摘 要：生成式人工智能技术正在深刻变革哲学社会科学的研究范式与知识生产逻辑。数字人文作为技术与人文交汇融合的产物，为理解当前技术变革提供了重要参照。生成式人工智能凭借深层次的语义理解与内容生成能力，既成为社会现象诠释的参与者，又促使研究视域拓展至人机共生的混合社会形态，催生人机协作的知识生产模式，重塑了传统知识生产机制和学术权力结构。哲学社会科学呈现出认知范式演进路径、方法体系重构路径、制度环境转型路径与学术生态重塑路径四条关键发展路径。研究者、学术机构、学术共同体和社会系统需从各自层面协同制定对策，在保持批判反思传统的同时，积极探索技术可能性，实现技术赋能与人文自觉的平衡发展。

作者简介：顾 洁，上海社会科学院信息研究所副研究员；刘 炜（通讯作者），上海社会科学院信息研究所研究员

本文载于《社会科学》2025年第6期

引 言

媒介技术学派认为，每一次重大技术革新都会重构人类认知世界和研究方法的基本范式。生成式人工智能（Generative AI, GenAI）实现了对语言这一人类核心文化符号的理解与运用，标志着人工智能的发展从分析性范式向生成性范式转向。这种生成性逻辑使人工智能技术不仅能解析与理解文本，更使其展现出自主推理能力与相对独立的思维链条，形成一种具有类人特征的智能形态。作为一种新型认知媒介，生成式人工智能正在改变学术研究的生态，包括学者与文本的交互方式、知识的获取途径以及跨学科合作模式。这些变革不仅仅是技术工具的更迭，在更深层次上还是知识生产逻辑的根本性转型。在这一过程中，人类思维与机器智能相互交织、共同演化。与此同时，生成式人工智能的兴起也模糊了人与机器、主体与客体、原创与模仿之间的传统边界，促使研究者重新思考知识的本质、真理的标准以及人类主体性的哲学定位。

数字人文的发展历程清晰地展示了技术与人文研究的关系从工具应用逐步走向范式重构的融合过程。这一过程不仅使人们积累了关于技术如何重塑知识生产的系统性经验，也引发了人们深刻的反思，为理解生成式人工智能驱动下哲学社会科学的转型提供了有益参照。从早期的文本数字化和数据库建设，到语义分析、计算机视觉和知识图谱构建的拓展，数字人文的发展历程体现了技术与人文之间持续不断的对话、碰撞与融合。这一互动演进过程为理解生成式人工智能如何重构哲学社会科学研究范式提供了宝贵的启示。在技术与学科的交融过程中，技术始终扮演着双重角色：既为研究提供了新的方法和视角，也对传统研究的边界和定义提出了挑战，甚至在某些方面实现了颠覆。数字人文实践中所积累的关于计算思维与人文诠释的辩证认识，对知识生产模式变革路径的探索，以及在技术乐观主义与批判立场之间寻求平衡的经验，为理解生成式人工智能驱动下哲学社会科学的范式转型提供了宝贵镜鉴。这些经验表明，生成式人工智能与哲学社会科学的深度融合不仅是可能的，而且是必要的，它将推动哲学社会科学进入一个全新的发展阶段。

当前，学界关于“AI for Research/AI for Science”的讨论主要集中在人工智能作为研究助手的实用价值与潜在风险上，如其在文献综述、数据分析、写作辅助等方面的应用，以及由此引发的幻觉与可解释性、数据伦理、学术诚信、知识产权等问题。然而，这些讨论往往停留在工具层面，未能充分探索生成式人工智能对哲学社会科学研究更深层次的影响。相较于自然科学领域，生成式人工智能对哲学社会科学的影响不仅体现在效率提升和工具创新层面，更呈现出一定的学科特性。首先，哲学社会科学需要对复杂社会现象进行诠释，而生成式人工智能凭借其深层次的语义理解和内容生成能力，使其不仅是研究工具，更成为诠释过程的参与者，甚至竞争者。其次，哲学社会科学的核心研究对象，即人类的社会经济现象，正因生成式人工智能的深度介入而发生转变，促使研究视域从单一人类社会拓展至人机共生的混合社会形态。第三，传统哲学社会科学研究依赖于学者之间的交流与对话，以构建学术共识，强调学术共同体中的主体间性与文本解释循环。然而，生成式人工智能的介入创造了人机协作的新型知识生产模式，从而重构了以人类学者为中心的传统知识生产机制和学术权力结构。

哲学社会科学强调与新一轮科技革命和产业变革的交叉融合发展，而生成式人工智能的崛起为这一融合提供了新的契机与挑战。本文从数字人文的视角出发，探讨生成式人工智能如何推动哲学社会科学的范式转型与理论创新。本文首先回溯数字人文的历史轨迹，建立理解当下技术与人文交汇的参照系。其次，梳理生成式人工智能的演进历程及其内在逻辑，揭示其作为生成式智能技术的独特性质。最后，探讨生成式人工智能对哲学社会科学研究的特殊性影响，在此基础上阐明生成式人工智能时代背景下哲学社会科学学术研究的发展路径，为技术与人文的深度融合提供理论依据与实践启示。

