审视AI赋能社会科学研究的可理解性

一、可理解性的界定及其三种形态

理清“可理解性”的内涵，首先需要区分其与机器学习中两个相关的技术概念：可解释性（interpretability）与可说明性（explain-ability）。可解释性是AI技术设计端的关键属性，强调模型本身的透明度，是评估模型可信度的重要标准。可说明性则侧重使用者端，强调使用者解释人工智能模型决策过程的能力。可解释性与可说明性之间没有必然联系，可解释的不一定可说明，比如模型参数完全透明，使用者却难以说明其决策过程；而可说明的也未必可解释，比如AI黑箱并不透明，但是我们可以解释它。AI4SS中遭遇挑战的“可理解性”则贯通设计和使用两个层面：“自西方传统伊始，人们就普遍认同：我们不仅感知世界，更赋予世界意义；世界不仅是可感的，更是可理解的（intelligible）”。在理论发展过程中，可理解性大致可以分为三种形态。

第一，原则上的可理解性。莱布尼茨（GottfriedWilhelmLeibniz）曾指出：“无论何时我们在一个主体中发现某种性质，我们应当相信，如果我们理解了主体和性质这两者的本性，我们就能构想出这种性质是如何从主体中产生的”。当代学者唐纳德·卢瑟福（DonaldRutherford）将其概括为可理解性原则（PrincipleofIntelligibility，PInt），该原则意味着“对于任何实体及其可预测属性，都存在该实体具备特定属性的内在原因”。由此可见，可理解性原则与莱布尼茨的充足理由律（PrincipleofSufficientReason，PSR）密切相关，但前者更严格，PSR只要求“凡事皆有理由”，而PInt要求这个理由必须来自事物自身而不能诉诸外部因素。总结来看，原则上的可理解性意味凡事都不是偶然的、无理由的，其理由必须从该实体自身的本性中推导出来。

第二，认识上的可理解性。原则上的可理解要求形而上学层面的自明性与非任意性，但经验世界与超验世界存在鸿沟，莱布尼茨也承认“这些理由在大多数情况下对我们完完全全是未知的”。“未知”并不意味着人在认识上无法理解：首先，认识上的可理解需将复杂现象纳入统一的概念框架之下。康德（ImmanuelKant）认为“直观和概念构成我们一切知识的要素，以至于概念没有以某种方式与之相应的直观或直观没有概念，都不能产生知识”,这就意味着“科学理解本质上是全局性的工作”。其次，认识上的可理解需要阐明因果关系。“原因与结果的关系就是我们的经验性判断在知觉序列方面的客观有效性条件”,没有因果范畴，经验现象对人类理性而言只是杂乱的感觉材料的堆砌，而非可理解的知识。最后，认识上的可理解要求解释应当终止于一个在理性上可以被接受的基础。亚里士多德（Aristo-tle）在《后分析篇》指出：为了不使证明陷入循环必须假设直接前提，它必须是不可证明的系列后退的终点，“因为，如果必然要去认识在先的并且是证明所依赖的命题，而这样的认识会在某一时间停顿，那么这些直接前提必然地是不可证明的”。亚里士多德的上述观点，得到莱布尼茨等的认同并延续至今，在集合论中“奠基性公理”再次显现。总结来看，认识上的可理解性表明认知主体实际把握存在的能力和条件，关注基于范畴的认识连贯性、复杂现象之间的因果性，以及在理性上可以被接受的基点。

第三，价值上的可理解性。可理解性不仅具有本体论和认识论上的意义，它还展现了解释内容对主体特定的认知价值。一方面，可理解的解释应具备优雅性和简洁性，能够降低主体的认知负担。利普顿（PeterLipton）区分了可能性（likeliness）解释和可爱性（loveliness）解释。前者揭示真理，后者体现潜在理解，而“我们应将最可爱（loveli-est）的潜在解释推论考虑为‘最佳解释推理’的版本”,强调其统一性、优雅性和简洁性等特征。另一方面，可理解的解释能够消除困惑，使人豁然开朗。扎格泽博斯基（LindaZagzebski）将传统认识论长期忽略的“理解”提升到了与知识同等的认知善品地位，认为“理解是对现实之非命题结构的领会状态”。这就意味着，可理解的解释不仅仅是拥有正确的信念，还包括一种特殊的认知把握感，它指向通透、领悟与豁然开朗。总结来看，价值上的可理解性关注解释内容的认知价值，强调解释不仅是真理的载体，更是优化认知体验与实现深层理解的认知善品。

