价格理论视角下的AI赋能社会科学研究：科研成本、相对价格与学科结构重塑

一、从一场由技术驱动的学术分化说起

20世纪60年代，经济学界曾流行过一种说法：博弈论和计量经济学就好像经济学世界的阿根廷和日本。当时，阿根廷是发展中国家中的“优等生”，无论是人均GDP还是人民的生活水平都达到了相当高的水平；而日本则是当时世界上经济增长最快的国家之一，其年均增长率连续达到了10%以上。用这两个国家来比喻博弈论和计量经济学，无疑是要称赞这两个领域的发展前景广阔。

谁料，这个比喻竟然一语成谶。后来，博弈论和计量经济学走上了和现实世界中阿根廷与日本同样的道路。博弈论在兴盛一时之后，成长速度迅速放缓，不仅重大的理论创新趋于停滞，研究群体也大幅萎缩。现在，博弈论已经退化为微观经济理论下的一个研究分支，专业从事博弈论研究的人已经很少。相比之下，计量经济学则迎来了巨大的发展，不仅专业研究人员数量急速膨胀，而且计量分析的方法已经渗入了经济学的各个领域。可以说，现在的一大半经济学者其实都是在做计量经济学。

为什么博弈论和计量经济学的发展会有如此重大的不同呢？在很大程度上，这源于技术进步引发的成本重估。计算机技术兴起之后，数据处理与统计分析的成本大幅降低，这使计量经济学从一种高投入的活动转变为可以规模化展开的常规操作。相比之下，理论建模所依赖的直觉与判断并未获得同等程度的“技术加持”，其生产过程依然难以标准化。在这样的条件下，不同研究路径之间的相对成本发生了变化，研究资源也随之重新配置。

上述例子告诉我们，技术的进步和工具的发展会对社会科学的发展产生重大的影响。就像在经济增长过程中，技术不仅会影响经济体的总体增长速度，还会影响其内部经济结构的调整，技术进步对于社会科学发展的影响也同时具有“总量效应”和“结构效应”——它不仅会直接影响研究的总效率，还会导致学科结构的重构。

相比于计算机，作为新一代“通用目的技术”的AI所带来的技术冲击无疑是更大的。那么，随着AI大举进入社会科学领域，AI4SS（AIforSocialScience）范式横空出世，社会科学又将迎来怎样的变革呢？下面，我将尝试从价格理论的视角，对这一问题进行一些探讨。

二、AI是如何降低社会科学研究成本的

卡尔·波普尔将科学发现归结为“猜想与反驳”，这个归纳可以很好地刻画自然科学的研究过程。虽然相比于自然科学，社会科学有其自身的特点，但由于在长期的“科学化”过程中，它们一直在模仿自然科学进行学科构建，因而“猜想与反驳”已经是多数社会科学学科共同接受的研究思路。

基于“猜想与反驳”的研究思路，我们可以将社会科学的研究环节分为如下四个环节：首先是问题的提出与假说的生成，其次是对这些假说进行理论化表述与结构化整理，再次是围绕这些假说设计检验路径，最后则是通过数据与证据对其进行检验与修正。AI的引入，并不是只作用于其中某一个环节，而是会沿着这一链条对几乎所有环节同时产生影响，从而带来一种整体性的成本下降。

首先，在问题提出与假说生成阶段，AI正在改变问题来源的方式。传统上，研究问题的产生要么依赖于“培根式归纳”（Baco-nianInduction），要么依赖于“皮尔士式惊奇”（PeirceanSurprise）——前者是通过对大量现象的不带成见、不受既有理论束缚地观察，归纳出新的假说；后者则是基于某种因观察结果和既有理论之间的矛盾来提出问题。无论是哪一种方法，都需要研究者对现实世界有长期的观察与经验积累，而提出问题质量的好坏，则在很大程度上依赖个体的视野与直觉，因此具有明显的偶然性。在AI的支持下，大规模数据分析与模式识别使得“问题发现”本身开始具有某种系统性。例如，利用卫星图像与机器学习方法估计地区经济活动水平，已经成为发展经济学中的常见做法；在政治学中，通过对社交媒体数据的分析，可以识别选举期间的信息传播异常或舆情结构变化。这些原本难以被直接观察的现象，如今可以通过算法被持续地“扫描”出来，从而为新的研究问题提供来源。问题的生成，不再仅仅依赖灵感，而是逐渐成为一种可以规模化展开的活动。

