如果机器能读完人类读不完的材料，社会科学会发生什么？

文| Erika，作者投稿

我们也许正在低估 AI 对社会科学真正的影响。今天谈 AI，最常见的问题是：它会不会取代人？会不会帮我们写论文？会不会让学生偷懒？会不会制造更多垃圾文字？这些当然都是问题，但如果把视野稍微拉远一点，也许真正值得追问的是另一件事：如果机器第一次能够读完人类根本读不完的材料，社会科学会发生什么？

这听起来像一个单纯的效率问题，其实可能不是。因为过去几百年，历史学、社会学、人类学乃至很多经济学研究，都受到一个极其朴素，却几乎无法突破的限制：人能读的东西太少了。

我们研究的，从来不是“全部证据”

想象一个研究近代东亚史的学者。他可能需要阅读中文档案、日本外交文件、俄文材料、报纸、私人日记、地方志、回忆录、书信和统计资料。问题是，一个人一天能读多少页？一年能读多少本？一辈子真正能够精读、比较、记住并放进同一个问题框架里的材料，又有多少？答案并不会因为你是一流学者就发生数量级上的变化。

于是传统研究有一个几乎无法避免的过程：先缩小范围，再选择材料。你先决定去哪个档案馆，再决定查哪些目录，再决定看哪些卷宗，再从几千页里挑出真正进入论文的几十页。这当然是研究能力的一部分，但这里其实隐藏着一个很有意思的问题：一份材料在你还没有读过的时候，你怎么知道它不重要？

大量材料并不是研究者读完之后判断“没有价值”，才被排除掉的。它们只是从来没有被看见。可能因为它是另一种语言，可能因为藏在一个偏远地方的档案馆里，也可能只是因为一个研究者根本没有时间在十万份材料中逐份筛选。所以过去社会科学真正稀缺的，并不总是材料。很多时候，真正稀缺的是把材料变成知识的处理能力。

从这个角度看，AI 对社会科学最重要的意义，可能根本不是“帮助写论文”。它真正开始冲击的，是这道存在了几百年的材料瓶颈。

人类当然早就试图突破这个瓶颈

20 世纪的学者并不是没有意识到这个问题。恰恰相反，现代社会科学很大一部分发展史，都可以理解成不断扩大自己能够处理的材料规模。其中最典型的，就是计量经济学和计量史学。

1993 年，Robert Fogel 和 Douglass North 因为把经济理论和数量方法系统地运用到经济史研究中获得诺贝尔经济学奖。[1] 这套方法极有吸引力：过去历史学家可能靠几十份档案讨论铁路到底有多重要，现在可以搜集价格、运费、里程、产量和人口数据，然后建立模型。历史似乎终于可以像某种实验科学一样“算”了。

这当然带来了大量真正重要的成果，但问题也很快出现。为了让计算机理解世界，我们必须首先把世界改造成计算机可以理解的样子。想研究“制度”，需要找一个制度指标；想研究“社会信任”，需要设计量表；想研究“文化”，得先找到一个可以统计的代理变量。一个无比复杂的社会现实，最后变成几十列数据。

这件事情本身没有错，任何研究都需要抽象。危险发生在下一步：我们很容易忘记，这些数字只是现实的代理物，然后慢慢开始相信——现实本身就是这些数字。

计量史学史上有一个非常经典的例子。1974 年，Fogel 和 Stanley Engerman 出版了 Time on the Cross，试图用大量统计数据重新解释美国奴隶制。[2] 他们讨论奴隶制的生产效率、营养、家庭结构、工作激励等问题，其中一些结论极具冲击力。这本书当年之所以引起轰动，一个重要原因就在于它给人一种感觉：以前历史学家都在讲故事，现在我们终于有“硬数据”了。

结果，它很快遭到猛烈批评。Herbert Gutman 等人指出，问题并不是“不能用数字研究奴隶制”，而是当奴隶制被转换成生产率、价格、热量摄入和工作时间以后，暴力、恐惧、人格剥夺和权力关系去哪儿了？[3]

更有意思的是，一个数字可以完全正确，但它讲出来的故事仍然可能完全不同。例如，如果你说“某一年只有百分之几的奴隶被出售”，听起来比例似乎并不高；但如果把这个概率放进一个人几十年的人生，再考虑他的父母、子女、配偶和兄弟姐妹，意义就完全不同了。数学没有变化，变化的是：你究竟在用数学描述什么。

所以计量研究最危险的幻觉之一，就是精确测量了一个指标，似乎就等于精确理解了现实。但两者从来不是同一件事。

Robert Lucas 后来对宏观计量模型的著名批评又指出了另一个问题：政策一旦改变，人们的预期和行为也会改变，过去观察到的统计关系未必还能成立。[4] Goodhart 定律后来则被概括成一句广为流传的话：当一个指标成为目标以后，它往往就不再是一个好的指标。你用考试成绩评价学校，学校就会围绕考试成绩优化；你用 KPI 评价员工，员工就会开始优化 KPI。社会和物理世界有一个很大的不同：人会回应你的测量。

