内容提要：随着人工智能深度融入科研全流程，科学研究正经历从数据密集型向智能密集型的范式跃迁。本文系统探讨了人工智能引领科研范式变革的深层逻辑。本文认为，不同于数据密集型对海量数据相关性的依赖，智能密集型科研以高水平模型为核心驱动力，实现了从“研究者主导的线性验证”向“人机协同的并行搜索”的转换。在结构层面，人工智能通过重塑科研主体认知分工、构建动态协同的研究网络、转化数据为模型资源以及重构证据秩序，实现了对科学发现机制的重组。面对模型幻觉与可重复性危机等挑战，本文提出构建适应智能密集型科研的治理框架，推动科研组织方式从个体化向组织化、平台化转型。

关键词：人工智能　科研范式　智能密集型科研　科学智能

当前，新一轮科技革命和产业变革深入发展，人工智能作为战略性、引领性技术，正在深刻重塑全球创新格局与知识生产方式。习近平曾在2019年指出，人工智能是引领新一轮科技革命和产业变革的重要驱动力，正深刻改变着人们的生产、生活、学习方式，推动人类社会迎来人机协同、跨界融合、共创分享的智能时代。[1]这一战略部署不仅强调技术突破和产业升级，更从国家治理和现代化建设全局高度，提出要以人工智能赋能科技创新体系重构，推动形成支撑高质量发展的新型创新范式。《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出，要加快发展新一代人工智能，深入推进数字中国建设，以人工智能引领科研范式变革。在“十四五”规划收官与“十五五”规划前瞻布局的关键交汇期，如何理解人工智能对科学研究活动结构性变革的深层影响，已成为亟须系统回应的重要命题。

从历史维度看，科学研究范式的演进始终与技术条件和认知工具的变迁密切相关。实验科学的形成奠定了近代科学的实证基础，计算机与信息技术推动科学进入以计算模拟为特征的第三范式，而大数据技术催生了以数据密集（data-intensive）为核心的第四范式科学。在这一阶段，科学发现日益依赖海量数据的采集与统计学习方法的应用，相关性分析成为重要的知识生成路径。然而，数据密集型范式并未从根本上改变科学发现的基本逻辑结构：问题的提出仍主要源于人类研究者的理论直觉与经验判断，假设构建与机制解释仍以人为中心，技术工具更多是承担辅助分析与加速计算功能（见图1）。

然而，随着大规模预训练模型、深度学习与生成式人工智能的发展，人工智能在科研中的作用正在发生实质性变化。它开始参与候选问题生成、研究路径筛选、证据组织和推断生成等认知性环节，形成新的人机协同知识生产结构。正是在这一意义上，当前科研活动已初现由数据密集型向智能密集型（intelligence-intensive）演进的趋势。所谓“智能密集型”，并不只是指人工智能应用范围的扩大，还包括高水平算法模型、算力基础设施与智能系统逐步成为科研活动中的关键资源，并对问题生成、证据组织、推断形成和验证复现等环节产生联动性重构。由此，值得追问的已不再是人工智能能否提高科研效率，而是它是否正在改变科学发现本身的结构方式。

现有研究关于人工智能与科学研究关系的讨论，大多集中于科研自动化、文献挖掘、实验优化和辅助写作等应用层面，重点关注人工智能如何提升科研效率、拓展技术能力和改善资源配置。相比之下，对于人工智能是否引发了科学发现逻辑的结构性变化，这种变化通过何种机制发生，以及其成立需要何种证成条件与治理条件，现有研究仍缺乏系统的理论说明。尤其是在生成式人工智能不断介入知识生产的背景下，模型幻觉、伪引文、机制误推、过程黑箱化以及责任边界模糊等问题，已经表明人工智能进入科研过程所带来的并不仅仅是能力增益，同时也伴随着知识可靠性、学术规范性与制度可问责性的挑战。如果不能从“发现-证成”联动结构出发，对这些变化作出理论辨析，那么所谓“智能密集型科研”就很容易停留在技术想象层面，而难以成为具有稳定知识效力的科研范式。

基于此，本文将“科学发现逻辑”界定为贯穿问题生成、证据组织、推断形成、验证复现以及知识表达传播的“发现-证成”联动结构，并据此提出“从数据密集到智能密集”的范式跃迁命题。本文认为，人工智能对科研活动的深层影响，不在于单纯提升研究速度和处理规模，而在于推动科研链条由以人为中心的线性结构，转向生成-筛选-验证相互交织的并行结构，并进一步重塑人机认知分工及知识证成方式。

一、文献述评

“范式”不仅指一套方法工具，更指一整套共同体认可的研究问题、证据标准与解释规则。经典范式理论由库恩（Thomas Kuhn）提出，强调“常规科学-危机-科学革命”的结构性更替，使我们能够将人工智能介入科研理解为一种从认识论到方法论，再到组织形态的联动变化，而非单点技术替换。[2]

在格雷（Jim Gray）的第四范式框架中，数据获取、存储与计算能力的跃迁，使科学发现逐渐演化为数据密集型过程。[3]但数据密集并不必然带来稳健解释：以拉泽尔（David Lazer）等人对“谷歌流感趋势”失败的反思为代表，[4]研究共同体逐渐意识到：当指标漂移、平台机制变化与选择偏差叠加时，“大数据”可能放大系统性误差而非降低不确定性。

近年来生成式人工智能与基础模型兴起，使科学活动出现更激进的结构变化：模型从“拟合数据”转向开始参与“生成假设、提出候选解释与设计实验／仿真”的链条；有研究已经关注科学研究从数字化向智能化的跨越，强调人工智能对科研全链条的重构及人机协同的制度化需求。[5]讨论“从数据密集到智能密集”的关键在于人工智能如何重构科学发现逻辑，以及这种重构的证据强度、方法论争议与治理边界。

（一）理论与方法演进

从方法史看，“智能密集”的新意不在于更复杂的模型，而在于发现流程的中心从数据转向模型与工作流：在数据密集中，研究者主要在既有数据与统计方法框架内提出假设并检验；[6]而在智能密集中，基础模型与自动化系统进入“提出问题-构造数据-生成解释-再检验”的闭环，形成生成与检验并行的新常态。[7]

在计算社会科学领域，这一演进可大致概括为三条相互缠绕的路径。第一条是“文本即数据”的扩展：从社交媒体与政治文本的自动化测量，[8]到更系统的主题模型与实验结合，[9]文本分析逐步从辅助描述走向“理论变量测量工具”。第二条是机器学习与因果推断的耦合：以阿塞（Susan Athey）与因本斯（Guido Imbens）为代表的异质性处理效应估计（heterogeneous treatment effects，HTE），[10]以及切尔诺祖科夫（Victor Chernozhukov）等人的双重、去偏机器学习（double/debiased machine learning），[11]使研究者在高维混杂控制下仍可进行可识别的推断，同时也引爆了“预测-解释-推断”边界的长期争论。第三条是“自动化科学”与“人工智能参与认知”的萌芽：罗斯·金（Ross King）等人提出的“机器人科学家”[12]早已展示自动提出假设并执行实验的可能，但当时仍主要依赖任务化系统；基础模型时代则将这种可能推广为更通用的智能基础设施。[13]