二、可理解性之于社会科学的意义：本体论承诺、解释框架与价值导引

三种形态的可理解性联通了形而上理想与形而下实践，构成了一条递进的认知链条。可理解性原则侧重形而上层面，作为一种认知理想在人类有限认知条件下难以彻底兑现。因此，侧重形而下层面的认识上与价值上的可理解性发挥了重要的补充作用：认识上的可理解性以统一的概念框架、因果机制以及在理性上可接受的基点，将原则上的内在理由转译为认知主体实际能够把握的结构；价值上的可理解性则通过要求解释的优雅简洁性、心灵的通透领悟性在认知实践中持续校准理解的走向。正是在这种互动补充之中，作为远景的可理解性原则在人类认知实践中被不断逼近。然而，上述链条并非对所有知识领域具有相同的约束力。在自然科学中，可理解性固然重要，却并非不可让渡的条件，自然界的“硬约束”能够以果的有效性反向赦免过程的不可理解性；但社会科学不然，可理解性是这一学科得以成立的重要基础，为社会科学提供了本体论承诺、解释框架和价值引导。

从本体论上看，可理解性是社会科学的本体论承诺与形而上学理想。马克思（KarlMarx）在《资本论》的第一版《序言》中指出：“问题本身并不在于资本主义生产的自然规律所引起的社会对抗的发展程度的高低。问题在于这些规律本身”,这就意味着解释必须从对象内在规律中寻求根据，而非诉诸外部标准。涂尔干（EmileDurkheim）则进一步强化了这一要求：“社会事实的决定性原因必须从先前的社会事实中寻找，而非从个体意识状态中寻找”,展现了社会科学对于可理解性原则的本体论自觉。然而，社会科学的弱裁决机制使得这一自觉在实践中难以兑现：其一，社会科学具有建构性。社会事实往往是建构的、高度理论负载的，并不存在一个独立、客观的真值来做基准测试。其二，社会科学具有复杂性。社会现象受多因素、多层级机制耦合影响，边界开放，难以隔离变量，受控实验几乎无从实施。其三，社会科学具有反身性。社会科学研究的对象是“自我诠释的存在”，研究结论会影响研究对象的行为，从而反过来改变或推翻结论。这就意味着，看似最稳定的社会结构和内在规律本身也是不稳定的，无法像自然规律那样为万事万物提供充足的内在理由。所以在社会科学中，原则上的可理解性更多是一种形而上学理想。上述困境并不意味社会科学应当放弃可理解性，而是它必须以另一种方式得到落实，这正是认识上的可理解性所要担负的任务。

从认识论上看，可理解性构成社会科学解释有效性的内在框架。既然原则上的可理解性作为本体论承诺无法在社会科学中直接兑现，研究者必须在认识论层面建立起一套替代性的实现路径。第一，基于范畴的概念连贯性是社会科学解释的基本单元。韦伯（MaxWeber）在《经济与社会》的开篇就为社会学确立了根本任务：“社会学……是一门解释性地理解社会行动并对其进程与结果进行因果说明的科学”。因此，社会科学的核心任务是将外在行为还原为内在自洽的意义系统，而这一还原过程所依赖的，正是贯穿始终的概念连贯性与范畴一致性。一旦一致性与连贯性被破坏，社会现象便会坍缩为物理运动，其“社会性”也随之瓦解。

第二，因果机制是社会科学解释获得认识论效力的必要条件。亨佩尔（CarlGustavHem-pel）的D-N模型的核心缺陷在于仅仅能够描述现象的相关性，却无法提供社会科学真正需要的“机制”，即“一个经常发生且容易识别的因果模式”。一个定律若缺乏因果关系，无论对历史数据拟合得多好，“充其量只能为特定事件的解释提供必要条件”,而无法为稳定、可迁移、反事实地干预世界提供知识基础，在认识论上难以被判定为有效。

