人工智能重塑智库研究模式的四个维度

《国务院关于深入实施“人工智能+”行动的意见》提出，要加快探索人工智能驱动的新型科研范式。经过十余年的高水平建设，我国新型智库在提高研究质量和推动内容创新方面取得了显著成效，但在数据、方法、人才等环节仍存在短板。这些短板恰好对应人工智能应用于智库研究的几项基本前提，即可用的数据、可靠的方法、能够操作工具的专门人才，以及对结果安全性的把握。因此，讨论人工智能如何改变智库研究，可以从上述四个维度寻找存在的问题与解决方案，构建数智时代“人工智能+智库”的“新质智库”建设模式。

第一，数据维度：数据质量的约束与治理办法。数据是人工智能应用的前提，也是当前智库研究最明显的约束。现有智库数据库建设质量良莠不齐，与人工智能处理要求的矛盾日益突出。多数智库的数据来源分散，格式不统一，缺乏持续更新，难以直接用于模型训练或检索。例如，访谈和实地调研形成的记录大多以非结构性文本存在，未经整理难以进入数据库；不同课题对同一指标的口径和命名往往不一致，汇总时需要大量人工核对。数据碎片化的难题，使得已有成果难以被后续工作复用。与此同时，人工智能对数据的要求高于传统研究，无论是训练专用模型，还是采用检索增强生成（RAG）技术调用资料，都需要规范、清晰、可追溯的数据作为支撑。

应对这一问题，可以从两个方面入手。一是利用人工智能技术实现多源数据规范化采集、清洗、标注与校验，减少人工干预的随机性，大幅提升数据质量，进而适配人工智能训练需求。二是依托人工智能技术在机构层面建立智库数据协同机制，将分散的资料库归集为可检索、可更新的知识库，自动跟踪重大议题数据，形成可复用的决策咨询知识模块，强化智库数据积累和知识资产沉淀。例如，北京市《加快人工智能赋能科学研究高质量发展行动计划（2025—2027年）》将建设至少十个高质量科学数据库列为明确目标。这些做法均表明，数据治理是决定“人工智能+智库”能否产出可靠结果的基础性工作。

第二，方法维度：从定性判断到人机协同。智库研究长期以专家的定性判断为主，定量分析多作为辅助。面对涉及众多变量、动态变化的政策议题，仅靠人工分析往往难以覆盖足够的情形，也不容易在短时间内给出有依据的推演结果。人工智能有助于补齐定性判断的短板，加入模型定量科学分析，从而能够起到辅助决策的关键性作用。

方法改进的一种可行做法是采用“人工智能情景仿真+专家校准”模式，由人工智能完成政策的多情景模拟、风险识别与指标预测，并由研究人员负责结果校准与战略判断。在社会科学领域，已有研究尝试用大语言模型替代人类行为进行模拟实验。例如，清华大学的“硅基实验”选取心理学与管理学若干经典实验，用主流大语言模型生成响应数据，得到了较高复现率与一致性，这说明大语言模型可以作为低成本手段辅助进行模拟实验和假设初筛。但是，人工智能模型用于模拟预测的数值与真实值之间仍存在误差，其结果需要经过人工核对，不能直接作为结论。

在政策研究和决策辅助等场景，人工智能也能够承担可计算、可重复的推演工作，同时将判断、解释和校准的工作则交给研究人员。人工智能平台可将政策模拟与评估系统、复杂社会指标预测系统、基于多智能体的社会仿真系统等列为研发方向，推进定量方法在政策研究中的应用。决策辅助专有模型还可以提供精准化政策研判、情景模拟、风险预警等功能，供地方政府、企业和研究机构在具体议题中参考选择，适配个性化咨政研究需求。

第三，人才维度：兼通社会科学与技术方法的研究队伍。当前，智库研究队伍中熟悉政策理论和研究方法的人员，多数对数据处理和模型应用了解有限；而具备技术能力的人员，又未必熟悉政策研究的问题和规范。两类知识分属不同人群，导致先进技术无法与研究能力很好结合，限制了人工智能方法在智库中的应用成效。

针对人才维度的短板，解决办法主要分为三个方向。一是与高校、科研机构和科技企业联合开设交叉课程，培养既了解政策研究，又掌握数据治理与模型开发应用的复合型智库人才。二是通过柔性引进的方式吸纳人工智能技术专家和数据科学家，与智库现有人员组成协同研究团队，实现优势互补、能力共建。例如，山东省教育厅等部门印发《人工智能赋能高校科学研究高质量发展的若干措施》，支持高校组建由数据科学家、领域专家和算法工程师共同构成的科研队伍，形成综合交叉的创新团队。三是对现有人员开展精准个性化培训，通过人才能力画像推送定制化培训课程，搭建人工智能虚拟仿真平台，提升实操能力，补齐数据和算法方面的短板。以上三个方向同时回应了人工智能应用受人才结构限制这一难题。

第四，安全维度：模型可靠性与决策咨询的专业要求。智库的核心功能是为决策提供咨政服务，这对人工智能的可靠性提出了高于一般应用的要求：决策咨询要求结论权威、专业、准确，且不能泄露敏感信息。然而，当前通用大模型普遍存在数据幻觉、对特定领域专门知识掌握不足、数据和访问安全防护薄弱等问题，与决策辅助的要求存在明显错配。

智库长期积累的专家资源和知识资料，以及高校在学科专业上的领先水平，为研发面向特定领域、强调可靠和安全的专门模型提供了条件。以中国人民大学多学院、多学科、多智库联合研发的“长江经济带高质量发展大模型”为例，这一模型在三个方面回应了上述要求。第一，作为大模型技术底座的“人大知擎智能支撑系统”，以自然语言处理、知识图谱、多模型协同调度为核心能力，支持私有化部署与云端安全调用，对应“安全”的要求。第二，以基础知识库和专家知识库为核心的智库知识库系统，将智库的专门知识纳入模型的检索和生成范围，对应“专业”的要求。第三，在上述基础上，进一步研发的智能咨询问答、智能报告生成和决策辅助智能体等功能，面向本地化和部门级的具体应用，使输出结果可核对、可追溯，对应“可信”的要求。又如，中国人民大学研发的“涉外法治大模型”，通过高可信的法条检索与生成框架，约束模型仅在可靠资料范围内作答，充分满足了法律研究对严谨性的要求。

在制度层面，还需要坚持以人为本、价值引领、安全可控、公平公正、透明可解释原则，明确人工智能在智库研究中的伦理边界、行为规范、责任要求，防范算法偏见、数据歧视、价值偏差等风险。同时，建立人工智能模型安全检测、数据安全防护、算法可解释性审查、风险预警与应急处置制度，在行业层面培育形成对应用标准、数据规范和成果质量准则的共识，推动共建“人工智能+智库”的可信、可控、有价值生态。

人工智能在智库领域的应用涉及数据、方法、人才、安全等多个维度的协同调整。安全、可靠、专业的专用模型，加之以专家判断为主导的人机协同模式，才能使人工智能有效改进智库研究过程，更好服务于智库的决策咨询功能。

作者系中国人民大学智慧治理学院副院长；中国人民大学智慧治理学院科研助理

来源：中国社会科学报

责任编辑：闫勇

新媒体编辑：宗敏

如需交流可联系我们