◎杨 锋 习近平总书记在中共中央政治局第二十次集体学习时指出,人工智能作为引领新一轮科技革命和产业变革的战略性技术,深刻改变人类生产生活方式。他进一步强调,以人工智能引领科研范式变革,加速各领域科技创新突破。这一系列讲话为社会科学顺应人工智能浪潮、拓展研究路径提供了重要指引。 近年来,人工智能尤其是以大语言模型为代表的生成式人工智能,正以前所未有的速度深刻改变社会生活的方方面面。对于社会科学研究而言,这不仅意味着研究工具的迭代,也进一步丰富了研究议题与研究对象。 人工智能重塑社会科学研究方法 近年来,大语言模型逐渐被引入社会科学研究方法体系。凭借对自然语言与人类行为的模拟能力,这类工具不仅可降低研究成本,还拓展了研究的方法边界。整体来看,人工智能正成为一种可嵌入式的研究辅助系统,能在多个环节实现自动化与高效化,特别是在文本处理、数据生成与模拟实验三个方面,突破了传统工具在规模化、数据可得性与交互复杂度上的限制。 第一,在文本分析方面,大语言模型凭借其强大的语境理解能力,在执行情感识别、立场判断与话语倾向分析等任务时,明显优于传统依赖关键词匹配和词频统计的方法。随着社交媒体与新闻平台持续生成海量文本数据,学界对自动化、规模化处理文本数据的需求不断上升。而大语言模型在文本标注、情绪判断与信息抽取等任务中,准确率接近人工编码水平,并展现出较强的通用性与适应能力。 第二,在合成调查数据方面,大语言模型可根据特定身份特征(如年龄、教育水平等),模拟受访者作答,从而生成合成数据。该方法响应快、成本低,在社会调查成本上升、回应率下降背景下,提供了一种具有前景的替代性调查手段。特别是随着“算法保真度”等用于评估合成数据质量的标准不断提出与发展,大语言模型可控性与实际应用价值正在逐步提升。合成数据的重要应用场景是对已有社会调查中的缺失值进行插补。大语言模型可在保留原始数据基础上,依据已知变量预测并填补缺失项,并借助明确指标评估其准确性与稳定性,为研究者提供传统方法之外的可行工具。 第三,生成式人工智能为模拟人类复杂互动过程提供了新途径,有助于揭示社会规范的自然演化机制。传统调查虽能捕捉个体态度与行为,却难以系统观察密集互动下的动态变化,进而难以理解未经设计的社会行为如何自发涌现。基于生成式代理的社会模拟为此类研究提供了低成本、高可控、可重复的虚拟实验平台,使研究者能在设定情境下观察行为互动,探索社会规范的生成逻辑。例如,斯坦福大学与谷歌合作开发的“虚拟小镇”项目中,25位生成式代理人能在同一虚拟空间中沟通、协作。在一项实验中,研究者仅向一名生成式代理人植入“想举办情人节派对”的想法,代理人之间随即展开信息传播、协调并成功举办活动,在没有预设剧本的前提下展现了集体行动如何在自由互动中自然生成。目前,国内研究机构也在探索“社会模拟器”的构建,利用生成式人工智能模拟群体行为,以揭示社会行为的结构性动力。 尽管大语言模型在文本分析、合成调查数据与模拟社会互动等方面展现出广阔的应用前景,但目前其实际应用仍处于起步阶段,尚未形成广泛、规范的研究实践。其运作机制高度复杂且缺乏透明度,体现出典型的“黑箱”特征,有悖于社会科学对研究工具可解释性和过程透明性的基本要求。此外,该类技术对提示词的设计高度敏感,输出结果存在一定不稳定性,且模型持续迭代更新也进一步削弱了结果的再现性,从而对研究的可复制性和可验证性提出挑战。因此,在拓展人工智能在社会科学中的方法价值的同时,也有必要同步推进对其“黑箱”机制、输出一致性与可靠性的系统研究与规范建设。 人工智能拓展社会科学研究议题 随着人工智能在各类场景中的广泛应用,围绕其治理方式的讨论已成为公共政策与全球治理中的核心议题。社会科学研究者围绕制度设计、伦理边界、安全审查与责任机制等问题,展开了理论探讨与政策建构。 除了“如何治理人工智能”的议题,人工智能作为一种通用技术,其广泛部署对国际格局、国内社会结构、经济发展模式及社会心理状态等方面也产生了深远影响。这些影响也逐渐成为社会科学研究的重要议题。例如,人工智能技术的推广在短期内可能引发对新工具的焦虑;从全球视角看,人工智能有可能进一步加深人工智能技术弱国对技术强国的依赖;在国内,则可能重塑职业结构,并改变代际流动的路径与机制。 当前人工智能仍处于快速演进的早期阶段,学界对其影响的研究多集中于短期效应或基于理论模型的前瞻性推演,其长期影响及深层机制仍有待进一步观察与实证检验。 值得关注的是,人工智能的发展也引发了一系列反思。大语言模型在应用中暴露出诸多社会偏见与认知失衡问题。例如,其对低教育群体、发展中国家和边缘语言环境的理解存在系统性偏误。