近来，人工智能赋能哲学社会科学研究（AI4SS）兴起，既给哲学社会科学研究带来巨大冲击，亦给哲学尤其科技哲学带来诸多理论挑战。从哲学的视角看，究竟应该如何认识AI4SS、定位AI4SS，又应该如何推动AI4SS健康地可持续发展？这是本文试图回答的问题。
一、AI4SS的现状、趋势、问题
鸟瞰AI4SS发展的现状（包括技术基础、应用状况）、问题（或特征），概括出总体的发展趋势，预计AI4SS远期发展的可能性。
可以从研究环节、功能实现、学科门类等不同角度进行总结梳理。应该说，AI4SS的影响已经遍及社会科学研究的各个环节、各个学科门类，主要发挥着5大功能，包括数据处理、模拟实验、内容生成等三大知识生产的内部功能和成果评价、政策运用等两大知识应用的外部功能。
数据处理功能包括相关研究的资料与（多模态）数据的收集、整理/翻译、分类、归纳，文献综述的形成，AI数据处理能力与AI时代的数据丰裕现象相适应、相匹配。
模拟实验指的是用AI模拟社会调查和实验，主要形式是ABM。在个体层面，AI即可以模拟被试，也可以模拟主试。在群体层面，AI可以模拟一定规模的社会运动，最典型的是HAI。模拟实验的目标是生成社会数据和社会事实。
内容生成功能是对社会数据和社会事实进行分析和推理，以完成社会知识的生成，主要包括模式识别、知识推理、生成AIGC内容以及文本输出等。这个功能是如今人文社科杂志最为头疼的功能，主要原因在于无法完全区分个人创作和AI生成。
AI成果评价是将AI用于社会科学评价的各个环节，包括同行评议、期刊评价、科研组织评价和个体评价等。
AI4SS政策运用指的是将AI4SS知识生产的成果应用于社会政策和公共治理领域中，本质上属于智能治理活动的一部分。
二、智能体在认知活动中的定位
从认识论层面反思AI4SS，AI的认识论位置是最为核心的问题。简言之，该问题是：在AI4SS中，AI智能体（AI大模型）是社会科学研究的认识主体吗？
我们的观点是：AI单独不是认识主体，而是与人融合为“混合心智”来作为认识活动的主体，离开人AI非主体。（《非主体：人工智能的定位与治理》《混合心智：AIGC时代认知活动的新主体》）按照这种理解，AI4SS仍然是一种社会科学研究的复杂工具，而非社会科学知识生产的“自动机”——它没有认识的意志、动机和目标。在AI-人组成的混合心智中，人仍然是主体性的根源，AI依附于人之上获得某种随附主体性。
与上述核心问题相关，AI4SS还给哲学认识论提出两个必须回答的挑战：
第一，AI大模型生成的社会科学知识是否是客观的，或者客观性如何？有些人认为，AI4SS知识以大数据技术为基础，掌握海量的社会数据和社会事实——甚至一些人认为，作为AI基础的大数据是“全数据”，能够实现类似自然科学的客观推导，极大地甚至彻底消除传统社会科学的主观性、模糊性的一面。如何看待这种观点？首先，AI4SS并不真正研究社会，而是收集、归纳和整理数据，研究的是“数据中的世界”。把世界等同于数据中的世界，是认识论数据主义最根本的主张。其次，AI4SS出现的错误如AI幻觉，与人类在认识活动中受到主观性干扰出错不同，本质上是统计学预测模式的缺陷，而非类人的主观性干扰。
第二，AI4SS是一种社会科学研究的新范式吗？为什么？如果AI是“另一种主体”，AI4SS必然是新范式。如果AI仅仅是AI-人组成的混合心智，称AI4SS究竟意味着什么？我们归纳针对该问题的看法，认为AI4SS仍然是计算社会科学、数据社会科学发展的新阶段，难以成为库恩意义上的新范式。
与之相关的问题是，AI4SS能实现统一科学的理想吗？即以AI-数据为基础，能否将所有人类科学都变成数据科学？这种想法与逻辑实证主义的统一科学主张有很大的不同。
三、牢记AI4SS方法论的有限性
从方法论层面反思AI4SS，方法论的有限性是最为核心的问题。对AI4SS方法论有限性的分析，意味着划定AI4SS在社会科学知识生产中的边界。
在社会科学知识生产的内部活动中，AI4SS主要作用于数据处理、模拟实验、内容生成三个方面，均存在无法避免的方法论有限性问题。
在数据处理方面，这些问题包括：随机鹦鹉与AI幻觉，数据毒性与质量，数据隔绝与数据孤岛，数据的文化性与地方性（不同文化和地方同一社会现象数据不同，并没有普遍性结论）。
在模拟实验中，社会模拟器有4大有限性：1）模拟实验本身的有限性。AI模拟实验属于数学模型实验的一种，带有模型实验的局限性，AI并没有改变这种情况。2）模拟人的行为主义迷思，即人不可能完全数学模拟；3）环境模拟的不可能性，及环境尤其是文化环境过于复杂，无法完全数字孪生；4）社会实然与应然的复杂关系，即社会模拟器无法解决社会未来应然发展方向的稳定，社会模拟器知识习惯性地维持现状和趋于保守。