第三，理性可接受的基点为社会科学理论与应用提供了必要条件。从解释逻辑来看，没有理性可接受的基点，社会科学解释将陷入无限倒退的困境，社会科学知识也无从建立。从解释评价来看，区别于自然科学的硬性裁决标准，社会科学的核心任务是给出充分的解释，即在某个层次上达到了人类理性可以接受的基础，而不需进一步追问。没有基点，社会科学将失去判断解释是否“充分”的标准。从实践功能来看，政策干预需要知道在哪个层次着力，若没有基点则无法确定哪些因素比其他因素更基础，难以为政策干预提供着力点。

从价值论上看，可理解性是对社会科学正当性的伦理规范与价值导引。“自然科学中的理论化描述并解释了一个独立领域”,其研究对象不以人的意志为转移，AI4S涌现出的内容多么不可理解，都无法影响自然界的运动、变化与发展。但“社会理论化没有这种独立于人类思想和行动的实在”,其研究对象是自我诠释性的存在，社会理论一旦产生便会介入社会生活，影响行动者的自我理解与行为选择。这就对社会科学的正当性提出了要求：行动者是以自觉主体的身份参与这一过程，还是作为无意识的客体被操纵？当理论可被理解，行动者便能审视自身处境、追问理论逻辑、选择接受或拒绝，理论介入现实由此获得了被影响者的理性同意的可能，因而是正当的；当理论不可理解，它同样能影响现实，只不过以一种行动者无法审视、无法追问、无法拒绝的方式进行，这样的介入缺乏自觉作为理性同意的根基，正当性随之瓦解。马克思曾言“理论只要说服人，就能掌握群众；而理论只要彻底，就能说服人”,卢卡奇（GeorgLukács）则强调无产阶级只有穿透物化迷雾获得总体性的阶级意识，才能成为变革的主体而非被塑造的客体。这就意味着，真正的社会科学理论必须使人能够理解自身处境、把握社会逻辑、形成自觉意识，无意识中发生的改变只能被称为“操纵”而非“解放”。

综上，可理解性的层次、形态、内涵及其对社会科学的意义可被整理为表1。

表1可理解性的层次、形态、内涵及其对社会科学的意义

三、AI4SS对可理解性的三重挑战

可理解性之于社会科学在本体论上的承诺、认识论上的支撑与价值论上的规范共同为社会科学构筑了坚实基础。然而，AI4SS的兴起正在向这一基础发起全面挑战。

第一，AI4SS挑战原则上的可理解性。如上文所述，社会科学的弱裁决机制使得其相较于自然科学天然更难获得来自事物本性而非诉诸外界因素的充足理由。AI4SS不仅没有缓解上述张力，恰恰通过涌现逻辑和黑箱机制进一步挑战了可理解性原则中的两个核心要素：非任意性与自明性。

一方面，机器涌现挑战可理解性原则的非任意性。非任意性要求社会现象的属性不是偶然无据的。而谢弗（RylanSchaeffer）等2023年的研究表明：AI的涌现能力本身极不稳定，它“可能是研究者选择的结果，而非特定任务下模型家族的固有属性……是研究者分析过程中产生的幻象”,涌现产生与否，在很大程度上是评估指标选取方式的人工产物，同一个涌现能力在条件微小变化时会消失或变形。涌现能力的不稳定性意味着由其产生的社会科学规律的存在性也是极为脆弱的，规律不仅脱离社会本身，甚至不再与社会事件及其结构相关，而被建立在一个与社会现象本性无关的技术偶然上。因此，当机器涌现的智能成为人文社会科学研究的组成部分，可理解性原则对非任意性的根本要求便会遭遇极大的挑战。

另一方面，AI黑箱挑战可理解性原则的自明性。自明性要求解释项必须来源于被解释项的内在本性。落到社会科学领域，研究者和读者应当能够从社会现象及其结构中把握为何该解释成立，而非依赖外部因素的背书，这也是为何“历史上，经济学家对单纯陈述而非行为所蕴含的经济内涵持负面评价态度”的原因。而“大型语言模型（LLM）的训练数据来源于人类选择表达的内容，而非其选择实施的行为”。换言之，AI产生的许多社会科学“规律”高度依赖提示和训练语料，在现实中无法复现，它们是语言模型在文本空间中的统计产物，而非社会内在结构的真实反映。在AI4SS中，当AI全学科全过程赋能社会科学研究，社会现象的解释在结构上开始依赖一个异质性的、外在于社会世界本性的计算过程，可理解性原则所要求的自明性被悬置。