其次，在假说形成与理论构建阶段，AI的作用主要体现在对知识搜索空间的扩展。社会科学中的许多理论，本质上是对既有知识的重组与抽象。这些理论的构建，往往会受到信息获取与处理能力的限制。AI通过对文献、数据与既有模型的快速整合，使研究者能够在更大范围内进行类比与组合。例如，在经济学中，研究者可以借助AI快速梳理某一主题下的大量文献，从而识别不同理论之间的联系与争议；在法学中，AI可以对不同法域的判例进行比对，从而辅助构建法律解释路径；在政治经济学中，跨国制度比较也可以通过AI辅助的数据整理与文本分析来实现。可以说，越来越多的研究正在呈现出一种“人机协同”的形态：人负责提出方向和进行判断，AI则负责在庞大的可能性空间中提供候选方案与连接路径。虽然最终的理论洞察仍然依赖研究者自身，但通向这些洞察的路径已显著缩短。

再次，在研究设计与检验路径的构建上，AI所带来的帮助更为直接。以实验经济学和发展经济学为例，随机对照试验（RCT）的设计往往涉及复杂的样本分配与干预方案选择。借助AI，研究者可以在大量可能的设计方案中快速筛选出更优的组合，减少试错成本。在政策研究中，AI还可以与结构模型结合，对不同政策组合进行模拟评估，使原本需要长时间推演的过程大幅提速。类似地，在社会学与政治学中，问卷设计、变量构造乃至部分识别策略，也可以在AI工具的辅助之下变得更为容易。总体来说，这些变化都改变了“如何尝试”的方式，让科研人员得以从依赖经验的有限试错转向了在更大空间中的有引导搜索，而由此产生的效率提升则是显而易见的。

最后，在经验检验与反驳阶段，AI的使用将可以大幅降低相关成本。例如，计量经济学中的数据清洗、模型估计与稳健性分析等，已越来越多地能够通过AI自动化流程完成。文本数据的编码与分类，已可以从人工标注转变为自然语言处理模型的批量处理。在政治学中，对会议发言、政策文件乃至历史档案的分析，也可以在短时间内完成初步结构化。所有这些例子都说明，原本高度耗时且依赖人力的“反驳”过程正在被显著加速。这样，研究者可以在更短时间内检验更多假说，从而大幅提升知识更新的频率。

综上所述，AI技术的引入，可以在社会科学研究的每一个环节上都发挥显著的作用，并有效提升其效率。AI并没有改变社会科学研究“猜想与反驳”的基本结构，但它改变了这一结构中各个环节的成本条件——问题将更容易被发现，思想将更容易被组合，设计将更容易被优化，检验将更容易被执行。其结果是，科研活动中时间与资源约束将会整体放松，更多的数据可以被利用，更多的模型可以被尝试，更多的假说可以被检验。如果在使用AI之后，上述四个环节的效率提升倍数分别为α、β、γ和δ那么AI所引发的效率总提升倍数可以近似表达为α×β×γ×δ。从价格理论的角度看，这可以视为技术冲击之下，科研活动价格的一次总体下降。

值得注意的是，AI对四个环节的影响并不是一样的。比如，在经验检验环节，AI可能带来的效率提升通常更大。在ClaudeCode等工具的加持之下，很多工作甚至可以被批量自动化。而在理论形成环节，AI可以带来的帮助则会较小，研究者的直觉依然需要在这个过程中扮演主要角色。值得注意的是，在不同的学科中，四个环节的重要性是不一样的，比如，实证经济学对于研究设计和经验检验这两个环节的重视度往往更高，而经济理论研究更为重视理论形成环节。这种差异决定了AI对于不同学科、不同研究路径的影响是不一样的，而这也是AI“结构效应”的一大来源。

