人工智能視域下的社會學“費孝通悖論”求解

石英

內容提要 費孝通晚年提出社會學應當具有“科學”和“人文”雙重屬性的命題，有學者稱之為“費孝通問題”或“費孝通悖論”。近年來中國社會學界關于社會學方法論和本土化的論爭，追根溯源都可以歸結為社會學科學性與人文性能否統一和如何統一的問題。人工智能的最新進展為回答這一問題提供了啟示：機器認知是從邏輯思維走向形象思維;暗知識的發現證明直覺和隱喻的合理性;詩性而“模糊”的自然語言可能比精確嚴密的數學語言更適于社會研究成果的表達;科學與人文融通的方向和路徑，不是用科學規范人文，而是讓科學歸于人文。“費孝通悖論”的本質是：讓工具理性服從于價值理性，讓科學性服務于人文性。人工智能為社會研究提供了利器，但人工智能替代不了社會學家的作用，社會學者應當更加積極主動地投入到智慧社會建設之中。

關鍵詞 費孝通悖論 人工智能 復雜性科學 社會學想像力

〔中圖分類號〕C91-0;TP18 〔文獻標識碼〕A 〔文章編號〕0447-662X（2019）10-0023-11

一、費孝通悖論：方法論與本土化之爭溯源

中國大陸社會學恢復重建的領軍人物費孝通先生于2003年發表《試談擴展社會學的傳統界限》一文，提出社會學應當具有科學和人文“雙重性格”的命題，①引發國內社會學界廣泛而持久的關注。仇立平指出，“費孝通之問”是中國社會學研究無法回避的問題。不可高估科學理性在社會研究中的作用，定量研究和定性研究都有其不足，只有將定性研究和定量研究結合在一起，或許有可能接近對“經驗事實”的認識;②陳云松認為費老所說的人文性與科學性兼而有之只是一個愿景，方法之爭反映了中國社會學的不成熟，呼吁“走出費孝通悖論”;③渠敬東則對“方法主義”及其所帶來的“學問與生活的疏離”進行了批評;④潘綏銘和劉林平圍繞定性定量方法進行了激烈論辯，潘對“一切皆可量化”的觀點提出質疑，⑤劉則認為潘的認識存在對大數據的嚴重誤解;⑥趙鼎新指出“科學其實只是一種片面而深入地看問題的方法”，并論證了自然科學與社會科學具有根本性區別;⑦風笑天認為，定性研究與定量研究有著本質差別，二者的結合不可能發生在抽象的認識論和理論視角層面，只能發生在方法論和具體方法層面;風笑天：《定性研究與定量研究的差別及其結合》，《江蘇行政學院學報》2017年第2期。王寧指出社會學本土化的討論應深入到“知識創新力不足”的制度根源層面;王寧：《社會學本土化議題：爭辯、癥結與出路》，《社會學研究》2017年第5期。謝宇從知識的普遍主義角度認定“社會學本土化”是一個“偽問題”，謝宇：《走出中國社會學本土化討論的誤區》，《社會學研究》2018年第2期。翟學偉對此針鋒相對予以反駁。翟學偉：《社會學本土化是個偽命題嗎？——與謝宇商榷》，《探索與爭鳴》2018年第10期。

近年國內社會學界圍繞定性與定量、本土化與國際化等問題的討論，一方面表明，中國社會學恢復重建40年來，已經從一開始的引進照搬走向獨立思考，嘗試建立能夠與國際接軌的中國社會學理論體系;另一方面可以發現，方法之爭的背后反映出學界對中國社會學研究和發展方向的反思乃至焦慮，其焦點其實就是被歸納為“費孝通之問”甚至“費孝通悖論”的科學性與人文性能否統一和如何統一的問題。

