2023年《数字中国建设整体布局规划》印发后，一大批特色新型智库相继启动大数据研究平台建设，智能文本分析、舆情动态监测与政策仿真推演等工具逐步融入智库日常研究流程。不过在此过程中也出现了值得警惕的偏差，部分机构直接将数据体量、算法层级作为衡量智库建设水平的核心指标，在成果评价中过度加权技术应用占比，甚至出现直接以算法输出替代专家研判的情况。这种倾向绝非简单的工作方法差异，而是关涉智能时代智库知识生产的认识论根基。算法逻辑主导了数据选择与分析的全过程，智库知识生产的基础正在发生微妙的位移。厘清这一问题，对于把握中国特色新型智库建设的正确方向、避免数字化转型走入技术至上的误区，有着直接的现实针对性。

　　警惕智库研究中的算法僭越

　　传统智库研究中，数据的价值并不在于体量大小，而在于其与核心论证的契合度；研究成果的说服力，也最终来源于逻辑的严密性与对现实问题的解释力。人工智能的普及极大地拓展了智库研究的数据处理边界。以往依靠人力需要数月完成的海量政策文本编码、跨领域数据关联、长周期趋势拟合，如今可在短时间内高效实现。随着算法在研究流程中的权重不断提升，其角色正在从辅助工具向认知框架演变。在不少研究场景中，AI模型成为连接数据与结论的核心中介，研究者的工作重心逐渐从搭建分析框架转向调试模型参数、验证输出结果。数据选择过程中的价值判断，也往往被技术中立的表象所掩盖。从数据采集口径、清洗规则到变量赋值、权重设定，每一步都包含着研究者的主观选择，算法只是将这些选择固化为自动化流程，其输出结果并非天然的客观真理。

　　学术界常讨论的“算法黑箱”概念，实际包含两个完全不同层面的内涵。技术层面的不可解释性是最常被提及的一点，AI模型的内部权重赋值与推理路径难以被完整还原，这属于工程技术范畴的问题，可通过可解释性人工智能的技术迭代逐步得到改善。更深层也更易被忽略的是认识论层面的不可通约性，这才是算法逻辑与智库研究产生深层冲突的核心根源。算法的运行建立在统计相关性拟合的基础上，它通过对历史数据的学习，捕捉变量间的关联规律，输出概率性的判断结果，追求的是预测准确度而非因果解释力。而智库研究面对的公共政策问题，始终嵌套在特定的社会结构、历史语境与价值体系之中，不仅需要事实层面的相关性判断，更需要机制层面的因果解释与价值层面的综合权衡。算法可以识别数据中的关联模式，却无法理解这种关联背后的社会内涵，也无法在效率与公平、发展与环保等多元价值冲突中做出符合公共利益的取舍。直接将算法输出的相关性结论作为决策依据，本质上是用统计概率替代因果分析，用技术层面的精确性消解社会问题本身的复杂性。

　　算法对智库研究的深层影响，更多体现在对研究者认知方式的重塑上，这也是很多一线研究者产生认知不适的根本原因。问题意识的窄化是最先显现的效应。在算法主导的数据选择逻辑下，易于量化、数据储备充足的议题更容易进入研究视野，那些难以数据化的深层结构性问题、边缘群体的诉求、长远发展的潜在风险，往往因为缺乏可用数据而被搁置。算法通过数据可得性筛选研究对象，无形中划定了智库研究的问题边界。长此以往，研究者的问题意识可能会逐渐被数据的边界所束缚，对重大现实问题的敏感度也会随之下降。不仅如此，长期依赖算法输出还会形成认知上的路径依赖，使研究者放弃独立的逻辑推演与价值判断，习惯于用算法的结论代替自己的思考，甚至主动裁剪现实以适配算法的输出。这种认知层面的驯化最终会削弱智库的核心生产能力。