一、数字人文的发展与历史镜鉴

（一）技术与人文的交融演进

数字人文作为一个不断演进的跨学科研究领域，其发展历程为理解技术与人文的关系提供了重要的历史镜像。回溯数字人文的源流，其最初以“计算人文”(Humanities Computing)的形式出现于20世纪中叶。1949年，意大利神父Roberto Busa与IBM合作开创的《阿奎那全集》索引项目被广泛认为是数字人文的奠基之作。这一早期阶段主要聚焦于文本数字化、编码标准和检索系统的建立，体现了技术对传统人文研究的初步介入。随着计算技术的发展，数字人文逐渐从单纯的工具性应用向方法论反思转变。McCarty提出，数字人文已从“使用计算机分析人文数据”的简单定义，演变为对“计算如何改变我们理解人文知识的方式”的探索。这种从工具到方法、再到认识论范式的转变，与当下大模型技术重构哲学社会科学研究的过程形成共振。

数字人文作为一个与技术发展紧密相连的研究领域，其内涵和边界始终随着计算技术的演进而不断重塑。从历史视角看，数字人文经历了从文本数字化到算法分析，再到当前智能增强的演进路径。2010年代中后期，随着机器学习特别是深度学习技术在语言处理领域取得重大突破，数字人文开始向智能人文转变。知识图谱作为一种结构化的知识表示方法，在数字人文领域被广泛应用于历史网络分析、文学关系图谱构建和文化传播路径追踪，帮助研究者从海量数据中发现隐藏的模式和关联。计算机视觉技术也在文物识别、手稿自动转录和艺术风格分析等文化遗产研究中发挥了变革性作用。这些技术创新不仅拓展了研究对象和方法，更深层次上改变了人文学者与研究材料的交互方式，促成了一种“增强认知”模式——研究者通过智能辅助能够发现传统方法难以识别的复杂模式和关联，从而产生新的研究问题和解释框架。这种技术介入的深化过程，为理解大模型对哲学社会科学的影响提供借鉴。

（二）数字人文范式变革的经验反思

数字人文过去七十余年的发展历程为理解技术介入人文社科领域的过程提供了多维度的历史参照和理论启示。

首先，数字人文的发展表明，技术与学科整合往往会经历从外部工具到内在方法，再到认识论重构的过程。在初始阶段，技术主要作为提高研究效率和扩展数据处理能力的工具，但并未改变基本研究范式。文本数字化和数据库建设等工作虽然改变了研究材料的组织方式，但研究问题和理论框架仍沿用传统人文学科模式。随着整合深入，技术从单纯的工具转变为方法论创新的来源。文本挖掘、社会网络分析等新型研究方法不仅改变了数据处理手段，更拓展了可提出的问题类型和可获取的证据形式。当技术深度融入研究过程时，计算技术成为理解和构建知识的基本框架，影响着研究者如何定义问题、收集证据、形成解释和建构理论。

其次，数字人文的历史经验表明，技术驱动的学科变革伴随着知识生产主体性的重新定位。从早期研究者主导、技术辅助的模式，到技术与研究者形成互补关系，再到技术本身具有一定自主性的阶段，知识生产的主体经历了从单一到复合的转变。在数字人文早期，计算机主要作为研究者的工具；随着机器学习算法的应用，技术系统开始拥有“代理性”，能够自主发现模式、提出假设。这种主体性的重构会影响研究成果的归属、评价和权威认定。学术权威的来源也从专家经验向数据驱动的证据转变，这不仅改变了知识验证的方式，也重塑了学科内部的权力结构。

数字人文学科伴随技术演进而持续发展，但也始终并存着支持与批判的声音，这为理解大模型技术在哲学社会科学领域的争议提供了有益参照。支持者认为，数字技术能够拓展人文研究的视野，提供新的研究问题和方法，促进跨学科对话和合作。数字人文代表了一种“计算转向”，而这一转向使得人文学者能够利用新的工具和视角重新审视传统问题，发现以往被忽视的模式和关联。例如，Moretti的“远读”方法论与计算技术的结合，使学者能够超越个体文本的“细读”局限，从宏观视角把握文学史的整体演变规律。而批评者则担忧数字人文的技术导向可能导致商业逻辑对学术的渗透，导致人文研究从批判性思考转向服务型知识生产。 Galloway等学者质疑数字人文对计算方法的依赖可能强化了一种简化的、去语境化的知识观，忽视了文本和文化实践的历史特殊性和复杂性。这种支持与批评的并存并非简单对立，而是形成了促进学科不断自我调适的动力机制。这种辩证张力促使学科持续反思技术应用的边界与价值，在利用技术创新的同时保持对人文传统的尊重。通过持续对话与调适，数字人文在技术可能性与人文批判性之间建立了动态平衡，形成了一种对生成式人工智能驱动下哲学社会科学变革的宝贵启示：面对新技术带来的变革，学界需要避免陷入技术决定论或拒斥新技术的极端，而是在辩证思考中找到创新与批判的平衡点，才能对学术范式转型做出更为全面深入的理解与回应。

