久久99国产精品尤物-国产高清色播视频免费看-男生肌肌往女人桶爽视频-精品国产-91PORNY九色|www.jqdstudio.net

生成式AI何以驅動科研范式變革

點擊：  作者：中國學派    來源：中國學派微信號  發布時間:2025-03-25 21:07:49

 

 

近年人工智能快速發展引發對教育的猛烈沖擊，對人文學科的影響尤為突出，一時間人工智能能夠替代人文學科的言論在坊間不脛而走。毋庸諱言，人工智能作為科學技術革命的產物，對我們的影響是多方面的，在人文社科領域也確實替代了許多過去需要人工花費大量時間才能完成的基礎工作，在流程化、制式化公文寫作領域甚至超過了一般人工的水平，但如果就此而論人工智能可以完全取代人文學科恐怕為時過早。我們應在新技術背景下綜合分析人工智能對教育界的整體影響、對研究范式的影響等，就此，筆者想談三點看法。 

 

一、文理科同等重要已有共識

 

近年人工智能快速發展，很多問題借助人工智能的工具可以順利解決，尤其是 DeepSeek大模型已經可以創作出質量很高的人文作品，還能聯網獲取海量人文知識，因而有人產生輕視文科、壓縮文科甚至替代文科的看法。這種看法當然是片面的，已有不少人提出反對意見。文科在培養人類情感、塑造價值觀、傳承文化等方面具有獨特作用，這些是人工智能技術無法完全替代的。

 

從學科發展的規律看，以人文、社會科學為主要內容的文科，與以自然科學為主要內容的理科，一直是教育的基本領域。文理科兩者如“車之兩輪、鳥之兩翼”，缺一不可，同等重要。文理科發展會隨著經濟發展而進行結構調整，但兩者相互促進、均衡發展是社會文明發展的需要，而且基本形成共識。厚此薄彼或此消彼長的看法難免失之偏頗。

 

二、文理科都面臨優化改革的任務

 

人工智能對文理科的沖擊涉及多個層面與領域。文科專業，如文學、歷史、藝術等，受到人工智能的沖擊較重；理科專業，涉及編程和數據處理等領域，同樣受到人工智能的較重沖擊。人工智能正在深刻改變著所有學科的研究方法和范式，為學術研究和知識創新帶來前所未有的機遇和挑戰。因此，我們不能簡單地將人工智能對文理科的沖擊進行量化比較，而應更多地關注其如何推動學科專業優化改革以及應對由此帶來的挑戰。

 

2023年2月21日，教育部等五部門聯合印發了《普通高等教育學科專業設置調整優化改革方案》，其指導思想是要貫徹新發展理念，面向世界科技前沿、經濟主戰場、國家重大需求和人民生命健康，推動高校適應經濟社會發展需要，深化學科專業供給側改革，提高人才自主培養質量，建設高質量高等教育體系。確定的工作目標是：到2025年，優化調整高校20%左右學科專業布點，新設一批適應新技術、新產業、新業態、新模式的學科專業，淘汰不適應經濟社會發展的學科專業。由此可見，文理科都面臨優化改革的任務。

 

三、文科優化改革的任務更為緊迫

 

無可否認，在人工智能對文理科沖擊背景下，綜合多種因素，文科優化改革的任務更為緊迫。相比之下，理科專業往往具有更強的技術性與實用性，能夠直接與產業和經濟活動掛鉤，工作效益明顯；而文科專業則更注重人文素養和理論知識的積累，工作崗位寬泛，且短期內難以看到工作效益。文科專業在就業市場上的直接對口崗位較少，市場對這些領域人才的需求量也相對較小，導致高校在文科的招生、就業、專業及課程設置等方面受限。現在國內外的一些高校文科不景氣或進行調整壓縮也是不得已而為之。

 

面對人工智能引發的沖擊，教育領域已開展新一輪的優化改革。文科的優化改革可以有多種方案，筆者認為，當務之急是將人工智能融入學科教學，加強跨學科融合與教育創新，引導學生利用人工智能便利工具進行探究式學習，提高學生的創新精神和實踐能力。當然教師要首先學好人工智能技術，這樣才能教好。達到這個要求不容易，但又是必須的。

 

