隨著大數據和機器學習算法的普及，社會科學的量化研究也逐漸試圖采用以人工智能和數據挖掘為基礎的新興研究手段，來處理過去無法處理或者忽視了的研究議題。與傳統以“詮釋”為導向的統計分析相比，基于人工智能與機器學習算法的量化分析手段更加注重模型的預測能力。在此背景下，如何處理好人工智能技術與社會科學研究的關系就顯得尤為重要。

解決這一帶有方法論性質問題的途徑有三條：

其一，基于現有的量化研究方法論文獻，對“傳統”的基于統計模型的量化研究范式與正在興起的基于演算的量化研究范式進行對比，厘清“詮釋”與“預測”所代表的不同研究范式。

其二，從計算科學的角度，對人工智能技術上的局限性進行討論。不僅要指出人工智能的模式化分析方法在處理非模式化問題上的困境，而且要指出，基于人工智能算法的分析技術缺乏抽象思維的能力，以及它各自為戰，缺乏整體性、系統性的思考能力。

其三，回到社會學家涂爾干的“神圣—世俗”二分法論述，從社會學理論思辨的角度對人工智能在社會科學研究中的預測分析進行評價。具體而言，世俗領域的指導原則是理性化原則，因此，世俗生活需要個體具有馬克斯·韋伯所闡釋的工具理性，這可以通過算法來預測。與之相比，神圣領域涉及超驗的、永恒的、完美的存在。這種存在無法用理性來衡量，甚至只可意會不可言傳。因此，以演算為基礎的人工智能技術無法對超驗的神圣領域進行模擬。唯有通過人類活生生的感受，才能夠體驗、理解，達到一種通感，而這恰恰是社會科學的重要任務之一。故而，基于人工智能的預測僅僅局限于世俗領域而非神圣領域，對人類理性計算的仿真和程序設計并不能夠對超驗的神圣價值提供指導。社會科學研究者在對新興技術手段持開放態度和胸襟去接納的同時，也要對人工智能在社會科學研究中的應用前景保持一種審慎的樂觀態度。

在過去的幾十年里，建基于統計模型的量化研究方法在社會科學的不同學科得到了廣泛的應用。這些量化分析技術基本上是基于實驗數據或者調查數據，利用比較成熟的統計模型，對所關心的總體特征（例如，某個參數）進行統計、估計和推論。學者們進一步對所估計出的系數進行詮釋，由此產生了大量具有啟發價值的經驗研究成果。而隨著大數據和機器學習算法的普及，社會科學的量化研究也逐漸開始試圖采用以人工智能和數據挖掘為基礎的新興研究手段，來處理過去無法處理或者忽視了的研究議題。由于以演算和數據導向為基礎的人工智能技術可以讓社會科學研究變得具有預測性，因此被視為量化社會科學分析的一場劃時代革命。在此背景下，一個隨之而來的帶有根本性的方法論問題是，人工智能技術與社會科學研究究竟是什么關系，如何處理？本文擬從多個角度對人工智能手段與社會科學研究之間的內在聯系進行反思。

一、社會學量化統計模型的“解釋”屬性

關于傳統統計模型在社會科學中的應用，現有的相關文獻中已有論述。比較著名的是分類樹算法的創始人布雷曼（L. Breiman，1928—2005）的討論。他指出，傳統的統計分析技術的核心在于理解和詮釋。這是因為，在采用統計模型進行經驗研究時，學者的關注點在于特定變量的解釋力，而并非整個模型的預測力。很明顯，這一分析范式也是社會科學量化研究的主流范式。例如，社會科學研究中最廣泛采用的方法，就是線性回歸模型。其中，“Y”代表了某一個因變量，而一系列的“X”則用來解釋“Y”。對于大多數社會科學研究者而言，一個比較普遍的區分是將“X”分為兩類：一類是人們關心的自變量，另外一類則是人們不關心但又不得不考慮的控制變量。以個體的工資水平分析為例，教育社會學家和教育經濟學家最關心的可能是教育水平的作用。按照傳統的“敏瑟模型”（Mincermodel），除了考慮個人的教育成就之外，還需要引入工作經驗、性別、地區等控制因素；在中國，有時還要考慮工作部門、單位類型等等。此時，人們并不在意這些控制變量對于工資收入的影響，而是將關注點放在控制了這一系列因素之后，教育成就變量的純效應上。這體現在教育成就變量的回歸系數。研究者通常考察這一系數是否在統計上具有顯著性。如果顯著為正，人們便能夠得出結論，在控制了一系列社會學—人口學背景因素之后，教育能夠顯著地提升個體的收入水平。如此，一個具體社會科學研究議題的經驗分析便完成了。