從學科分類角度來看，科學指數、理、化、天、地、生等自然科學學科;人文指文、史、哲、藝術、宗教等學科。一般意義上，科學性與人文性的區別體現在：前者偏重邏輯思維，后者偏重形象思維;前者重工具理性，后者重價值理性。社會學被認為是介于科學學科和人文學科之間的過渡性“社會科學”，其科學性和人文性能否統一？如何統一？人工智能的進展或許可以讓我們從中得到啟示。

二、人工智能：從邏輯思維到形象思維

1.圖靈測試（Turing Test）、深藍（Deep Blue）、阿爾法狗（AlphaGo）

人工智能（AI），也被稱為“機器智能”，是新的科學技術革命的前沿領域，是世界經濟轉型產業升級的“風口”，也是當前社會普遍關注的重要熱點領域。早在上世紀中葉，人工智能的概念和設想就已提出，但直到最近幾年才有了突飛猛進的爆發式發展。一方面是由于互聯網、大數據、云計算奠定了人工智能的物理基礎，另一方面得益于人工智能的“算法”突破了舊有思維模式。

人類智能來自于人的思維，思維的器官是我們的大腦。我們把電子計算機稱為“電腦”，但人們并沒有將普通電腦稱為人工智能。這是因為公認的“人工智能之父”英國數學家圖靈提出了評估機器是否具有可以思考的智能的標準——圖靈測試（Turing Test）：就是當人類測試者向機器提出一些問題由機器作答，當測試者無法分辨給出答案的對方是人還是機器，則該臺機器即通過測試，認為其具備“智能”。因此，普通公眾對人工智能的認知，是在人與機器的智力比較中獲得的。于是，發生在1997年和2016年的兩次棋類“人機大戰”，成為人工智能發展史上重要的里程碑和轉折點。

1997年5月11日，一臺由IBM公司開發的命名為“深藍（Deep Blue）”的計算機挑戰國際象棋世界冠軍卡斯帕羅夫，并最終以3.5∶2.5獲勝。這不僅震驚了國際象棋界，也形成一波人工智能輿論高潮。然而計算機科學家十分清楚，“深藍”的國際象棋贏得其實很艱難。“深藍”重達1270公斤。利用30個IBM RS/6000處理器運行搜索，480個定制處理器執行行棋功能，平均每秒搜索12.6億個節點，峰值時可達33億個節點，每步棋可生成多達300億個棋局。譚營：《人工智能知識講座》，人民出版社，2018年，第152頁。設計者是一個由計算機專家和國際象棋高手多人組成的專家小組，事先對卡斯帕羅夫下過的所有棋譜進行深入研究，輸入了一百多年來世界頂尖國際象棋優秀棋手的對局棋譜兩百多萬局，對各種可能性寫出應對程序，設計搜索算法，實際對弈中采用“窮舉法”邏輯推理。也就是說，“深藍”的勝利是依賴于強大的硬件和計算機邏輯計算的“蠻力”取勝的。在贏得勝利后，IBM即宣布“深藍”退役。剛剛似乎熱起來的人工智能又陷入近20年的“潛伏期”。近年來，由谷歌開發的圍棋程序“阿爾法狗”則另辟蹊徑，從“窮舉法”邏輯推理到人工神經網絡、“深度學習”，在圍棋人機博弈中積累經驗、愈戰愈勇。2016年3月，“阿爾法狗”對弈職業圍棋九段李世石，最終以4：1總比分取得勝利，震動全世界。2017年5月，又以3：0完勝世界排名第一的棋手柯潔。并自此保持了不敗的記錄。人類圍棋高手由一開始的半信半疑不服氣，到完全沒有還手之力，不得不甘拜下風。