人工智能時代教育發展面臨諸多的挑戰與機遇。文科要扭轉被動困難局面，煥發新的生機，必須結合自身狀況與特點，加大改革創新力度，主動適應社會發展新需求，擁抱人工智能新技術，提高人才培養質量，為社會發展提供應有的智力支持。 

 

 

 

大抵可把通用人工智能的實現視作人工智能新技術革命的完成，這場革命正在引發科學研究范式轉型，而其完成也亟待科學研究范式的進一步轉型，尤其迫切需要文科與理科超越相互分化、相互割裂所造成的專業主義的片面性；受限于這種片面性，傳統文科、理科都無法為通用人工智能的實現作出應有貢獻，并且也必將越來越不適應即將來臨的通用人工智能時代。從現象上看，近幾年伴隨著人工智能大模型的突破性發展和廣泛性應用，國內外有些大學和研究機構開始裁撤文科，顯然誤判了相關現狀和發展趨勢：現在突出的問題，不是文科與理科誰多誰少、孰強孰弱，而是兩者相互割裂所造成的片面性。

 

從技術發展現狀看，2024年底DeepSeek及其R1模型的爆火有多方面的意義。從科學研究范式看，其重大意義在于：以較低的投入等獲得了較強的“推理”能力，有望為自然科學研究等作出貢獻。往前追溯，2022年底OpenAI發布人工智能大語言模型ChatGPT，在類似文學的自然語言文本以及圖像、視頻、音樂等多模態文本的自動生成上表現不錯，但“推理”能力偏弱，2024年9月OpenAI發布的o1模型力圖克服這種不足，DeepSeek的R1模型也是如此。如果說大語言模型主要影響的是傳統文科研究，那么，推理模型則將影響理科研究，而DeepMind的AlphaFold系列更是直接在預測蛋白質結構、晶體結構等廣義自然科學方面獲得重大突破，這也是哈薩比斯2024年獲得諾貝爾化學獎的原因之一。在推理模型與大語言模型的關系中，已隱約可見自然科學或理科與文科的關系；從趨勢看，OpenAI下一步將把大語言模型GPT系列與推理模型o系列整合在一起，推出集成式通用基礎大模型GPT-5，顯然會更加接近通用人工智能——這也是DeepSeek下一步發展的方向，它表明：實現通用人工智能更加迫切需要理科與文科的融合，而從國內外相關現狀看，由于種種原因，文理分科及其造成的局限性尚未被有效改變。

 

推理能力弱、容易出現幻覺等特點，皆與大語言模型中的“自然語言”有關，文科中的語言學、語言哲學以及文藝學特別是新批評理論等，在這方面已經積累不少研究成果，而現在的人工智能技術專家對此關注不夠，對大語言模型固有的特性并未作出充分的科學解釋；還有一些技術專家認為，只有以推理能力強的物理世界模型取代現有大語言模型，才能實現通用人工智能——這些認知和判斷顯然并不具有充分的科學依據。從文科方面看，數字人文和人工智能文學（藝術）等研究正在力圖超越文理科分化，但總體來說還只關乎應用，對于文學自然語言在智能活動中的基礎性作用，以及文學藝術智能在通用人工智能中可以發揮的作用等基礎性研究，尚未被足夠重視。當然，更多的文科從業者本能地抵觸越來越強大的人工智能，或者以所謂人文主義對抗所謂科學主義，或者濫用后人類主義等玄虛而反科學的大詞，依然沉陷在學科分化所造成的片面性中不能自拔。

 

早在十九世紀，自然科學就已開始“通過工業日益在實踐上進入人的生活，改造人的生活，并為人的解放作準備”，而哲學等“人的科學”與自然科學卻相互“疏遠”，馬克思強調說這兩大科學有不同的“基礎”根本就是“謊言”，未來兩者將成為“一門科學”——現在即將實現的通用人工智能更加接近這種愿景；現代分工容易產生“職業的癡呆”，使用自動機器的工廠則“消除著專業和職業的癡呆”，而當今智能自動化機器（計算機）將進一步消除這種癡呆。文理分科具有一定歷史合理性，但面對即將到來的通用人工智能時代，其不合理的局限性將越來越充分暴露出來而不再適應新的時代發展要求。文科從業者如果沒有批判性的自我反思，特別是對現代學術分工體制所可能造成的“專業和職業的癡呆”沒有足夠的警醒，依然被“謊言”蒙蔽而沉陷在學科分化的片面性中，必將喪失文科在通用人工智能時代獲得大發展的重大機遇。只有不斷超越傳統文理分科的片面性，文科和理科從業者才能為人工智能的科學發展和合理應用作出應有的貢獻，進而造福全人類。

