2025年3月1日，“AI驱动的人文社会科学理论创新与范式变革”2025人文社会科学智能大会在复旦大学举行，发布了国内首部《未来已来——人文社会科学智能发展蓝皮书》，吸引了国内外政产学研各界众多领导和专家，共同聚焦AI4SSH（artificial intelligence for social sciences and humanities），探寻“深度开放，全面赋能”对社会科学研究的破局效应。
近年来，“拥抱AI”成为社会科学研究教学和专业学习的主题之一，关于哲学社会科学研究范式的智能化转变得到广泛讨论。相较于自然科学规则性强、可验证的特点，社会科学非规则性、难验证的知识对算法介入研究的实践规范提出了更多挑战。在开展研究之前，明晰“人工智能何以促成社会科学范式转变”这一关键问题是必要的。
一、理念指引：数据密集耦合算法决策的“第五范式”
在数智化时代，以大语言模型为代表的生成式人工智能正在改变我们研究社会的方式，逐渐成为社会科学研究的“第五范式”。1962年，托马斯•库恩在《科学革命的结构》一书中首倡“范式转换”。在科学发展的一段时期内，总有一种固定的研究范式主导着科学研究，当这种范式不能够充分解释实践时，往往会发生科学革命，实现科学范式的转换。
从演进的角度出发，科学研究的第一范式基于对自然现象的观察，通过实验设计对自然界规律进行归纳总结。第二范式是理论范式，重视逻辑思维和理论模型构建，由具体的、特殊的基本原理推演出抽象的、一般的复杂结论。第三范式开始于计算机的出现，利用计算机远超人脑的计算能力，在既有可行理论的框架下，针对复杂目标和系统形成仿真模拟的算法，进而得出新的结论。第四范式指的是大数据科学，互联网、传感技术的成熟和应用生成了海量的数据，基于这些数据的采集、分析和加工进行新的科学发现，解决了既有范式数据样本不足的问题。
随着人工智能技术的快速发展，科学研究的“第五范式”已经被越来越多的学者和研究者所接受。“第五范式”融合了第三、四范式，在数据密集的基础上将人工智能工具全面融入科学研究，辅助或模仿人类进行研究行为，从而创造出新知识、发现新规律。斯坦福大学发布的《人工智能指数报告2024》指出，人工智能自2022年起对自然科学发现有着显著的促进作用。近几年，诸如提高算法排序效率的AlphaDev、促进材料发现过程的GNoME的科研相关模型相继问世，对于医疗、材料、气候变迁、基因工程等领域研究有着重要的推进作用。
相较于第四范式转变带来的计算社会科学，“第五范式”转变对社会科学研究有着更深入的影响和更好的结合点。社会大数据的不易获得、无法证伪特点使得第四范式难以彻底融入社会科学研究，而生成式人工智能特别是大语言模型以“拟人、对话”为突出特征，其推理和深度思考能力在因果机制生成上具有突出优势，这一点与社会科学追求“诠释性”的普遍结论在本质上更加趋同。此外，生成式人工智能触角随着用户指数级增长而深入社会每一个角落，在海量的交互中对社会大数据有着更广泛收集，其生成的内容也更具公共性，有助于突破个人思维和专业的局限，促进学科交叉和动态研究的实现。
二、实践进路：生成式人工智能结合社会科学研究的两个方向
生成式人工智能的社会科学研究创造力体现在对复杂巨系统的解构和梳理，以人类难以达到的关联能力和数据分析量级，实现对于新知识的生成和思路的拓展。与此同时，生成式人工智能在社会科学应用上存在着“横向思维能力强、纵深思考能力差”的明显短板，无法替代一个成熟社科研究者多年专业训练中形成的独特分析视角和逻辑，更不能替代意识形态和社会价值观为主题研究中人的判断。
目前，在生成式人工智能与社会科学的结合上主要有两个方向：