三、AI如何引发学科结构的重构？

我们已经看到，AI并不是以同样的幅度降低所有类型研究的成本，而是会对不同研究路径产生差异化的冲击。从价格理论的观点看，这意味着科研活动内部的“相对价格体系”正在发生重组。而正如在一般经济体系中一样，真正决定资源配置与结构演化的，并不是绝对价格的变化，而是相对价格的变动。

现在，社会科学内部已经可以观察到一种逐渐显现的分化趋势：那些与数据、计算与标准化处理高度兼容的研究路径，其成本正在快速下降；而那些依赖抽象思维、判断力与原创洞察的研究活动，则并未获得同等程度的成本改善，甚至在相对意义上变得更加“昂贵”。

首先受到强化的，是各类数据密集型研究。计量经济学、计算社会科学以及以文本与行为数据为基础的研究，在AI的加持下呈现出明显的扩张趋势。这类研究通常具有几个共同特征：其一，研究对象可以被转化为结构化或半结构化的数据；其二，研究问题往往可以被表述为明确的统计或预测任务；其三，研究流程具有较强的标准化潜力。如果某一类研究具备如上特征，那么AI在数据处理、模式识别与模型估计方面的优势就可以在其中得到充分发挥。例如，在经济学中，对大规模微观数据的分析已经成为常态，利用机器学习方法处理异质性与非线性关系也日益普及；在政治学中，对社交媒体数据的情感分析与信息传播路径的刻画，已成为理解公共舆论的重要工具；在社会学中，基于网络结构的数据分析则可以不断揭示新的群体分层与互动模式。对于这些领域而言，AI技术所引发的研究边际成本下降就尤为显著，而这一点会吸引越来越多的研究人员和研究资源不断涌入。

与之形成对照的，是理论建模与抽象分析类研究。无论是博弈论、宏观经济理论，还是制度分析与规范性理论，这些研究的核心仍然依赖于对问题的重新表述、关键变量的选择以及逻辑结构的构建。AI在这些方面虽然可以提供一些辅助，例如在推导过程中减少技术性负担，或在文献整理中提高效率，但其作用更多停留在“工具层面”，难以触及理论创新的核心环节。换言之，理论研究中最关键的投入，如判断力、直觉与结构感等，并未因AI而显著降低成本。在其他研究路径成本快速下降的背景下，这类研究在相对意义上反而变得更加“昂贵”。这种相对价格的变动，将有可能导致其可获得的学术资源比重出现大幅下降。

比理论研究更为稀缺的，是原创性问题的提出与范式性的创新。从历史上看，社会科学的重要进展，往往源于对既有问题框架的突破，例如行为经济学对理性假设的修正，或制度经济学对正式规则之外因素的引入。这类创新通常发生在既有知识体系的边界之外，其关键在于识别“什么问题值得被提出”。然而，AI虽然长于对既有知识空间的挖掘与重组，但对于在“未知区域”中开辟新的方向却无能为力。在这种情况下，原创性问题的发现不仅不会因为AI而变得更容易，反而会在相对意义上变得更加稀缺与昂贵。

不难看到，由于不同研究路径的成本在AI冲击之下下降幅度各不相同，其相对“价格”将会发生相应的变化，而研究资源则会随之重新配置。对于个体研究者而言，在时间、精力与评价体系的约束下，他们更有可能选择那些成本较低、产出更为确定的研究方向。这种选择在个体层面或许只是理性的回应，但在总体层面，则可能会累积为学科结构的系统性转变。

目前，这种转变已经在多个层面上显现出来。比如，在经济学内部，计量与应用研究的比重持续上升，数据驱动的方法逐渐渗透到传统理论领域；在政治学与社会学中，计算方法的引入催生了所谓“计算社会科学”，并迅速成为增长最快的子领域之一。与此同时，研究选题也在悄然变化，越来越多的问题被表述为可以通过数据与算法加以处理的形式，而那些难以量化、难以验证或短期内难以产出结果的问题，则正在逐步被边缘化。进一步地，甚至研究方法本身也在趋于标准化，数据处理流程、模型设定乃至部分写作结构，都开始呈现出某种“模板化”的特征。