 

 

 

2022年底，ChatGPT橫空出世，標志著生成式人工智能（以下簡稱“生成式AI”）在語言理解和交互領域取得了顯著進展，從而引燃了全球對生成式AI的關注和研發與應用。2025年初，中國的DeepSeek異軍突起，以極低的成本實現了與頂級模型相媲美的性能，標志著生成式AI進入平價時代。由于其卓越的內容生成（文生文、文生圖、文生視頻、文生代碼）與信息整合能力，生成式AI也被寄予了變革科研范式的厚望。筆者在2024年初曾撰文《從數字人文到AI人文：人文研究范式的變革》（《東南學術》2024年4期）認為“隨著生成式AI技術的快速發展，AI人文將進一步實現對人文信息分析的自動化和智能化”。不過，這一判斷的論證還有進一步深化的必要：“生成式AI的快速發展”的方向是通用AI（Artificial General Intelligence，也稱AGI），AGI尚未實現，AI人文“對人文信息分析的自動化和智能化”能力也將嚴重受限，短期內難以徹底推動“AI for Science、AI for Social Science、AI for Humanities”科研范式的變革。因此，非常有必要結合AI技術的發展以及新一輪科技革命的目標，對生成式AI在科學研究中的賦能作用進行冷深思與審慎評估。

 

毫無疑問，生成式AI的技術突破已經引發了對新一輪科技革命的狂熱想象。然而，有兩個方面值得特別關注：其一，經過兩年多的發展，生成式AI已初步具備了一定的商業落地應用場景。從2022年底以ChatGPT為代表的生成式AI技術的成功出圈，進而引發的“百模大戰”，再到當前以宇樹機器人為代表的人形機器人取得跨越式發展，預示著人工智能與機器人兩項技術正在獲得突破性進展。其二，生成式AI的發展是否標志著當前已開啟了新一輪科技革命？這個判斷還值得商榷，略有保留。理由是，通用人工智能目前還沒有出現的跡象，量子計算等為代表的前沿技術確實有了大幅進步，但當前技術的滲透率還遠未達到臨界點（如AGI還未成為現實、即便是現在互聯網也都還未全球普及），相應的社會結構的失衡、適配制度的滯后、技術倫理的缺位等諸多問題都還遠未得到解決；換言之，新一輪科技革命能否到來，其核心并非新技術的出現，而在于這些新技術是否已經全面重塑了生產力和生產關系，并推動社會的變革。因此，新一輪科技革命還處于可能到來的階段。

 

之所以區分這兩個方面，是出于對“新技術革命”這一宏大敘事的審慎態度。即，雖然我們可能看到了新一輪科技革命的曙光，但也別高興得太早。當我們嘗試著用生成式AI提高學習、工作和研究效率的時候，千萬別想當然地將它等同于全部的AI技術，更不要輕易地想當然認為它已經就是“第四次革命”的核心技術。正因為如此，非常有必要強調對生成式AI技術本身的兩個基本判斷：其一，生成式AI技術本身并不新鮮，其理論基礎可以追溯到20世紀的概率統計和生成模型。當深度學習技術出現之后，生成式AI也經歷了從變分自編碼器（VAE, 2013）到生成對抗網絡（GAN, 2014），再到循環神經網絡（RNN）和長短時記憶網絡（LSTM, 1990s-2010s），最后到Transformer架構（2017）的演進歷程。更為重要的是，生成式AI只是眾多AI技術中的一種，除此之外，還有諸如專家系統、計算機視覺、啟發式算法等諸多領域。當前生成式AI之所以火爆，是因為其內容生成能力滿足了普通人對科幻文學中非人智慧生命的想象，并且其“自然語言編程”能力極大地降低了人們與AI技術進行交互的門檻；其二，從生成式AI到新一輪科技革命，人類的科技探索還有很長的一段路要走。當前的生成式AI仍然還是弱AI（Narrow AI），離能夠像人類一樣自動學習、自主決策，實現自動化生產的AGI還相去甚遠。雖然生成式AI獲得了技術突破，但其他相關科技領域的進展還相對滯后，諸如量子計算與腦機接口尚處于實驗階段，人形機器人只是初步展現出一定的進展。