圍棋被認為是最能體現人類智慧的棋類游戲。棋盤和棋子簡單而直觀，就是在19×19幾何平面上的線性位置結構產生的相對競爭（博弈）關系。圍棋的局面由雙方博弈過程共同形成的位置關系決定，沒有不變的前提變量的設定，完全是雙方棋手獨自看局觀勢的直覺判斷和策略博弈，所以圍棋能體現人的直覺的智能。周劍銘、柳渝：《兩種“兩種文化”交匯中的人工智能》，《科學與社會》2018年第1期。好的棋手經過長期的訓練積累，形成良好的“棋感”，能夠從整體局面觀“勢”，迅速做出判斷并創造性地落子。由于每一落子都會帶來幾乎無限的可能性，棋局變幻莫測。如果像“深藍”一樣依靠“死記硬背”棋譜和窮舉搜索的算法模式，計算能力再強大的機器要戰勝人類圍棋高手也幾乎全無可能。因此可以認為，“深藍”的勝利是硬件的勝利，“阿爾法狗”的勝利則是軟件的勝利。

2.符號邏輯、專家系統到深度學習

從“深藍”到“阿爾法狗”的機器人進化，實際上反映出人工智能發展過程中“符號邏輯推理-專家系統-人工神經網絡深度學習”的關鍵演進歷程。

符號邏輯是人工智能的早期思想，其理論是只要解決了自然語言處理即符號化問題，基于少數幾條基本的公理和定義，依賴于計算機強大的的計算能力、存儲能力，通過數理邏輯和博弈論推演，即可演繹出新的定理和其他推論。實際上目前一般計算機的統計分析軟件都已能夠很好地達到這種“智能化”效果，但人們發現這種方法只能在一些小規模簡單問題上應用，隨著問題復雜化，其搜索空間規模呈指數型急劇上升，根本無法解決現實世界中的實際問題。

專家系統在單一符號邏輯推理基礎上更進了一步，是旨在將人類專家決策能力與機器符號邏輯推理能力相融合的系統。專家系統通常分為兩個子系統：知識庫和推理引擎。知識庫是存儲結構化信息的技術手段，推理引擎是一種自動推理系統。專家系統的知識庫規則與事實來自人為定義和補充，通過“人機回圈”（Human-in-the-Loop）、“眾機回圈”（Society-in-the-Loop）實現“人機互動”，人是規劃環路的一部分，人的判斷既用于業務決策，又被反饋到機器學習算法中使其更加“智能”，類似于“德爾菲法”。

人工神經網絡是對人腦生物神經網絡的模仿。人類意識之謎還沒有完全解開，人腦具體是怎樣工作的機制還不清楚，但解剖生理學知道了大腦的結構。人腦中有1000億個神經元，生物神經網絡依靠數量龐大的神經元和突觸連接構成。無論何種思維都落實為神經系統的生物性-物理性-化學性運動。人工神經網絡摒棄了給機器輸入邏輯規則的思路，而是嘗試模仿人腦結構“重建”大腦。以感知器替代神經元，以并行方式電子電路模仿神經元連接。人工神經元網絡結構呈多層分布，因此被稱為“深度神經網絡”。隨著反向傳播算法的提出，人們可以通過預訓練微調非循環多層神經網絡，模仿人腦達到“學習”的目的。學習過程就是調整每個人工神經元中保存的參數值的過程。學習訓練的過程區分為監督學習、無監督學習和強化學習，反復訓練，即所謂“深度學習”。每個人工神經元保存的參數值即神經網絡的“記憶”，信息被分布存放在整個人工神經網絡中。

阿爾法狗了不起的是它能夠像人一樣擁有“棋感”，能“看懂”圍棋的“勢”，推測當前最優走子。圍棋棋局的“勢”即局勢、形勢，是棋手從整體出發對棋局的判斷。人類棋手的棋感在強化訓練反復實踐長時間積累中形成，是人類特有的直覺。對于機器而言，如果你給它看一張圖片，它“看到”的無非是一堆0/1這樣的二進制數字，除了可以很快數出圖像里面包含有多少種不同顏色及其排列的信息外，其他的一概不知。數碼相機用“像素”表示清晰度，電視電腦顯示屏區分多少“線”，機器讀圖是一由點到線到面的“逐行掃描”的過程。而人一開始是從全局的角度看這個圖片，一眼就能知道這個圖片大概是什么東西，什么內容。這是整體模糊識別，可能會忽略一些不重要的細節，卻會同時抓住特征和關鍵。