这一谱系提示：所谓“智能密集”，至少应包含三层含义。其一，研究对象与数据生成机制更强烈地嵌入平台与模型；其二，方法从“统计学习”向“生成式建模＋行动系统”扩展；其三，证据标准从“单次估计与显著性”进一步走向“工作流可审计，模型可追责，跨环境稳健性”。

（二）人工智能对科学发现逻辑的重构

在数据与方法层面，研究流程由“可得数据＋工具箱扩展”转向“模型-数据共生产＋工作流重组”。第四范式强调数据规模与多源融合，但生成式模型使数据不再只是被动输入，而成为可被合成、增强、仿真与反事实构造的对象。例如，使用大语言模型（large language model， LLM）生成合成训练数据以缓解稀有类别标注困难，[14]或以语言模型模拟特定人群回应分布。[15]这在降低成本的同时引发了新的测量危机：当数据部分由模型生产时，研究者必须额外证明“测量的构念效度”与“分布外稳健性”，否则就可能出现“用模型解释模型影子”的循环论证。科里内克（Anton Korinek）将生成式人工智能对研究的影响概括为从选题、写作到编码与数据分析的多场景嵌入，[16]意味着方法论的内涵已从统计模型的选择扩展到对“人-模型-工具链”协作方式的重新编排。人工智能在自然科学领域通过提出候选结构、控制系统、加速搜索而改变发现方式。在社会科学中则表现为文本标注可由提示词驱动的模型推断替代部分人工编码，理论抽象可被提示工程转译为可操作的测量规则，模型还能反向推动研究者对概念边界作出更精确定义（例如“立场”与“情感”的区分及方法选择）。

在假设与推断层面，研究逻辑由“演绎优先”和“因果-预测二分”转向“生成-检验并行”和“因果-生成混合”。传统科学研究强调理论驱动的假设提出，但人工智能系统擅长在高维空间中生成候选模式与关联，这会推动研究更频繁地采取溯因（abduction）与再演绎检验的循环。进入生成式人工智能时代，假设生成的门槛进一步降低，但也更容易诱发“叙事幻觉”：模型能生成看似自洽的机制解释，却可能缺乏可验证的识别策略与可重复证据，这使得识别假设与探索性分析的区分，以及多重检验控制变得更为关键。[17]机器学习与因果推断的结合已形成成熟路线，在一定条件下支持可识别的因果推断。生成式人工智能带来的新变量在于：它既能作为高维控制，表示学习工具，[18]也能生成反事实文本与情境，从而在“反事实构造”层面介入推断。其风险在于把“语言反事实”误当作“世界反事实”：社会科学的因果解释必须处理制度约束、选择机制与外部效度，模型生成的反事实若未嵌入明确的因果图与识别假设，可能只是更精巧的相关性叙事。

在解释与可重复性层面，相关标准由“模型解释”转向“解释的治理化”，由“复现计算”升级为“复现智能工作流”。在高风险决策场景中，鲁丁（Cynthia Rudin）批评“用事后解释粉饰黑箱”的路径，主张优先使用可解释模型；这一争论在人工智能介入科学发现时转化为：我们需要解释的不仅是模型输出，还包括模型在研究流程中扮演的角色、依赖的数据与偏差来源。[19]换言之，可解释性从技术属性逐渐治理化：要求研究报告披露模型版本、提示词策略、评估集与失败案例，并将解释作为可审计责任链的一部分。在可重复性议程上，罗杰·潘（Roger Peng）将可重复性视为计算科学最低标准，[20]史达顿（Victoria Stodden）等人进一步提出计算方法披露的原则与机制；[21]与此同时，“FAIR原则”[22]从数据治理角度强调研究数据、算法、工具与工作流的可发现（findable）、可访问（accessible）、可互操作（interoperable）与可重用（reusable）等特性。但是，智能密集时代出现了新的复现困难：闭源模型的内部不透明、服务端版本的静默更新、采样过程的随机性，以及输出对提示词的高度敏感性，使得“同一研究在不同时间或账户上能否获得同等输出”成为问题。因此，可重复性需要升级为“工作流可追溯”：包括模型调用记录、参数与版本锁定、审计日志，以及在可能时使用开源模型、开放评测基准。[23]

总体来看，现有关于人工智能与科学研究关系的讨论，已经从早期聚焦于数据处理、计算加速和自动化分析的“技术赋能”视角，逐步转向对知识生产方式变动的关注。人工智能正在深度嵌入科研活动的多个关键环节，不仅提升了文献处理、模式识别、结构预测和实验执行等方面的能力，也开始进入问题发现、候选生成、机制推断和模拟推演等更接近科学发现核心的过程。由此，学界已经意识到，人工智能对科学研究的影响，已不限于工具层面的效率增量，而可能触及研究流程、证据标准和知识形成方式的更深层变化。

不过，现有研究仍存在几个方面的不足。其一，关于人工智能如何改变科学研究的讨论，仍较多停留在应用场景展示和方法性能比较层面，对于其是否以及如何重构科学发现逻辑，尚缺乏系统性分析。其二，不少研究虽已涉及自动化科学、生成式模型、复杂系统模拟和社会仿真等新现象，但对于问题形成、证据生成、解释验证与知识证成之间的内在关联，仍缺乏贯通式讨论，导致相关认识往往停留于某一局部环节。其三，现有文献对于人工智能参与科研所带来的治理、复现和可解释性问题已有初步关注，但多从伦理规范或应用风险出发，较少将这些问题放回知识生产过程之中，讨论其如何成为科学证成条件本身的一部分。其四，不同学科之间在证据形态、验证标准和方法风险上的差异，尚未得到充分辨析，尤其缺乏对自然科学与社会科学中人工智能介入科研链条差异化影响的比较性分析。

基于此，本文不再将人工智能简单理解为科研活动中的一种新工具，而是将其置于科学发现逻辑重构的视野中加以考察。本文试图回答三个相互关联的问题：相较于数据密集型科研，智能密集型范式增加了哪些关键环节与能力维度？这些能力增量如何引发科研活动链条的结构性重排？以及，在何种制度与治理条件下，这种重排能够生产可证成的知识，而非仅仅制造形式上流畅却实质上不可靠的“伪知识”？围绕这些问题，本文将从科学研究作为复杂适应系统的视角出发，把科学发现理解为一种受系统条件约束的搜索机制，并进一步从搜索机制、认知分工和证成治理三个层面，分析人工智能推动科研活动由“数据密集”走向“智能密集”的内在逻辑与边界条件。

二、科学发现逻辑重构的分析视角

（一）从“科研流程”到“发现-证成”结构

所谓科学发现的“逻辑”，强调的不是线性步骤本身，而是不同环节之间如何衔接，何种候选被保留，何种证据被认可，何种结论能够进入共同体知识体系的运行规则。正因如此，判断人工智能是否引发了科研范式变革，关键不在于其是否提高了单点效率，而在于它是否改变了这套“发现-证成”结构的组织方式。

