图书前言

前言

《美国经济评论》(The American Economic Review,经济学国际顶刊)副主编大卫·柳泽德罗特(David YanagizawaDrott,2026)用AI智能体一个月生产出230篇论文,而且都是高水平文章。

哈佛心理学教授阿什维尼·阿肖库马尔(Ashwini Ashokkumar et al.,2026)在《自然》(Nature)上刊文指出,GPT4扮演的美国人在70个全国代表性实验中,效应量和2659个真人的回答无统计上的显著差异。

社会科学研究的范式革命已然到来。

以人工智能算法与大数据分析为基础的社会计算将为社会科学研究带来新的研究范式,本书梳理了社会科学领域六种研究方法30多年来发展的主要范式,为读者提供了一个理解社会计算的知识架构,以便找到该研究的入门路径。范式转移中,人类依旧需要“说故事”的能力……虽然智人早在十万年前就已经出现在东非,但一直到七万年前才开始迁移到其他地区,造成其他人类物种的灭绝。而在先前的几万年间,虽然智人的外表已经和我们十分神似,大脑容量也差堪比拟,但他们和其他人类物种相比并不占任何优势……事实上,史上智人与尼安德特人的第一次冲突,赢家还是尼安德特人……

然而,等到大约七万年前,智人仿佛脱胎换骨。大约在那个时候,智人第二次从非洲出击。这一次,他们不只把尼安德特人和其他人类物种给赶出了中东,甚至还赶出了这个世界……智人发明了船、油灯、弓箭,还有缝制御寒衣物所不可缺少的针……

大多数研究人员相信,能取得这些前所未有的重要成就,是因为智人的认知能力有了革命性的发展……大约就是在距今七万到三万年前,出现了新的思维和沟通方式,这也正是所谓的认知革命。

——尤瓦尔·赫拉利

这是尤瓦尔·赫拉利在《人类简史》中的一段话,在其后的内容中他阐述了认知革命的一个重要部分就是智人学会了“说故事”,一段传说、一段神话、一套仪式、一个宗教,使得智人得以在成千上万人中寻求共识,并形成协作。以前的其他灵长类动物如黑猩猩或其他的人类如尼安德特人,很难有50人以上的协作团体,这在本书第四章介绍邓巴数字理论时会谈及,这个规模的小圈子叫共宿团体,一群生活在一起的灵长类动物,在日日互动与互助中产生了协作的信任基础。但智人的“说故事”,就产生了几百、上千、上万人“我群”的共识。

现代学术研究的“说故事”就是我们基于对社会现象的观察,通过想象力产生的理论。当然,科学的训练告诉我们,“说故事”之后还要有理论的建模,严谨的现实资料的收集、分析,以及对“故事”加以验证并做可能的“一般化推论”(generalization)。在社会科学研究本书采用“社会科学研究”的表述,主要是因为智能社会科学丛书的研究案例主要涵盖社会学、教育学、科学学以及经济管理学。但社会计算中的“社会”范畴更广,涵盖了几乎所有文、法、社科、管理领域,尤其是经济学、政治学、历史学、人类学、考古学、法学,等等。中,理论是指对社会现象和行为的系统化和抽象化的描述,有不同的类型。大理论(grand theory)是指对整个社会现象和行为的总体描述。它为我们提供了理解和解释社会现象的总体框架和方法,比如马克思主义、功能主义、社会网络理论等。中程理论(middlerange theory)是指对一组特定社会现象和一组解释变量的架构层次的描述,它为我们提供了理解和解释特定社会现象的中间层次的框架和方法,如社会资本理论、社会交换理论、社会学习理论等。理论模型(theoretical model)是指对具有因果关联或演化进程的社会现象,以及用于解释该现象的变量,进行清晰界定与明确衡量的具体描述。这些社会科学理论可以帮助我们理解和解释社会现象,以便于预测和规划社会现象的发展。

人工智能时代正全面推动建模、资料收集、分析技术以及验证方式的革新。1994年社会计算被提出以来,它始终直面这些日新月异的变化。从网上BBS的大数据被收集、分析开始,我们见证了一波又一波新资料与新算法的产生:从BBS平台上的社交网络分析、自然语言处理(natural language processing,NPL),到基于自然语法而延伸出来的情绪分析、价值分析,这些技术可用于分析人类的网上行为、社交网络结构,以及传播中的信息茧房与社会中的两极分化等现象。紧接着兴起的有复杂网络分析、基于主体建模(agentbased model,ABM)的演化研究,让社会现象研究跳出静态的因果解释,而进入动态的、非线性发展与充满涌现性的复杂社会系统研究阶段。机器学习、深度学习与预测模型的应用,则支撑起预测各类事件、推荐算法等功能的实现。另外,通过图片分析、视频分析、卫星影像分析、地理信息分析等技术,能够标记人的影像与地理区位,并展开分析,从而为研究人类移动规律、城市规划优化与社区人文特征等提供新路径。多模态分析与可解释人工智能(explainable AI)的发展, 使得人类的行动可以被完整地记录与分析,并且针对原本“黑箱”式的预测模型提供潜在的因果解释,开始相关的理论探索。及至今日,大语言模型(large language models,LLMs)以及基于大语言模型建立的“类人化智能体社会实验平台”已成为研究焦点,可以预见,随着作为人类“代理人”(agents)的具身与非具身智能体的兴起,它们将在工作、消费乃至日常生活的决策方面为我们提供辅助,人机互动、人机协同网络、人与智能体共建的新型社会形态也将随之产生,这又将催生新一轮的大数据,也呼唤着更前沿的算法与研究方法的到来。

