王者体育

梁玉成，系中山大学社会学与人类学学院副院长、教授

一、智能社会的时代变革本质

（一）技术替代的演进逻辑

人类社会的技术替代历程围绕体力与智力两大核心能力展开，呈现清晰阶段性特征。农业时代以生物能为核心生产动力，体力劳动是社会发展核心约束，面临 “马尔萨斯陷阱”。

工业文明中，矿物能替代生物能，机械设备突破体力劳动上限，创造了巨额物质财富，社会形态发生根本性转变。工业化进程中，体力劳动重要性下降，生育率降低，马尔萨斯陷阱逐渐消解，体力岗位替代未引发严重失业，人类转向智力劳动实现再就业。

2022 年底大模型的出现标志人类进入智能时代，技术替代焦点从体力劳动转向认知能力。与工业时代 “工具使用者转型” 不同，此次认知能力作为人类核心优势面临直接挑战，认知替代具有持续性与递进性，将不断突破高级智力领域，引发的社会变革规模与深度前所未有。

（二）社会形态的三阶演进

技术替代直接推动社会形态从 “固态” 经 “液态” 向 “气态” 转型。农业时代社会呈固态，人口流动性极低，基于血缘与地缘形成熟人社会，结构稳定封闭，个体社会关系与生活轨迹确定性高。

工业时代开启 “流动的现代化” 进程，交通技术打破地理阻隔，长距离人口流动常态化，社会结构呈现流动性与开放性，形成 “液态社会”，个体摆脱固定地域与身份束缚，获得更多发展空间。

进入智能时代，社会形态进一步演进为 “气态社会”，核心特征是数字化驱动的多中心化、去中心化直至原子化。数字化时代，个体被多维数据描绘，算法发现个体在高维空间中高度聚集形成 “集群”，实现精准推送与资源供给。智能时代的终极形态是彻底原子化，AI 可低成本生成专属内容，个体活在专属数字空间，人类社会共通认知基础受到严重冲击。

二、智能社会的核心社会议题

（一）信息茧房的深化与认知隔离

信息茧房的形成与深化是智能社会核心议题之一，演进呈现从 “群体隔离” 到 “个体原子化” 的特征。平台通过算法精准信息投喂，自动形成信息茧房，研究显示 500 台随机阅读今日头条的手机，经半年模拟后形成 16 个截然不同的信息世界。

从社会学视角看，个体决策中的 “有限采样” 加剧这一趋势，人们倾向于在有限规模群体中获取信息，且更愿意与三观一致者交流，导致个体自发形成观念隔离。

智能时代的原子化使信息茧房进一步深化，从 “群体茧房” 转向 “个体茧房”。AI 低成本生成专属内容，个体无需依赖群体即可获得满足自身偏好的信息供给，90% 的人成为自身内容创造者，这种结构彻底打破群体共通信息环境，认知隔离从群体层面深入到个体层面，人类社会的共识基础面临严峻挑战。

（二）AI 成为独立研究对象

从本体论角度看，智能社会的核心变革之一是 AI 从工具属性转变为独立研究实体。AI 逐渐嵌入社会且具有能动性，不再是人类可随意操控的工具，而是与人类共生的行动主体，人机关系从 “人使用工具” 转向 “共生协同”，主体界限日益模糊。

北大邱泽奇教授提出的 “智能共生” 理论指出，人与 AI 相互依存，人类为 AI 提供数据支持其持续进化，AI 与平台为人类提供服务帮助适应现代智能生活。这种生态共生关系中，主体分布于人类、技术与环境之中，人机构成共同主体，彼此界限模糊，要求社会学将 AI 纳入研究范畴，突破传统 “人类中心主义” 的研究框架。

（三）学科研究的内部分裂与转型

智能时代的到来加剧了学科研究的内部分裂，同时推动研究范式向本土主义转型。社会工作领域的分裂尤为典型，笔者通过大模型分析知网上近 2 万篇社工论文，发现论文形成三个分裂的凝聚子群，分别偏向学术理论、应用实践与中间立场，学生因答辩压力被迫放弃中间立场，导致论文呈现极化特征。

在中国式现代化背景下，社会工作领域正向本土主义转型，且学生转型速度快于教师。社会学领域同样存在分裂，华中师范大学社会学院教授李钧鹏将国内社会学划分为普遍主义与本地主义、激进与保守的二元维度，形成四类研究群体，这一划分引发广泛争议，智能时代的到来进一步加剧了这种分歧。