与此相关，可以将“数据密集型科研”界定为：以大规模数据获取、多源数据整合和统计关联识别为基础条件的知识生产方式。[24]在这一范式下，技术系统显著拓展了科研活动的信息规模和观测能力，但研究问题的提出、解释框架的建构和证据边界的判定，仍主要由人类研究者主导。相应地，“智能密集型科研”与前者的根本差异，不在于数据更多或工具更强，而在于人工智能是否从辅助分析工具转变为发现过程的深度参与者。

据此，本文所谓“从数据密集到智能密集”的转变，意味着科研活动将从围绕既有问题提升数据处理效率，进一步转向对候选问题、候选解释、候选证据与候选路径进行大规模生成、筛选与验证。由此，智能密集型科研的兴起，也推动了科学研究基本结构的重新表述。

（二）科学研究作为复杂适应系统

如果我们仍将科学研究理解为研究者个人主导的线性活动，就难以解释人工智能深度嵌入科研全过程之后所产生的结构性变化。因为在现实中，科学研究从来不是孤立个体的思维活动，而是一个由多类行动者、信息流、资源约束和制度规则共同构成的动态系统。[25]科研活动如何展开，既取决于研究者的理论判断，也取决于数据与模型如何流动，算力与平台如何分配，同行评审与学术规范如何筛选。因此，本文将科学研究界定为一个复杂适应系统：在这一系统中，多主体互动、信息网络、资源配置与规范激励共同塑造知识生产的方向、速度和边界。

这一界定的意义，在于将科研范式理解为一种整体性结构。范式变革不仅是研究工具箱的更新，更是科研活动在组织逻辑、知识发现路径、质量控制方式与责任边界上的联动变化。主体、网络、资源与规范四个维度表明，科研活动始终嵌入由行动者结构、信息流动方式、基础设施供给与制度约束构成的系统条件之中，方法选择只是其中的一部分。由此，这四个维度构成一套相互关联的分析框架，用于揭示科学发现对系统条件的依赖，以及人工智能如何沿着这些条件进入科研过程并重塑科研链条。

进一步看，人工智能之所以可能引发范式层面的重构，也正是因为它同时作用于这一系统的多个维度：它改变了行动者的能力分布，重组了信息网络的流动路径，强化了资源配置的基础设施效应，也放大了规范与治理在知识证成中的重要性。当生成能力、协同能力和平台化能力迅速提升，而验证能力、治理能力和制度适配未能同步增强时，科研系统就可能出现“高产出但低可信，高扩散但弱证成”的结构性失衡。因此，人工智能时代的科学发现逻辑，必须在系统层面而非单点工具层面加以把握。

（三）科学发现逻辑作为受约束的搜索机制

我们可以认为科学发现逻辑本质上是一种受约束的启发式搜索（heuristic search）机制。[26]这里所谓“搜索”，并不是日常意义上的信息查找，也不是狭义上的算法寻优，而是指科研系统在大量可能的问题、解释、证据与方法路径之间，持续提出候选、比较候选、淘汰候选，并将少数更具潜力的路径推进为可证成知识的过程。之所以使用“搜索机制”这一表述，是因为“提出假设-验证假设”的线性叙述难以解释为何某些问题会被持续追踪，某些解释会快速扩散，某些路径会被共同体优先保留，也难以解释当模型、算力与数据条件发生变化时，科研活动为何会呈现出系统性的结构重排。

从这一视角出发，科学发现首先不是对既定答案的求解，而是对多重可能性的持续筛选。科研活动面对的从来不是单一而确定的对象，而是一个不断扩张的候选空间：哪些问题值得提出，哪些变量值得关注，哪些证据可以支撑解释，哪些方法能够提供稳健推断，哪些结果具有传播价值，均需要在不确定条件下被逐步识别和压缩。因此，科学发现并非一次性推出真理，而是在有限时间、有限资源和有限认知条件下，把开放的可能性集合转化为可检验、可复现、可被共同体接受的知识成果。也正是在这个意义上，应当把“发现”与“证成”理解为同一搜索机制中的前后衔接环节，而不是彼此割裂的两个过程。

科学发现中的搜索过程并非在真空中展开，而是始终受到系统条件的持续形塑。无论是问题由谁提出，候选如何生成，证据如何整合，还是哪些路径能够被保留并进入共同体知识体系，都不是自由展开的过程，而是深度嵌入组织结构、资源配置、信息流动与规范筛选之中。正因如此，科学发现不能被简单理解为研究者围绕既定假设展开的线性活动，而应被理解为在特定系统条件约束下，对问题、解释、证据与方法路径进行持续生成、筛选和保留的搜索机制。

据此，人工智能对科学发现逻辑的影响，其意义也超越了搜索速度的提升，进一步体现为搜索发生机制的改变。在数据密集型阶段，搜索机制的主要变化体现为数据规模扩张、相关性识别增强和候选线索来源的外延扩展，但关键判断仍主要掌握在人类研究者手中；而在智能密集型阶段，模型开始进入候选问题生成、解释框架提出、证据组织和路径筛选等关键环节，从而使科研链条由相对线性的“先提出，后检验”模式，转向“生成-筛选-验证”交织进行的并行模式。于是，科学发现逻辑的核心问题也随之变化：真正稀缺的不再只是数据获取与计算的能力，更多还是核验能力、证成能力与治理能力。本文试图构建这样一个理论框架：从复杂适应系统视角理解科学研究的整体结构，以受约束的搜索机制解释科学发现的运行逻辑，并从主体、网络、资源与规范四个维度揭示这一机制所依赖的系统条件。

三、智能密集型科研如何重构科学发现逻辑

在数据密集型科研条件下，技术进步主要表现为数据获取能力、处理效率与关联识别能力的提升，科学发现的基本结构并未发生根本改变。与之不同，智能密集型科研并不只是将人工智能作为辅助工具嵌入既有流程，而且是使其逐步进入问题生成、证据组织、推断形成与验证复现等关键环节，从而推动科学发现逻辑发生更深层次的结构重组。由此，人工智能对科研活动的意义，已不能仅从效率提升或能力扩张加以理解，而应从科学发现何以生成、何以证成以及何以被共同体接受的整体过程加以把握。

基于这一判断，本文将从搜索机制、认知分工与证成治理三个层面展开分析，考察人工智能如何推动科研活动由线性推进转向并行生成与筛选，如何重塑知识生产中的人机关系，以及如何使知识证成越来越依赖过程可追溯、责任可嵌入的治理机制。通过这三个层面的讨论，我们可以更具体地揭示智能密集型科研对科学发现逻辑的重构机制。