第一是“AI for social science”，即生成式人工智能作为“硅代理人”出现，利用其类人智能辅助传统社会科学研究，实现“人机协同”的新模式。在这一模式中，人工智能要尽量对齐人类的认知能力和价值判断，扮演着双重角色。一是在社会科学逻辑起点的“发问”环节。人工智能可以站在研究者的视角，对既有文献进行广泛的回顾和总结，提取有用的见解，并在此基础上进行“头脑风暴”开拓思路，辅助提出具有创新性的研究问题和假设。二是在假设的验证环节。大语言模型可以模拟进行访谈和实验，通过海量数据扮演不同阶层、文化背景和学历程度的受试者，这些“硅样本”很大程度上助力了“降本增效”，有效避免了伦理问题和无效采访的出现，但同时也存在着难以复现、仿真度不高的缺点。
无论是“硅代理人”还是“硅样本”，生成式人工智能以一种方式实际参与了社会科学研究，就此产生了知识产权和成果署名问题。就目前人工智能达到的实际社科研究水平来看，还不足以达到一个较高的发表水准。近期，中国历史研究院发布了《关于规范生成式人工智能工具使用的启事》，明确不接受生成式人工智能工具参与投稿署名，人工智能工具的使用仅限于语言润色、文献检索、数据整理与分析、思路开拓等辅助研究环节。
第二是“Social science of AI”，即人工智能本身作为社会实体，成为社会科学的研究对象，经济学、社会学、政治学、管理学、心理学、语言学从多学科视角出发研究其行为规律和特点，及其对社会经济产生的全面影响，从心理学、哲学视角出发，大语言模型表现出了人类所具有主体性认知，对于其个性偏向、价值观念、伦理哲学的研究开始涌现。从经济学视角出发，生成式人工智能对于社会经济显现出全方位影响的趋势，对“生产—分配—消费”全流程，以及经济转型、产业结构都有着深入且全面影响，亟需系统研判。从社会学视角出发，生成式人工智能使得高技术劳动者也存在着被取代的风险，对整体社会劳动力市场产生了深层次、系统性影响，也需要有成熟的预先研究。
此外，生成式人工智能可能对既有学科范式造成冲击，甚至是颠覆性改变，问题的跨学科属性愈发明显。从语言学视角来看，大语言模型成为语言学研究的重要工具，大大提升了对于语料的查找、集合与分析的效率。同时，大语言模型中的自然语言的设置引发了文化主权之争，世界主要经济体纷纷开发本土语言为基础的模型。大模型的自然语言设置已经超出了技术范畴和语言学范畴，成为了国际政治、国家安全学等学科的研究领域。
三、方法赋能：智能化驱动多学科方法的融合与优化
生成式人工智能无法替代社会科学工作者，其实质是为研究“赋能”。AI驱动的多学科融合，本质是一场研究范式的革命。它要求学者既掌握本领域的核心问题，又具备“技术敏感性”，能够将抽象理论转化为可计算的模型。
未来，随着生成式AI在因果推断、复杂系统仿真等领域的突破，社会科学或将进入“人机协同”的新阶段——人类提供价值判断与问题意识，机器负责模式挖掘与方案优化。这种共生关系不仅会产出更精准的知识，更可能重塑我们理解社会的方式，从而迈向“智识共生”的社会科学研究新范式。以下从混合研究方法、动态研究范式和跨学科协作三个维度，探讨智能化技术如何驱动多学科方法的创新与优化。
第一，从单一到融合的混合研究方法深化。传统社会科学研究长期面临定性分析与定量数据割裂的困境。定性研究依赖主观解读，样本量有限；定量研究虽覆盖广泛，却难以捕捉深层社会意义。AI技术的介入，为两者架设了桥梁。例如，自然语言处理（NLP）技术可对访谈文本进行情感倾向分析，识别受访者的情绪强度（如积极、消极或中立），并结合问卷调查、行为数据等量化指标，揭示社会心态的复杂成因。
第二，从静态到实时追踪的动态研究范式确立。传统研究多依赖截面数据或历史数据，难以捕捉社会现象的瞬时变化与动态因果。AI技术通过实时数据采集、流式计算和预测模型，使研究从“事后解释”转向“事前预警”。例如，基于社交媒体、传感器和行政数据的多源信息融合，可构建社会系统的“数字孪生”，实时模拟政策干预或突发事件的连锁反应。
第三，“从壁垒到共生”的跨学科研究桥梁。AI技术的通用性使其成为打破学科边界的“催化剂”。在哲学社会科学与自然科学的交叉地带，AI既提供工具（如复杂系统模拟），也引发新的伦理与认知挑战，倒逼学科间深度对话。例如，计算伦理学通过算法模拟道德决策场景，迫使计算机科学家与哲学家共同回答“何为公平”。
（作者王月禾，单位系中国人民大学国际关系学院）
