关注“AI+哲学社会科学”的适用边界

国务院2025年8月印发《关于深入实施“人工智能+”行动的意见》，明确提出推动哲学社会科学研究方法向人机协同模式转变。一年来，在指导意见落地推进过程中，现实融合难题也随之凸显。本报记者近日走访多领域学者发现，不同学科在与AI融合的实践中呈现出显著分化：部分学科已经完成底层研究框架的重构；部分学科仅能将AI用作辅助分析工具；而对于侧重价值思辨的学科来说，还处于摸索阶段。

一场深度范式转型的实验

在清华大学智能法治研究院，法学、计算机、社会学等领域学者依托裁判文书搭建标准化法律知识图谱，自主研发智能法律服务系统“水木智法”，面向社会开放类案检索、文书辅助生成、智能法律咨询等服务。清华大学智能法治研究院院长申卫星告诉记者，法学之所以能够率先实现AI范式级革新，根源在于其天然具备可计算的底层条件：成文法条、裁判文书、案件案由构成高度标准化的文本体系；法律推理以严谨的演绎逻辑为基础；裁判结果具备相对清晰、可量化的判定标准；海量公开司法文书则为模型训练提供了稳定、高质量的标注数据。

申卫星发现，当下不少研究仍简单将计算法学等同于利用AI检索案例、整理文献等浅层工具化应用。在他看来，这种认知严重低估了计算法学的变革价值。

“计算法学构建起理论与规范、知识与计算、技术与实践三重联动循环，完整重构了社科研究闭环，但这套模式仍处于持续完善阶段，无法直接复制到所有社科门类。”申卫星说，法律知识虽然可以结构化，却无法完全形式化，个案利益衡量、实质正义判断仍然依赖人的价值权衡；模型只能捕捉数据相关性，无法独立完成规范评价，技术始终服务于法学研究的核心目标。

清华大学社会科学学院党委书记孟天广的团队正在开展另一种实验：依托大模型生成“硅基样本”，用于社会研究和政策模拟。孟天广表示，大语言模型、智能体仿真等新技术进一步拓展了大数据分析的边界。当前社科领域人机协同已逐步形成三类科研模式：社科团队培育AI能力的内部协同、社科与计算机团队分工攻关的外部协同、研究者直接运用智能工具开展分析的人机协同。三类模式共同推动文理学科交叉融合，培育复合型青年学者，并为破解传统社科研究中的若干难题提供新路径：交叉视角有助于催生解释新生社会现象的新理论，大数据和人工智能推动社科研究方法创新，可落地的解决方案则推动社科研究由理论生产进一步走向实践应用。但深度范式转型对高质量数据基础、分析方法的信度和效度、研究结果的可验证性提出了更高要求，也给人文社科范式创新带来诸多挑战。

计算伦理学的建设困境

当计算法学、计量政治学顺利完成智能化转型，不少学术界机构试图将标准化计算逻辑复制至伦理学、哲学、文艺学等思辨学科，探索“计算伦理学”建设，却在实践中持续遭遇挑战。

目前，国内外计算伦理学已形成少量应用场景。AI可以通过文本识别提取文献中的伦理立场，拆解道德困境中的多方利益冲突，检测规范体系内部的逻辑矛盾，辅助开展算法伦理合规检测，但总体仍停留在基础辅助层面。复旦大学哲学学院教授孙向晨分析了两类学科之间的核心差异：法学拥有相对统一的成文规范、清晰的论证边界和较为共识化的判定逻辑，能够搭建稳定分类体系支撑机器运算；伦理学理论流派多元，道德判断高度依赖文化语境和具体情境，不同群体、不同场景下的价值选择往往不存在统一标准答案。与此同时，大语言模型难以向人类完整阐释道德决策的推导过程，从底层技术逻辑看，也难以实现体系化计算。

“真正有价值的社科研究，必然是持续反思与自我批判的过程。”孙向晨说，研究者需要不断审视既有的分析框架、固化评判标准，主动捕捉社会中被忽略、被遮蔽的现实问题并持续追问。这种研究能力建立在研究者真实的生活阅历和长期社会观察之上，是算法难以复刻的能力。人工智能既不具备自主反思的内在动力，也难以独立生成具有现实洞察力的研究假设。由此可以进一步明确人机分工边界：凡是能够实现标准化、规则化、形式化处理的事务，可更多交由人工智能承担；而依托生命体验、历史视野、共情能力、理论批判精神与道德责任展开的深度思辨，仍是人类学者不可替代的核心领域。