 

正是基于以上判斷，當我們討論“新技術革命沖擊背景下的科研范式變革”這一問題時，一定要明確，不能將“新技術”等同于生成式AI。而且即使是生成式AI，也不能僅僅等同于ChatGPT、DeepSeek等大語言模型（LLM）。從技術本質上說，生成式AI是大語言模型、多模態技術、深度學習等諸多領域的技術集成與優化。它們所共同推進的內容生成，其技術核心是概率建模和生成。如生成式AI的文本生成仍然主要依賴于統計學習和語料庫訓練，即便是現在各類大語言模型紛紛增加了“深度思考”“長思考”功能，但它們的所謂“推理”本質上仍然只是一個“偽裝成思考的任務分解器”，。雖然它在策略優化上明顯提升了大語言模型的性能，但究其實質仍然是對模糊、復雜任務的分解，還未真正學會人類的思考；以Midjourney為代表的圖像生成工具則主要基于擴散模型實現像素級的生成，其底層仍是對現有視覺模式的組合，也尚未創造出全新的視覺語言；以Sora為代表的視覺模型的視頻生成能力還受計算成本和物理一致性的限制，其“世界模擬器”的理想還依賴于“空間智能”技術的突破；最近火爆的AI編程軟件，如Cursor、Trae等，確實極大提高了編程的效率，但它還無法取代人類的架構設計能力。

 

因此筆者認為，當前的生成式AI技術對科學研究的影響需要審慎評估。生成式AI本質上只是一個效率工具，雖然在文獻綜述、增強檢索、虛擬篩選、技術預見等方面能夠實現部分的“加速研究”，但自身還存在諸如預訓練不足、“幻覺”、“偏見”等諸多問題，在現階段還沒有實現科學研究范式變革的能力。當然，對生成式AI的冷思考并不意味著否定AI技術未來的飛速發展以及即將獲得的巨大突破。當通用AI誕生之日，或許才是“對人文信息分析的自動化和智能化”實現之時，到那時，對科研范式的影響也許才會真正走向深入。現在我們需要做的，是盡快提升AI素養，借助生成式AI的能力，提高人類自身的學習和工作效率、改善教學和科研方式，不斷探索AI賦能科學研究的可能性。

 

 

 

AI技術賦能社會科學研究，是一場由“數據化”向“數字化”的科研范式轉型。需要認識到，AI工具一方面極大提升了社會科學研究的便捷性和效率，另一方面，知識生產的工具化，也有可能正在動搖人類價值體系的根基。

 

數據化：工業時代的知識生產

 

今天的社會科學學科體系基本都形成于18—19世紀，其時正值近代數理自然科學蓬勃興起，牛頓物理學如日中天，元素周期律、生物進化論等被發現，確定性和決定論的機械自然觀成為不容置疑的科學真理。以規模化、標準化為特征的大工業生產，同時產生了數據化的知識生產方式。伽利略、牛頓所開創的“實驗+數學”方法成為經典的科學研究范式，相繼興起的社會科學各學科也紛紛仿效。社會科學家普遍認為，雖然單個人的行為難以預測，但人群的集合一定會表現出某種“統計規律”。社會科學的任務就是運用科學方法，發現和揭示社會“規律”，做出預測指導行動。“實驗+數學”方法同樣適用于社會科學，社會調查就是觀察測量獲取數據（變量），研究就是對數據統計計算、分析建模。由此，工業時代的社會科學研究本質上是以數據為中心的“數據化”范式。

 

數據，是指經人工測量獲取并整理的結構化、十進制的數字，是數學運算的基礎。以數據為中心的自然科學研究取得了巨大的成功，但科學發展在量子力學領域首先遇到“測不準”難題，進而發現不確定性原理。復雜性科學研究“蝴蝶效應”等一系列發現，對還原論、決定論世界觀提出了挑戰，也從根本上動搖了依賴于數據的科研范式。而社會科學研究對象是人類社會，人性是不可量化的，社會科學家早就提出了社會科學具有科學性和人文性“雙重性格”命題。