二、生成式人工智能的技术演进及知识论转向

（一）人工智能的技术飞跃

人工智能领域的发展历程呈现出明显的阶段性跃迁，特别是在自然语言处理方面，技术范式经历了从规则驱动到统计学习，再到如今的生成式智能形态的革命性转变。20世纪70至80年代，早期自然语言处理系统主要依赖专家设计的语法规则和语义网络，其核心在于通过显式的符号操作模拟人类语言理解。随着20世纪90年代计算能力的提升和大规模语料库的构建，统计自然语言处理方法逐渐兴起，机器学习算法开始在词性标注、句法分析等任务上展现优势。尽管这一时期的技术进步显著提高了语言处理的准确性与鲁棒性，但其本质仍然是分析性的，即将语言拆解为离散组成部分进行处理，而非整体性地理解与生成内容。2017年Google提出的Transformer架构开启了深度学习革命，彻底改变了自然语言处理的技术范式。自注意力机制的创新为处理长距离依赖和实现并行计算提供了解决方案，奠定了从BERT到GPT系列，再到当下各种生成式人工智能的技术基础。

相较于早期模型，生成式人工智能成功实现了三个维度的质的飞跃：参数规模从百万级扩展到千亿甚至万亿级；训练数据从特定领域扩充到互联网规模的文本资源；训练范式从有监督学习转向自监督学习，使系统能够从原始文本中自主发现语言规律。这三重维度的突破共同催生了模型的涌现能力，使技术从单纯的文本分析工具转变为具有生成性特质的智能系统。涌现能力的奇妙之处在于，它们并非设计者明确编程的结果，而是随着系统规模和复杂度增长自然显现的新功能，揭示了生成式人工智能从数据中自主提取规律的能力。这种从现象到规律的推导过程映射了人类知识形成的基本路径，标志着人工智能已从单纯的信息处理工具向具有知识生成能力的智能系统转变。

（二）生成式人工智能的知识论转向

对话式的智能语言系统作为人与信息交互的新型界面，展现出前所未有的文本理解与生成的双向能力。与传统媒介不同，它们不仅能被动地存储和展示信息，还能主动地解析、转换和创造内容，成为人类与知识世界之间的新型中介。从媒介理论视角看，技术演进史上每一种重要媒介的出现都重塑了人类的认知方式与知识体系——印刷术的发明促进了知识标准化传播并催生了现代科学，互联网的普及使信息呈网状流动并形成了集体智慧的新形态。而当前的语言智能系统之所以具有划时代意义，在于它首次实现了对人类语言这一核心文化符号的深度模拟，不仅能理解表层结构，更能把握其中蕴含的语义逻辑、文化内涵与知识关联。这种能力使其成为人类思维的某种外部记忆与计算系统，能够辅助甚至部分替代某些认知过程。

知识生产工具的变革也推动了知识创造的民主化和专业化进程。2024年12月以来，DeepSeek先后发布了开源大语言模型DeepSeek-V3、推理模型DeepSeek-R1，通过创新的训练方法和架构设计，打破了“堆算力、拼数据”的传统路径。这种低成本高性能的技术路线与模型开源的普惠化趋势相结合，正在从根本上改变知识权力结构——知识生产工具不再被少数科技巨头的“闭源”技术所垄断，而是向更广泛的社会群体开放，从而促进了知识创造的民主化进程。与此同时，大语言模型领域出现了专业化与通用化并行发展的局面，通过对特定领域数据精细化训练和知识图谱注入，垂直领域模型在医疗、法律等高专业性领域展现出深度理解能力，使传统“专家系统”概念发生质变，从简单规则的执行者转变为能够进行领域内推理与判断的知识主体，重塑了专业知识的生产和传递机制。

学术研究领域也迎来了深刻变革。2024年以来，大语言模型进入学术生产领域的核心环节。OpenAI、Perplexity和Google Gemini等机构推出了一系列名为“Deep Research”的智能研究助手，同时开源社区也出现了Open_Deep_Research等框架。这些工具构建了完整的知识生产流程，通过动态规划引擎生成研究计划，混合检索系统整合多源信息，渐进式生成机制实现内容优化。这种将大语言模型与外部知识库动态结合的方式，使AI系统从封闭的知识容器转变为开放的知识处理系统，能够不断吸收、更新和整合最新信息。多模态理解能力的发展则使这些系统能够同时处理文本、图像等多种形式的信息，打破了传统知识表征的媒介限制，为知识的呈现与交流提供了更为丰富的表达可能。

三、生成式人工智能驱动下的哲学社会科学研究范式转型

生成式人工智能技术正以前所未有的深度和广度渗透学术领域，推动学科知识生产方式的根本性变革。当代学界对“AI for Research”和“AI for Science”的讨论虽已展开，但多集中于工具层面，聚焦模型如何提升文献检索效率、辅助数据分析和学术写作等技术应用议题，以及讨论幻觉生成、引文不准确等应用挑战。尽管这些讨论具有很强的实践价值，但技术层面的挑战通常会在技术进步过程中得以解决，这使得功能层面的分析会随技术进步而失去解释力。

