《国务院关于深入实施“人工智能+”行动的意见》提出，推动哲学社会科学研究方法向人机协同模式转变，探索建立适应人工智能时代的新型哲学社会科学研究组织形式，拓展研究视野和观察视域。

此前，本版曾推出专题报道《人工智能：来自科学，改变科学》，探讨了人工智能给自然科学研究带来的变化。本期走进哲学社会科学领域，邀请专家学者谈谈他们在日常研究工作中使用AI的探索和思考。

古籍整理与研究有了得力“助手”

讲述人：北京师范大学文学院教授、汉字汉语研究与社会应用实验室主任 王立军

一部未经整理的古籍，其字形认同、句读标点、词义考辨、典故溯源，每一项工作都对研究者的专业学养和时间投入提出极高要求。传统的人工整理模式不仅周期长、成本高，也因专业人才的稀缺，使得大量古籍文献难以得到及时有效的整理和利用。我们一直在思考，能否借助现代科技，为这项古老而崇高的事业注入新的能量？

人工智能技术的快速发展，为我们提供了解决这一难题的新思路。2022年，在国家文化数字化战略的指引下，我们团队获批承担国家语委重大项目，致力于利用人工智能前沿技术，攻克古籍整理数字化和智能化中的关键难题。

这条道路充满挑战。通用大语言模型在标引或释读古汉语文本时，容易出现内容篡改和事实性错误等“幻觉”现象，无法做到对古汉语专业领域知识的准确理解。因此，我们选择从头训练垂直领域模型，利用大规模、高质量的专业古籍语料来应对通用大语言模型的这一弊端。为致敬近代国学大师章太炎先生，我们将该模型命名为“AI太炎”。过去，一位学者整理一部典籍的初稿可能需要数月乃至数年；如今，“AI太炎”能在短时间内完成一部古籍文本的自动标点、注释生成、文白翻译、典故提取等基础性工作。

然而，这并不意味着AI将取代学者。恰恰相反，它将我们从大量烦琐、重复的基础劳动中解放出来，使我们能够聚焦于更具深度和创造性的学术探究。譬如，在汉语词义的演变研究中，我们利用“AI太炎”的智能释义技术，对近2亿字语料进行全量标注。当古今汉语词汇的意义流变轨迹，以系统性数据的形式清晰呈现时，我们得以用一种全新的、数据驱动的方式，去观察和分析语言演变的宏观规律。这在过去是难以想象的。

为国际传播提供更科学精准的参考

讲述人：湖南师范大学人工智能与精准国际传播实验室主任 高协平

过去，要研究一个国际热点事件的媒体报道，通常会抽样选择一些有代表性的媒体，统计分析其数百篇报道。这就像通过随机取几个水样，来推测整片海洋的成分。而现在，AI给了我们“驾驭整片海洋”的能力。

我们曾做过一项关于“一带一路”倡议全球传播的研究。通过AI驱动的网络爬虫，在几小时内就采集到上百个国家和地区、数十种语言、长达五年跨度的数百万篇新闻报道和社交媒体帖子。这个数据量，是传统方法很难做到的。但这只是第一步。面对这片信息的“汪洋”，如何分析？我们引入大数据方法和自然语言处理技术。AI模型可以自动对海量文本进行情感分析，精准识别不同国家媒体对该倡议的态度。通过主题建模，它能像一位不知疲倦的助手，自动归纳出外媒报道中最常出现的议题，譬如是聚焦“经济合作”还是“地缘政治”？是强调“基础设施建设”还是“文化影响”？这让我们从过去对“点”的推测，跃升到对“面”甚至“体”的精确描绘。我们不再只是“觉得”某个议题很重要，而是能通过数据“看到”它在整个信息生态中的权重、演变和关联。这种研究范式的转变，是革命性的。

随着以“我即媒体”为象征的社交媒体时代来临，传播学早已不限于文字形态，图片、表情包、短视频成为新时代的“世界语”。传统研究方法面对这些非文本内容，常常感到无力。但AI中的计算机视觉技术，为我们打开了新世界的大门。

我们研究过一些国际社交媒体上的中国形象传播。以前做这种研究需要招募一大批志愿者，人工观看成千上万的视频，记录其中出现的长城、高铁、京剧脸谱等中国元素，效率极低且主观性强。现在，我们训练AI模型，让它可以自动识别视频中的视觉符号，分析画面构图、色彩基调，甚至结合字幕和语音，进行更深刻的挖掘，做出更综合的判断。AI赋能下的多模态分析，让我们能够更全面、更立体地解读这个视觉化的传播时代，让那些“只可意会”的视觉修辞，变得“可以言传”，甚至可以量化分析。

“数智决策”改变金融理论与实践

讲述人：西南财经大学大数据研究院副院长 徐亮

我来自西南财经大学大数据研究院“地方金融动态监测及系统性风险预警”团队。在AI技术飞速发展和国家“金融强国”战略结合日益紧密的当下，我越来越深刻地感受到，AI驱动的“数智决策”正在深刻改变金融理论与实践。

金融理论和实践，离不开预测和决策两个环节。预测就是对未来收益或者行为的预期。在数字时代，数据基础发生了根本变化，多模态混频数据，如交易流水、舆情文本、财报图像等文本、数字和图片同时存在，极大增加了预测难度。决策就是投资的决定或者面临风险的处置方式。传统的基于模型计算结果的决策模式，缺乏自我调节和修正能力，而“先预测、后决策”分离范式容易导致“预测准确但决策效果不佳”。

我在研究中面临多模态数据预测的一个典型场景，是“电碳融合”背景下的企业信用评级。以往的企业信用评级多基于企业财务信息。随着电力账户和碳账户数据的融合，有了更高频度和更多模态数据来源，如每15分钟更新一次企业电力负荷数据等。我们团队和国网湖北经研院及银行合作，将企业电碳账户和绿色金融深度融合，利用时间序列大模型，创新“多模态数据对齐表征技术”，对企业未来的用电负荷进行有效预测，针对细分行业和企业成长阶段性特点制定差异化的企业电碳信用体系和评价规范，推动企业电碳账户数据和评价结果与金融机构实现信息互通、结果互认。

（摘自《光明日报》2026年3月25日）