（一）搜索机制重组：从线性检验到并行生成-筛选

智能密集型科研对科学发现逻辑的首要影响，体现在研究搜索机制的变化上。在数据密集型阶段，这一过程虽然已经受益于大规模数据获取和计算能力提升，但整体上仍然遵循“提出问题-构造假设-收集数据-实施检验”的线性路径。智能密集型阶段的不同之处在于，大语言模型及相关智能方法已由服务既定分析任务，拓展至问题发现、候选解释生成、研究设计迭代与验证路径比较等环节，使科研活动逐步呈现出在多个候选方案之间展开比较，在可行路径上不断收敛，并通过持续修正实现动态推进的特征。

首先，研究问题的形成方式发生了变化。在线性检验模式下，问题通常首先由研究者依据理论脉络、经验观察或既有争论提出，再围绕这一问题寻找证据并展开分析。在社会科学实践中，这种方式长期有效，但也容易受到研究者知识背景、材料接触范围和初始设定的限制。随着大语言模型进入研究流程，问题的形成越来越表现为一种“候选问题扩展”的过程。研究者可以利用模型对新闻文本、政策文件、社交媒体内容、访谈材料和历史档案进行快速梳理，识别其中反复出现但尚未被明确概念化的议题结构、群体差异或叙事断裂。例如，在研究平台治理、公共舆论或政策执行时，模型不仅能够提高文本归纳和主题提取效率，更重要的是能够帮助研究者在大规模异质材料中发现原本不易注意到的异常模式、变量关联和潜在线索，从而把问题提出由“单一设问”推进为“候选问题集合的比较与筛选”。这意味着，研究的问题不再完全来自研究者事先设定的假说，而越来越表现为理论判断、材料结构与模型生成共同作用的结果。

其次，研究搜索的对象与推进方式同步发生变化：搜索对象由“验证既有假设”扩展为“比较多种解释路径”，推进方式则由单一线性流程转向并行试探与动态迭代。在传统研究设计中，计算方法往往主要用于检验研究者已经提出的关系假设，例如变量之间是否存在显著关联，政策变化是否带来行为差异，文本特征是否能够预测某类社会结果。智能密集型方法则在一定程度上拓宽了这一搜索空间。以大语言模型辅助计算社会科学研究为例，它既可以用于开放式文本编码、概念归纳和变量构念生成，也可以在研究设计阶段帮助研究者比较不同操作化方案的可行性，识别哪些解释链条更值得继续推进。再如，在处理复杂社会过程时，研究者不必只围绕单一理论模型进行验证，而可以借助模型生成多个可能机制，再结合现实数据、领域知识和规范判断，对这些机制进行筛选。这样一来，搜索对象就不再局限于某一假设是否成立，从而扩展为哪些解释路径更具可检验性，哪些变量关系更具有机制意义，哪些研究设计更能有效连接理论与材料。社会科学研究本身就具有方法复合的特点，既要处理现实世界中的海量行为数据和文本材料，也需要借助模拟、仿真与实验手段理解复杂社会过程。在这一背景下，人工智能的重要作用不只是“替代”某个分析步骤，而且使不同研究路径能够更快并行展开。由此形成的研究过程，呈现为现实数据分析、模型生成、模拟推演与研究者判断之间持续往返、相互校正的迭代机制，线性推进的阶段边界也随之弱化。

过去，研究设计往往在正式分析之前就被相对固定下来；而在智能密集型条件下，研究设计可以随着模型输出和材料反馈不断微调。比如，在进行访谈资料整理或舆情文本分析时，研究者可以先让模型生成初步编码框架，随后依据学科概念和研究目的进行修订，再将修订后的框架重新投入材料分析之中，形成多轮迭代；在进行政策比较研究时，模型也可以帮助研究者快速测试不同的分类口径、时间窗口和样本边界，进而提高研究方案优化的效率。这类方法的意义，不仅在于节省时间，更在于让研究搜索从一次性确定路径转向多轮生成、比较和收敛的过程。

（二）认知分工重组：从工具辅助到人机协同决策

1. 知识生产中间认知任务的外移

认知分工重组首先表现为知识生产中间认知任务的外移。所谓“中间认知任务”，是指位于研究问题提出与最终结论裁定之间，对科研推进具有关键支撑作用的一类工作，包括文献压缩与知识综合、候选机制归纳、变量和指标线索提取、研究方案比较、技术路径搜索以及初步解释框架生成等。在数据密集型阶段，这部分工作仍主要由研究者完成；而智能密集型阶段的变化，在于模型开始稳定承担其中相当一部分功能。

这一变化的重要性在于，它已深入科研活动的核心环节，直接触及知识形成过程中的“中段组织能力”。在传统研究中，研究者不仅要提出问题和解释结果，还需要亲自完成大量“搭桥性”工作：将分散文献压缩为可操作的知识背景，将复杂材料转化为若干可比较的候选路径，并在不同解释之间反复权衡其可检验性与展开成本。这些工作往往不直接以“创造性发现”的形式呈现，却决定了科研活动能否从一个模糊设问推进为一条可实施的研究路径。正因如此，中间认知任务的外移并不是简单意义上的效率替代，而是科研链条内部认知负担的一次重新分配：原本只能依赖研究者个体经验完成的若干组织性工作，开始可以由模型系统在更大规模的信息空间中并行处理。

从目前的发展情况看，具有较强模式识别、信息压缩和组合搜索特征的认知任务率先发生外移，最终判断则仍主要由研究者承担。大语言模型能够在大规模文献中快速提取主题、识别概念关联并生成结构化摘要；在此基础上，模型还可以围绕既定研究目标提出若干候选变量、机制线索和分析方案，帮助研究者在更大范围内搜索可行路径——可以将这类能力概括为科学研究中的研究副手（copilot）[27]功能。

中间认知任务之所以能够发生外移，与其任务性质本身有关。与问题意义的界定或结论有效性的裁定不同，这类任务通常具有较强的可分解性和程序化特征：其核心不是作出最终价值判断，而是在有限时间内尽可能扩大候选空间、压缩信息噪声并生成若干可供继续筛选的方案。模型在此所体现的优势并不来自独立的学术立场，而在于其能够在同一时间范围内处理规模远超个体研究者阅读与比较能力上限的文本、数据和规则信息，从而将科研过程中的资料汇聚、结构整合与多方案比较等环节前移并显著加速。

更准确地说，智能密集型科研所带来的变化，是把原来高度内聚于研究者个体身上的一部分中段认知劳动，从“必须亲自完成”转为“可以借助模型扩展完成”。因此，这里的“外移”并非彻底转让，而是一种功能解构：模型负责扩大候选范围，提高比较速度，形成初步结构，研究者则在此基础上继续进行概念修整、经验核验和学术整合。正是这种功能解构，使科研活动中的认知劳动不再被理解为一个不可拆分的整体，而开始被组织为不同层次、不同性质的任务集合。这个变化本身，就构成了从工具辅助走向人机协同决策的前提。