与自然科学领域相比，生成式人工智能对哲学社会科学的影响呈现出鲜明的学科特殊性，这种特殊性源于哲学社会科学的本质特征——文本（包括数据、文献资料、视觉文本等）作为主要研究对象与表达媒介，人类的社会经济现象作为核心研究内容，学术对话与文本诠释作为知识建构方式。本文希望跳出工具主义视角，从主体、对象和结构三个维度系统考察生成式人工智能驱动下哲学社会科学的范式转型，分析其如何重构文本诠释主体、扩展研究范畴、重塑学术生态结构，从而揭示这一技术变革对学科认识论基础和知识生产方式的深远影响。

（一）诠释主体的多元化：生成式人工智能参与文本解读

哲学社会科学传统上将文本作为主要研究对象与表达媒介，文本阐释与理解构成了知识建构的核心环节。生成式人工智能在文本处理领域表现出的语义理解与生成能力，使其从单纯的工具转变为文本阐释过程的积极参与者，从根本上改变了传统以人类学者为唯一主体的文本解释范式。随着模型能够迅速分析海量文献、识别概念间隐藏关联并构建系统性解读框架，传统人类学者的解释权威正面临根本性挑战。这不仅体现在处理效率上，更表现为模型能提出超越专业局限与认知偏好的新颖解读路径。在某些需要综合分析大量数据的研究领域甚至形成与人类学者平行或超越的解释能力。这种解释主体的多元化不仅改变了具体研究实践，也深刻重构了文本意义生成的认识论基础，重新回答了“谁在解读文本”这一基础性问题。

传统文本诠释过程主要依赖学者个体基于专业知识积累和学科训练进行分析和理解，知识生产呈现明显的个体特征和专业壁垒。生成式人工智能通过对海量文本的语义学习，具备了跨越历史时期、学科领域和语言边界的文本理解能力，能够在极短时间内完成对丰富文本语料的处理和关联分析，彻底改变了传统文本研究的时空限制。例如，在思想史研究中，人工智能技术能够通过语义分析追踪特定概念在不同历史语境中的演变轨迹，识别概念体系内部的结构变化和外部影响因素，为研究者提供宏观视角下的思想演进图谱。这种大规模文本计算分析能力弥补了传统思想史研究中因材料局限导致的视野狭窄问题，帮助研究者跳脱个体文本的微观解读，把握更为宏大的思想发展脉络。

生成式人工智能参与哲学社会科学研究的深层意义在于形成了一种新型的文本诠释模式。当研究者与生成式人工智能围绕文本展开互动时，双方形成了特殊的诠释循环：研究者基于专业背景和研究目标提出问题，模型基于统计学习成果提供阐释和联想，研究者再对这些输出进行评估和深化，从而推动解释向更深层次发展。这种人机协作的诠释模式使文本意义的生成不再局限于人类主体的单向创造，而是在人机互动中动态构建。

值得注意的是，生成式人工智能的诠释能力已拓展至更广泛的符号系统。结合计算机视觉技术的多模态大模型能够对图像、实物和空间结构等非文字符号进行解读，将视觉特征与文化语义关联起来。在考古学和艺术史研究中，模型能够辅助分析器物和艺术作品的风格特征、文化归属和历史联系。这种多模态诠释能力使生成式人工智能成为对整个文化符号体系进行解释的参与者，甚至竞争者。当模型能够在短时间内整合分析大量视觉和文本材料时，人类学者传统的解释权威面临前所未有的挑战和重新定位的需求。

（二）研究范畴的拓展：从人类社会到人机共生形态

生成式人工智能的出现拓展了哲学社会科学的研究范畴。哲学社会科学传统上以人类社会与文化现象为核心研究对象，而生成式人工智能本身正成为这一研究对象的重要组成部分，促使研究视域从单一人类社会拓展至人机共生的混合社会形态。随着生成式人工智能不断融入社会生活各个层面，其作为一种类人行动主体的地位日益凸显，引发了学界对人类社会本质、人机关系演化及未来社会形态的深入思考。学界开始关注“社会科学的人工智能应用”(AI for Social Science)与“人工智能的社会科学研究”(Social Science of AI)这两个相互关联却又各具特色的研究方向。

1.“社会科学的人工智能应用”（AI for Social Science）

哲学社会科学领域长期存在一些方法论和工具层面的局限性问题，这些问题难以在传统研究范式下得到有效解决。大型语言模型技术为研究者提供了处理非结构化数据的新能力，突破了传统统计方法和文本分析工具的限制。研究者可以通过大模型驱动的智能代理之间的互动过程，探索以往难以量化的复杂社会现象和社会变迁模式。跨模态分析和假设性历史场景构建等新方法，也为社会科学研究创造了实验环境，拓展了证据收集与理论验证的可能性。

（1）智能体模拟社会互动

传统计算社会学通常将人类互动简化为数学模型或公式，通过定义有限变量和规则来抽象化社会行为。例如，经典的代理人模型（Agent-Based Modeling, ABM）将个体视为独立单元，用数值参数表示其属性，并通过数学函数（如效用最大化）或概率转移矩阵（如马尔可夫链）预测行为结果。这种方法假设人类互动可以用数值化的“理性选择”概括，而忽略了语言交流、情绪波动和文化语境的复杂性，导致模型解释力受限。生成式人工智能的出现突破了这一局限，通过自然语言处理能力模拟更真实的社会互动。斯坦福大学与谷歌团队开发的沙盒环境部署了25个智能代理，这些代理不仅能基于规则行动，还能通过对话协商资源、传播信息。例如，一个代理提议举办活动，其他代理通过语言讨论参与意愿，最终形成动态社会网络。

