瞭望 | 释放AI人文社科研究潜力

当古老甲骨遇上前沿AI，会碰撞出怎样的火花？走进安阳师范学院那间特别的实验室，你或许能找到答案：一侧是静心翻阅古籍的学者，另一侧是学生们正借助数字化工具，校对标注着由人工智能缀合出的甲骨文拓片。传统与未来在此交汇，共同拓展着人文社科研究的边界。

近年来，生成式人工智能的浪潮席卷各行各业，“AI赋能知识生产”成为焦点。在自然科学领域，AI正驱动着“人工智能驱动的科学研究”范式变革。而在人文社科这片看似感性的土壤上，相关的讨论与实践也悄然兴起。

有观点认为，AI能为人文社科研究注入更强的确定性与客观性，加速其科学化进程；也有声音保持审慎，认为AI更多是效率工具，难以统一复杂多元的研究范式，更谈不上引发整体革命。

那么，AI在人文社科研究中究竟扮演着什么角色？梳理多方观点可以发现，它确实能提供独特的工具辅助与观察视角，开辟知识生成的新路径。但必须清醒认识到，AI缺乏生命体验，在理解意义、做出价值判断、突破既有范式等方面存在天然局限。因此，在可预见的未来，它仍难以成为人文社科创新的核心主体。

真正的关键在于协同。释放AI的潜力，需要夯实高质量数据基础、推动标准与伦理共识，同时创新交叉学科培养模式，并在学术评价中突出人类研究者的核心贡献，最终实现人机各展所长、共生共进。

提供强大辅助：从“体力活”到“新视角”

AI正深度融入人文社科研究，成为提升科研效能的重要伙伴。其价值主要体现在三个层面：处理海量资料、构建模拟环境、辅助分析与表达。这为人文社科注入了新的工具潜能。

首先是效率的飞跃。在数据收集、整理等基础环节，AI处理海量、多模态信息的能力，能将学者从繁重的重复劳动中解放出来。以甲骨文研究为例，传统人工为一个甲骨碎片寻找匹配图像，可能需要两三天时间。而借助智能缀合系统，在万级碎片数据库中完成同样工作，仅需两三个小时。这种效率提升，为后续更深度的历史阐释奠定了坚实的数据基础。

其次是方法的创新。传统社科研究多侧重于解释已发生的事件，而AI辅助的模拟技术，如智能体建模，让预测性和推演性研究成为可能。研究者可以创建海量拟人化的“数字智能体”，设定规则与情境，观察它们在虚拟环境中的长期互动，从而模拟复杂的社会动态，理解运行机制，甚至探索传统方法难以触及的新议题。在传播学领域，AI快速分析网络舆情、识别公众情绪的能力，也让社会情绪监测和危机应对的过程更快、更可追溯。

最后是视角的拓展。AI的用武之地，往往在于“捡漏”——做那些传统模式下看不见、总结不了或被忽略的工作。在历史考古领域，微痕增强技术能凸显甲骨上肉眼难辨的笔迹；复杂网络算法能筛选出最有可能被破译的孤字，并推断其含义。这种“推理性考释”虽非最终定论，却能为学者提供强有力的新线索。此外，AI还能帮助学者将复杂分析和数据，转化为更易懂的图表与叙述，辅助完成内容阐释与表达。

并非发现主体：清晰的能力边界

尽管辅助潜能强大，但AI在人文社科核心环节作为“工具”而非“发现主体”的边界同样清晰。其根本局限在于，AI处理的是世界的“数据化”表征，与充满意义、价值与复杂语境的人类社会存在本质距离。

第一，无法理解意义与语境。当前AI的核心能力是识别和组合数据模式，而非理解意义。例如，在甲骨文考释中，AI或许能提供参考答案，但最终定论需要结合历史背景、文献互证和古代语法习惯进行综合推断。这种对“意义”的生成与判定，植根于人的“具身体验”，是当前AI难以涉足的领域。