與這一分析進路相比，基于演算的人工智能范式則不關心某一特定變量的解釋力。按照布雷曼的觀點，采用數據挖掘進路的研究者通常盡可能地納入各種與被解釋變量“Y”相關的因素，然后考察這些因素合并在一起，如何能夠在新的環境下盡可能準確地預測“Y”。正因為如此，基于算法的研究往往將數據分為多個組進行交叉驗證，以求得最優的模型形式進行預測分析（比較常見的是將數據分為十組，利用九組數據建立模型，然后利用第十組數據看前面九組數據所訓練出來的模型是否能夠有比較強的預測能力）。這方面比較典型的應用或許是客戶分析。將大量的已有的用戶數據登錄，以此訓練出一個具有比較強預測力的模型工具。之后，當新的用戶出現時，這一使用者的某些信息便能夠輸入模型，并以此預測出用戶的某些屬性。例如，當人們在亞馬遜網站上買書時，一旦輸入社會學類書籍，網站會自動基于過往用戶的購買習慣，向這一新的用戶推薦一些其他書籍。誠然，如果這一新的用戶是社會學專業的大學生，而亞馬遜過往的演算是基于大量社會學專業大學生的購買習慣，這些新推薦的書籍很有可能正是新使用者所需要的，由此既給用戶以便利，又提升了網站的營業額。

通過對比上述兩個具體的例子，不難發現，至少到目前為止，社會科學中的量化研究方法主要還是布雷曼所談到的第一種范式，即以詮釋為導向的模型擬合：針對特定的“Y”，人們關心特定的“X”在控制一系列因素后如何影響其變化。通常而言，這也恰恰是社會科學理論產生的契機。比如，教育成就對于個體收入的積極效果被用來建立和完善人力資本理論、市場信號理論等等；如果一個國家的國內生產總值（GDP）提高以后，人們更加關注個人的情感和意見表達，則這一經驗模式可以用于支持英格爾哈特（Ronald Inglehart）的后物質主義理論；如果同樣的社會學—人口學背景下，女性的收入水平低于男性的收入水平，人們便有證據支持勞動力市場的性別歧視，等等。與這種“詮釋”范式相比，人們很少見到社會科學家會基于自己的研究模型做出具體的預測（例如，很少有政治社會學家預測何時會發生社會運動）。鑒于此，當越來越多的研究者將基于演算的、以預測為目的的人工智能技術引入社會科學研究的時候，人們似乎見到了社會科學新的發展方向，甚至是社會科學研究的范式革命。但是，真的會如此嗎？

二、“人心難測”：計算科學的視角

在計算科學中，人工智能是一個非常寬泛的領域，其中基于不同的應用方向有不同的分支學科。但究其根本，與社會科學密切相關的人工智能應用應當是機器學習。所謂機器學習，是通過提供給機器（亦即計算機）特定的數據，讓計算機利用算法，尋找出這些數據背后的模式。之后，當新的數據出現以后，人們便能夠用這些模式來套用數據，做出預測。雖然具體的機器學習算法有很多（例如，判定樹，神經網絡，等等），但基本的分析邏輯大致如此。

那么，如果用這套工具來試圖理解人類社會，做社會科學的研究，是否可能呢？答案是：介于肯定與否定之間。之所以有肯定的一面，是因為人類的某些社會性行為具有高度模式化的特點。例如，在給定特定資源的情況下，一個理性選擇的個人通常會做出利益最大化的決策（比如，在給定資金的情況下進行投資決策）。此時，機器可以對這種模式化的行為進行分析，甚至在立足于大量已有投資“經驗”的基礎上，“創造性”地通過演算給投資者指出一種常人可能忽略了的最優投資策略。從這個角度來看，人工智能的確可以幫助生物智能進行更為合理的判斷，其在社會科學中的應用應當得到肯定。

但是，除了這一類模式化的研究之外，如果簡單地認為人們可以利用人工智能技術完全預測個體行為，并建立預測性的社會科學，那就不免有些過于樂觀了。正是因為這一點，上述問題的答案中又包含否定的一面。具體而言，利用人工智能技術進行社會性行為的分析會面臨三個困境。