可以看到，目前人工智能的飛速發展很多都是從圖像識別開始的。人工智能神經網絡應用在計算機視覺上的重要突破，就是不再讓計算機用0/1來逐點逐行掃描識別圖像內容，而是讓計算機依靠分散存儲全局并行的深度人工神經網絡，在觀察刺激“學習”中去自動抽取圖像的語義特征。當然一開始很可能只是一個一個小圖塊組合方式的語義特征，反復訓練就可以開始慢慢地感知到這個圖形的組合特征，進而形成概念、意義，識別規律，做出判斷、決策。在過去這一過程因太漫長而難以實現應用。隨著信息傳輸存儲技術發展，加之高性能圖形加速處理器加速，互聯網大數據時代機器海量閱讀學習效率越來越高。阿爾法狗比人厲害在于它一天能下數百盤棋，獲得迅速積累，這就是它能夠很快超過人類棋手直至戰無不勝的原因。

計算機模擬人類學習功能，從大量數據中發現規律提取知識，不斷完善增強自我。這是機器向人學習。可以看到，在“符號邏輯-專家系統-人工神經網絡深度學習”的人工智能進化過程中，機器“認知”開始由嚴密、精確的邏輯思維轉向整體、模糊的形象思維。這是一個重要的轉折點：“科學”與“人文”之間的最后一層窗戶紙正在被戳破！

三、以科學規范人文：中國社會學恢復重建的邏輯困境

1.早期社會學中西方不同研究傳統

社會學作為一門學科誕生于西方工業革命之后自然科學興起和大發展時期。創始者法國人孔德于1840年左右最先提出社會學概念，一開始稱其為“社會物理學”，并認為是人類認識史上“科學序列”最高級也是最后一門學科。他對科學的排序依次為：數學、天文學、物理學、化學、生物學、社會學。之后，一代代西方社會學大師不斷豐富發展著這門學科的理論和方法體系，兩百余年來，社會學發源地歐洲與后來居上的美國之間各自形成不同的研究傳統和學派。從結構功能主義、符號互動論到批判主義，其理論演變始終存在人文主義與科學主義的此消彼長和激烈論爭。20世紀中葉，西方社會科學開始涌現各種“后現代”理論和思潮，如格式塔心理學、胡塞爾現象學、符號互動主義、常人方法論、建構主義、結構主義、精神分析、女權主義等，社會學領域出現對“量化”研究的“反抗”思潮。質性研究方法的興起和成熟一定程度上正是這些理論思潮集大成的產物。總體來看，西方社會學的發展由一開始強調邏輯實證的科學主義越來越朝向于人文主義思潮。

社會學最早傳入中國是在19世紀末20世紀初葉，正值社會大動蕩時期。當時的學科分化和學科界限比較模糊，社會學、民族學、人類學不分家。第一代中國社會學人大都學貫中西，熟諳歷史，具有深厚的傳統文化底蘊。他們對社會理論的探討，自覺而自發地以“社會問題”為導向，緊密聯系著改造變革社會的實踐展開，并形成了“學院派”“鄉村建設派”和中國共產黨人的“革命派”社會學特色和風格。即使在艱苦卓絕的抗戰時期，我國的社會學教學研究都沒有停滯，西南聯大在昆明開啟了中國社會學史上著名的“魁閣時代”，建立了人類學調研基地，開展鄉村田野調查。總體上看，中國早期社會學并沒有那么多“科學”的框框，而更多具有“人文”色彩。自1979年“恢復重建”以來，在社會學研究方法體系上則逐漸形成了問卷調查統計分析為主流的學科建設方向。可以認為，中國社會學與西方社會學發展路徑似乎截然相反，由早期偏于人文主義的路徑到今天演變為“科學社會學”范式的一統天下。