2. 科研流程的迭代化

认知分工的重组所带来的影响，更深层的变化体现在科研流程结构的调整。传统研究流程通常具有明显的顺序性：研究者提出问题并界定概念，继而组织材料、选择方法、实施分析，最后回到解释与写作环节。在智能密集阶段，模型系统持续参与材料整理、候选生成、路径比较与局部验证，使问题形成、方案设计、分析执行与解释修正之间的关系逐渐由线性衔接转向循环互动。研究过程更多表现为在生成、筛选与修正之间反复往返，通过多方案比较与持续反馈实现逐步收敛。科研活动因此不再主要依赖一次性设计与单线推进，而是在动态调整与持续比较中形成相对稳定的解释框架。

这种迭代化首先体现在研究设计由预先封闭转向过程开放，并在研究推进中持续调整与修正。以大语言模型辅助文本标注和计算扎根为例，过去研究者往往需要先在小样本基础上形成初步编码框架，再将其扩展到更大规模材料之中；编码方案一旦确定，后续分析通常围绕该框架展开。模型介入后，研究者可以先让系统对大规模文本进行初步归类、摘要和概念聚合，再依据研究目的与领域知识修正标签边界，补充例外类型，并将修订后的框架重新投入材料处理之中。这样一来，编码不再只是资料整理的前期步骤，而成为问题界定、概念修整和理论抽象不断往返的中间环节。[28]换言之，原本相对固定的“先编码，后分析”流程，开始转变为“初步标注-人工修订-再标注-再抽象”的多轮迭代过程。其关键变化不在于标注更快，而在于研究设计本身因此获得了持续调整的可能。

其次，流程迭代化还表现在现实数据分析与模型生成推演之间形成了更高频率的往返关系。以利用大语言模型完成硅基样本的模拟为例，研究者并不一定在现实调查全部完成之后，才将模型输出作为补充说明，而是可以在研究初期即利用模型模拟特定群体回应分布，对问卷设计、变量设置和假设方向进行预判，再将这些预判带回现实样本中加以校正。由此形成的研究路径弱化了经验观察与模拟分析之间的先后次序，呈现为现实观测与虚拟推演相互校正、彼此牵引的复合过程。“经验质感”由研究者自身和生成式模型所共同具备。这种多轮迭代要求每一轮生成都伴随相应的核验与收敛，否则迭代就会沦为候选无限堆叠。

3. 决策权的重新配置

认知分工的重组进一步触及科研活动中的决策结构。当部分中间认知任务转由模型系统承担，流程形态由阶段衔接转向循环推进之后，随之而来的问题是：科研链条上不同类型的判断应当由何种主体作出，在何种条件下作出，以及相应责任应如何界定？随着人工智能开始承担部分认知与决策功能，介入问题生成、候选方案提出、证据整合和解释组织等环节，科研中的“判断”已不再是单一主体连续完成的整体，而开始分化为不同层次、不同风险和不同可替代性的决策类型。

部分局部性、程序性和可回退的决策，正在越来越多地转移给模型系统承担。这类决策的共同特征在于：一是可以被明确表述为相对清晰的任务目标；二是允许在多个候选方案之间快速比较并反复修正；三是即使判断失误，也通常能够通过后续核验加以纠偏。比如，在文本大数据研究中，初步标签划分、主题聚类和样本预筛选往往并不直接决定研究结论，却会显著影响研究的推进速度与搜索范围；在模拟研究中，规则组合、参数初设、路径预演和候选机制测试也更适合由模型在较大搜索空间中先行展开；在问卷设计、访谈提纲优化中，模型同样可以承担方案生成与局部比较的功能。这里发生的，并不是类似医师处方权的“结论权”被机器接管，而是大量原本由研究者亲自完成的局部判断，开始转化为可以由模型先行处理，再由研究者复核的技术性决策。也正因为如此，人工智能在科研中的作用开始超出传统工具意义上的执行支持，进入研究路径形成与方法组织的内部环节。

但与此同时，科学研究最关键的决策并未因此失去其人类裁定属性。研究的问题是否为“真问题”，概念的界定是否得当，证据是否足以支撑某一解释，模型的输出是否具有外部效度，结论是否可以进入共同体知识并被后续研究采纳，这些判断都不只是技术层面的选择，而且涉及理论关怀、概念边界、经验充分性和规范责任等更高层级的裁定。尤其是在生成式人工智能条件下，高流畅度输出并不天然意味着高可靠性；一旦事实陈述与证据支撑脱节，引用来源无法追溯，推理过程不可检验，模型所给出的“合理答案”就可能转化为系统性误判，并沿着引用、传播和应用链条不断放大。

决策权的重新配置并不表现为简单的“人让位于机器”，而是表现为科研链条内部出现了分层化的判断结构：模型越来越适合承担候选生成、局部优化和初步筛选等前端与中段决策，人类研究者则将精力更加集中于标准设定、边界把握、证据裁定和结果问责等高阶决策。这样一种变化，意味着研究者在科研中的角色不再只是亲自完成全部认知步骤的直接生产者，而越来越成为决策规则的设定者、模型输出的裁判者以及责任链条的承担者。相应地，人工智能也不再只是被动响应指令的外部工具，而成为影响研究节奏、方案排序和路径选择的重要参与力量。

进一步看，决策权的重新配置还改变了科研中的责任表达方式。在传统研究条件下，尽管合作网络和技术环节不断增加，但核心判断相对集中，责任链条也因此较为清晰；而当模型系统进入问题生成、证据组织与解释形成等关键环节之后，“谁提出了这一判断”，“谁筛选了这一候选”，“谁应对其中的错误负责”，便不再像过去那样一目了然。也正因如此，决策结构的分层化反过来对证成机制提出了新的要求。

（三）证成治理重组：从结果有效性到过程可追溯

如果说搜索机制重组改变了科学发现的展开方式，认知分工重组改变了科研活动中的角色结构，那么证成治理重组所触及的，则是智能密集型科研条件下知识何以成立、何以被接受的问题。人工智能深度介入问题生成、路径筛选和解释形成之后，科学发现已不再只是围绕最终结果展开确认，知识的可靠性越来越取决于研究过程中证据如何组织，推理如何展开，以及不同环节如何相互支撑。由此，证成不再只是研究完成之后的结果检验，而越来越成为贯穿科研全过程的组织性要求。

1. 证成重心的转移：从结果有效到过程可信

智能密集型科研对知识证成方式的首要改变，不在于单纯提升了研究产出的速度，而在于改变了知识获得承认的依据。在传统的数据密集型研究中，证成往往更多围绕结果端展开：只要模型表现稳定，经验材料能够支撑主要判断，或者统计关系达到了既定标准，研究通常就能够获得相应的方法论正当性。在智能密集型范式下，人工智能从服务数据处理、模型拟合和结果呈现，更多转向问题生成、变量构造、文本标注和解释形成等过程性环节。结论的成立已越来越不能仅凭最终输出加以确认，而必须同时追问这一输出是在何种数据条件、模型条件和推理条件下形成的。正是在这一意义上，知识证成的重心由“结果是否有效”转向“过程是否可信”。

