人工智能正在从辅助性研究工具演变为科研过程的深度参与者，进而重塑知识生产方式。自然科学领域以智能实验为核心的AI4S快速发展，其影响向哲学社会科学领域延伸并形成AI4SSH，即哲学社会科学的智能实验范式。哲学社会科学的数智化不是AI4S的简单平移。自然科学主要面对物质、结构和过程，哲学社会科学研究的则是具有信念、目标、价值取向、文化背景和社会关系的人、组织与社会。前者更多关注规律发现、预测和控制，后者还要处理意义解释、价值判断、制度正当性和具体情境。因此，AI4SSH需要推动研究对象、证据形态、方法体系和研究组织方式系统转变，形成符合哲学社会科学知识逻辑的智能研究范式。

　　哲学社会科学智能实验范式以生成式智能体为重要实验单元，以真实世界数据和理论知识为基础，在可控、可重复、可干预的虚拟或现实环境中，对社会互动、制度运行和社会演化过程进行建模、模拟和验证。它并不能取代传统的观察、调查和解释研究，而是在其基础上增加模拟、干预、比较和验证能力，使哲学社会科学不仅能描述已经发生的社会现象，还能进一步探索社会过程何以发生、如何演化以及不同干预会产生何种影响。其根本意义是拓展哲学社会科学认识社会和解释社会的方式，推动知识生产由单纯的描述性解释向实验性、协同性研究进一步延伸。

　　哲学社会科学智能实验范式的形态

　　从目前的发展看，这一范式转型已经出现了若干较为清晰的形态。

　　第一，生成式智能体社会模拟。传统社会实验往往受到规模、成本、伦理和可重复性的限制，生成式智能体使研究者有可能构建可控制、可干预、可重复的“硅基社会”，为智能体配置记忆、目标、关系网络和行动规则，在互动过程中观察规范形成、合作演化、舆论变化等涌现现象。社会过程由此可以在虚拟环境中生成、比较和检验。

　　第二，政策实验室与合成社会沙盒。许多重大公共政策不可能在真实社会中反复试错，政策实验往往具有高成本、长周期和不可逆性。借助多智能体模拟和数字沙盒，可以构造政策情景，在实施前进行压力测试和风险评估。政策研究因此可以从经验判断、事后评估进一步走向前置推演、情景比较和证据支持。

　　第三，深时知识图谱与演化因果仿真。历史过程无法重演，长时段社会因果关系也很难直接检验。通过对跨时空档案、历史文献、地理空间和社会关系进行语义关联，可以形成深时知识图谱，并在证据约束下开展反事实建模与推演，使历史与社会演化研究从“经验叙事—事后解释”走向“知识建模—反事实推演—机制检验”的计算因果范式。

　　第四，数字社会智能观测。今天的社会运行留下了平台行为、空间轨迹、交互日志和政策文本等大量数字痕迹。通过建设数字社会观测台，可以把分散的事件流、指标体系和多模态数据转化为持续、动态、可比较的观测能力，使社会研究从一次性数据采集转向长期监测，从静态描述转向动态识别和趋势研判。

　　第五，真实场景共创实验。哲学社会科学不能只停留在虚拟空间，真正的社会机制始终嵌入在具体制度、文化和生活情境之中。可以在社区、城市、学校、医院等真实场景中建设Living Labs，通过多方参与、持续试验、用户反馈和方案迭代，把数字仿真与现实验证连接起来，使研究、实验与社会应用同步推进。

　　第六，人机协同知识生产。人工智能的优势在于可以处理海量文本、图像和行为数据，进行信息抽取、编码聚类、模式识别和计算推演；人的优势则在于提出真问题，进行理论建构、意义解释和价值审议。未来的哲学社会科学研究不宜把目标设定为机器替代人，而应由研究者主导问题设定、理论框架和解释判断，人工智能承担高强度计算与证据组织。

　　哲学社会科学智能实验范式的三项基本原则

　　上述前沿形态表明，人工智能正在拓展哲学社会科学观察、模拟和解释社会的方式。但技术能力的扩展并不意味着研究范式会自然形成。哲学社会科学研究涉及意义解释、价值判断和具体社会情境，智能实验越深入知识生产过程，越需要明确其方法边界和学术规范。迈向哲学社会科学智能实验范式，首先要坚持证据优先、人类在环、透明可审三项基本原则。