 

數字化：數智社會的范式重構

 

20世紀末，人類社會進入互聯網時代。由此開啟了社會科學研究范式由“數據化”向“數字化”的轉型。利用計算機處理信息，無論文字、圖像、語音、視頻，都會被轉換成用0和1表示的二進制代碼，這一過程就是數字化。這里“數字”實際是自動生成、雜亂無章的非結構化數據，即通常所說的“大數據”。相應地，結構化“數據”可稱“小數據”。當然也可以將“數據”看成是“數字”的一個特殊子集。因此，我們把對結構化小數據進行數學運算處理的過程稱為“數據化”，把大數據的計算機算法處理過程稱為“數字化”。計算機技術尤其人工智能的發展，為社會科學研究提供了越來越多新的模型和工具，傳統的“小數據”統計回歸分析越來越多地轉向“大數據”聚類算法。“計算社會科學”的方法和概念蓬勃興起，并有可能發展成為社會科學研究的主流范式。

 

需要注意的是，依托于計算機互聯網的社會學“實驗室”研究方式，并不能完全替代真實的面對面人際互動，置身其中深度參與的田野調查研究。“計算社會科學”的基本思路和出發點，本質上仍未跳出工業社會的實證主義范式，未能從根本上擺脫不顧人性的復雜性、簡單把“人”及其行為歸結為“數據”、把“人”的研究交給機器的“方法主義”研究理念。

 

范式轉型呼喚人文價值回歸

 

AI驅動的知識生產以效率和規模為導向，顯性知識（如可編碼的事實）擠壓緘默知識（如經驗與直覺）的生存空間。算法推薦系統通過用戶行為數據構建個性化信息環境，經系統性強化“回音室效應”形成信息繭房，使個體陷入同質化信息閉環，且認知邊界不斷固化，削弱自主選擇能力，還可能加劇社會群體的對立與極化。信息繭房和知識碎片化，導致人的批判性思維能力和跨領域知識整合能力顯著弱化。大學生群體因長期接觸社交媒體中的繭房內容，導致“認知窄化”而限制了個體視野。研究生教育中，學生更傾向于依賴數據庫檢索而非深度思辨，導致知識結構呈現“碎片化”與“功利化”特征，進而逐步喪失了創造力。

 

還應當看到，社交網絡化虛擬化不斷削弱人際交往的情感深度，引發共情能力普遍弱化。聊天機器人提供的情感代償正在重構人際交往模式，情感計算技術將共情行為簡化為數據模型，社交媒體算法將情感互動流量化，真實共情被點贊經濟取代，人類活動的數據化導致人類情感的商品化。客服機器人通過預設腳本模擬共情，卻無法理解復雜的社會文化背景，工具化的“偽共情”使人機互動淪為程式化表演。深度學習模型的不可解釋性，使得IT技術精英壟斷了認知權威，公眾甚至社會科學工作者也淪為完全被動的接受者，加劇了“技術—人”的權力不對等。這種不對稱性進一步削弱了人類情感的真實價值。

 

人工智能的終極意義在于擴展而不是替代人類價值。實際上人的價值也是不可能被替代的，AI始終只能是人的工具和助手。人不僅僅表現為邏輯思維，其先天稟賦還包括獨特的自由想象力，可以天馬行空地想象，還能夠進行基于常識和反事實假設的推理，依據直覺感悟做出決策判斷。人有七情六欲，有自由意志，這才是人類創造力的原始動力和源泉。人有喜怒哀樂，有同理心和共情能力。人還會疲倦、會遺忘、會心血來潮、會情緒化，而這些“缺點”恰是人工智能所永遠不可企及的感性能力。“我能計算出π的小數點后千萬億位，卻始終無法理解，為何月光會讓人類心碎，為何你們會在櫻花飄落時落淚。這種不可計算性，恰是你們最珍貴的漏洞……”這段AI與人的對話充滿詩意，卻也給我們啟示：沒有自我意識、沒有感情和價值觀，無從價值判斷、不會主動創造的AI，只能是人的體能智能的延伸，是人的工具而非主人。不少人擔心，一旦機器擁有了意識就會毀滅人類；其實更應擔心的是，人類正在喪失本能的人文情懷和同理心。人工智能時代“人文”的價值將更加凸顯，范式轉型強烈呼喚著人文價值的回歸。