这一转移在计算社会科学中尤为突出。与自然科学中某些边界较清晰、测量对象相对稳定的研究不同，计算社会科学面对的大量对象并不天然以明确变量形式存在，而是需要通过文本、平台行为、互动网络和制度情境等复杂材料加以识别、抽象和转译。因此，这一领域研究的成败，往往不只取决于是否得到一个显著或准确的结果，更取决于复杂社会现象是否被恰当地转化为可分析的证据结构。数据密集型阶段已经推动了“文本即数据”的广泛扩展，使文本（或多模态）分析从描述性工具逐渐转向变量测量手段；而在智能密集型阶段，模型进一步进入测量链条本身。无论是利用大语言模型进行数据标注、主题归纳和立场识别，还是借助生成式方法构造合成数据，模拟群体回应与社会互动，研究者都需要同时关注数据的充分性，以及经由模型中介产生的输出能否准确对应原本试图测量的问题。当模型既参与材料处理，又参与变量生成甚至初步解释时，结果的表面有效性便不足以自动保证知识成立，因为研究者必须首先排除语义漂移、构念偏移和模型偏差被误当作经验发现的可能。

在传统问卷、访谈和人工编码研究中，测量当然也可能存在误差，但研究者通常仍可以借助抽样设计、信度检验和编码一致性来说明变量构造的合理性。智能密集型方法的特殊之处在于，测量越来越多地经由模型中介完成：文本如何被切分，标签如何被触发，提示词如何界定分类边界，不同模型或不同版本是否产生一致输出，这些因素都会直接影响变量的含义。也就是说，在“模型作为测量中介”的条件下，数据呈现的是现实经由模型处理后的再表征，其与现实之间的对应关系受到模型结构与处理机制的影响。如果研究只展示最终分类结果、主题结构或预测表现，而不说明这些结果是在怎样的测量过程中生成的，就很难判断研究究竟是识别了社会现象本身，还是仅仅识别了模型对该现象的某种可计算投影。由此，过程可信首先意味着研究不能再把测量视为前置性技术步骤，而必须把它看作知识证成的组成部分。

这一变化同样体现在推断层面。在智能密集型条件下，模型日益进入候选机制生成、反事实构造和解释框架形成等环节，从而使推断活动更容易在“生成”与“识别”之间发生混淆。特别是在平台研究和复杂行为模拟中，模型能够迅速给出结构完整、语义流畅的解释叙事，看起来像是机制发现，实际上却未必满足因果识别所要求的约束条件。正因如此，所谓过程可信，并不是要求结论“看起来更合理”，而是要求研究者能够说明某一解释是否建立在明确的识别假设之上，模型生成的反事实是否与现实世界中的反事实具有可比性，推断链条中的关键环节是否都具有可检验的经验支撑。

2. 证成条件的重构：从单一验证到组织化校验

在智能密集型科研条件下，知识证成的关键变化不仅表现为评价重心由结果端前移到过程端，更表现为证成赖以成立的条件发生了重构。在传统研究中，证成往往可以较多地依赖某一种主导性的验证方式：量化研究通常依赖统计显著性、稳健性分析或预测精度来支撑结论，文本研究则较多依赖人工编码一致性、案例解释力或材料饱和度来说明判断的可靠性。在这些情形下，研究过程固然复杂，但主要的说服力往往可以集中到某一个结果性指标或某一种主验证路径上。智能密集型科研则不同。随着模型系统持续嵌入多个环节，任何一个节点上的偏移都可能改变最终结论的意义边界。由此，证成已难以再由单个结果、单次检验或单一路径独立支撑，而必须依赖跨环节、跨方法、跨来源的连续校验。所谓“组织化校验”，正是在这一背景下出现的新的证成条件。

本文所说的“组织化校验”，是指将原本分散在不同阶段，由不同主体各自完成的核验活动，重新组织为覆盖数据、构念、模型、推断与解释的多层次证据链条。组织化校验关注的是在材料进入模型，模型生成输出，输出被转化为变量，变量被用于推断，再到推断被上升为解释的整个过程中，是否存在足够的中间约束来阻断误差累积与意义漂移。智能密集型科研并没有取消验证，而是改变了验证的基本形态：它不再主要表现为末端结果的一次性确认，而越来越表现为研究全过程中的多点校验和层层收束。

具体来看，组织化校验至少包含两类互相关联的要求。

第一类是模型输出与现实证据之间的校验。智能密集型科研的重要特征在于模型不只处理已有材料，还会主动生成候选解释、模拟情境和替代性路径。这一能力显著拓展了研究的探索范围，但也带来新的证成压力：模型生成的内容不能只在模型内部自洽，还必须与现实世界的证据结构发生对照。以“硅基样本”为例，模型生成的回答分布、态度结构或行为倾向，的确可能为高成本调查、敏感议题研究和低可达群体分析提供新的方法工具，具备“算法保真度”（algorithmic fidelity），但这些输出能否进入正式证据链条，取决于它们是否与现实调查、既有群体画像或历史行为模式形成可比较关系。类似地，多智能体与复杂系统模拟能够帮助研究者讨论扩散机制、协同效应和路径依赖，但仿真结果之所以具有说服力，并不在于模型运行得足够复杂或叙事足够完整，而在于行动规则是否有现实依据，参数变化是否显著影响结论，模拟结果是否能够与现实世界中的行为分布或制度约束相互印证。也就是说，组织化校验要求模型输出始终接受现实证据的拉回与约束，避免研究滑向仅凭生成结果展开自我循环的封闭叙事。

第二类是方法路径与研究结论之间的校验。在传统研究中，同一结论通常由相对清晰的一条分析路径推进而来，因此研究者更容易说明“结论是如何得到的”。智能密集型科研则往往同时调用多种方法和工具，多环节彼此嵌套，使结论越来越成为复合性工作流的产物。在这种条件下，证成的关键就不再只是单独某一方法是否成功，而是不同方法之间能否形成互相支撑的关系。若同一判断只能在单一模型、单一提示方式、单一参数设定下成立，其证成力度显然有限；相反，如果结论能够在不同模型设定、不同样本切分、不同识别方案乃至不同材料来源之间保持方向上的一致，那么其可信度就会更接近共同体意义上的可接受知识。组织化校验的意义，就在于把这些原本可能彼此分离的方法步骤重新纳入同一证据结构之中，使研究结论建立在多条分析路径的相互印证与共同收敛之上，从而超越单一技术链条的输出。

从更深一层看，组织化校验之所以构成新的证成条件，还因为智能密集型科研已经使证成活动越来越超出个体研究者单独把握的范围。单一验证能够在传统研究中发挥较大作用，一个重要前提是研究对象、方法步骤和工作链条相对可控，研究者个人可以在较小范围内完成主要的质量判断。而在模型深度介入的条件下，模型选择、版本更新、提示词差异、接口调用方式、数据清洗规则以及工具链衔接方式都会影响结果形成；这些因素不再只是技术细节，而且会直接进入知识证成的前提之中。因此，从单一验证到组织化校验，所标志的并不是验证要求的简单增加，而是证成条件本身的结构性变化。研究结论的说服力，取决于能否在数据、构念、模型、推断与解释之间建立持续的互证关系，并据此将生成性技术带来的候选扩张转化为能够获得学术共同体认可的知识。也正是在这一意义上，组织化校验不只是智能密集型科研中的附加要求，而且是新的知识证成得以成立的基本条件（见表1）。

