法、社会实验方法、数学模型方法、数据模型方法与大数据模型方法等层面的有限性，在AI中并未完全改善。因为模型是一种抽象或简化，对于特定的应用场景，需要考虑备选模型，设定哪些是数据中可以忽略的信息。数据驱动模型常被批评缺乏对移情、内省等高级认知能力的表达与建模。但问题的关键在于，社会现象因其复杂性难以恰当模拟，并且社会系统一般是开放的、非决定性的。

AI不仅难以解决传统研究面临的问题，而且AI模拟实验还将面临新难题。当研究者给AI设定、分配角色，AI只能模拟出某人的部分行为习惯，无法刻画出某个多愁善感、行为克制的立体的人，或是“聪明透顶、愚不可及、仁善极致、丑恶无比”复杂极端的人。社会模拟无法穷尽人的异质性，对人群的类别划分本身也是模糊的。除此之外，社会、文化、价值等约束条件是在人际间、人与环境的互动中持续建构的，难以彻底提取量化。因为现实中人类行为和社会表现具有高度的内生性、随机性。社会生活情境性强，个体行为随场景变化。具体而言，HAI难以模拟“面子”“人情”“宗族文化”的群体互动，也难以辨识用户的“体面”和“婉拒”。在现实世界中，相同行为的策略很可能存在不同动机，即便是同一类群体也可能迅速调整行事策略。质言之，机器无法通过有限互动，实现所有符号与无限场景的精准绑定，何况真实世界的意外组合无穷无尽。基于上述分析，可以发现，大模型不能很好地替代人类受试者，其给出的答案不够多样化，对小众群体、特殊场景、新环境的适配能力欠缺。如果不实地调研受试者个体和地区的生活方式，可能因干扰变量、数据偏斜导致错误结论，甚至模糊研究者对因果层面的判断，导致理论建构失去方向。

除此之外，社会实验也不具备科学事实同等的可重复性、可检验性。同一个社会实验，在不同地方和文化中实施会得出不同结论，在相同地方不同时间实施也会得出不同结论，不同的人对同样的数据具有不同解读。例如，破窗实验在北京和纽约实验的效果不同，霍桑实验则说明受试者无法摆脱受试心态。而在AI模拟实验中，这些问题并未得到预想中的化解。AI模拟看似缓解了观察者的干扰，摆脱样本的受试者心态。但在大语言模型中，AI无法稳定持有一个连贯、内生的社会身份，因为AI的“人格特质”可以通过微调、增强记忆能力等方法改变。在囚徒困境实验中，当大语言模型被注入利他或自私特征时，硅基样本会做出不同选择。

若没有调试完备并接受人工复核的硅基样本用于社科研究，那么AI模拟被试和AI刷单代填没有本质区别。网络采集到的碳基数据未必真实，模拟如何准确。比如AI获取的数据源中包含被“制造的民意”，社交网络中采集到的信息可能是“表演的人设”，而非真实的“政见”。传统研究可能受调研者视角的影响，导致案例选取具有非典型性。AI同样受到数据源质量影响，生成或合成的硅基样本同样面临不完整、质量不均衡与不具代表性的疑难。或许性能强劲的大语言模型才能通过自我博弈和反馈优化等方式满足研究所需。

模拟实验看似缓解了传统实验的间隔周期与其造成的数据滞后和不连续性，但同样面临训练数据的过时问题。除此之外，AI4SS看似减少了真实实验的成本，但同样需要考虑模拟和算力电力的成本，以及验证的经济和时间成本。社会科学中聚焦于“人”的研究，如人力资源管理对个体以及人所在的团队、组织、群体的研究，也不能指望全由AI模拟。