本书的宗旨如下:

(1) 不是仅仅罗列社会计算中的各种数据分析方法与人工智能算法,而是向读者展示如何将这些方法有机组合,对特定的社会现象做出有效的解释。

(2) 展示社会计算这30多年来的发展简史,其中社会理论助力计算方法发展的部分被称为“社会计算方法研究”,而计算方法支撑社会理论发展的部分被称为“计算社会科学”。本书第一章与第二章将从整个社会计算领域切入,举例展示社会科学理论对算法发展的推动作用,之后介绍我们提出的“三角对话”指导下的社会计算方法论及社会计算驱动的研究方法。然后通过多个计算社会科学的研究案例阐述计算方法如何赋能社会科学研究。从这个角度而言,本书核心聚焦“计算社会科学的方法论”。未来的社会计算将打破“计算归理工,社会归社科、管理、文、法”的领域壁垒,实现两者的深度融合,培养更多文理兼备的人才。正如牛顿既是物理学理论巨匠,又是支持其理论的数学工具的开创者,社会计算也在期待自己的“牛顿时刻”。

(3) 社会科学理论对社会计算方法研究有决定性的影响,而“计算社会科学”更将以理论为核心依归——问题意识的树立、探索过程的推进、现象的解释、模型验证以及一般化推论的得出,全部建立在理论的联想与建构能力之上。

(4) 自1994年以来,社会计算已历经描述性模型、理论验证、理论探索以及反绎方法四类方法论阶段,本书新增“多元数据组合方法”以及“网上实验平台”两类,分别介绍每一类研究方法的基本概念,并提出一至两个研究案例,帮助读者直观理解各类研究的实施路径。

本书希望向读者展现,30多年来社会计算领域新数据、新算法、新建模方法、分析技术与验证方式层出不穷,每一次技术突破都让研究者惊呼“范式转移”的时代已经到来,但纵观这一领域的发展史,今天远非终点,且更要警惕“技术决定论”的陷阱——切勿认为某一项技术或几项技术就足以确定社会科学研究的崭新范式已经来临,并宣告研究止境,而是应始终铭记,各种技术的终极价值,都永远服务于人类对社会解释的求知欲,帮助我们构建出听得懂又想得出的“故事”。

但另一层面的发展同样令人担忧,绝大多数文科学者深知“说故事”的重要性,面对层出不穷、令人眼花缭乱的新资料、新技术却望而却步,用化约思维(就是反复杂的思维)把两极对立起来:理论vs.实证,定性vs.定量,大理论vs.理论模型,结构数据vs.大数据,因果推论vs.系统演化,甚至不明就里任意划分,将本土与西方两极化,刻意划定学科“领地”,拒绝跨学科交叉整合。这种思维的危害更加严重,它不仅会让我们失去新研究范式转移的机会,更会丧失对数智时代复杂社会系统的研究能力。

所以,本书的核心目的是深入探讨社会计算的发展历程及其蕴含的深刻启示——这本质上是一次社会科学在方法论与理论上的范式转移。我们试图阐明,无论社会计算引入多少人工智能算法,它依旧以社会科学理论为核心,但同时,我们又要引以为戒,不能故步自封,要迅速地拥抱新数据、新建模方法、新的分析技术与验证方式,推动社会研究向纵深发展。

本书开头引用了尤瓦尔·赫拉利的一段话,是想说明“说故事”是人类认知的根本需要,也是人类大规模协作的信任基础。我们不能接受仅由一堆资料经“黑箱”归纳得出的结论就是“事实”,而应该要追问“为什么?”以及“这源于什么机制?”——要给出合理的解释,离不开理论的支撑。

正如本书第一章所提到的,芝加哥大学教授安德鲁·阿伯特(Andrew Abbot)指出,“社会物理学”总是来了又去,去了又来,但人的联想能力产生的理论却是资料挖掘技术所不能替代的。第三章谈论卡尔·波普(Karl Popper)的科学方法论的证伪主张否决了资料归纳得到真知的可能性,我们需要理论、演绎、假设、研究设计以及资料验证才能得到科学认知上的共识。第三章还谈到,在之前统计学盛行之时,也有十多年的时间是大型资料库和统计挖掘当道,顶级期刊上多是关于“数据驱动”的文章,而缺乏相应的理论支撑。但在20世纪八九十年代方法论大论战之后,“技术主义”退潮,理论重新当道。

本书第一章的副标题是“太阳底下无新鲜事”,因为社会科学界的范式移转早已发生过不止一次,而这一次和上一次有着惊人的相似,只是上一次是数据与统计技术被运用于社会科学,而这一次则是大数据与人工智能技术带来的范式转移\[为了方便读者阅读,本书仍然使用大家朗朗上口的库恩的“范式转移”的表述(paradigm shift; Kuhn,1962); 但笔者的真实意图指涉的是拉卡托斯的“研究规划”的演化(research programmes; Lakatos,1980)\]。

最新一波基于内容生成式AI的大数据与人工智能算法来势汹汹,资料挖掘、预测模型功能完备,预测能力令人惊叹,但我们能接受一个“黑箱”给出的“真知”吗?本书的最后,我们将会回归此议题,从人的认知需求与AI伦理两个角度来省视这个问题。

回顾历史,才能展望未来,本书将回溯社会科学研究范式的转移历史,梳理社会计算的发展脉络,在科学发展的长河中定位当下人工智能与大数据研究带来的变革。