习近平总书记强调，“以人工智能引领科研范式变革，加速各领域科技创新突破”。国务院《关于深入实施“人工智能+”行动的意见》进一步提出，推动哲学社会科学研究方法向人机协同模式转变，探索建立适应人工智能时代的新型哲学社会科学研究组织形式，拓展研究视野和观察视域。人工智能由写作助手变为科研伙伴，知识生产正迎来一场从工具、方法到组织方式的深层变化。

　　2026世界人工智能大会暨人工智能全球治理高级别会议召开以来，围绕人工智能技术发展、全球治理和人的主体地位等议题的讨论持续升温。为深入观察这一轮变革，本报记者走进实验室、数据平台和基层应用现场，推出人工智能特别策划，连续多期刊发报道，组织多位专家学者展开研讨。

　　本期报道我们将聚焦人工智能时代的知识生产，追问人工智能如何参与发现、何以经受检验，又怎样服务于中国哲学社会科学自主知识体系构建。

谁来发现

机器走向知识生产前端

　　今年7月，复旦大学、上海科学智能研究院与Nature Research Intelligence联合发布报告《AI for Science 2026》。调查覆盖117个国家或经济体、12个学科的10480名科研人员。调查发现，43.8%的受访者经常使用人工智能搜集信息，44.6%经常用它修改论文；在论文评审环节，这一比例降至23.5%。这表明，机器已广泛进入资料搜集和成果表达环节，正向分析、判断等环节延伸。

　　沿着科技史回望，机器最早站在链条末端。电子计算机承担数值运算，数据库和统计软件处理数据，机器学习用于分类、预测和异常识别。研究者提出问题、给出规则，机器负责执行。生成式大模型改变了这种分工：文献阅读、代码生成、数据分析和工具调用被接入同一系统，机器开始沿着“问题—材料—分析—假说—验证”的链条前移。

　　南京理工大学经济管理学院教授沈思认为，值得注意的不是模型“会做的事情更多了”，而是机器由检索、分类和统计等后端工作，进入问题拆解、材料组织和初步解释等环节。研究者用自然语言设定目标，系统即可串联多类工具。机器走得越靠前，研究过程越要留痕，人对证据真伪和学术质量的把关越不能后退。

　　2026年5月，《自然》杂志发表Google DeepMind等团队关于Co-Scientist的研究。这个以Gemini为基础的多智能体系统，被称为“AI共同科学家”。生成智能体提出假说，反思智能体负责质疑，排序智能体组织观点竞争，演化智能体持续改进方案，元评审智能体综合讨论结果，监督智能体则理解研究目标、分配资源和协调流程。

　　在哲学社会科学领域，这一演进也正在发生。人工智能可以帮助学者扩大材料处理规模，把原本分散的文本、图像、声音和统计资料连接起来，发现事件之间的潜在关联。南京农业大学信息管理学院教授王东波把变化概括为研究材料的重新组织：古籍、档案和论文不再只供人阅读，还要成为可计算、可关联、可追溯的资源。以“荀子”古籍大语言模型为例，它能够完成古籍智能标引、信息抽取、自动断句标点、古文翻译、阅读理解等任务。

　　在中国社会科学院民族学与人类学研究所，“龙水识字”文字识别系统已覆盖西夏文、回鹘文、满文、藏文、彝文等10余种文字，相关平台累计使用突破10万次；青藏高原文化知识库汇聚关联记录80余万条。散落、难辨的材料，逐步转化为可检索、可比对、可复核的研究资源。

　　中国社会科学院民族学与人类学研究所研究员龙从军说，机器不替学者作结论，它的价值在于穿透材料壁垒，使“语言—文化—心理—行为”的联系进入可研究、可互证的视野。

　　人工智能进入哲学社会科学，作用已从材料录入和文献检索延伸到史料组织、知识关联、问题发现和证据互证。它所带来的变化，不再是单项工具的效率提升，而是研究材料、分析方法和知识环节之间的重新连接。

