以人工智能为代表的数智技术对哲学社会科学研究范式的广泛影响已非远景想象，而是正在发生的现实。党的二十届四中全会审议通过的《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》明确提出“以人工智能引领科研范式变革”。从大数据抓取到AI辅助编码，从虚拟现实实验到基于大语言模型的社会仿真，技术工具正在嵌入哲学社会科学研究的每一个环节。然而，当数智技术改变了我们收集素材、处理数据、开展实验乃至生产知识的方式之后，如何通过人机协同达成实质性创新，仍是一个需要审慎对待的问题。

　　技术升级与方法创新的距离

　　数智技术正在切实拓展哲学社会科学的研究空间。在经验材料采集方面，数字足迹等多源数据使得研究者可实时追踪社会现象的演变过程，网络民族志使田野调查延伸至虚拟社区。在资料处理方面，机器学习算法能从海量高维数据中自动识别模式，多主体建模拓展了复杂社会系统仿真的边界，AI辅助编码让研究者得以在更大规模的质性资料上进行系统分析。在实验方法方面，在线实验和虚拟现实技术突破了传统实验的伦理和成本限制，大模型驱动的智能体仿真更是将虚拟人放入虚拟情境，使以往无法触及的研究领域进入视野。这些进展正在改变研究的操作方式，并为新范式的形成积累经验，同时也在为方法论层面的突破创造条件。

　　不过，技术工具的更新与研究方法的创新，依然存在显著差异。工具层面的改进更多是在既有框架内做量的扩展；而方法论意义上的创新，则要求研究者借助技术条件重新审视研究的各个环节，从价值、伦理等多方面探寻哲学社会科学的本质问题。这些问题的答案，很大程度上取决于研究者的主体判断力和智能素养，比如选择什么问题、建构什么框架、如何依托人机协同发现新规律、如何解释发现。正是在这个意义上，数智时代研究者作为认知主体的地位并不因人工智能的引入而削弱，反而更加凸显。

　　数智技术的结构性局限

　　在研究实践中，大语言模型等新型数智技术工具正在暴露出一些结构性问题。这些问题不是暂时的技术瓶颈，而是内在于模型运作逻辑之中的固有局限。

　　首先，大语言模型在因果推断上存在一定局限。哲学社会科学的因果识别以研究者对数据生成机制的理解为基础，而大模型的生成逻辑很大程度上是拟合既有文本数据的条件概率分布。它擅长复现数据中的共现模式，却难以像社会学家那样主动设计干预、反事实推理或识别混杂因素，这使得研究者在将其输出应用于因果分析时需极为审慎。基于经济学和金融学实证研究的大模型因果推理能力评估显示，模型不仅会在复杂情境中出错，而且更倾向于将不存在的关系指认为因果关系。如果研究者不加审视地将模型输出等同于因果结论，研究的可靠性便无从保障。

　　其次，模拟与现实之间存在难以弥合的距离。研究者越来越多地使用大模型生成样本替代人类受访者的回答，但一系列评估发现，模型在模拟个体回答复杂调查问题时的准确率相对有限，涉及人类主观体验时拟合度不如传统统计方法，在代表性不足的情景下误差更大。更值得关注的是，模型生成的所谓参与者数据高度依赖于操作细节，不同模型、不同参数设置可能得到差异较大的结果。这使得研究者很难判断自己得到的结果究竟是反映了真实的社会现象，还是仅仅反映了模型自身的构造方式。

　　最后，人机交互中研究者面临主体性错认的风险。大模型在交互中越接近人类，研究者就越容易将输出误认为可靠判断，而这些输出可能只是语言概率运算的结果。这种误认并非研究者的疏忽，而是源于人机交互适配性方面的深层问题。与之相伴的还有“机器启发式”的认知模式，即潜意识中认为机器是客观公正的，这进一步遮蔽了模型的概率本质。有学者指出，生成式AI的即时满足、过程隐藏及拟人化陷阱正在系统性地消解研究者的反思距离，诱使其将思考过程本身外包给机器。研究者一旦忽略这一点，就可能被看似合理的内容所牵引，在不知不觉中从判断者退化为验收者。

　　保持判断力是人机协同的关键所在

　　数智技术的介入正在改变研究活动的格局，研究者的主体性也在这一过程中经历着微妙的变化。一方面，研究者从重复性的信息处理劳动中解放出来，可以将精力投入到更具创造性的判断中；另一方面，当研究者越来越依赖大模型辅助研究时，判断力可能下降，警觉也可能松弛。这种悖论式的变化，在认识、能力与规范三个层面同时展开。首先是认识层面。大模型是基于海量文本训练的概率模型，它的输出是对词语共现模式的统计推断，而非基于理解的意义生成。当研究者逐渐依赖概率运算的结果而弱化反思性审查时，研究的创造性维度就可能被技术逻辑所替代。其次是能力层面。知道大模型会出错和能够在具体情境中识别具体错误之间，存在显著的能力差距。这要求研究者具备一种超越传统学术判断的新型批判能力，能够识别AI幻觉、数据偏差和算法预设带来的认识论偏见。最后是规范层面。主体性的维持不仅是个体层面的问题，也是集体层面的问题。规范缺失的直接后果是责任边界的模糊。而这本身就是对主体性的一种侵蚀，因为主体性的一个重要维度就是承担责任的能力和意愿。

　　因此，要实现人机协同，核心在于研究者在技术环境中保持和运用判断力、进行价值选择和承担责任的能力。判断力不足之所以成为瓶颈，是因为数智技术尽管在数据处理、模式识别和仿真模拟等方面展现出了强大能力，但也暴露出一系列固有的局限与风险。面对这些局限，技术的迭代无法提供解决方案，它们恰恰是技术运作逻辑的内在产物。能够识别局限、评估风险、做出取舍的，最终只能是人，是具备理论素养、方法论意识和学术责任的研究者。学术共同体已在制度层面做出回应。2026年7月，中国社会科学院正式印发《中国社会科学院人工智能辅助科研基本规范（试行）》，确立了“人主智辅”的基本原则。这一规范将责任明确归属于研究者本人，为方法创新提供了制度性保障。但规范终究是外部约束，真正实现识别局限、评估风险、进行取舍，始终要依靠研究者自己的判断力。

　　面对人工智能日益流畅、自信的表达，研究者尤须保持清醒。这不是在技术面前退缩，而是在全新技术环境中重新确认自己的判断与责任。判断力、价值选择力与责任承担能力，构成了研究者主体性不可让渡的底线，也成为人机协同的真正基础。只有守住这条底线，技术才能真正服务于学术创新。

　　（作者系首都经济贸易大学校长）