（四）跨学科比较：智能密集型科研重构的差异化表现

本文从搜索机制、认知分工和证成治理三个层面，讨论了智能密集型科研如何重构科学发现逻辑。这一分析揭示了一个总体趋势，即人工智能的深度介入正在推动科研活动由以线性检验为主的研究方式，转向生成、筛选、协同与校验相互交织的新结构。不过，这种重构虽然具有共同方向，却并不以同样形式发生于所有学科。不同知识领域在研究对象、证据形态、验证标准和方法风险上的差异，决定了人工智能进入科研链条的方式及其所引发的范式变化也具有明显的异质性。

因此，有必要在前述总体分析的基础上，进一步通过跨学科案例比较，考察智能密集型科研在不同领域中的具体展开方式。表2所列四个案例分别来自结构生物学、自动化科学、计算社会科学和社会仿真，覆盖了从“模型预测先行”到“模型生成数据”的不同应用形态。可以看出，人工智能已经不再停留于外围性的技术辅助，而是沿着“问题形成-证据生成-解释验证”的链条持续进入科研过程：有的推动发现活动由实验驱动转向模型先行，有的使研究设计、路径搜索和实验执行形成更紧密的人机闭环，也有的直接改变了社会科学中数据生成、样本构造和反事实推演的方式。“阿尔法折叠2”（AlphaFold 2）是谷歌旗下的人工智能公司“DeepMind”利用深度学习系统开发的一款蛋白质结构预测程序，这款程序显著提升了蛋白质结构预测精度；博伊科（Boiko）等人开发的“科研搭档”（Coscientist）则展示了大语言模型结合检索、代码执行与实验自动化后，对复杂化学实验进行设计、规划和执行的能力；“硅基样本”研究提出了“算法保真度”的存在，而生成式智能体则通过记忆、反思与检索机制，增强了社会仿真的认知与互动维度。

从比较结果看，首先可以观察到一个关键差异：自然科学中的突破型案例通常拥有更明确的外部检验标准，因此更容易支撑“模型先行”的发现链条。无论是“阿尔法折叠2”的结构预测，还是“科研搭档”所参与的化学实验规划，其结果都能够较快接受相对清晰的外部验证，例如预测精度，实验成功与否，目标分子是否被合成出来等。正因为存在较稳定的参照标准，模型生成的候选结构、实验方案或路径搜索结果可以较顺畅地进入后续验证环节，从而形成相对闭合的证据链。也就是说，在这些领域中，人工智能确实改变了科学发现的起点和节奏，但尚未从根本上动摇证据与结论之间的外部锚定关系。

相比之下，社会科学相关案例面对的并不是同样意义上的“模型先行即可稳定证成”的情形，而是更为敏感的构念效度、情境嵌入和外部效度问题。大语言模型在一定条件下可以模拟特定人群的回应分布，这使研究者得以在高成本、低可达或高伦理约束场景下开展更快速的预判和试探；但模型输出的“像真”并不自动等于社会科学意义上的“有效”，其结论仍需借助现实样本、群体画像和分布比较来确认。[29]生成式智能体同样如此。它们使仿真主体不再只是规则驱动的抽象单元，而成为可以规划、记忆和互动的“认知-语言主体”，从而显著扩展了社会仿真的表达力；但这类仿真的说服力并不主要来自行为表面的逼真程度，而来自主体设定、规则来源、参数变化与现实约束之间能否建立可解释的对应关系。由此可见，越是接近“以模型生成数据”的应用，研究就越不能仅凭模型表现本身来证明知识增量，而必须把外部效度、构念边界和证据强度前置到方法论内部。

进一步说，人工智能不仅提供了新工具，也在反过来改变旧方法的可行性边界。在大语言模型驱动的自主合成受访者条件下，“连贯回答来自真实人类”的基础假设已不再稳固，在线调查中常用的数据质量检验机制可能被系统性绕过。[30]对社会科学而言，这意味着人工智能的影响不只体现在增加各类模拟社会真实样本的新方法，更体现在它正在动摇传统调查研究的数据真实性前提，并倒逼研究共同体重新思考认证机制、反欺诈机制和样本质量控制方式。因此，智能密集已在部分领域进入既有方法体系的内部，并重新界定“何种数据仍可被视为可靠”这一研究前提。

总体而言，人工智能对科学发现逻辑的重构具有明确的共同方向，但并不以同样方式发生于所有学科。一方面，无论是自然科学还是社会科学，人工智能都在推动科研活动由“研究者提出问题-技术系统辅助分析”的结构，转向“模型参与候选生成-人机协同筛选-过程性校验”的新结构；另一方面，不同学科在研究对象、证据形态和验证标准上的差异，又决定了这种重构具有鲜明的边界条件。这一比较的意义并不在于罗列人工智能的应用场景，而在于说明其所概括的搜索机制重组、认知分工重组和证成治理重组，确实正在不同知识领域中展开，只是其表现形式、证据强度与方法风险并不一致。也正是在这一点上，智能密集型科研才更应被理解为一种差异化展开的范式变动，而不是一套整齐划一的技术扩散过程。

四、总结：迈向智能密集型科研的中国路径

本文从科学发现逻辑出发，讨论了人工智能深度介入科研活动所带来的结构性变化。人工智能的深度介入，正在推动科学研究由以数据扩容、计算加速和关联识别为主要特征的数据密集型阶段，迈向以模型参与、协同生成和过程校验为主要特征的智能密集型阶段。这一转变的核心，并非数据处理能力或流程效率的提升，而是人工智能进入了科学发现与知识证成的关键环节。具体表现在三个层面：搜索机制由围绕既定问题的线性检验，转向生成、筛选、修正与验证相互交织的动态过程；认知分工由研究者主导的工具调用，转向人机协同的分层决策；知识证成由结果端的一次性确认，转向过程可追溯、跨环节互证的组织化校验。正是在这三个层面的联动变化中，人工智能对科学研究的影响才真正超出了“辅助工具”的范畴，呈现出范式重构的意义。

《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》明确将“科技自立自强水平大幅提高”列为“十五五”时期的主要目标之一，并提出“全面实施‘人工智能＋’行动，以人工智能引领科研范式变革”，同时强调推动科技创新和产业创新深度融合，加强原始创新和关键核心技术攻关，完善人工智能治理与应用规范。对于中国而言，把握这一趋势，关键已不只是将人工智能应用于科研，而且要面向国家战略需求，主动塑造与智能密集型科研相适应的创新体系、研究范式和制度环境。