　　第一，证据优先。人工智能生成的内容不能直接等同于学术证据。哲学社会科学中的许多判断高度依赖具体材料、历史背景和制度语境。模型可以迅速生成一套看似完整的解释，但如果找不到来源、无法追溯证据、不能复核推断过程，这样的解释就不能进入严肃的学术论证。人工智能可以帮助研究者寻找证据、组织证据、分析证据，但不能用生成内容代替证据本身。

　　第二，人类在环。研究者必须保有问题提出权、概念建构权、解释权和价值终审权。公平、正义、伦理、制度正当性等问题本身包含价值选择，不能仅凭计算结果作出裁决。算法也并非天然中立，其训练语料、模型设计和使用情境都会影响输出。高强度计算可以更多交给人工智能，但高阶价值判断仍然必须由人来完成。

　　第三，透明可审。人工智能参与研究之后，知识生产过程反而需要更清楚地留下记录。数据从哪里来，调用了什么模型，采用了什么参数，经过哪些提示和筛选，形成了怎样的推断路径，都应尽可能做到可追溯、可复核。只有研究过程能够接受学术共同体检验，人工智能产出的结果才有可能真正进入规范的学术论证体系。

　　推进哲学社会科学智能实验范式的五个方面

　　基于这些原则，哲学社会科学迈向智能实验范式，可以从五个方面推进。

　　一是建设“语料—知识—模型—工具”四层联动的智能底座。哲学社会科学拥有数量庞大的论文、档案、政策文本、访谈材料、图像、音视频和时空数据，但这些资源大多分散在不同平台和载体中。应将高质量语料、可计算知识体系、领域模型和智能研究工具组织起来，使研究资源能够持续积累、关联、复用和验证。数据是否可靠、证据能否追溯，应当先于模型生成能力。

　　二是构建“解释—计算—模拟—验证”的研究闭环。哲学社会科学研究不能简化为提出问题以后让模型给出答案。问题界定、概念建构和理论命题仍应由研究者主导，人工智能可以参与多源证据萃取、结构化处理和机制模拟，再通过反例检验、稳健性分析和外部效度审查回到理论解释。人工智能真正改变的应当是研究过程，而不只是答案生成方式。

　　三是推动研究组织从科研作坊转向平台化协同。随着模型、数据、工具和计算平台不断融合，未来的研究能力越来越取决于能否把文献检索、证据追溯、语料编码、概念建模、机制推演、版本管理和复现审计组织到同一研究流程中。研究平台的意义不只是提供几个智能工具，而是逐步形成可协同、可复核、可迭代的研究环境或新型研究基础设施。

　　四是建立可信研究治理框架。人工智能带来的问题不只是结果会不会出错，还包括立场偏见、文化预设以及用合成受试者替代真实主体所造成的认识论风险。来源可追溯、过程可复现、结论可验证、价值可审议，应成为智能研究的基本要求。研究日志、版本记录、独立验证、伦理审查和责任追踪，也需要纳入新的研究规范。

　　五是以高价值问题群牵引AI4SSH真正落地。AI4SSH应优先面向传统研究方法受数据规模、时空跨度、计算复杂度和现实实验条件制约，长期难以有效处理的重大问题。例如，超大规模跨时空文明档案的知识关联、复杂公共政策的反事实压力测试、历史因果驱动的演化仿真、社会心理和治理过程的动态观测等。只有真正突破传统方法难以逾越的研究边界，AI4SSH才能在高价值问题研究中显现效能优势和范式潜力。

　　对哲学社会科学而言，未来的关键是以人机共生的方式重构知识生产体系，在坚持问题导向、理论自觉、价值关怀和伦理规范的前提下，使理论假设能够被建模、模拟、检验和迭代。技术可以拓展研究能力，但不能替代价值判断；算法可以参与推演，但不能拥有最终裁决权。哲学社会科学智能实验范式正处在开放式演进过程中，只要我们坚持守正创新、趋利避害，就一定能够迎来更加广阔而富有生命力的发展前景。

　　（作者系兰州大学副校长、青藏高原人文环境数据智能实验室教授；青藏高原人文环境数据智能实验室教授）