第二，AI4SS挑战认识上的可理解性。认识上的可理解性要求理论阐释具有基于范畴的视角连贯性，能够把握复杂现象之间的因果机制，并且具有理性可接受的基点而使理论不至于无限后退，但AI认知的弱范畴性、自主性与封闭性和涌现能力的不稳定性分别对上述三条要求发出了挑战。

AI认知的弱范畴性挑战基于范畴的视角连贯性。AI的认知模式并非不使用范畴，而是范畴在其认识结构中不具有优先地位和组织性力量。一方面，AI具有绕过社会科学既有范畴的内在倾向。“传统的统计方法依赖于既定完善的分类体系来衡量社会世界……当前人工智能模型正试图通过结合数据空间的‘时空扩展’，引发计算方法的全局性变革，从而克服刚性社会分类所招致的某些批评”。以信用评估为例，1990年左右的德国贷款数据库仅含20个可解释的范畴变量，大多数变量为定性数据，如婚姻状况、性别、信用记录、贷款用途或职业等；而当代中国平台贷款模型已转而依赖购买记录、通讯记录、社交媒体使用状况等与信用无直接关联的原始信息流生成信用评分。上述转变意味着机器学习对预测精度的追求内在地倾向于绕过社会科学的既有范畴。另一方面，AI为了最小化损失函数可能会任意切割与重组范畴。数学层面，AI完全由损失函数驱动，在实践中，模型最小化损失函数的优化目标，不可避免地与最大化理论统一性产生冲突。福斯特（AndreasFuster）等分别采用传统模型和机器学习模型对违约风险进行了预测。传统模型要求研究人员事先根据理论上有意义的数字（如贫困线）选定自变量分组的节点，而“在随机森林等基于树结构的模型中……借款人被归类到特定叶节点”,这种完全出于统计最优目的而计算出的区间是“同时界定多个变量定义的区域”,它难以被纳入任何统一的社会理论之中。

AI的自主性与封闭性挑战因果机制的创构。虽然认识上的可理解性要求把握复杂现象间的“因果关系”，但对因果关系的理解并非一成不变：休谟（DavidHume）之前，人们普遍认为因果关系是实在的，“观念的次序和联系与事物的次序和联系是相同的”。直到休谟问题的提出，因果关系才从实在转变为对实在的描述，其本质也在量子力学和统计学的推动中被理解为相关性，但相关性终究是不够的，它无法为干预与反事实推理提供可靠的知识基础。随着信息革命的兴起，“在大数据基础上，作为描述模型的因果性和作为创构模型的因果性两方面构成完整形态的因果模型”：大数据先通过“物数据化”提供海量相关关系作为可能性空间，人再根据自身目标通过“数据物化”建立起数据—现实的联系，将相关关系构建为因果关系。“正是从由果溯因到由因（素）构果的转换，相关关系落实到因果关系之上”,由此可见，创构因果性要成立，必须依赖两个核心条件：一是人的目的介入，为建构提供价值方向与问题意识；二是现实的创构实践，将可能性空间中的相关性落地为可干预、可检验的现实因果关系。然而，AI的自主性与封闭性动摇了上述两个条件：就目的介入而言，不同于大数据的被动存储，AI具有自主性，在AI4SS中，AI能够主动赋能社会科学研究中的选题与学术史梳理、科学假设的提出与论证全链条。这就意味着AI的介入使得创构因果性中最关键的“人”的环节被算法部分代替，而算法不具备真正的“目的”，其唯一目标是优化损失函数。就创构实践而言，AI本身是封闭的，即便在AI内部引入do算子干预，使其在功能性目的的驱动下进行反事实推理，这种干预依然停留于模型内部，与现实世界中真实的物质、制度或社会性创构行为之间存在不可逾越的鸿沟。因此，在AI4SS中，若要防止创构因果性坍缩回描述相关性，就必须确保人的目的持续介入AI生成内容的筛选与解释，并将模型所提供的可能性通过实践活动予以实现和检验。换言之，无论自动化科研推进到何种程度，方向赋予、责任承担和创构实践不仅是人类研究者不能让渡的权利，更是其不可推卸的义务。