第二，缺乏价值判断与伦理思辨。探讨公平、正义等命题是人文社科的重要功能，这需要研究者基于伦理原则和社会责任感进行权衡。AI可以模拟不同政策方案的结果，但“哪个方案更公平”、“哪些价值更值得优先保护”的判断，必须由人来完成。学术共同体所要求的、具备完整证据链条的严谨断言，正是人类价值标准与严谨性的体现。

第三，存在强化偏见与失真风险。AI结论的可靠性高度依赖于训练数据的质量。在古文字领域，复杂模型有时会“过量抽取特征”，将噪声误认为规律；微痕增强技术也可能创造出原本不存在的笔画。在社会科学中，基于网络大数据训练的模型可能放大固有偏见，“硅基样本”也难以完全复刻真实人类情感的复杂性与多元性。

因此，学者们普遍认为，理论创新往往源于对旧范式的批判、深刻的直觉洞察或对新价值的倡导，这与研究者自身的生命体验和历史意识紧密相连，是当前基于概率统计的AI难以替代的。

潜力发挥受制：数据与人才的瓶颈

要让AI在人文社科领域真正发力，现实中仍面临两大核心制约：高质量数据的稀缺与复合型人才的不足。

高质量数据稀缺，共享存在壁垒。部分领域数据本身存量有限，且数字化、结构化成本高昂。例如甲骨文碎片总量估算约16万片，进行高精度数字化和语义标注极度依赖领域专家，耗时耗力。更突出的矛盾在于数据共享。在现有科研评价体系下，长期积累的数据是重要的学术资产，涉及产权、投入与回报等现实利益，跨团队、跨机构共享动力不足，容易形成“数据孤岛”。此外，统一的数据标准、著录规范以及可持续运营的公共数据平台也尚未完善。

复合型人才稀缺，制约深度应用。当前懂技术的人才不熟悉人文社科的真问题，而领域专家又难以掌握技术原理，沟通急需“翻译”。研究多集中在较初级的缀合、校重等环节，存在同质化。要实现更深层的语义分析，必须由领域专家做好扎实的基础数据工作，再与AI人才进行有机融合。目前，能兼顾这两个层面的复合型创新人才仍是稀缺资源。人才培养也面临新课题：如何让学生在善用工具的同时，夯实学科功底，保持批判思维和创新精神。

迈向有效协同：构建良性生态

面对现状与挑战，释放AI潜力需要聚焦关键瓶颈，在数据基础、评价导向与人才培养上寻求突破，构建良性发展生态。

探索激励相容的数据共享机制。破解“数据荒”与“数据孤岛”，需要建立可持续的共享模式。建议由国家基础科研机构牵头，联合顶尖学术团队与技术企业，在数字化基础较好的领域，遴选已完结重大项目的非涉密核心数据集，明确数据使用协议与贡献者权益，面向认证学者有限开放，逐步化解产权与信任顾虑。

强化学者的提问力与判断力。最终的判断力、对问题的定义权、核心的阐释和叙事，依然在人。研究者对领域理解越深，就越能提出好问题，AI带来的启发也越大。可在项目评审与人才评价中，试点引入贡献指标，要求学者阐明其在问题提出、价值权衡、理论综合等核心环节的独创性工作，与AI承担的基础性工作区隔开来。

鼓励多元化技术方案，培养善用工具的人才。技术应用贵在适配，选择或开发适合具体问题的技术路径，比单纯追求模型复杂度更重要。一些实践已见成效，例如开发低代码研究工具降低技术门槛，或将大模型与专业数据库结合，封装成可通过自然语言交互的“研究伙伴”。与此同时，培育能驾驭技术选择、并在人机间顺畅“翻译”的复合型人才至关重要。未来的研究者，需要具备提出好问题的能力、善用AI工具的品味，以及思考如何让文化特质塑造技术发展的使命感。