从更宏观的视角看，这一过程可以被理解为一种由技术驱动的“学术再定价”。AI并没有直接规定研究者应该研究什么，但它却通过改变不同研究路径的成本与效率，间接塑造了研究选择的激励结构。正是在这一意义上，AI的影响超越了单一方法或工具的范畴，而触及社会科学内部结构的生成机制。学科的演化，不再仅仅是思想竞争的结果，而变成了一系列价格信号在知识生产体系中的反映。

四、AI与研究激励的再定价

如果说相对价格的变化首先体现在研究路径之间的分化，那么其更深层的影响，则正在通过科研激励机制体现出来。现实中，社会科学研究并非在一个纯粹由求知欲驱动的环境中展开。恰恰相反，它会被嵌入一套由发表、引用、职业晋升与资源获取所构成的制度体系之中。在这一体系中，研究者的选择不仅取决于“什么是真问题”，也取决于“什么是可行的、可发表的以及有回报的”。因此，当AI改变了不同研究活动的成本与效率时，它实际上也在重新塑造科研行为的激励结构。

这种变化首先体现在供给侧。随着AI的引入，某些研究路径的进入门槛显著降低。例如，过去需要较强编程能力与数据处理经验的实证研究，如今可以借助AI工具快速完成基础工作，从而吸引更多研究者进入这一领域。与此同时，研究过程中的许多技术性障碍被消除，使得研究者可以在更短时间内完成更多项目。在这样的条件下，科研供给不仅在总量上扩张，而且在结构上向那些“更易于操作”的方向集中。

然而，仅从供给角度还不足以理解激励的变化。更为关键的是，AI还在改变不同类型研究成果的“价值”。在许多领域中，AI系统擅长对既有知识进行整合、插值与应用，这使得那些原本被视为“边际改进”的研究，在实际应用中可能具有更高的价值。例如，一项对既有模型的小幅修正，或一篇对分散文献的系统整合，在AI的支持下可以迅速嵌入更大的分析框架，从而产生超出其本身规模的影响。在政策研究中，对既有数据的再分析与预测，也可能因为AI的放大效应而变得更具现实意义。

相对而言，那些远离既有知识边界、需要较长时间才能显现价值的原创性研究，则未必能够从AI中获得同样的需求提升。这类研究往往具有高不确定性，其成果难以在短期内被验证或应用，即使使用AI，也很难减少研究失败的风险。在一个越来越强调效率与产出的学术环境中，这种不对称性可能进一步强化，从而导致人们不再愿意从事原创性研究。

供给与需求两方面的变化相互叠加，使得科研激励呈现出了全新的特征。一方面，研究活动会更趋向于选择那些成本较低、路径清晰且结果可预期的方向；另一方面，那些可以被AI放大应用价值的研究类型，其吸引力也随之上升。在这样的环境下，“边际研究”的数量可能显著增加，即在既有框架内进行小幅改进、扩展或应用的工作变得更加普遍。虽然这些研究未必没有意义，但它们的增长至少反映出了一种结构性的偏向：社会科学研究者正变得更倾向于在已知空间中深化，而非在未知空间中探索。

进一步看，这种激励结构的变化还可能带来科研行为方式的转变。随着研究流程的部分标准化与自动化，科研活动在某种程度上呈现出类似生产过程的特征：选题、数据处理、模型估计与写作之间的衔接更加紧密，产出节奏也更加频繁；在这一过程中，研究者的角色逐渐从单一问题的深度探索者，转向了在多个问题之间进行资源配置的决策者；他们需要不断权衡不同项目的成本与收益，而AI则成为这一决策过程中不可忽视的变量。

从价格理论的角度看，这一切可以被理解为激励函数的重新参数化。当不同研究路径的成本与回报发生变化时，理性的研究者会相应调整其选择，而这些个体选择在总体层面汇聚，便形成了学科发展的新轨迹。由此，AI的影响不再只是体现在研究工具的层面，而是通过价格与激励的中介，渗透到了知识生产的行为基础之中。