我们研究的世界，会回头看我们。

上一轮计算革命解决了“规模”，却经常牺牲“复杂性”

所以20世纪以来，社会科学一直面对一个很麻烦的选择。如果你想真正理解一封信、一篇日记、一段访谈里的语言、情绪和语境，你通常只能做小规模研究；如果你想处理几百万条记录，就必须把它们变成结构化数据。

文学研究者 Franco Moretti 提出“远读”（distant reading），一个重要原因就是人根本不可能读完世界文学史上产生的所有作品。[5] 计算社会科学也是如此。它真正伟大的地方，是让我们第一次可以看到“大尺度”；但代价通常是先把复杂世界压缩成机器可以计算的样子。

换句话说，近读有深度，却没有规模；远读有规模，却经常损失语境。我们可以看到森林，但为了看到森林，常常不得不暂时放弃每一棵树。

而生成式 AI 真正可能改变的，就是这笔交换。

如果 AI 只是帮我们写摘要、润色文章或者生成 PPT，它当然很好用，但这还谈不上什么范式革命。真正值得注意的是，机器第一次开始拥有了一种比较通用的处理自然语言的能力。以前计算机当然也可以分析文本，但通常需要人先设计词典、标签、特征和变量；现在，大语言模型开始可以直接处理书信、日记、报纸、档案、访谈和书籍，可以比较两份不同语言的文件，可以找出人物关系，也可以在大规模文献中寻找某些异常。

2024 年一项针对大语言模型与计算社会科学的系统研究已经发现，LLM 可以在数据标注、解释和生成等多种研究任务中发挥实际作用，虽然远远谈不上替代研究者。[6]

这里真正发生的变化是：上一轮计算革命问的是，“怎样把这个世界变成数据？”这一轮 AI 革命开始允许我们问，“机器能不能直接进入这个世界？”

这两句话只差一点点，背后却可能是完全不同的研究方式。

当然，这并不意味着只要把一千万份材料扔进 AI，真理就会自动出现。垃圾材料乘以一千万仍然是垃圾，错误的问题乘以无限算力也不会变成正确的问题。但材料规模扩大以后，确实可能出现一种非常重要的变化：关系开始变得可见。

读十封私人信件，我们看到的可能只是十个人；如果能够同时比较十万封信件、报纸、出版记录、日记和人物关系，我们可能开始看到一个观念如何传播，一种语言什么时候从知识精英进入普通人的私人表达，一个政治概念如何从一座城市进入另一座城市。这些知识往往并不存在于某一份单独材料里，而存在于材料与材料之间。

很多历史关系过去没有被发现，未必是因为过去的研究者不够聪明。很可能只是因为，没有任何一个人能够把足够多的材料同时放在眼前。

但到了这里，问题突然变了：AI 还是“工具”吗？

传统上，我们非常习惯一种简单的技术观：人是主体，机器是工具。锤子不会成为建筑师，显微镜不会成为论文作者。

但 Bruno Latour 很早就提醒我们，现实世界没有这么整齐。在行动者网络理论中，机器、文件、实验设备、道路、制度乃至技术系统，都可以进入行动网络。[7] 重点不是这些东西“有没有人的意识”，而是：它有没有改变其他行动者的行为？

一台测速摄像头不需要意识，就可以改变司机的行为；一个数据库不需要意识，也可以改变一个机构如何管理人口。同样，一个 AI 模型如果开始影响研究者下一步看什么材料、采用什么路线、相信什么证据，那么它就不再是一个完全透明的工具。它已经进入了知识生产过程。

所以，与其问“AI 到底算不算主体”，一个更有用的问题也许是：AI 在这个网络里究竟做了什么？

而 Michel Foucault 会让这个问题变得更加麻烦。

拉图尔让我们看到“谁在行动”，福柯则进一步提醒我们，知识本身就是权力关系的一部分。这里很容易被简单理解成一句“知识就是力量”，其实福柯说的远比这复杂。他真正关心的是：谁能够分类、记录、测量、定义正常与异常，谁就在塑造一个社会如何理解现实。[8]

学校通过考试产生学生的成绩和排名，医院通过病例产生关于病人的知识，监狱、军队、人口统计和行政档案则不断把人变成可以比较、分类和管理的对象。我们在“认识”一个人的同时，也获得了治理他的能力。

到了 AI 时代，这个问题突然被放大了几个数量级。因为 AI 不只是知道得更多，它还越来越有能力决定什么更容易被看见。你问一个研究问题，什么材料先出现？哪些论文被认为相关？哪些来源被排在前面？什么关系首先被模型发现？哪些解释更容易进入研究者视野？这些似乎只是技术细节，但如果越来越多人首先通过 AI 接触知识，那么这些技术选择本身，就开始参与塑造我们的知识世界。

这也是福柯所谓“真理体制”特别值得重新思考的地方。[9] 每个社会都有一整套机制，决定哪些话语更容易被承认为可靠知识。过去这套机制包括大学、期刊、出版社、医院、政府和专家体系。未来，模型和知识基础设施会不会成为其中新的组成部分？