大模型在微观社会互动中的应用深化了学界对群体动态的理解。Argyle等学者利用大模型生成模拟人群的语言样本，创建了多个智能代理，通过语言交互模拟政治讨论，发现代理的观点分布与真实人类样本相似，他们甚至模拟出了美国选民的两极化趋势。此外，Galesic等人在模拟系统中分析了群体适应的动态，发现语言驱动的协调机制比传统ABM的随机规则更能反映现实中的集体适应行为。宏观层面上，大模型模拟历史与社会变迁的能力为社会科学提供了新的实验工具。Hua等人将研究视角扩展到宏观历史事件，通过大语言模型模拟了第一次世界大战、第二次世界大战和中国古代战国时期的国家决策与后果。在这些模拟中，每个基于大语言模型的智能体代表一个国家或一国领导人，被编程模仿其历史行为、策略和决策模式。这些智能体在仿真环境中基于历史联盟、冲突、经济条件等相关因素进行交互，并通过改变关键变量或引入新元素来生成动态场景，使研究人员能够探索历史“假设性”情景。

（2）多模态与跨模态技术赋能人文研究

多模态生成式人工智能能够同时理解和处理文本、图像、音频和视频数据，使研究者得以跨越单一媒介的限制。例如，在古籍文献修复与解读方面，多模态融合技术展现出显著优势。敦煌写本研究项目通过红外成像与深度学习模型的结合，实现了对褪色文字的高精度识别与恢复，同时准确还原了纸张材质、墨迹特征等物质性信息，为写本年代判定提供了多元证据。语音与文本的跨模态交互则在古代语言研究中发挥重要作用，研究人员基于音韵学知识与声学模型构建了《广韵》等韵书的发音复原系统，通过多模态特征分析揭示了唐宋时期音变规律的复杂性，为方言地理学和历史语言学提供了新的研究视角。

跨模态检索与关联分析技术为古籍整理与文物研究建立了新型知识发现机制。传统碑刻拓片研究往往依赖研究者的经验与记忆，难以系统化处理大量文献与图像资料之间的对应关系。多模态检索系统通过深度神经网络建立了拓片图像与相关文献记载的语义关联，使研究者能够基于视觉特征检索文献记载，或根据文本描述定位相关图像资料。 DeepSeek推出的Janus Pro等视觉语言模型通过解耦视觉编码路径，将视觉信息处理分为多个独立通道，大幅提升了对复杂文化遗产的理解与生成能力。技术进步进一步催生了跨模态分析能力，能够自动识别不同媒介表达之间的深层联系。研究者借助这些模型可以将唐代诗歌与同期壁画的视觉元素进行关联分析，揭示文学意象与视觉艺术的互动规律，或将少数民族口传史诗的语言特征与其表演仪式的视听要素相互映射，构建更完整的文化理解框架。

2.人工智能的社会科学研究（Social Science of AI）

（1）人工智能系统成为研究对象

生成式人工智能作为类人行动主体本身已成为社会科学重要研究对象，催生了“机器行为学”、“人工智能心理学”和“机器伦理学”等新兴研究领域。传统行为科学聚焦于人类个体与群体行为规律，而机器行为学关注智能系统的行为特征、决策逻辑与价值倾向。MIT Media Lab团队在《自然》发表的研究将AI系统定义为“新型行为主体”，提出需要超越传统算法分析，关注其在复杂环境中涌现的行为特征和决策模式。人工智能心理学则聚焦于智能系统的“心智”特性研究，探索其表征形成、信息处理和类人行为生成机制。

价值对齐是确保人工智能代理追求特定目标的最大化满足人类用户真正潜在目标的核心问题。斯图亚特·罗素（Stuart Russell）将这一目标定义为“确保强大的人工智能与人类价值观保持一致”，而伊莱扎·尤多科斯基（Eliezer Yudkowsky）则从人机关系角度将其理解为“友好人工智能”。价值对齐的本质可分为人类指令、人类偏好和人类价值观三个递进层次，以鲁棒性、可解释性、可控性和道德性为基本原则，并通过向前对齐(训练)与向后对齐(细化)两个阶段实现。

（2）人—AI交互成为研究对象

随着生成式人工智能深度融入日常生活与工作场景，人工智能与人类的共生关系已超越传统人机交互范式，形成了一种独特的混合社会生态系统。这一转变催生了跨越传统社会科学边界的新兴研究领域，该领域关注人与AI之间的协同互动如何重塑认知过程与问题解决模式，同时研究人类社会行为如何随之调整以适应算法参与者的存在。行动者网络理论(Actor-Network Theory)为理解这种新型关系提供了重要框架，该理论将技术实体视为具有能动性的网络节点，与人类行动者共同构成复杂的社会技术网络。从这一视角看，生成式人工智能不仅是技术产物，更是嵌入社会实践中的能动行动者，影响着知识生产、决策制定和权力分配过程。研究表明，在医疗诊断和法律咨询等专业领域，AI系统已逐渐获得类似人类专家的权威性和决策影响力，改变了传统的专业知识权力结构。