这些偏误一方面需通过扩充数据、优化模型等手段加以修正,以便更好地使其作为研究工具广泛应用;另一方面,也为社会科学提供了反思人类潜在偏见的新窗口。模型所呈现的偏见,或许能帮助我们识别那些在现实中因社会压力或政治规训而不易显现的认知倾向,并进一步追溯其深层根源。 笔者团队基于跨国调查数据,评估主流模型对不同国家与社会群体主观感知的模拟能力后发现,主流模型在预测低教育群体和发展中国家时误差显著。研究还发现国产模型在理解中国语境方面表现更优。上述偏误并非偶发,而是源于训练语料在地理分布、文化偏向和价值设定上的结构性失衡,致使模型在面对“非西方世界”时易陷入刻板印象和认知盲区。因此,人工智能并非中性的认知工具,而是一种嵌入特定社会语境与文化背景的技术产物,需要社会科学从理论层面予以解构与反思。 总体而言,人工智能既是社会科学的研究工具也是研究方向,对社会科学产生了深刻而复杂的影响。我国人工智能居于世界领先地位,这不仅是我国科技发展的机遇,也为我国社会科学研究开辟了新空间。社会科学领域应主动回应,既警惕技术决定论,也避免工具恐慌,在人工智能的使用中完善方法,在反思中提升对人工智能的认识。 (作者系北京大学光华管理学院社会研究中心研究员)
【学报观点要览】 文章:《采用堆叠长短期记忆神经网络的水质连续预测方法》 期刊:西安交通大学学报,2025年第6期 作者:张建奇、冯乐源、李东鹤、杨清宇 评荐:管晓宏(中国科学院院士、西安交通大学教授) 城市水环境治理作为国家生态文明建设的重要组成部分,其智能化、数字化治理能力直接关乎城市可持续发展与居民生活品质。文章聚焦当前水质预测领域数据异常、模型稳定性差及连续预测能力低等核心难题,构建了以“时序神经网络”为代表的智能水质预测技术体系,系统探索了水质动态变化的非线性建模方法,为新型智慧水务平台建设提供了关键算法支撑。 该文提出的水质智能预测方法,以深度学习模型为基础,构建了融合历史监测数据、传感感知系统实时数据和预测分析算法的技术架构,能在数据存在缺失或扰动的情况下,保持较高的预测精度与稳定性,并通过对供水系统中余氯等关键水质参数进行时序建模,实现水质变化趋势的连续动态预测,为后续的水质处理决策提供依据,从而推动传统“检测—响应”模式向“感知—预警—决策”闭环机制升级。该方法从时间序列规律中挖掘水质演化趋势,建立了短期预警与长期趋势预测模型,显著提升了水环境调控的前瞻性与科学性。 该文构建的技术体系以水质数据为核心,融合了智能水表、物联网传感、深度学习模型等关键要素,实现“感知—预测—反馈”的三级联动机制;以预测模型嵌入式部署为核心路径,将AI算法与城市智慧水务平台深度耦合,实现了从单点数据到系统行为的智能判断与调度优化,探索形成了“算法驱动—平台承载—系统治理”的智慧水务发展新模式。 上述成果为城市供水系统的智能化运行提供了方法支撑。未来智能水质预测可依托水务物联网、大数据中心等基础设施,构建多源异构数据融合机制,形成更高分辨率、覆盖更广场景的水质预测体系;探索模型与仿真系统、预警系统协同联动,构建水环境数字孪生系统。同时,要加强水务算法模型标准体系建设与专业人才培养,为我国水环境数字治理与城市绿色低碳发展提供技术路线。
【直击未来产业】 ◎刘彦蕊 吕 鑫 我国要在人工智能人才国际竞争中实现从“并跑”到“领跑”,需从“培育、评价、流动”三方面入手,优化人才资源配置模式,提升人工智能科技领军人才队伍竞争力。 人才资源是激烈国际竞争中的重要力量和显著优势。在人工智能科学研究和工程实现中具有“头雁”效应的科技领军人才,决定着人工智能产业发展方向。当前,我国人工智能科技领军人才存在总量较少且培育难、流动难、评价难问题,亟待创新培养和管理模式,持续壮大相关人才队伍。 科技领军人才缺乏制约产业发展 当前我国人工智能产业发展面临人才总量不足和科技领军人才缺乏双重挑战,而且产业界中的科技领军人才数量更少。人工智能科技领军人才通常掌握扎实基础理论、应用技术,熟悉人工智能相关交叉学科知识,具备突出科学素养、创新能力、系统思维能力与国际视野。他们既包括具有深厚资历的研究工程人员、创新创业人员,也包括在具体技术方向具有前沿思维的青年研究生群体等。人工智能产业链通常划分为基础层、技术层和应用层三大环节,其中基础层人才致力于前沿算法与重要理论创新等,是科技领军人才集中的环节。《瞭望》周刊数据显示,2024年我国AI领域基础层、技术层、应用层的存量人才数量占比分别为17.1%、28.6%、54.3%。