如果会，那么一个非常重要的问题就是：谁控制这些基础设施？

科学技术本身不会告诉我们“应该做什么”

这里还有一个历史教训不能忽略。

今天我们回头看优生学，很容易觉得那是一个荒谬的伪科学。但20世纪初的现实没有这么简单。优生学曾经拥有医生、遗传学家、统计学家和公共政策制定者的广泛参与，也曾经与人口科学、遗传学和公共卫生发生复杂交叉。[10]

纳粹德国后来把所谓“种族卫生”推向极端。当“健康”从个人身体扩展为所谓“民族身体”，疾病控制的语言就可能发生一个可怕的转化：如果社会是一个身体，那么某些人就可能被描述为疾病。从“某种疾病具有遗传因素”，跨越到“具有这种遗传因素的人不应该生育”；从“统计显示群体存在差异”，跨越到“某些人的生命价值因此更低”。

这里真正发生的问题，并不是科学发现本身，而是从“是什么”直接跳到了“应该是什么”。

历史最值得警惕的地方在于，现代科学和现代技术并没有天然阻止野蛮。在某些时候，它们甚至可以让野蛮获得更高的组织效率。

所以同样的逻辑放到 AI 上，问题就是：如果 AI 可以预测一个人的疾病风险，我们是不是就应该根据这个预测决定他的保险费用？如果 AI 可以预测某个人犯罪的概率，我们是不是就应该提前限制他的自由？如果 AI 可以分析一个人一生的文字，我们是不是就拥有读取它们的权利？

技术上能够做到，与伦理上应该做到，从来不是一回事。

最后，我们可能不得不重新发明“作者”和“贡献”

当 AI 真正进入知识生产以后，还有一个问题会越来越难回避：一个成果到底是谁创造的？

未来的一篇论文可能来自一个研究者提出的问题，另一个人提供的私人档案，某个机构完成的数字化，译者的工作，过去几百篇论文，一个模型发现的异常关系，另一个模型完成的反证，最后再由研究者完成判断和写作。

传统学术制度习惯在最后给出一个作者名单，但这个名单越来越难完整描述知识究竟是怎样生产出来的。

所以我认为，AI 时代真正重要的基础设施之一，可能不是简单地给作品打上“AI 生成”，而是记录：它究竟经历了什么。

谁提供材料？谁授权？谁翻译？哪个模型处理过？哪一个关系首先由机器发现？哪一个判断由人类确认？哪些材料最终成为证据？W3C 的 PROV、C2PA 等标准已经开始尝试记录数字内容的来源和修改历史。[11] 未来也许还需要进一步记录完整的知识生产过程。

这并不是急着讨论 AI 有没有“人权”，而是先完成一件更基础的事情：把每一个行动者做过什么记录下来。只有贡献能够被看见，信用才有可能被公平分配；只有过程能够被追溯，责任才有可能被追究。

所以，AI 真正改变的也许并不是“谁来写论文”。社会科学过去长期受到人的材料处理能力限制，计量革命试图突破这个限制，却常常需要先把复杂世界压缩成变量。生成式 AI 第一次提供了一种新的可能：在扩大材料规模的同时，仍然保留相当程度的原始语境。

这当然不是说 AI 已经解决了这一切。它会犯错，会产生幻觉，会复制偏见，也可能制造一种比过去更加隐蔽的知识权力。但它至少把一个过去很难解决的问题，变成了一个可以真正摆上桌面的问题。过去我们只能在“规模”和“复杂性”之间选择，未来，也许不必永远如此。

而一旦这道边界真的被打破，社会科学面临的问题也会发生变化。我们不仅要问还能发现多少过去看不见的知识，还必须继续问：这些知识由谁发现？谁决定什么值得被看见？谁控制知识基础设施？人与机器各自贡献了什么？以及当一种新的知识能力出现时，我们准备用什么样的制度和伦理约束它？

所以真正值得讨论的问题，也许从来不是“AI 会不会取代社会科学家”，而是：

如果机器真的开始能够读完人类读不完的世界，我们准备怎样重新理解知识本身？

参考资料

[1] The Royal Swedish Academy of Sciences, “The Prize in Economic Sciences 1993”.

[2] Robert W. Fogel & Stanley L. Engerman, Time on the Cross, 1974.

[3] Herbert G. Gutman, Slavery and the Numbers Game, 1975.

[4] Robert E. Lucas Jr., “Econometric Policy Evaluation: A Critique”, 1976.

[5] Franco Moretti, “Conjectures on World Literature”, New Left Review, 2000.

[6] Caleb Ziems et al., “Can Large Language Models Transform Computational Social Science?”, Computational Linguistics, 2024.

[7] Bruno Latour, Reassembling the Social, Oxford University Press, 2005.

[8] Michel Foucault, Discipline and Punish, 1975/1977.

[9] Michel Foucault, “Truth and Power”, in Power/Knowledge, 1980.

[10] United States Holocaust Memorial Museum, “Eugenics”; “The Biological State: Nazi Racial Hygiene, 1933–1939”.

[11] W3C, PROV-Overview, 2013；C2PA, Content Credentials Specification.