AI生成社会科学知识存在的问题包括：AI偏见，AI谄媚，AIGC的意识形态性，知识产权问题等问题。在AI内容生成过程中，大模型会进行数据挖掘（模式或关联性识别）、推理、预测。从数据挖掘、数据推理、数据预测方面，可以分析AI4SS内容生成的有限性。
从本质上说，AIGC是统计学的语元（token）排序，而不是对真实社会的理解或说明。网上所有的社会科学相关数据，是AI4SS内容生成的基础。总体上说，这些数据良莠不齐，各种阴谋论盛行，因此用AI直接生成社会科学知识的质量非常可以。并且，这些网上数据并没有客观性，以它们为基础的AIGC何来客观性呢？
四、警惕AI4SS应用的社会风险
从价值层面反思AI4SS，绕不开AI4SS知识应用的两大外部功能形式，即1）成果评价（即AI用于社会科学评价）和2）政策运用（即AI4SS成果用于社会治理，这属于技术治理中的智能治理），在这两方面都存在不少的价值、伦理和风险问题。
第一，AI用于社会科学评价，对于当前科学社会建制的健康发展非常关键，也牵涉到学术期刊改革、学术道德坚守、社会科学奖励等一系列AI伦理或AI研究（AI Studies）的复杂问题。
大家容易关注的是：1）AI赋能学术成果的同行评议peer review。比如，预评审：筛选与匹配的智能化，包括案头评审，审稿人匹配；评审中：从评分到意见的生产，包括同行评议，元评审；后评审：影响力评估与成果推广，包括影响力分析，推广增强。实际上，AI对社科评价的助力，还可以深入到2）期刊评价3）科研组织评价4）研究个体评价当中去。这些工作以前主要有科学计量学来讨论，AI发展对科学计量学有重要的促进作用，值得深入研究。
第二，在AI4SS政策运用问题中，有两个问题必须讨论：1）HAI的政策运用，涉及到智能治理和超级智能；2）智能决策支持系统IDSS问题，涉及到DSS最新进展。
这两个方法都是决策支持方法，而非决策替代选项。但是，在技治社会中，后者往往发生，导致巨大的风险。换言之，决策者和政策制定者对AI过于相信甚至崇拜，导致各种问题。
DSS是20世纪70、80年代那一波AI热中的拳头产品，主要针对半结构化决策问题而设计。随着GAI的出现，DSS又被赋予新升级的可能。一般而言，DSS由语言系统、问题处理系统和知识系统三个部分组成。GAI起码可以在1）用自然语言人机互动和2）提高更强大的推理能力上提升DSS的能力，使之成为IDSS即智能决策支持系统。
有人认为，DSS能力指标中数据分析能力最为重要，因而数据挖掘技术非常重要。数据挖掘技术涉及数据库、AI、机器学习、神经计算和统计分析等多种技术，是AI的重要基础。基于agent的IDSS也是当前的热点。知识、目标和能力是agent本身的三项最重要指标。
而前者，即HAI的政策应用。我们在多篇文章中进行过深入讨论，如《AI时代人的机器化忧思》《超级智能的超级隐忧》《超级人工智能的科技伦理治理》《智能治理的哲学反思》等论文。相对于AI文明危崖的担心，我个人更为担心的是人的机器化。我认为，AI时代最大的问题不是机器人变成人，而是人变成机器。
五、积极推进AI4SS的健康发展
经过上述分析和讨论，为推动AI4SS健康而可持续地发展，我们可以提出哪些针对性的建议呢？
我们的建议包括理念原则层面的建议，也包括在理念原则指导下的具体措施建议。总的来说，我们的观点属于我们提出的有限人工智能理论的一部分。该理论认为，AI发展有所为、有所不为，应该对AI发展道路进行选择、调整和控制，使之有利于人类福祉和社会进步。为此，有限AI进路主张非主体、去道德的基本主张。
在理念层面上，我们至少认为，1）AI对于社会科学研究而言，始终是有力的新型工具，极大地提高社会科学研究的效率，但并不能统一社会科学的研究范式，或促动社会科学研究范式变革。2）作为社会科学研究的多元进路之一，AI4SS要更好地发挥功能，最重要的在于AI赋能而非替代研究者，即1）区分好人类环节与AI环节的分工，2）融合好人类能力与AI能力，形成人机知识共创的新模式。3）反对AI崇拜与AI4SS迷信，牢记AI4SS的有限性，努力用好AI4SS，为增进社会福祉和人类利益服务。
在上述理念的指导下，结合当前AI4SS发展的现状和趋势，我们将提出一些更为具体的建议。比如，打破学科壁垒，尤其是文理对立，按照问题逻辑来组织社会科学研究和人才培养。
合作者需要把我所有AI4SS相关的言论、论文收集起来仔细研读，系统地把握我的立场和观点，尤其注意以审度的态度看待AI4SS的发展。