五、AI4SS的效益分析和制度回应

如果将上述变化放回规范性分析的框架中，那么就会很自然地产生一个问题：这种由AI推动的“学术再定价”，是否提升了社会科学研究的整体效益？从直观上看，科研成本下降、产出增加，似乎意味着知识供给的扩张，从而应当带来效益改善。然而，价格理论早已揭示，单纯的产出增加并不等同于福利提升；关键在于，资源是否被配置到了社会价值最高的用途上。

从这一点上看，AI所带来的影响具有明显的双重性。一方面，研究成本的下降确实提高了研究活动的效率，使原本难以开展的实证分析、跨区域比较与大规模数据研究成为可能。这不仅丰富了经验知识，也大幅提升了政策分析的精确性与及时性。从这个意义上看，AI不仅有助于减少信息约束，而且可以有效提高社会科学对现实问题的响应能力。

但另一方面，相对价格的变化也可能带来严重的“资源错配”。当数据密集型、标准化程度高的研究路径变得更为廉价且更易获得回报时，资源自然会向这些方向集中；而那些成本降幅较小、产出周期较长的研究活动，则可能被系统性挤出。比如，田野调查便是一个典型例子。深入一线进行长期观察与访谈，往往需要投入大量时间与精力，其成果也难以在短期内转化为标准化的学术产出。在AI降低其他研究路径成本的背景下，这类研究在相对意义上会变得非常“昂贵”，从而可能被边缘化。类似的情况也出现在理论思辨与规范性分析中，这些活动依赖高度抽象的推理与概念创新，其价值难以通过短期指标加以衡量，因而在当前激励体系下容易处于不利地位。

从效益角度看，这种结构性偏移未必是中性的。如果某些高社会价值但高成本的研究类型被系统性低估，那么整体资源配置可能偏离社会最优。尤其是在涉及制度设计、长期发展与复杂社会现象解释的领域，仅依赖数据驱动的方法，往往难以捕捉深层机制。过度强调“可计算性”与“可验证性”，很可能会在无意中压缩问题本身的丰富性，使研究趋向于那些更容易被形式化处理的部分，而忽视那些难以量化但同样重要的维度。

因此，问题的关键不在于是否应当拥抱AI，而在于如何在新的价格结构下，调整激励机制，以避免潜在的失衡。一个直接的思路，是在评价体系中引入对不同研究类型的差异化权重。例如，对于需要长期积累的田野研究与深度理论工作，可以通过延长评价周期、降低短期发表压力等方式，为其提供更稳定的支持环境。与此同时，在资源配置上，也可以通过专项资助或制度安排，维持这些高成本研究的基本供给，从而防止其被过度市场化的学术激励所完全挤出。

另一个值得关注的问题，是如何在“人机协同”的框架下重新界定研究分工。既然AI在数据处理与模式识别方面具有明显优势，那么就可以有意识地将这些环节交由AI完成，同时让人类研究者的精力更多地释放到判断、解释与问题重构等更具创造性的活动上。在这一过程中，关键不在于简单地让AI替代人来完成某些工作，而在于通过制度设计，使AI成为支持高价值研究的工具，而不是引导资源向低成本路径单向流动的力量。

更进一步看，我们也需要对科研评价标准本身进行反思。如果评价体系过度依赖数量、速度与可测量指标，那么AI所放大的，就会是这些维度的权重；而那些难以量化的贡献，则更容易被忽视。因此，在AI时代，如何在保持效率提升的同时，避免评价体系对研究方向的过度扭曲，就应当成为一个需要正视的问题。

总而言之，AI4SS所带来的并不是一个简单的“效率提升”故事，而是一种伴随效率变化而来的结构性再配置。从效益角度看，其结果既可能是知识生产的整体优化，也可能是某些重要研究类型的相对萎缩。在这种情况下，如何通过适当的制度与激励设计，引导这一“学术价格体系”的变化朝向更符合社会整体利益的方向发展已经成为人们必须面对的一个重要课题。

本文注释略，原文见《科学·经济·社会》2026年第4期。