第一個困境，在于機器學習的模式化分析范式。正所謂成也蕭何、敗也蕭何，人工智能雖然能夠對于模式化的行為進行基于算法的預測和分析（例如，“阿爾法圍棋”可以擊敗中國、韓國很多圍棋高手），但是，一旦人們面對的問題不是模式化問題時，那么，人工智能就難以處理了。一個簡單的例子是：如果問機器“1+1等于幾”？機器會立刻回答“等于2”。但如果告訴機器，這里的“1”代表一堆沙子，那么，兩堆沙子放在一起是什么呢？人們會說，還是一堆沙子。而機器卻無法做出類似的回答。因為，兩堆沙子混成一堆不再是一個數學化的模式問題，而是一個生活經驗問題了。

這個例子也將人們帶到了人工智能在處理社會問題時所面對的第二個困境，即缺乏抽象思維的能力。目前文本學習非常流行，其中有一些算法能夠說明研究者分析一段文字所表達的作者情感。但是，這種分析到目前為止還比較機械，其背后的機制在于特定詞匯的計算特征。因此，使用這種技術，人們所得到的信息也是非常初步的。換句話說，人們目前很難寄希望于人工智能能夠讀出字里行間的潛在意思。而對于社會科學而言，恰恰是一段文字的字里行間才能夠反映出作者的真實想法。如果僅僅根據詞頻或者其他表面上的文字使用模式，人們很難區分作者的真實意思和反諷之間的區別。試想，這樣的人工智能是否能夠理解魯迅（1881—1936）的著作，特別是他撰寫的雜文呢？

最后一個困境是，人工智能在處理具體問題時往往各自為戰，缺乏整體性、系統性的思考。2012年，有一部以棒球為題材的美國電影《點球成金》在全球公映，講的是一個棒球隊利用統計數據而不是個人經驗來選擇球員的故事。當然，這個故事的結局是基于數據的決策要優于基于經驗的決策。但即使如此，電影中通過統計數據所展示出來的信息依然要匯總到一個活生生的個體那里，通過人腦的加工才能夠形成最后的決策。而人腦在這里恰恰起到了一個統籌的功能。在將人工智能應用于體育領域時，通過算法和數據所提供的信息針對的是球場上特定位置的球員。例如，找到一個最好的后衛、一個最好的中鋒等等；但是，這個最好的后衛或中鋒能否與全隊有效配合，產生化學效應，人工智能卻難以判斷。如果出現“一山不容二虎”的局面，兩個最好的球員在一起所產生的效果可能反而不如兩個普通球員在一起合作的效果好。而這些超越個體的整體性判斷，則需要教練員與不同位置的球員進行“人與人”之間的溝通才能做出。顯然，這些已經不是機器所能做到的了。對于社會科學而言，學者們感興趣的恰恰是人與人之間的聯系，以及這種聯系所產生出來的，超越個體的簡單加總所形成的具有獨立存在意義的“社會”。

三、“人心難測”：社會學的理論解釋

得出“人的社會性行為無法完全由演算來預測”這一結論，不僅已被計算科學研究所證實，而且也可以從社會學的經典理論中得到支持。從某種意義上說，能夠經由算法來進行預測的人類行為往往是高度理性的行為。這種理性可以體現在多個方面。最為簡單的理性行為就是簡單重復勞動（例如，一個生產線上的某一道工序）。對于這種重復勞動，一些簡單的算法便能夠勝任，這在大量使用機器取代人工的工廠實踐中可見一斑。當然，理性的行為和邏輯并不僅僅是重復工作，還包括大量的基于形式邏輯的高級推導與計算行為。這里比較具有代表性的，就是谷歌公司設計制作的“阿爾法圍棋”在圍棋上與各國頂尖棋手對弈時的“全勝”。