由此看，本文的现实指向可以进一步归结为三个方面。其一，将人工智能引领科研范式变革与高水平科技自立自强结合起来，强化基础研究与原始创新能力，推动关键核心技术攻关、重大科技平台建设与智能科研工具体系协同发展，形成面向重大问题的自主智能科研能力。其二，要把人工智能引领科研范式变革同教育科技人才一体发展结合起来，在研究组织、人才培养与评价机制方面形成与智能密集型科研相匹配的新机制，使人工智能真正转化为提升国家创新体系整体效能的内生变量。其三，要把人工智能引领科研范式变革同中国自主知识生产能力建设结合起来，特别是在哲学社会科学等领域，不能满足于借用既有技术框架和解释范式，而应立足中国实践、中国问题和中国经验，推动知识创新、理论创新和方法创新，增强学术研究的主体性、原创性和解释力，走向科学知识生产方式的自主建构。[31]人工智能时代的科研竞争，最终仍然是知识生产能力的竞争，是谁能够提出重要问题，组织有效证据，形成可信解释并将其稳定转化为共同体知识的竞争。

尽管本文系统探讨了从数据密集型到智能密集型科研范式的逻辑重构，但仍存在一定的局限性。首先，由于智能密集型科研尚处于演进初期，文中提出的理论框架更多是基于通用大模型与现有“科学智能”（AI for science）案例的归纳，特别是基于计算社会科学领域的最新进展，对于不同学科之间异质性的深入剖析仍显不足。其次，在微观层面的技术干预标准方面有待进一步细化。

面向未来，本文认为至少还需要从两个方向继续推进研究：一是围绕智能密集型科研的关键环节，进一步开展可操作、可比较的经验研究，推动“搜索机制-认知分工-证成条件”这一分析框架从理论概括走向实证检验；二是结合不同学科场景，细化人工智能参与知识生产的边界、条件与适用性，形成更具针对性的研究规范和方法标准。

参考文献、注释

[1]《习近平向国际人工智能与教育大会致贺信》，新华网，https://www.xinhuanet.com/politics/leaders/2019-05/16/c_1124502111.htm，2026年1月5日访问。

[2]Thomas S. Kuhn, The Structure of Scientific Revolutions, University of Chicago Press, 1970.

[3]Tony Hey, et al., (eds.), The Fourth Paradigm: Data-intensive Scientific Discovery, Vol. 1, Redmond, WA: Microsoft Research, 2009.

[4]David Lazer, et al., “The Parable of Google Flu: Traps in Big Data Analysis,” Science, 343(6176), 2014, pp. 1203-1205.

[5]邱泽奇：《人机互生：范式革命与知识生产重构》，载《探索与争鸣》2024年第11期；李国杰：《智能化科研（AI4R）：第五科研范式》，载《中国科学院院刊》第39卷第1册（2024年）。

[6]罗家德等：《论社会学理论导引的大数据研究——大数据、理论与预测模型的三角对话》，载《社会学研究》2018年第5期。

[7]Anton Korinek, “Generative AI for Economic Research: Use Cases and Implications for Economists,” Journal of Economic Literature, 61(4), 2023, pp. 1281-1317.

[8]Justin Grimmer & Brandon M. Stewart, “Text as Data: The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts,” Political Analysis, 21(3), 2013, pp. 267-297；孟天广：《计算政治学：试析数智时代的政治学理论与方法范式》，载《世界社会科学》2025年第1期。

[9]Margaret E. Roberts, et al., “Structural Topic Models for Open - Ended Survey Responses,” American Journal of Political Science, 58(4), 2014, pp. 1064-1082.

[10]Susan Athey & Guido Imbens, “Recursive Partitioning for Heterogeneous Causal Effects,” Proceedings of the National Academy of Sciences, 113(27), 2016, pp. 7353-7360.

[11]Victor Chernozhukov, et al., “Double/Debiased Machine Learning for Treatment and Structural Parameters,” The Econometrics Journal, 21(1), 2018, C1-C68.

[12]Ross D. King, et al., “The Automation of Science,” Science, 324(5923), 2009, pp. 85-89.

[13]龚为纲、黄思源：《大语言模型与计算社会科学：工具、议题与挑战》，载《求索》2025年第3期。

[14]Andrew Halterman, “Synthetically Generated Text for Supervised Text Analysis,” Political Analysis, 33(3), 2025, pp. 181-194, https://doi.org/10.1017/pan.2024.31, accessed on Jan. 6, 2026.

[15]Lisa P. Argyle, et al., “Out of One, Many: Using Language Models to Simulate Human Samples,” Political Analysis, 31(3), 2023, pp. 337-351.

[16]同注[7]。

[17]Ziwei Ji, et al., “Survey of Hallucination in Natural Language Generation,” ACM Computing Surveys, 55(12), 2023, pp. 1-38.

[18]乔天宇、赵一璋：《发现因果的算法：被忽视的计算社会学工具箱》，载《学术月刊》2025年第6期。

[19]Cynthia Rudin, “Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead,” Nature Machine Intelligence, 1(5), 2019, pp. 206-215.

[20]Roger D. Peng, “Reproducible Research in Computational Science,” Science, 334(6060), 2011, pp. 1226-1227.

[21]Victoria Stodden, et al., “Enhancing Reproducibility for Computational Methods,” Science, 354(6317), 2016, pp. 1240-1241.

[22]Mark D. Wilkinson, et al., “The FAIR Guiding Principles for Scientific Data Management and Stewardship,” Scientific Data, 3(1), 2016, pp. 1-9.

[23]袁晓军、夏保华：《人工智能驱动科学研究中的可重复性问题》，载《科学学研究》2026年第2期。

[24]邓仲华等：《面向数据密集型科学研究的数据资源云平台构建》，载《图书馆学研究》2015年第10期。

[25]Bruno Latour, Science in Action: How to Follow Scientists and Engineers Through Society, Cambridge, MA: Harvard University Press, 1987.

[26]Herbert A. Simon, “Scientific Discovery as Problem Solving: Reply to Critics,” International Studies in the Philosophy of Science, 6(1), 1992, pp. 69-88.

[27]“copilot”一词借自航空领域，原指协助主驾驶员但不取代其指挥权的副驾驶员。在人工智能语境中，它用以区别于完全自主的自动驾驶（autopilot）系统，强调研究者始终居于决策位置，人工智能以主动建议者身份参与研究过程。该用法自2021年编程工具“GitHub Copilot”推出后在人工智能领域广泛流行。本文指代人工智能在科研流程中的协同辅助角色。

[28]陈茁、陈云松：《计算扎根：定量研究的理论生产方法》，载《社会学研究》2023年第4期。

[29]龚为纲、黄思源：《整体事实还是有偏样本——基于大语言模型生成数据的测量》，载《学术月刊》2025年第6期。

[30]Sean J. Westwood, “The Potential Existential Threat of Large Language Models to Online Survey Research,” Proceedings of the National Academy of Sciences, 122(47), 2025, e2518075122.

[31]陈云松：《“社会学想象力”的重思与拓展——建构中国自主知识体系的方法自觉》，载《中国社会科学》2025年第1期。