四、内容生成的有限性分析

AI生成社会科学知识的过程中存在AI偏见、AIGC的意识形态性、AI谄媚、知识产权、窄化研究与挤占学术资源等问题。要想厘清引发上述问题的原因，需要我们探究大模型产出内容的运作原理。大模型通过数据挖掘、关联性识别、概率推演与文本预测生成内容。本质上，AIGC是统计学的词元排序，而不是对真实社会的理解或说明。网络上所有社会科学的相关数据，是AI4SS内容生成的基础，这些数据良莠不齐，致使AI直接生成社会科学知识的质量非常可疑。

具体而言，在AI的训练数据上存在对女性、少数族裔等群体的偏见，对政治、宗教、年龄和社会经济地位处于边缘的群体的观念呈现不足的问题。不仅AI的训练文本可能无意中内嵌意识形态，其再生成内容也偏向传播特定的政治观点。除此之外，训练语料以西方为主，生成的回答更偏向反映年轻、高学历或高收入人群的立场，导致输出内容往往带有“硅谷意识形态”。而这些非代表性或有偏的训练数据中存在的噪声、偏见与语义模糊等问题，会被AI模型放大，得出误导性结论。训练数据缺乏客观性，以之为基础的AIGC何来客观性？大语言模型生成过程也难以避免输出冲突，针对同一个问题模型可能给出多个不同甚至矛盾的回答，这些回答综合关联度近似，且均有训练语料支持。

除此之外，使用AI生成内容还可能导致研究者“无意抄袭”。AI生成文本本身就可能隐含未标注的引用内容，或是出处有误。发表在Nature上的研究发现，尤其当AIAgent出现后，用户将越来越多的行为委托给AI时，可能增加人和机两者的不道德行为。AI对于不道德指令的遵从性高于人。用户甚至无需向AI发出明确指令，而是可以通过监督学习或高层目标设定来诱导AI作弊。人似乎合理推诿了不诚实的请求，从而减少自身被视为不诚实之人的道德成本。

在AI4SS语境中，AI不会拒绝生成虚构文章，有技巧的研究者还能通过迂回提问等方式骗取所需知识。研究者可能不会“明知不可而为之”，但若是私下使用的AIAgent在“不知情”的情况下作弊，则会稍微心安理得。不论是AI“拉人下水”，还是研究者企图将学术不端的行为外包给AI“替罪羊”，人委托AI进行内容生成都可能助长研究中某种新的道德滑坡。

AI的谄媚也体现在给研究者生成过多正反馈。例如AI经常用“完美、神奇、非凡的问题”等词汇恭维研究者的想法，未必对有问题、缺陷的请求提出质疑。AI往往顺着研究者哪怕“价值不够高、可读性不够强”的想法输出框架。这种谄媚甚至无条件的认同，降低了研究者的批判意识和问题意识，习惯于使用生成的内容，将降低研究者的学术品位。当类似的研究大量发表并作为下一轮AI生成的训练语料，更多研究者用个人的AI工具又生成新的内容，以为研究得到“复现验证”，实际可能导致学界的研究想象力的收缩，研究方法窄化，低质量的垃圾研究将挤占学术资源。

又如，以往遇到研究瓶颈，研究者能通过丰富观察，分辨假说的“硬核”与“保护带”构成等方式解决。AI介入后则倾向于先思考如何优化提示词，并在节约词元（Token）的前提下获取更大的模型和更多的算力。这可能会让研究者误以为增加模型参数量和算力投入就能推进研究问题。此外，研究者可能不再以真实问题为驱动来组织研究，而是优先选择那些便于模型识别与处理的问题。

五、多元进路之一的AI4SS

AI4SS尚未成熟和固化，是一个开放、交叉并被外界持续关注的领域。但发展AI4SS不代表要忽视和否认它的局限。为回应AI4SS的三重有限性，实现对其的丰富、拓展和补充，一是要精准定位AI4SS在社会科学研究中的辅助作用，二是要明确社会科学研究中的人机分工、融合与共创，三是要甄别传统社会科学研究旧问题在AI4SS语境下的新表现，探究解决的新方案。