中国社会科学院哲学研究所研究员李亚明剖析了AI无法完成价值判断的根本原因。她提出，人工智能可依托预设规则识别事实、提取环境条件的参数，判断行为在规则框架内的正当性，却不具备作出价值判断的基础条件。如果对哲学、伦理学、文艺学推进全面计算化、智能化，会从根本上消解人文社科的学科本质。其一，消解认知摩擦。长期使用AI将弱化研究者的反思与自我拓展能力。其二，破坏提问方式的完整性。人文核心问题源于研究者自身的生存处境，AI以精准数值回避了深层的人性困惑。其三，侵蚀他者主体性。长期单向交互易使研究者形成“看似对话、实则利用”的思维惯性，逐步丧失换位思考与共情回应的能力，动摇人文研究最核心的伦理底色。

面对“人工智能+”是否适用于全部社科领域的争议，多位学者认为，应摒弃“一刀切”判断，探索分层分类的适配模式。学科与AI的融合深度，应综合考虑知识结构化程度、核心研究任务以及是否涉及价值思辨等因素。当下，“技术万能论”与“技术排斥论”两种极端认知都在一定程度上阻碍社科数字化转型的有序推进。北京师范大学新闻传播学院教授许小可表示，“技术万能论”容易高估AI能力和技术迭代速度，盲目上马大模型、知识图谱等项目，不区分研究任务的适配性便全面推进智能化；与之相对，“技术排斥论”则固守传统研究手段，将人工智能与人文质性研究完全对立，以当前模型存在的缺陷否定技术发展的潜力。

北京大学中文系教授詹卫东提出，不能简单以学科划分适配层级，应当落实到具体科研环节区分人机分工。判断AI介入程度的关键，在于分析学科的知识生产范式——如何提出问题、建立解释、检验证据、形成成果。同时，“AI+社科研究”必须守住三条底线，即AI生成证据完整可追溯、价值判断责任归属研究者、合成模拟数据不能无条件替代真实田野与社会调研样本。

构建人主智辅发展生态

技术发展带来范式革新机遇的同时，数据失真、算法偏见等问题持续显现。受访者认为，推进人工智能与社科融合，不能追求无差别全域智能化，必须坚持守正创新、分类施策，搭建边界清晰、人主智辅的长效发展生态。

浙江大学公共管理学院副教授吴超表示，当下各类伦理准则、科研规范仍多停留在文本层面，而技术研发流程主要以工程指标为导向，价值约束难以自动落实。解决这一矛盾，需要推动伦理要求嵌入技术研发全过程，在算法优化过程中约束模型偏向性，从底层技术逻辑降低群体歧视等风险。同时，可以通过生成式多智能体仿真模拟不同社会场景，探索建立新的社会模拟推演机制。

完善跨学科协同科研体系，是打通文理壁垒、实现高质量融合的重要支撑。申卫星表示，应推动交叉研究机构实体化，配备专职师资、专项经费和专属科研场地，建立跨院系联合治理和双聘教师考核制度。同时，以重大现实问题为纽带组建联合攻关团队，依托国家重点研发计划、文科实验室等平台和真实应用场景，形成长期稳定的学术共同体。还应统筹建设社科公共数据、算力和标注基础设施，统一各学科数据采集与标注标准，推动财政资助科研数据依法合规开放共享，减少重复建设造成的资源浪费。

“懂人文不懂技术、懂技术不通人文”的问题制约着交叉学科发展。吴超提出双向通识培养方案：面向人文社科学生开设人工智能通识课程，讲解大模型底层逻辑、能力边界与固有缺陷，使研究者能够理性判断AI适用场景、理解算法局限；面向计算机、人工智能专业学生增设社会科学基础课程，引导技术研究者理解人类社会的多元价值、主体关系与伦理约束，形成“社会科学驱动人工智能”的研发思维。同时，可推行人文导师、技术导师制度，夯实人文理论与数字技术双重能力。

技术建设与人才培养，最终都要落脚于坚守人文社科主体性。多位受访学者表示，AI始终是拓展认知边界、丰富研究方法的工具，不能替代学者完成问题提出、理论建构、价值判断与人文阐释。孟天广认为，未来我国“人工智能+社科”高质量发展可重点从三个方向推进：持续深耕计算社会科学交叉领域，依托人机协同范式推动中国自主知识体系建设；布局全国性AI社科科研基础设施，开放共享数据、算力和开源模型资源；完善全周期复合型人才培养链条，为智能时代国家治理和文化建设提供创新力量。

从计算法学推进范式革新的实践，到计算伦理学遭遇底层逻辑冲突的现实困境，两类样本表明，推进“人工智能+”行动在哲学社会科学领域落地，应避免简单追求全覆盖、全智能化，而要根据不同学科的知识结构和研究任务划定清晰技术边界，完善科研规范、跨学科平台和复合型人才培养体系。在充分发挥智能技术规模化数据处理优势的同时，守住人文思辨、价值判断和主体阐释不可替代的核心领域，推动形成技术赋能与人文主体相协调的发展格局，以数字技术赋能中国哲学社会科学自主知识体系建设，更好服务国家治理现代化。

中国社会科学报记者 陈雅静 刘越 查建国 陈炼

来源：中国社会科学报

新媒体编辑：张雨楠

如需交流可联系我们