人工智能特别是大语言模型的突破性进展，深刻重塑着哲学社会科学的研究范式与组织方式。《规范》的出台，为人工智能赋能科研提供了制度支持，有利于充分发挥人机协同潜力，推动学术创新。人工智能时代更加需要学科交叉创新研究，以更好回应复杂现实问题。

　　知识转译促进学科交叉融合。人工智能依托自然语言处理与知识图谱技术，能够在多学科话语体系间搭建语义桥梁，将某一学科理论、概念转化为另一学科可理解的表达，有效促进跨学科对话，拓展知识边界。这种学科“转译”已广泛应用于日常科研场景，如知识梳理、学术研讨等，其价值更体现在跨学科知识生产中。清华大学社会科学学院打造的AI4SS实验室矩阵，集合经济学、社会学、政治学等多领域学者，依托统一技术平台开展协同研究，以问题为导向整合跨学科资源，体现了人工智能在突破学科边界、促进交叉创新中的重要作用。

　　数据分析支撑跨学科研究。人工智能有助于降低数据分析门槛，增强跨学科合作的基础。不同学科习惯使用不同类型的数据，不同类型数据的分析方法和工具也不同，学习成本较高，因此研究者常常侧重使用某一类型数据。中国社会科学院社会学研究所推出“观世”社会学学科大模型，研究者可以使用自然语言辅助数据分析，无论是统计数据、调查数据还是文本数据，研究者提出分析需求就可以收到数据分析结果，无需受到数据分析能力的限制——当然，有效可信的数据分析依然要求研究者具备研究方法论素养。大语言模型降低了数据分析门槛，使研究者可以根据研究问题调用适配的数据分析方法，而不再受到学科范式的局限，为跨学科研究提供数据支撑。

　　智能分析突破传统研究范式。智能分析技术有助于融合多种学科方法、创新研究范式。文化、治理、教育中的很多社会现象较为复杂，借助单一学科知识解释力不足，而人工智能技术可将文本、影像等质性数据转化为数据关系进而计算分析，为不同学科攻坚同一问题提供了基础。比如，在文化强国建设研究中，团队收集了社交媒体的平台大数据，使用多模态深度学习（MDL）技术，解构文本和图片的文化产品语义与个体行为特征，也使用了图神经网络（GNN）技术深挖文化传播结构、群体互动与风险演化机制。由于多源异构数据转化为可量化测度的数据，我们就可以融合社会学、心理学、经济学、传播学等多学科方法，更全面考察数智时代文化生产和消费的现状、文化传播的动态结构，为文化发展提出科学的对策建议。智能分析技术的发展，既促进了跨学科研究范式的创新，也大大提升了研究发现的现实解释力。

　　人工智能赋能跨学科人才培养。人工智能有助于培养跨学科复合型人才，提升科研创新能力。研究者要具备跨学科理论素养与计算分析能力，而传统的学科培养体系难以胜任。人工智能赋能人才培养的核心机制在于，将技术方法有机嵌入人文社科课程体系，避免技术训练与理论素养脱节的问题，使培养的学生具备跨学科研究的复合能力。现在很多大学开设了Python编程、社会网络分析、计算文本分析等技术课程，围绕具体研究问题开展教学，学生在人机协同环境中能够尽早参与跨学科研究项目。人工智能赋能的教育体系着重培养人机协同能力，即了解如何配置智能工具（硬件软件、基础设施等）和智能研究体并实现协同，有助于真正突破学科边界，增强科研创新能力。

　　开展跨学科实践。当前，人工智能赋能跨学科研究在科研体制机制和研究伦理方面仍存在一些挑战。首先，现行学术评价体系仍以单一学科为基本单元，跨学科成果在职称评定、项目申报中常遭遇“归属困境”，人工智能辅助产出的科研成果在传统框架下可能被低估甚至质疑。其次，人工智能可能放大既有偏见并制造新的伦理风险，这就要求压实研究者主体责任，坚决抵制洗稿、抄袭、剽窃等学术不端行为。《规范》提出创新科研评价机制，鼓励产出高质量的人工智能辅助科研成果。《规范》还设置了10条清晰的“禁用红线”，防范可能产生的风险，以守住科研底线。

　　中国社会科学院人工智能科研创新团队组织经济学、社会学、法学等学科学者，围绕人工智能发展产生的重大理论和现实问题，开展具有前瞻性、学科交叉创新性的研究，同时基于科研实践开展人工智能变革科研范式的探索。未来，人工智能辅助科研的前景广阔，只有在人机协同、人主智辅的框架下，让技术真正服务于学术创新而非替代学术思考，才能实现人工智能对跨学科研究的深度及可持续赋能。

　　（作者系中国社会科学院社会学研究所、人工智能科研创新团队研究员）