但是，人類的各種稟賦，尤其是那些構成人類社會本質特征的元素并不完全是理性化的行為。甚至可以說，人類社會之所以成為社會，恰恰是因為每個人不是像機器般“算計”，而是有著非理性的情感、思想和價值。在這方面，法國社會學家涂爾干（E. Durkheim，1858—1917，一譯“迪爾凱姆”“杜爾克姆”）的理論具有啟示價值。他在《宗教生活的基本形式》一書中，將人類社會區分為“神圣”與“世俗”兩大領域。所謂的神圣領域，是指那些永恒的、完美的社會特征；而所謂的世俗領域，則指那些與人們日常生活息息相關的“柴米油鹽醬醋茶”。在世俗領域，人們生活的指導原則是理性化原則。例如，如何養家糊口，如何完成某一個項目，等等。面對這些世俗活動，人們需要采用一種基本的取向，考慮如何采用特定手段來完成特定的任務。從這個角度來看，世俗生活需要人們有馬克斯·韋伯（M.Weber，1864—1920）所闡釋的工具理性。但是，人類社會之所以能夠存在，生活于其中的個體之所以能夠彼此團結起來而不至于一盤散沙，所依賴的并不是這種“精致的利己主義”。相反，人們需要的是一種超驗的，在人們看來不那么善變的、完美的存在。這種存在無法用理性來衡量，甚至只可意會不可言傳。由于這種存在超越人們的日常生活，人們才能夠在彼此之間找到共同的社會屬性，進而形成一個具有團結性的社會。人們堅持這種價值，便成就了韋伯意義上的價值理性。

這種世俗與神圣的區分，對于人們理解人類社會與社會科學研究的關系非常有價值。以算法為基礎的人工智能技術或許對于預測世俗行為很有用，但卻無法對超驗的神圣領域進行模擬。對于后者，唯有通過人類活生生的感受，才能夠體驗、理解，做到一種通感，而這恰恰是社會科學的重要任務之一。例如，婚姻的形成過程往往涉及很多理性化的考慮。尤其是在今天，夫妻雙方在最后走入婚姻殿堂之前可能在家庭義務、雙方家庭的物質支持等方面已經有一系列的討價還價。在這里，雙方都在努力的做到利益的最大化，因此，理性化的原則通常會占上風。然而，這些思慮在一般人看來都是“俗”的，因為這里涉及的是斤斤計較和患得患失。但是，婚姻涉及的不僅僅是這些功利性的考慮，更重要的是雙方的愛情基礎。而愛情卻是一種神圣性的存在，人們通常認為它是永恒的、完美的，不容討價還價和妥協的。對于大多數的婚姻而言，世俗的元素與神圣的元素都是并存的。有些可能更加偏重對愛情的追求而不在意經濟利益，而有些則將經濟利益看的很重，不太重視愛情。但無論如何，一個基本的共識是，僅僅用理性計算來衡量婚姻是無法把握婚姻的本質的。通過這個例子，可以看到人工智能技術的應用點，但同時也看到了其局限性。很明顯，在涉及理性計算時，人們完全可以采用算法來推理和預測個人的選擇和傾向，但這種預測僅僅局限于世俗領域而非神圣領域。換句話說，對人類理性計算的仿真和程序設計并不能夠對超驗的神圣價值提供預測。那么，很自然的一個推論是，人們并不能夠利用人工智能來完全理解婚姻行為。

按照涂爾干的理論，人們所關注的社會恰恰是一種個人無法直接感受的超個體存在。而一切事物的神圣性，恰恰來源于其社會性。因此，只要人們堅持認為社會具有超越個體的獨立性，即一種社會唯實論的主張，便不能夠認為人工智能算法能夠解決“人心的預測”問題。對于社會科學家而言，更為適用的方法是直接的訪談和體驗，或者最多是傳統意義上的統計模型了。

總之，人工智能與社會科學研究的結合是近幾年學術界的熱點，但人工智能技術在社會科學研究中所出現的過度模式化、缺乏抽象能力和整體思考能力等問題卻表明，人工智能的演算邏輯更多適用于涂爾干意義上的世俗世界，而神圣世界是難以用演算和邏輯進行研究的。對于新興的技術手段，社會科學研究者應當具有開放的態度和胸襟去接納，但對于人工智能在社會科學研究中的應用前景，則需要保持一種審慎的樂觀態度。因為，如果變得技術之上，則有可能本末倒置；畢竟社會科學對于人類社會的主要貢獻在于提供理解人類社會的新思想和新視角，與之相比，工具的重要性理應是第二位的。

（轉載未收錄原文注釋，原文發表于《南國學術》2017年第4期第588—593頁。）

胡安寧：2005年、2008年在復旦大學分別獲得法學學士和法學碩士學位，2011年、2012年在普渡大學分別獲得統計學碩士和社會學博士學位，2016年起受聘為復旦大學社會發展與公共政策學院教授、博士生導師，兼任Social Science Research、Chinese Sociological Review編委；主要從事文化與宗教社會學、教育社會學、社會不平等、社會科學量化方法研究，代表性著作有《宗教社會學：范式轉型與中國經驗》《社會科學因果推斷的理論基礎》等。