何以为真

生成答案接受学术检验

　　机器沿着知识生产链条向前移动，新的问题随之出现：它生成的内容，怎样才能取得知识资格？

　　人工智能可以在几秒钟内生成结构严整、措辞优美的文字。但这并不一定是知识。知识成立的基本前提是来源能追溯、证据能核验、方法能说明、结果能重复。模型能够把错误组织得像知识，让虚构引语、文献和推断披上可信外衣。

　　山西师范大学党委书记殷杰认为，大语言模型生成的内容更适合被视为“一种初级知识形态的数据”，不能未经检验直接取得知识地位。当前，人工智能生成物主要面临四类可靠性挑战。

　　第一，模型幻觉。模型可能虚构事实、文献、引语和数据。《AI for Science 2026》统计的7560份开放式回答中，“准确性与幻觉”被提及4935次，超过任何一项单独的积极期待。

　　第二，迎合提问者。英国牛津大学互联网研究院团队的研究表明，模型经过“温暖友好”训练后，面对用户明确表达的错误看法时，模型附和错误观点的可能性增加约40%。提问中包含的错误预设，可能被模型继续推演并包装成完整论证。

　　第三，“整齐的错误”。相关研究发现，模型替代人类参与者时，可能消除不同群体内部的差异。社会生活中的历史语境、制度环境和身份经验，容易在流畅、统一的解释中被抹去。

　　第四，数据质量变化。据《自然》杂志报道，聊天机器人已经能够冒充人类参与在线问卷，并躲避常见检测。

　　这四类问题共同说明，人工智能生成的答案只能作为有待审查的候选，不能自行获得知识资格。知识资格不是由语言流畅度赋予的，而是在可追溯的证据、可说明的方法和学术共同体的公开检验中形成的。殷杰把知识生产的变化概括为由“生产—确认”转向“生成—承认”：人工智能生成文本、数据和候选假说，学术共同体负责核验、质疑和验证。一个假说获得科学地位，既要证明它具有真实性和解释力，也要说明增加了什么新知识。

　　上海交通大学马克思主义学院、科学史与科学文化研究院教授闫宏秀认为，人工智能辅助研究要守住四道关口：材料有可靠出处和授权，方法保留模型版本与人工干预记录，结果经过独立数据和现实调查交叉验证，责任落实到问题选择、结论采纳和成果发表的具体主体。四道关口连起来，才是一条可复核的证据链。

　　学术评价也必须跟上。复旦大学国际关系与公共事务学院教授高奇琦认为，大模型专业能力迅速提高，判断人类作者的原创性和思想深度已成为新的评价难题。倘若论文数量和完成周期仍占过大权重，技术会放大“快生产”的冲动。评价应更多看问题是否原创、材料是否扎实、方法是否透明、结论能否解释现实。

范式重构

方法组织转向人机协同

　　图灵奖得主、美国计算机科学家吉姆·格雷曾把科学发现概括为四种范式：通过观察和实验发现规律的经验范式、以定律解释世界的理论范式、借助计算机模拟的计算范式，以及从海量数据中寻找模式的数据密集型范式。

　　2024年诺贝尔物理学奖、化学奖对人工智能相关研究的肯定，是数据密集型科学发现范式的重要注脚。华东师范大学数据科学与工程学院创院院长周傲英认为，这一范式拓展了传统还原论的研究边界，也使自然科学与社会科学的研究边界趋于交融。从执行计算到组织材料、辅助判断，机器在科研链条中的位置已经改变。

　　今天，人工智能开始重新编排数据、模型、实验和人的经验，科研边界再次移动。北京中关村学院院长、中关村人工智能研究院理事长刘铁岩把AI for Science（科学智能）称为科学发现的“第五范式”。在这一范式下，人工智能由处理数据、识别规律，进一步进入问题提出和假说形成环节，尝试生成候选假说、比较研究路径、设计验证方案。

　　从第四范式走向第五范式，关键变化已经超出数据规模和计算速度。在第四范式下，研究者主要提出问题、设定规则，机器负责计算和分析；而在第五范式的探索进程中，机器将在人类科学家的全程监督下，深度参与甚至主导“研究什么”“怎样研究”和“如何验证”。刘铁岩认为，近年来的一个显著趋势是：大语言模型、科学智能与具身智能构建了人工智能演进的知识飞轮，形成了理解世界、探索世界、感知并影响世界的正向循环。大模型以言通理，科学智能以理窥真，具身智能以行证道。