在这种新型互动生态中，信任机制的重构成为核心议题。人与AI之间的信任关系呈现出与传统人际信任不同的特性，包括算法透明度、可解释性和性能一致性等维度。研究发现，当AI系统能够提供决策理由和不确定性估计时，用户信任度会显著提升。同时，人类也发展出独特的适应策略与互动模式，如算法规避和过度依赖等认知偏差。在高风险决策情境中，人类往往表现出对AI建议的选择性接受，形成一种动态调整的信任校准机制。这种双向影响构成了人—AI共生生态的核心特征，技术不再仅是被动工具，而是成为认知伙伴与社会参与者，与人类在持续互动中共同塑造社会实践。

（三）学术生态的重塑：知识生产机制与权力网络的变化

从福柯的“知识—权力”理论出发，生成式人工智能参与知识生产已经深刻改变了学术话语权的配置方式。传统学术话语权的形成依赖专业训练、学术资源和制度认证，这种体系既保障了学术质量，也构成了知识生产的准入壁垒。生成式人工智能作为具有广泛知识覆盖的智能系统，能够帮助研究者快速获取专业知识，理解学科话语规范，生成符合学术标准的内容，但客观上也削弱了传统学术训练和资格认证的排他性作用。以就业市场为例，OpenAI的研究表明，生成式人工智能的广泛应用可能影响到美国80%的劳动力，其中19%的工作者面临超过50%的工作内容被AI替代的风险。在哲学社会科学领域，这一趋势尤为明显，例如文献翻译与档案整理等传统文科职业的可替代率高达90%以上。就业市场影响已经传导至学术领域——哈佛大学近期文科项目的关闭潮，反映了全球范围内人文教育资源重新配置的趋势。

当生成式人工智能参与知识生产，学术话语权的分配规则随之改变，同时也带来了新的权力重组——生成式人工智能的开发和控制权集中于少数技术巨头，使学术话语权可能从传统学术精英转向技术精英，形成新型知识垄断。这种权力转移不仅关乎学术资源的分配，更涉及知识生产的价值导向和规范建构。尤其令人担忧的是，技术公司主导的模型发展路径可能优先服务商业逻辑而非学术价值，导致研究方向和资源分配偏离学术共同体的核心关切，形成“研究殖民化”的风险。

生成式人工智能同时催生了跨学科研究方法和知识组织形态的重构。传统学科体系建立了相对独立的概念框架、方法论传统和话语体系，这些边界在促进专业化的同时也限制了知识的流动和整合。大模型通过预训练过程吸收了多学科领域的知识，能够识别不同学科间概念的对应关系、方法论互补性和研究问题的关联点，为跨学科研究提供了桥梁。这种整合能力帮助研究者打破学科壁垒，从多元视角理解复杂问题，形成更为综合的研究框架。例如，在环境学研究中，生成式人工智能可以综合生态学的科学发现、经济学的政策分析和伦理学的规范讨论，促成多维度的综合研究方案。从方法论角度看，生成式人工智能通过实现语义级别的知识关联，超越了传统关键词匹配和引文链接的知识组织方式，创造了更为灵活和深入的跨学科知识整合路径，有助于学界应对日益复杂的现代社会问题。

生成式人工智能在促进知识创造民主化的同时，也引发了算法中心主义的新型风险。一方面，生成式人工智能显著降低了优质知识资源的获取门槛，使边缘群体和资源匮乏地区的研究者能够接触到前沿学术资源，参与全球学术对话；另一方面，它可能形成新的认知依赖和思维路径固化，当研究者过度依赖算法系统进行知识获取和问题解决时，可能弱化独立思考能力和创新意识，导致学术研究的同质化和程式化。更深层次的风险在于，生成式人工智能作为知识中介可能形成“信息过滤器”——其内嵌的算法逻辑和价值取向会筛选并重塑知识呈现方式，对知识生产形成隐性引导，影响研究问题的选择、方法论的采用和结论的形成。这种算法中心主义倾向与学术自主性之间的张力，构成了当代学术界需要深入探讨的关键议题。

四、生成式人工智能时代哲学社会科学的发展路径

（一）机遇与挑战

生成式人工智能技术的崛起正如同数字人文发展历程中经历的每一次技术革新，既是工具的迭代更新，也是认知框架的深层重构。从早期的文本数字化，到计算方法的引入，再到今日的生成式人工智能，技术与人文的交汇始终挑战并拓展着学科边界。生成式人工智能作为这一演进的最新阶段，不仅延续了数字人文一贯的技术与人文间的互动关系，更因其类人理解与生成能力带来了质的飞跃，使得人文研究从单纯的数据驱动转向人机协同创造的新范式。这一技术范式重组了哲学社会科学的认知地图，使研究主体从人类学者作为单一中心转向多元共存格局，研究对象从纯粹人类社会拓展至人机混合生态，知识生产机制从封闭专业体系走向开放协作网络。这种转型超越了简单的效率提升，重新定义了文本如何被理解、社会如何被解释、知识如何被创造，为哲学社会科学提供了重新思考自身本质和发展方向的契机。