AI涌现能力的不稳定性挑战理性可接受的基点。涂尔干指出：“任何具有重要性的社会进程，其根本起源都必须追溯到社会内部环境的构建过程”,这就意味着社会事实及其结构应是社会科学解释在理性上可被接受的第一原理。但AI4SS领域并非总是如此，AI赋能社会科学的关键能力，比如预测、理论创造等，往往是在规模达到特定阈值后涌现出来的功能。某些社会科学相关的判断任务，只有在模型规模超过特定量级后才能被有效完成，而在阈值以下，模型表现接近随机。这就使得在AI4SS中，当追问某个预测的社会现象之原因时，解释链条可能会因为只有规模更大的模型能捕捉预测而最终停留在“模型规模足够大”的工程学解释。机器涌现带来的预测以及理论创造力或许能够为社会科学带来意想不到的收获，但工程学解释本身是空洞的，它将社会事实的内在逻辑悬置于AI规模扩张的偶然性之上，无法告诉我们任何关于社会本身的内容。

第三，AI4SS挑战价值上的可理解性。价值上的可理解性是对社会科学正当性的伦理规范，要求真正的社会科学解释不仅简洁、优雅，具备降低人们认知负担的解释品格；又能够拨开困境中的迷雾，使人们豁然开朗，备受鼓舞。上述两点要求也在AI4SS中遭遇了挑战：

一方面，AI4SS在降低认知负载上任重而道远。如前所述，为了优化损失函数，AI系统倾向于将既有的理论范畴切割、重组，产生便于统计的新的操作性概念，但这些概念在理论上既不简洁，也不连贯。不仅如此，AI4SS对于价值上的可理解性的更深层挑战来源于“暗知识”（darkknowledge）的转译工作。2015年辛顿（GeoffreyHinton）提出知识蒸馏时，做了一个看似简单却极具颠覆性的观察：“常规的训练目标是最大化正确答案的平均对数概率，但学习的副作用是训练模型会为所有错误答案赋予概率……例如，一张宝马的图像可能只有极小的概率被误认为垃圾车，但这种错误仍然比误认为胡萝卜的可能性高得多”。宝马被视为垃圾车的概率就是暗知识，它虽然不正确，却暗示了汽车类的边界。暗知识在社会科学领域存在一定的知识价值，但其内在结构远比传统社会科学结论复杂。当研究者试图将这类知识“转译”为社会科学结论时，可能会面临既失去原始高维结构的丰富性，又无法达到真正简洁理论的两难困境，因此对社会科学研究者的解释能力提出了更高的要求。

另一方面，AI的输出内容难以真正使人豁然开朗。“机器产生的认知是基于随机性和概率分布，令人震惊的正确预测和所谓‘幻觉’是一枚硬币的两面”。当AI4SS享受机器涌现带来的收益时，也必然面临机器幻觉问题，即AI在回答社会科学问题时，有时会生成表面流畅但实质错误的叙述。这类输出既以“豁然开朗”的形式包装了错误，使认知主体产生已经理解的错觉，同时消解了对答案的合理怀疑。比幻觉问题更严峻的挑战来自AI输出的谄媚倾向。近期发表在《科学》（Science）期刊上的一项研究指出：“主流AI系统普遍存在阿谀奉承现象……在11款人工智能模型中，AI对用户行为的确认率平均比人类高出49%”。这一倾向并非偶然，而是强化学习中基于人类反馈（RLHF）训练机制的系统性产物。由于人类评估者倾向于赋予自己认可的回答更高评分，模型在训练过程中被激励去产生取悦用户的输出，并非提供真正批判性的分析。而批判性恰恰是受到启发、豁然开朗的必要条件。谄媚倾向的社会科学结论或许能够以令人愉悦的流畅性消除人们表面上的困惑，但充其量是一种平滑的伪澄清，与真正的“豁然开朗”之间存在根本差异。