　　对哲学社会科学而言，范式变化不能简单理解为“把更多材料喂给模型”。历史研究离不开环境和语境，社会调查离不开真实的人及其处境，理论研究还要处理概念边界和价值判断。有效的人机协同，应形成“问题提出—材料组织—模型分析—现实验证—理论修正”的闭环：机器扩大搜索空间，学者辨析因果与意义，并用历史和现实检验。

　　方法改变，组织也要改变。上海社会科学院信息研究所所长刘炜认为，未来的研究团队将更多围绕重大问题组织学科研究者、数据工程师、模型开发者和伦理法律专家共同进入流程。研究由个人作业转向多专业协同，学术责任却不能在分工中被稀释。

　　在中国社会科学院世界经济与政治研究所世界经济预测与政策模拟实验室，全球宏观经济预测、国际贸易政策模拟等7个模块同时运行。“经政智汇ecopolis 2.0”知识库已收集并解析1200多个来源的120多万篇文献、报告和政策文件，每天跟踪全球300多家智库。中国社会科学院世界经济与政治研究所研究员肖立晟介绍，这套系统使研究从经验描述走向机制分析，从定性判断走向量化模拟。新数据到来后，预测能够持续修正，研究过程可以留痕。平台由资料工具转为科研基础设施，团队也从专业分工走向问题协同。

　　衡量科研范式是否真正改变，最终要看新方法能否发现过去看不见的问题，形成具有解释力、经得起检验的认识。方法、组织与责任共同重组，技术才会转化为知识生产能力。

知识何往

双向进入支撑自主体系

　　方法和组织的变革并非终点。人工智能与哲学社会科学正在形成“双向进入”的态势：人工智能帮助学者整理材料、发现关联、检验假说；哲学社会科学工作者也要参与语料选择、概念表示、能力评测和规则制定。浙江大学社会治理研究院院长郁建兴将这种关系概括为“互为前沿”：工程划出技术上什么是可能的，哲学社会科学回答规范上什么是可以接受的。

　　“双向进入”的落点，是知识体系的重建。只让人工智能进入研究流程，主要改变效率；让中国材料、中国概念和中国价值进入模型的知识结构，才会影响知识生产的方向。一个模型能否理解中文语境，不能只看它能否生成通顺的文字，还要看它怎样处理中国历史、制度实践、社会关系和价值概念。这里正是“双向进入”与中国哲学社会科学自主知识体系构建的连接点。

　　沿着这一逻辑，人工智能助力自主知识体系构建，需要解决三个问题：让中国材料能够被看见，让中国概念能够被理解，让中国理论能够进入世界学术对话。

　　让中国材料被看见，需要建设体现中国历史和现实实践的数据库、案例库与专业语料库。暨南大学文学院教授赵普光提醒，文献转为数据流后，载体中的历史、氛围、情感和场景信息可能衰减。“远读”勾勒宏观图景，但必须建立在“近读”和体察涵泳的基础上。

　　让中国概念被理解，需要哲学社会科学工作者更早介入模型建设。高奇琦认为，社会科学学者若到微调阶段才介入，已经偏晚；预训练阶段形成的语料结构和概念关联，会影响模型对世界的底层认知。中国大模型要走到世界前列，需要社会科学学者更早、更深地参与其中。

　　让中国理论进入世界学术对话，关键在于立足中国实践。云南大学民族学与社会学学院教授郭台辉提出，“发问”是社会科学研究的引擎。把材料输入模型，不会自然生成自主知识体系。只有从中国实践中提出真问题，以可靠材料形成证据，再用自主概念和严密论证把经验提升为理论，中国知识才能解释现实、参与世界对话。

　　知识之问，归根到底是人的问题。人工智能可以帮助学者穿透材料壁垒、连接学科知识，也可能把学术研究推向内容批量生成和观点日益同质化。两种可能之间，考验的是中国哲学社会科学的问题意识、理论能力和制度选择。

　　中国社会科学报记者 袁华杰

　　（中国社会科学报记者查建国、朱高磊、陈炼、王广禄、李永杰、陈雅静、张赛参与采访）