然而，生成式人工智能在为哲学社会科学开辟新视野的同时，也带来了一系列深刻挑战，包括原创性缺失、事实性错误、价值观偏差等。生成式人工智能作为基于概率分布的语言预测系统，缺乏对概念本质的真正理解和对事实的独立判断能力，容易产生表面连贯但实质空洞的“伪解释”，同时倾向于复制和强化主流观点，对非典型案例和边缘现象的敏感度不足，难以支持对社会复杂性和特殊性的深入探究。更根本的是，哲学社会科学研究本质上关涉价值判断和伦理反思，而模型缺乏真正的价值意识和伦理主体性，无法进行有深度的规范性讨论。知识生产上，模型依赖已有文本语料进行推断，存在知识陈旧性和循环论证风险，难以实现真正的思想突破和理论创新。在学术独立性方面，技术公司推动的模型发展可能将商业利益置于学术追求之上，造成研究资源和方向偏离学术界的核心关注点，形成“研究殖民化”风险。在学术伦理层面，模型的广泛应用模糊了知识生产的责任归属，挑战了学术共同体的问责机制与评价标准。长期来看，过度依赖技术中介的研究可能弱化学者的批判思维和创造能力，影响学科的自主发展与创新活力。

（二）发展路径

1.认知范式演进路径

生成式人工智能时代的哲学社会科学发展首先需要实现认知范式的根本性转变，从技术工具观向辩证共生观演进。传统的技术观往往将人与技术置于主客二分的静态关系中，难以把握二者复杂的互动本质。认知变革的核心任务在于重构人与技术之间的关系认知，超越将技术视为外在工具的简单理解，确立技术与人文相互塑造、共同演化的动态关系框架。认知范式的转向不仅涉及技术应用层面的调整，更关乎世界观和方法论的深层变革，将为技术与学科深度融合奠定理论基础，决定着知识转型的方向与深度。

深入探察这一认知演进路径，可以辨识出哲学社会科学在本体论、认识论和方法论三个层面的系统性变革。本体论层面的转变尤为关键，技术不再被视为中立的外部工具，而是形塑知识生产的内在元素，成为认知世界的有机组成部分。认识论视角下，技术与人文的二元对立被打破，形成互构互生的复合认知模式，知识的确定性和权威性受到技术生成特性的挑战。方法论层面的转变则表现为批判反思与创新应用的辩证互动，促进技术理性与人文关怀的有机统一。这种多维度的范式演进将引领学科在保持独立性与批判性的同时，充分发掘技术潜能，有效应对知识的碎片化和表层化风险，开创知识生产的新格局。

2.方法体系重构路径

传统研究方法与数字技术的系统性融合创新构成了哲学社会科学方法体系重构的核心内涵。方法重构超越了单纯工具替代的技术逻辑，指向方法论层面的创新突破。与简单叠加或线性演进不同，真正的方法重构植根于深层反思，旨在构建兼具技术高效性与人文深度性的新型方法论体系。数字技术不仅改变了研究的技术手段，更深刻地影响着问题的提出方式、证据的性质判断和解释的逻辑框架，从而塑造适应数字时代特征的全新学科方法范式。

方法重构的实践路径呈现出多元化的发展趋势。首先，混合研究方法的兴起打破了定性与定量、解释与计算、直观与逻辑的传统二元对立，创造性地整合多元方法优势，形成方法论上的新综合。其次，研究流程的整体重构重新设计了从问题提出到成果呈现的完整过程，不再是简单的技术替代，而是对研究逻辑的系统性重组。这些方法创新不仅提升了研究效率，更从根本上改变了学术探究的认知方式和思维模式，实现了技术手段与人文洞察的有机融合。

学科差异化发展构成了方法重构的另一重要维度，体现出技术应用与学科传统的辩证关系。不同学科基于各自特有的认识论传统和研究对象特性，形成多样化的技术整合模式，既避免了技术应用的同质化，又保持了学科个性。例如，历史学注重史料关联与情境重建，哲学关注概念网络与论证分析，社会学侧重社会网络与行为模式识别，每个学科都在发展符合自身特性的技术应用路径。最终，这种多维度的方法体系重构将为哲学社会科学提供更加灵活而有力的认识工具，创造性地拓展研究边界，开辟学科发展的新空间，同时也对传统方法论提出深刻挑战，促进方法论自身的反思与革新。

3.制度环境转型路径

面对技术变革的深刻冲击，学术制度环境亟需从被动适应转向主动引领，通过系统性创新为学科健康发展构建制度屏障和结构支撑。制度转型不仅是对技术挑战的回应，更是学术共同体主体性的积极彰显，体现着学术系统对自身发展方向的自主把握。传统学术制度往往滞后于技术变革，难以有效应对技术进步带来的跨界挑战和价值重构。学术制度只有通过前瞻性设计，才能塑造技术应用的边界和发展轨迹，确保技术发展服务于学术进步的根本目标和核心价值，而非相反。