斯坦福大学发布的《2025年人工智能指数报告》显示,我国产业界发表的人工智能出版物占比仅为8.02%,而学术界占比达84.45%。产业界基础层AI芯片、算法研究、底层架构系统等领域科技领军人才短缺,导致企业不愿面向底层技术开展原始创新,严重影响了产业竞争力。 从国内外实践上看,无论是开放人工智能公司(OpenAI)还是我国杭州深度求索公司(DeepSeek),均是通过集聚一批科技领军人才,并构建了创新型人才组织激励治理架构,实现了技术的巨大突破。对比人工智能高质量发展需求,我国人工智能科技领军人才总体还面临“培育难、流动难、评价难”三大难题。 人工智能发展的复杂性导致科技领军人才“培育难”。经过多年努力,我国已经拥有世界上最大规模的人工智能科技人才。但是,人工智能是一项复杂系统工程,技术发展日新月异,这导致其科技领军人才的培育既不同于其他产业,也不同于行业内一般人才培养。前沿技术知识每隔几个月都会发生重大迭代,我们现行的课程设计、教材编撰模式都很难适应。同时,高校人才培养市场需求导向不足,缺乏紧跟技术发展前沿又重实操应用的师资,学校机房算力难以满足大模型的教学和训练需求,人才培养呈现“理论旧、实践少”的情况。 经济环境调整变化导致人工智能科技领军人才向产业界“流动难”。一方面,在经济下行压力下,随着创业投资等投入的减少,高层次人才离开体制开展创业的总量有所减低,更多人才留在高校科研机构。另一方面,人工智能领域重要成果的取得,需要不同方向人才科学分工、高效配合、反复实践才能取得。这导致很难用简单快捷的传统方法精准识别人才,一旦选错,沉没成本高昂。这增加了企业遴选人才的难度,影响了人才从学术界向产业界的流动效率。 科技体制机制中存在堵点导致人才工作绩效“评价难”。人工智能的价值在于赋能千行百业,这既需要其自身底层技术的突破,也需要科技成果跨产业、跨学科交叉应用。这意味着现有人才贡献绩效的评价准则、科研组织都要发生变革。相关部门针对人工智能领域的人才政策精准化程度不高,人才评价“四唯”问题依然存在。很多单位缺乏差异化考核,部分制度规章与人工智能发展规律不匹配。 多措并举壮大科技领军人才队伍 我国要在人工智能人才国际竞争中实现从“并跑”到“领跑”,需从“培育、评价、流动”三方面入手,优化人才资源配置模式,提升人工智能科技领军人才队伍竞争力。 第一,应加强教育科技人才协同,夯实人工智能科技领军人才产生的“大底座”。产学研结合、教科人一体是培育人工智能科技领军人才的关键,建议探索协同育人新模式,加快青年科技领军人才培育。首先,建议高校人才培养计划更加面向企业实际需求。设置人工智能基础课程群、主干课程群、交叉课程群等,强调科学、技术与工程学科交叉、相辅相成。其次,通过产学研合作成立融合创新平台等方式贯通培育复合型人才。增加产学研融合重点研发项目等,加强企业研发机构建设,将通识教育、科研能力和创新能力相结合,推动人才培养从知识传授型教育向探索研究型教育转变。最后,建立全国高校算力资源共享平台,将大模型训练所需的昂贵算力资源普惠化,助力学生和科研人员的创新实践。 第二,应“破四唯”“立新标”完善评价导向,打造人尽其才的“软环境”。首先,要着重完善人工智能人才评价指挥棒,深化推进“破四唯”“立新标”。突出实际贡献导向,减少对论文专利数量指标依赖。探索建立分类别、分周期、分层次的有利于创新成果产生的多元化评价体系。其次,完善科研任务“揭榜挂帅”“赛马制”等机制,支持人工智能科技领军人才挂帅出征。鼓励更多人才向人工智能基础层聚集,从事更具颠覆性的自由探索活动。最后,给予人工智能青年研究者更多自由探索的空间。在人工智能短板领域,通过实行目标导向的“军令状”制度,支持和鼓励优秀青年人才挑大梁、担重任。 第三,应促进人才向产业界流动,打造人工智能科技领军人才价值实现“新高地”。不断强化企业在人工智能领域科技创新的主体地位,积极推动学术界人才源源不断加入产业界。首先,消除人工智能人才从学术界向产业界流动的后顾之忧。完善税收、户籍、保险、住房等方面的配套政策措施,在承担重大科技项目、参与国家标准制定、院士评选和政府奖励等方面给予企业更多机会和支持。其次,打破体制壁垒,推动制度创新,支持科研人员“旋转门”机制,进一步优化高校人才离岗创业政策。最后,健全人工智能人才职业分类体系,建立各类细分领域人才能力素质标准。加快完善人工智能领域人才能力建设标准,助力人才跨地区、跨机构顺畅流动。 (作者刘彦蕊、吕鑫分别系北京市科学技术研究院创新发展战略研究所副研究员、高级统计师)
各省市科技厅网站
自治区政府部门网站
西藏各科研院所网站