　　守住智库研究人员的认知边界

　　我们应肯定数据与算法的赋能价值，也要清晰认识到其作用的内在边界。这种边界并非技术能力的局限，而是由智库知识生产的本质属性决定，无法单纯通过技术升级突破。

　　正当性构成了第一道不可逾越的红线。公共决策的合法性来源于公共理性与价值共识，而非单纯的效率最优。算法可以基于数据给出效率层面的最优解，但往往无法兼顾公平、正义、社会承受力等价值维度。一份只追求数据指标最优的政策建议，即便技术精度再高，也难以具备公共决策的正当性。事实判断不能取代价值判断，这是数据赋能必须守住的基本底线。

　　数据代表性的局限，则决定了研究的现实完整度。任何数据都是对现实世界的抽象与截取，数据采集的标准、范围、口径，本身就带有特定的偏向性。算法对数据的放大作用，会让被数据覆盖的群体和领域变得高度可见，而那些无法被数据化的社会实践、非正式经验与边缘声音，则会被进一步遮蔽。智库的职责是全面认识社会现实，而非仅仅认识数据所能呈现的那部分现实，这就要求研究者必须对数据的代表性保持清醒的反思。放到更长的历史视野下，算法的历史性局限更为凸显。算法的训练基础是历史数据，其预测本质上是对历史规律的趋势外推。而智库研究的重要价值之一，是面向未来的战略构想与制度创新，是对既有发展路径的反思与超越。真正具有突破性的战略洞见与制度设计，往往无法从历史数据中推导出来，只能来源于研究者的主体性思考与对历史趋势的主动把握。这是算法永远无法替代人类的核心领域。

　　重构以思想价值为核心的成果评价机制

　　重构以思想价值为核心的成果评价机制，是纠正技术至上偏差的根本抓手。当前，在不少智库的成果评价体系中，数据规模、算法应用、可视化程度往往被作为重要加分项，客观上倒逼研究人员过度追求技术形式，而忽略思想深度。对此，需要调整评价导向，将因果阐释的深度、政策建议的可行性、战略预判的前瞻性作为核心评价标准，算法应用与数据支撑仅作为辅助性评价指标。同时，在成果产出流程中明确专家主导、算法辅助的权责边界，贯穿从问题提出、框架建构到算法支撑、专家终审的全流程逻辑，核心研究环节必须由研究团队主导并承担最终责任，从制度上避免算法僭越认知主体的位置。

　　建立兼顾代表性与多元性的数据资源建设机制，是从源头上纠正认知偏差的基础。当前，多数智库的数据资源建设偏重官方统计数据、公开舆情数据等量化素材，质性数据、田野数据、基层经验数据的占比普遍偏低。这需要将社会代表性纳入智库数据资源的建设标准，在数据准确性、时效性之外，重点考核数据的群体覆盖度与领域覆盖度，有意识地将田野调查资料、基层访谈记录、边缘群体诉求等质性材料纳入数据资源体系，形成量化数据与质性经验互补的数据格局，从源头上修正单一数据来源的结构性偏差，让研究建立在更完整的现实基础之上。

　　将算法认识论审查嵌入智库成果审核流程，是守住认识论边界的制度保障。在现有智库成果的学术审核体系中，可以增设算法应用合规性的把关环节，明确直接服务于核心决策的研究成果，其所使用的算法必须具备可解释、可回溯、可验证的属性。完全“黑箱”化的深度学习模型，不得作为得出核心结论的唯一工具，其输出结果仅可作为研究参考。通过将算法审查融入常规成果产出机制，而非单独设立悬浮的伦理规则，将算法应用约束在合理的认识论边界之内，可以确保研究成果的逻辑可靠性与价值正当性。

　　中国特色新型智库建设，核心是思想生产能力的建设，技术工具只是实现这一目标的手段。数据是重要的研究基础，算法是高效的辅助工具，二者的价值最终都要服务于高质量思想产品的产出。认清算法逻辑的作用边界，把握数据选择的价值尺度，坚守研究者的认知主体性与知识生产的公共性，才能在数字化浪潮中守住智库的思想本源，真正为国家治理体系和治理能力现代化提供坚实的智力支撑。

　　（作者系武昌理工学院文法学院副教授）