三、智能社会的社会学研究新方法

（一）核心方法论革新：整体事实与局部事实的测量

传统社会学研究面临诸多局限，实地调研易受权力、资本干预，难以触及整体事实，往往只能获得 “选择性事实”，且调研成本高昂、效率低下。

大模型的出现为突破这些局限提供了可能，其本质是人类所有文本言说的神经网络压缩，包含人类全部知识与观念，可作为 “万能测量工具”，实现对整体事实与局部事实的实证测量。

笔者的研究方法逻辑如下：首先通过提示词从大模型中提取子议题及互斥维度；其次将观念分为 5 级，结合社会学与人口学特征，让大模型生成结构化数据；然后利用词嵌入技术将自然语言转化为高维空间向量，通过降维方法提炼核心维度；最后通过无监督学习，识别核心局部事实。这种研究方法无需实地调研，极大降低研究成本，突破传统研究的时空与资源限制。

（二）数据生成与分析技术

大模型驱动的研究形成了三类核心技术。一是生成性方法，从大模型中提取或生成数据集，解决传统数据采集难题；二是降维与网络分析技术，采用图形 Lasso 方法可通过 Lasso 回归构建变量间关联网络，根据不同显著性水平调整网络稀疏度；三是回归模型应用，如在社工干预效果研究中，构建回归模型，实现对社工干预效果的精准测量。

（三）研究范式的三阶演进

智能时代的到来推动社会学研究范式从 “理论驱动” 经 “理论 - 数据双元驱动” 向 “理论 - 数据 - 智能三元驱动” 演进。传统范式以理论假设为核心，研究者基于理论设计问卷，收集 “设计数据”，通过统计分析验证假设。

数字化时代催生了新范式，数字痕迹数据成为核心数据来源，机器学习技术广泛应用，研究者可通过数据挖掘发现新的理论知识，形成理论与数据的双元驱动。

AI 时代的范式突破体现为 “理论 - 数据 - 智能三元驱动”，大模型既作为数据来源，又作为测量工具，形成 “生成性反思” 的新研究逻辑。人类智能与 AI 智能协同发力，突破了传统研究的能力边界。

四、人机协同的实践路径与伦理边界

（一）人机协同的两种核心模式

面对 AI，存在四类典型态度：狂热使用、拒绝（路德主义）、增强人、增强 AI。笔者倡导中间路径，即增强人与增强 AI 的协同模式。

增强人模式的核心是 “人机协同，以人为主”，AI 可极大拓展人类认知带宽，快速处理纯信息类任务，人类则负责目的、意义与价值把关。增强 AI 模式是基于专业判断对 AI 进行赋能，让通用 AI 适配具体研究场景，形成 “人类专业判断 + AI 高效执行” 的闭环。

实际工作中，两种模式需反复复用：文献综述可采用增强人模式；数据标签则需增强 AI 模式；研究设计与结果解读则回归增强人模式，确保研究的学术严谨性与价值导向。

（二）AI 使用的伦理与风险警示

AI 的广泛应用带来伦理风险，核心问题是 “认知卸载”。相关研究发现，大量学生将认知任务直接交给 AI，放弃自我训练，长期依赖 AI 会导致 “认知懒惰”，最终丧失独立思考能力，人 + AI 协作还可能抑制脑功能。

合理使用 AI 的原则是：工作初期需 “肉身执行”，后期再借助 AI，避免认知能力退化。AI 适合处理重复性、信息类任务，而创新型、敏感复杂任务需以人类为主导。教育部最新发布的《教师生成式人工智能应用指引》明确了合规边界，AI 仅可辅助资料分析、润色、数据初步处理，所有创新工作必须由人类完成。

五、未来展望

智能社会的技术迭代速度远超预期，大模型数量与智商均快速提升，开源模型发展迅猛，中国在 Hugging face 的开源模型下载量已超过美国，有学者预测开源模型将在明年超越闭源模型，中国可能先于美国进入智能社会。

“人工智能商数” 将成为未来社会分层的新维度，它是 “最大化人机协同优势、规避双方劣势” 能力的标尺。

对社会学研究而言，大模型将极大拓展研究疆域。传统领域可通过大模型突破数据限制与研究局限；新议题需构建新的理论框架与研究方法。社会学将向 “测量一切可测量” 的方向发展，大模型作为核心工具，将推动学科实现理论创新与方法革新。

未来，人机协同将从 “人类中心主义的工具使用” 转向 “后人类时代的共生关系”，人类不再是唯一的行动主体，AI 与环境共同构成社会行动的核心要素。社会学研究者需主动适应这一变化，突破传统研究范式，在人机协同中坚守人文价值与学术立场。

 

梁玉成：智能社会研究新议题与新方法