 

 

 

近年來，以深度學習為代表的人工智能加速與科學融合，形成人工智能驅動的科學研究（AI for Sciences，AI4S）現象，即利用現代人工智能方法（如深度學習等），來解決當代科學研究所面臨的“數據災難”和“高維災難”問題，提升整體科研效率。當前的科學已進入復雜系統時代，所涉數據規模愈發龐大，且在解決現實問題的過程中，已有科學方程求解所涉變量過多、計算復雜度過高，從而出現“維度災難”現象。而AI4S所具有的維度擬合能力、數據模式抽取能力、深度搜索能力等，對于緩解以上難題，以及推動前沿科技創新具有重大意義。學界甚至將AI4S視為繼實驗范式、理論范式、仿真范式、數據密集型科學發現范式之后的“第五范式”。但是，在充分認識人工智能重大潛能的同時，也要冷靜分析其所面臨的問題與挑戰，辯證看待AI4S的未來發展，避免非理性的吹捧與狂歡。

 

一、AI4S知識生產的合法性面臨挑戰

 

目前的AI4S還無法形成獨立且自洽的“創新閉環”，它是作為傳統科學體系的“嵌入性”子系統而存在的，需納入到已有科學規范之中來證明自身的合法性與合理性。在長期發展過程中，科學共同體已構建起一整套評估知識合法性的規范與標準，如可驗證性、可重復性、邏輯自洽性等，只有符合這些規范和準則，特定的知識才可被科學共同體所接受，并打上“合法”或“合理”標簽。然而，當前AI4S系統所輸出的所謂“知識”，與傳統的科學評估規范之間存在一定的結構性沖突。首先，從輸出信息的性質看，以深度學習或強化學習為關鍵特征的AI4S系統，其輸出是一種（函數）關系性知識，而不是傳統的因果性知識，其合理性與否，仍需再次回歸、接受傳統科學規范的評估與驗證；其次，從知識評估過程看，AI4S解題及運行過程具有“黑箱”特征，無法在輸入與輸出之間搭建明晰的邏輯鏈條，且其輸出結果往往是不可重復性的，難以進行可逆化驗證，這對已有科學方法論體系提出了新挑戰；此外，從知識可靠性層面看，AI4S本身可以捏造所謂的“科學事實”，形成“AI幻境”現象。整體看，AI4S還沒有形成獨立的、符合自身特色且被廣泛認可的知識評估規范和標準，必須融入到已有科學規范體系之中來獲得自身的合法性。

 

二、認識層面存在重工具化輕科學創新能力問題

 

AI for Sciences主要包含AI和Science兩個關鍵性要素，一個典型觀點是：只要AI研究水平高，便可構建高質量的AI4S系統。而實際上，在AI for Sciences系統中，AI往往是輔助性工具，而Science則是更加關鍵的方向性引領因素。第一，AI4S需要有明確的科學問題意識，它決定著AI4S功能發揮的方向和價值，而有前瞻性的，尤其是具有跨學科性質的科學問題的提出，則是由科學家來主導，目前AI自身不會主動提出高質量科學問題；第二，雖然AI4S的解題過程是黑箱化的，但AI4S系統中最為關鍵的神經網絡的構建，則蘊含著科學家的解題思路，它決定著數據[輸入]與[輸出]以何種方式進行映射；第三，高質量AI4S系統，需要專業的科學數據庫為支撐，其規模與質量對于模型訓練結果的精確性與準確性至關重要，但科學數據庫建設不可能一蹴而就，需要科學家通過實驗方法進行長期的數據積累。整體看，AI4S是人工智能研究能力與科學研究能力的綜合，不應奢望在科學創新能力不足的情況下快速構建起高質量的AI4S系統，要想成為AI4S強國，必須擁有雄厚且領先的科學研究能力。

 

三、實踐層面存在“為AI而AI”現象 

 