学术制度环境的转型呈现出多层次、全方位的系统变革格局。从结构维度看，学术制度环境转型涉及学术评价、资源配置、伦理规范和治理机制四个核心系统的协同革新。评价体系需突破单一量化指标的局限，向多元价值取向转变，建立能够准确衡量技术辅助研究价值的新型标准体系，防止评价标准的技术简化和指标异化。资源配置机制应当告别碎片化投入模式，实现系统性布局，平衡技术效率与学术公平的双重目标，既集中优势资源建设共享平台，又分散支持多样化创新。伦理规范建设作为制度转型的价值基础，需要明确界定技术应用的伦理边界，构建负责任创新的导向系统，应对知识归属、隐私保护和算法偏见等新型伦理挑战。治理机制革新则是制度转型的核心环节，应当强化学术共同体的主体地位，建立学术与技术良性互动的对话框架，防止技术资本主导下的学术殖民化和知识生产异化现象。这种多维度的制度环境转型将为技术与学科的健康融合提供结构性保障，创造有利于学术自主创新的制度生态。

4.学术生态重塑路径

知识生产系统的整体性重构构成了生成式人工智能时代哲学社会科学最具战略意义的发展路径。学术生态重塑不是简单的结构调整，而是知识生产模式的范式性变革，旨在构建具有自组织特性和演化能力的新型学术系统。传统学术生态往往呈现出机械化、碎片化和封闭性特征，难以应对技术时代知识生产的复杂性挑战。学术生态重塑路径超越了前三条发展路径的局部视角，从系统整体出发，追求学术生态的全面重构与创新活化，直指知识生产的组织基础和运行逻辑，形成适应技术时代特征的知识生产新模式。

学术生态重塑在宏观层面展现为四个维度的系统性变革，创造性地回应了技术时代的深层挑战。从主体构成看，知识生产正从单一主体向多元主体网络转变，形成人类学者、技术系统和人机混合体共存互补的复合型知识生产格局。人类学者的角色从知识的唯一生产者转向问题设计者与评价引导者，技术系统则承担信息处理与模式识别功能，人机混合体则创造出全新的认知可能性。互动模式层面，学术活动正从线性固定的程序转向网络动态的复杂系统，通过协同机制实现主体间的高效配合，通过反馈机制形成系统自我调节的能力，通过自组织特性激发系统的创新活力和演化潜能。资源流动维度上，学术系统正突破传统的封闭边界，建立知识、技术和评价资源的开放共享与高效循环机制，降低创新门槛，促进思想的广泛流动和创新碰撞。边界属性方面，学科系统正从刚性封闭走向弹性开放，既保持学科核心价值和方法传统，又促进跨界整合与创新，增强与更广泛社会系统的动态互动。

（三）对策建议

围绕生成式人工智能时代哲学社会科学的发展路径，需在多维度协同下制定具体对策，构建技术与人文深度融合的学科发展新生态。

研究者需在技术与人文的互动中重塑学术实践。研究者应有意识地提升算法素养，既理解模型的技术机制，又能识别其认知偏差和价值预设，在使用中保持批判性警觉。研究者应注重模型应用与学科方法的融合创新，但这种融合必须建立在对研究本质的深刻理解之上，而非简单追求效率与便利。与此同时，研究者的角色需从知识生产者转向知识引导与评价者，将注意力聚焦于提出有意义的问题、设计创新的研究框架，并对模型输出进行深度解析与综合重构，避免研究过程的标准化与同质化。

学术机构在这一转型中承担着基础设施建设与环境营造的重要责任。机构应发展适应学科特性的技术支持体系，包括部署本地化模型、建立专业知识库与文献资源库，创建适合学科需求的应用框架。技术培训需超越操作层面，引导研究者理解模型的认识论含义与方法论价值，培养负责任的技术使用意识。机构还应重新设计学术评价机制，在鼓励技术创新的同时，坚守学术原创性与严谨性标准，防止技术驱动下的学术浮躁。

技术变革也呼唤着学术共同体建立新的伦理框架与治理机制。伦理规范应明确生成式人工智能在学术研究中的使用边界、引用标准与署名规则，解决知识归属与学术责任的划分问题。学术评价标准需要更新，重新定义数字时代的原创性、严谨性与学术贡献。治理机制应确保学术共同体在技术发展方向与应用规范上拥有话语权，防止技术垄断导致的知识生产殖民化。学术共同体还应积极推动跨学科对话，汇集技术、学科与伦理的多元智慧，共同应对人机协作知识生产的挑战，构建更加开放、多元而有活力的学术生态。

社会层面需构建支持学术创新的政策环境，完善知识产权制度，平衡开放共享与创新激励。政府应加大对人文社科数字基础设施的投入，缩小不同地区、机构间的数字鸿沟。教育体系需更新培养目标，将技术素养与人文精神并重，培养具备跨界思维的新型人才。公共传播平台应促进学术成果的广泛传播与社会参与，增强学术与社会的良性互动。产学研协同创新机制将促进技术与人文的深度对话，共同塑造负责任的技术未来。这些社会层面的支持措施将为学术创新创造良好的外部环境，促进技术与人文的协调发展。

生成式人工智能时代的哲学社会科学发展路径，本质上是在技术赋能与人文自觉的互动关系中寻找平衡点。技术既是研究工具，也是反思对象。在这一转型过程中，哲学社会科学需要保持开放包容的态度探索技术可能性，同时坚守批判反思的学术传统，通过创造性转化与创新性发展，构建适应数字时代的新型知识生产范式，实现技术理性与人文关怀的有机统一，开创学科发展的新局面。