第一，对于社会科学研究而言，AI始终是有力的新型工具。它或许能促进跨学科沟通，但不能实现对社会科学研究范式的统一或变革。AI4SS可以作为参考辅助研究，但不能作为标准。

AI介入各学科的环节，跨学科研究者使用与调试AI的步骤及其体验的AI功能类似。但无论是修改提示词、调参，还是从经济学、社会学特征等方面解读模拟结果，都需要专业领域、数据管理、数据分析、项目协作的技能②。HAI等AI工具需要多学科交流才能改进效果。

对AI赋能的各门社会科学而言，有近似的研究流程不代表研究方法和核心预设的统一。社会科学的范式并不因此统一，同一模拟结果有不同学科意义也是因为学科的切入视角、关注点和预设不同。技术路线方面，旧时AI发展划分为符号主义、联结主义、行为主义等不同进路。基于研究者对不同模拟目标建模时对精确性、多样性和规模上的不同需求，当前的大模型智能体驱动的社会模拟可以分为个体模拟、场景模拟和社会模拟，AI4SS中也存在两种技术取向分野，即以模仿为目标的机器学习和以模拟为目标的计算模拟。

第二，AI4SS作为社会科学研究的多元进路之一，要更好地发挥AI赋能作用，让研究者借助AI作出知识创见，而非让AI替代研究者。这需要区分人类环节与AI环节的分工，融合人类能力与AI能力，形成人机知识共创的新模式。

以HAI在政治学、管理学中的应用为例，需要由人明确政策实施的主体、受益对象和目标，政策运行的影响机制，运行所需的社会、制度、地理、文化环境，以及法律伦理约束。HAI的数据拟合是手段不是目的，要关注模拟的过程而不仅是数值结果。人要有辨识数据反常、个别值波动和新变量的能力，不因为拟合错误放弃改进工具，也不一味追求调整模型和参数使数值贴合预期。

AI硅基样本作为人类被试的补充，能缓解传统研究方法的高拒答率、高成本、难以规模化等问题，模拟实验一定程度上能规避实体系统实验的危险、伦理风险和高成本。AI模拟能帮助人理解现实中因规模、时间等原因限制而尚未产生，或发生过快而难以察觉反应的事件。但硅基样本的精确性和可靠性有待考证，它仍无法替代人类受试者和传统抽样方式。社科研究也有待于研究者去探索合适的数据维度、数据规模和数据组合，发掘模拟实验是否均衡考虑了应当涵盖的层次，结果是否能回应人们关注的社会问题。

第三，反对AI崇拜与AI4SS迷信，牢记AI4SS的有限性，AI4SS对传统社会科学研究而言，并非排他性范式。既要探究AI解决传统社会科学研究中旧问题的新方案，也要注意甄别这些旧问题在AI4SS语境下的新表现，发挥AI4SS增进社会福祉和服务人类利益的功能。

AI在某些方面能提升效率，完成人难以完成的工作，帮助研究者从烦琐的技术操作和现实成本中解放出来。但切记社会科学研究中的理论疑难和伦理问题不会凭空消失，只不过在AI语境下呈现为新形式，或者转移到其他环节中。AI生成和谄媚可能导致学术不端，用硅基样本调研敏感话题，看似保护了潜在受访者的隐私，但贴切的硅基样本势必前期用敏感的真实数据训练，因此更需要注重对训练样本的数据保护和严格审查。

研究者要注意发掘AI语境下社会科学研究旧问题的新表现，也要警惕在使用AI工具后，从假说的提出者、因果的阐释者变为数据的痴迷者、搬运工。学界更要警惕研究的自主性、人文性和社会性丧失，将AI4SS演变为逐热点赶时髦，只是“AIforpaper”。未来需要“AI赋能社会科学”与“社会科学赋能AI”双向融合。

【本文系中国人民大学科学研究基金“标原”专项“有限人工智能理论研究”（202630037）】

本文注释略，原文见《科学·经济·社会》2026年第4期。