四、启示：从AI4SS的可理解性看AI4S的可理解性

AI4SS对可理解性的挑战是系统性的：在本体论层面，涌现逻辑的不稳定性与AI黑箱悬置了可理解性原则所要求的非任意性与自明性；在认识论层面，AI认知的弱范畴性、自主性与封闭性、涌现能力的不稳定性分别冲击了概念连贯性、因果性与理性基点；在价值论层面，暗知识的转译困境与AI谄媚倾向共同制约了社会科学理论赋权与解放的可能性。然而，揭示并承认上述困境，并不意味着我们应当在AI4SS的挑战面前降低可理解性的地位。恰恰相反，正因为弱裁决机制仍无法为不可理解的结论背书，不可理解的结论又以无法拒绝的方式重塑人的思维与行动，AI赋能的社会科学将比任何时候都更容易在技术力量下丧失自身的根基。因此，在承认AI拓展了社会科学认知边界的同时，重新锚定可理解性作为社会科学合法性尺度的核心地位，使其成为评价与规范AI4SS的重要标准之一，才是面对AI4SS对可理解性的系统性挑战的应有之举。

然而，这一结论的意义并不止于社会科学。如前文所述，自然科学拥有硬约束，可通过重复实验与预测精度直接裁决结果的有效性，无论AI4S生成的内容多么不可理解，只要它与自然规律相符，过程的不可理解性便可被反向赦免。这是自然科学区别于社会科学的认识论优势。但问题在于硬约束并不自动生效，它需要以可重复的实验操作、可承受的验证成本及判断失效模式的基本认知能力为前提，而AI的介入恰恰在挑战这些前提。

一方面，AI挑战自然科学实验的可重复性。卡普尔（SayashKapoor）与纳拉亚南（ArvindNarayanan）在对30个机器学习（ML）驱动的科学领域系统研究后发现：数据泄漏、代码不可获取与模型非确定性正在系统性地挑战AI驱动科学的可重复性基础。莫塞尔（ElchananMossel）进一步指出：“大多数主流大语言模型都在持续更新。这意味着即使拥有完整记录，甚至对原始开发团队而言，要复现声称具备推理能力的实验也可能无法实现”,因为实验得以产生的特定版本模型已不复存在。当实验的可重复性在AI4S语境下变得异常困难，自然科学的硬约束便不再可靠。

另一方面，AI挑战自然科学实验的可验证性。可验证性假定科学发现的数量与人类验证能力之间存在可行的比例关系，但AI4S正在打破这一平衡。DeepMind的GNoME系统一次性预测了220万种新型无机晶体结构，其中38万种被判定为稳定，远超人类实验合成的历史总量。当AI预测的速度远远超过实验验证的可行上限时，大量科学知识将长期滞留于已被预测但未经证实的中间状态。不成比例的验证与预测数量意味着仅凭“有效性”来赦免“可理解性”的策略面临实践上的极限：如果无法理解AI为何做出特定预测，研究者便无法在有限的验证资源中合理分配优先级。

此外，AI黑箱遮蔽了研究者“理解”的认知功能。因为自然规律会做出最终裁决，所以黑箱对于自然科学真正的挑战并不在于产生虚假结论，而是对“理解”这一认知功能的遮蔽。以AlphaFold2为例，它以接近实验精度的水平预测蛋白质结构，却并不揭示蛋白质折叠的物理机制。当科学家在药物设计中使用一个无法解释其内部决策逻辑的模型时，他们并不理解蛋白质折叠，只是信任实验工具的可靠性。这种不可理解使得研究者丧失对失效模式的判断能力，一旦模型在未曾预见的条件下失效，“弄清楚模型的所有假设是什么，或者对这些假设进行审查，对任何人来说都颇具挑战……就连‘我们究竟在考察什么的可靠性’这一问题，要精准地表述出来也变得困难”。因此，可理解“不仅是非专家所期望的特性，也是对可靠性进行合理评估的先决条件”。

上述案例并不意味着自然科学应当向社会科学看齐、将可理解性确立为与有效性同等地位的评价标准。它们揭示了另一个层面的问题：即使我们承认有效性是自然科学知识合法性的最终依据，AI4S中可重复性的动摇与验证能力的相对不足，仍会反过来削弱有效性判断的可靠性。此时，可理解性或许可以成为一个有效的切入点，在有效性裁决受阻时，提供一种辅助性的、前置性的审查。

【本文系教育部哲学社会科学研究重大课题攻关项目“数字化未来与数据伦理的哲学基础研究”（23JZD005）】

本文注释略，原文见《科学·经济·社会》2026年第4期。