近年来，随着人工智能技术的快速发展，尤其是大模型、智能体模拟和大数据分析能力的大幅提升，学术界不禁反思并探讨一个重要问题：人工智能是否能够替代调查研究？这一问题不仅关系到研究方法的技术演进，更关系到社会科学知识生产的基本逻辑。

　　当前，人工智能正在从调查研究的工具性应用，逐步发展为可模拟的认知工具，最终或将以自身“集体智能”推动社会科学研究范式的变革。人工智能可在极短时间内处理远超人类能力的数据体量，这使调查研究具备了“近乎实时”的宏观扫描能力。传统统计方法往往依赖明确的理论假设和变量设定，而人工智能可以在弱假设条件下发现潜在结构，这在社会行为高度复杂、交互频繁的情境中具有明显优势。这种将人工智能应用于设计问卷、分析数据的模式，可以被称为工具性人工智能阶段的调查研究。

　　一些研究尝试利用大模型构建具有不同社会属性、行为规则和认知模式的“虚拟个体”，通过监测评估和不断迭代来提高人工智能模拟质量，在计算环境中模拟政策效应、制度变化或舆论演化。在这种意义上，人工智能被视为可能“替代”真实调查研究的技术路径。这种将人工智能作为对象内嵌于调查研究的模式，可以被称为对象性人工智能阶段的调查研究。新近的研究结果表明，大模型的智能不再主要体现为个体式理性计算，而更接近于一种内嵌于模型之中的“集体智能”形态。如果将人工智能的推理机制理解为一种“内在社会化”的认知过程，或许将催生全域性人工智能阶段的调查研究。

　　然而，真实社会调查仍然是社会科学知识生产中不可替代的经验基础。模型内部的多样性与分歧，仍然受制于训练数据所沉淀的历史结构，其“冲突”与“共识”是围绕特定优化目标生成的认知结果，而非在现实制度和权力条件下的自然展开。因此，如果将智能体模拟视为对真实社会的替代，而非工具性补充，容易将“在模型中看起来合理的社会”误判为“现实中正在发生的社会”。所谓的“思想的社会”并不意味着调查研究可以脱离真实社会而独立运行，而只是预示了一种新的研究分工格局：真实社会调查负责提供经验事实与结构约束，智能体模拟则可用于扩展认知边界、探索可能性空间，并在理论建模和机制解释层面发挥放大与加速作用。在这种意义上，人工智能并未终结社会调查，而是推动其在方法论层面向“经验研究与计算推演并行”的方向重构。

　　尽管人工智能在规模和效率上具有优势，但它与传统调查研究仍存在本质差异。传统调查研究面对的是现实社会中的真实个体，其行为、表达和选择发生在具体的社会关系与制度环境中；而人工智能模拟中的“个体”，本质上是基于既有数据和模型假设而生成的结果，其社会性是被编码的，而非被经历的。基于真实数据训练的人工智能，其所呈现的偏差在某种意义上正是社会现实的反映，并不天然是“错误”的。但问题在于，算法偏见往往隐藏在模型结构和参数之中，研究者可能难以明确区分哪些是社会事实，哪些是模型放大的结果。更为关键的是政策制定不仅关乎行为预测，更关乎认同感和价值协调。深度访谈、参与观察等方法所揭示的，往往是统计规律无法表达的社会理解方式，而这一点恰恰是调查研究不可替代的“意义层面”的价值。当下，调查研究不再只是“如何获取数据”的问题，而是“如何界定真实社会”的问题。

　　虽然大模型已经能够在内部模拟多主体之间的互动、冲突与整合，但这类“智能体社会”在本质上仍然不同于真实社会。模型内部的“社会性”是一种认知层面的结构模拟，而非经验层面的社会生成。这种模拟既不直接嵌入真实的“激励—惩罚”机制，也不承担现实社会中由阶层、组织、制度和历史路径所塑造的结构性约束，更接近于社会科学意义上的思想实验或理想型推演，而非对现实社会运行状态的直接再现。也正是因为如此，基于大模型的智能体模拟在社会调查中的适用边界是相当清晰的。它在理论探索、机制推演和情境分析方面具有显著优势，能够高效生成研究假设、检验不同逻辑路径的内在一致性，并在政策分析或复杂决策问题中模拟多方认知博弈。尽管如此，这种优势仍不能自然外推为对经验调查的替代能力。智能体模拟无法提供对社会事实的测量，难以真实反映社会行为的分布特征，也无法充分呈现权力关系、制度约束和结构性不平等对行动者选择的深层影响，尤其是难以替代对沉默群体和非正式实践的经验性捕捉。

　　总体来看，人工智能并没有也难以完全替代调查研究。在人工智能时代，调查研究的意义不仅在于提供事实基础，更在于对算法结果进行社会学意义上的校准、解释与质询。未来更可能出现的，不是“人工智能取代调查研究”，而是一种以人工智能为基础、以传统调查研究为校验机制的复合型研究范式。

　　（作者系清华大学公共管理学院副院长、长聘副教授）