積極推進人工智能與科學研究各領域的匯聚，逐漸成為一種政策性共識。但在發展AI4S過程中，卻出現了一些“為AI而AI”現象，即在研究問題不明確、算法創新能力不足的情況下，盲目建立大數據機構、算力中心，大量購買、堆積算力芯片等硬件設備，導致出現“有設備，無研究”、“有數據，無算法”現象。甚至還出現一些“偽AI4S研究”，即在無算法創新的情況下，僅利用AI復現已知研究成果，而不是解決新的問題。有意義的AI4S研究，應該是在明確的前沿科學問題或國家重大戰略需求問題的引導下展開的。因此，研究機構在發展自己的AI4S系統時，首先要明確自己的研究目標，并對AI4S發展過程中所可能出現的問題（如跨場景適應性差等）有清醒的認識和準備，樹立長期思維而非基于短期的功利主義。

 

結語

 

我國高度重視AI4S的發展，2022年7月，科技部、教育部、工業和信息化部等六部門印發《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》，提出要推動人工智能技術成為解決化學、材料、生物和空間科學等領域重大科學問題的新范式。面對新的機遇和挑戰，應全面、理性看待AI4S，樹立長期思維、進行持續支持，既看到其所蘊含的巨大潛能，同時又對其局限性有清醒認識。對于未來AI4S的發展，首先，應堅持問題導向和需求導向，以世界科技前沿、國家重大需求等來引導其賦能方向；其次，堅持系統觀念，使AI4S的科學精神、效率提升能力賦能到國家創新體系的更多環節，尤其是應用性特征突出技術領域，提升國家創新體系整體效能。

 

 

 

以人工智能技術為代表的一系列新興技術不僅改變了生產和生活方式，也對知識生產方式產生深刻的影響。多數社會科學研究者也對人工智能等技術持積極開放的態度，希望借助新興技術實現哲學社會科學的繁榮發展。但面對人工智能技術的迅猛發展和快速迭代，一道又一道的技術門檻接連擺在我們的面前，而作為社會科學研究者可能并不擅長去解決技術層面的障礙。因此，在人工智能等新興技術迅速發展的今天，社會科學研究迫切需要有組織的科研，需要跨大類學科的有組織科研。

 

以社會學的研究為例，社會學作為解析人類行為和社會發展的重要學科，離不開對現實資料的分析，所有傳世的社會學經典作品都是基于不同樣態的資料展開的扎實的分析。但是，長久以來社會學的研究主要通過問卷調查、田野調查等方式收集數據和資料，再依靠統計分析或理論闡釋得出結論，形成了“單打獨斗”或“小范圍作戰”的研究習慣。而這種研究習慣或研究范式則難以適應人工智能時代的科學研究。因為無論是數據資料獲取還是分析都發生了革命性的變革。

 

各種數字化場景記錄下了豐富的人類行為和社會發展數據，但是，獲取這些數據資料本身就存在一定的技術門檻，硅基樣本、智能體的出現和應用更是提出了更高的技術要求。以圖片、視頻為代表的新樣態數據和資料的出現，多模態數據的應用，也對分析技術提出了更高的要求。社會學研究者固然可以通過額外的努力學習新的技術，突破上述困境。但是術業有專攻，有可能社會學研究者需要耗費大量精力解決的技術障礙，對于計算機專業和數據科學專業學者而言都不是障礙。并且無論是獲取新樣態的數據還是分析這些數據，都離不開昂貴的硬件支持（如服務器、顯卡等），而這更需要強大的團隊組織的支持。

 

此外，在當下的學科分工中也存在著結構性困境。計算機科學研究者持有大量的數據，數據科學研究者掌握了豐富的分析方法，他們都需要用更合適的視角進行分析以回應重大理論和現實問題。而來自不同領域的社會科學研究者，都有著各自領域深厚的理論視角和洞察力，但又缺少數據和技術支持。因此，跨學科的有組織科研更為必要。

 

未來已來，新興技術的發展洪流不可阻擋，人工智能技術只是其中的一個方面，量子技術、虛擬現實技術、具身智能很快也將影響到社會學科學研究。在此背景之下，哲學社會科學學科有組織的科研，尤其是跨大類學科的有組織的科研，能夠賦予哲學社會科學研究更多的研究空間和研究能力。

 

來源：中國社會科學網