2.恢復重建社會學的歷史背景與“技術化”傾向

中國大陸社會學的恢復重建與改革開放完全同步，迄今整整40年。1979年3月以費孝通為會長的“中國社會學研究會”的成立，標志著社會學恢復重建的開始。重建中國社會學，費孝通提出首先是要有社會學的“五臟六腑”：五臟是學會、研究所、院系、圖書資料、刊物;六腑是社會學六門基礎課，社會學概論、社會學理論、社會調查研究方法、社會心理學、經濟社會學、比較社會學。楊心恒：《說說中國社會學的恢復與重建》，《炎黃春秋》2015年第1期。從引進教材到培訓學員，“中國社會學在恢復之初，主要是請美國社會學家來華講學，受到美國社會學的研究風格影響較多一些。因此，30年來的中國社會學在研究風格上更具有實證研究的特點。”李強：《理論研究對于社會調查及實證研究的重要性》，《中國社會科學報》2009年10月29日，第7版。

前面談到，西方社會學總的趨勢是由邏輯實證主義起始，到現代人文主義思潮逐漸占上風，美國也不例外。但為什么中國恢復重建引進的美國社會學基本上是科學主義的“統計社會學”？一方面，“美國社會學與經濟學和統計學早期多年的親緣關系，奠定了其量化與統計技術使用的傳統……要擺脫歐洲的人文和思辨風格”;陳心想：《社會學美國化的歷程及其啟示》，《社會學研究》2019年第1期。另一方面還要看到，無論是恢復重建初期請到中國來講學還是后來“走出去、請進來”交流的美國社會學家，大都為華裔移民，鮮有美國本土出生的非亞裔社會學者。這些華裔移民即使已經在美生活了幾十年時間，恐也很難具有幾代居住在美國的“純正”美國人所擁有的美式思維方式和文化直覺。而出國留學的中國人大都具有較好的數學能力和邏輯思維能力，量化分析研究方法是華人觀察研究美國社會的一種較佳視角，但未必就代表了美國社會學當代發展的趨勢。

社會學恢復重建初期的時代潮流也決定了中國社會學必然走“科學社會學”之路。當時的中國百廢待興，1977年恢復高考，1978年全國科學大會，科教興國，人們歡呼“科學的春天”到來。走出迷信，崇尚科學，科學的地位至高無上，社會學作為一門科學當然必須符合科學的特性和標準：客觀性，價值中立;實證性，可重復、可檢測;邏輯性，精確定量，數學語言表達。

當社會調查研究愈來愈程序化、操作化、規范化，從資料收集、理論預設、抽樣方案，問卷設計、量表測量、信度效度檢驗到統計分析等環節，課題設計者、數據采集者、數據分析者、論文撰寫者，分工愈來愈細，形成工業化的“產業鏈”。隨著計算機統計和信息技術的發展，大規模問卷調查越來越容易操作，機器編碼識別，SPSS、SAS等統計分析軟件把交互分析、回歸分析、趨勢分析、聚類分析、相關分析等過去復雜高深的統計計算變得輕而易舉。我們千方百計追求測量數據的信度、效度、精確性，控制和區分自變量、因變量、中間變量，確定相關性，判斷因果關系，建構數學模型。研究者越來越工具化，人的主觀能動性也越來越被拋到一邊。社會學研究已成為完全由工程思維主導的“技術活”！

其實不只是社會學，在包括經濟學、法學等在內的整個中國社會科學領域，總是有太多的學者擔心“中國社會科學離科學還有多遠”，很少有人考慮“人文性”在社會科學中應否保留一席之地。

3.社會學想像力的弱化和缺失

社會學的“專業性”究竟是什么，是以數理統計為基礎的抽樣技術、資料分析技術嗎？

中外社會學經典教材中，普遍把“社會學想像力”作為社會學區別于經濟學和其他社會科學學科的重要特征。社會學想像力（sociological imagination）是美國社會學家賴特·米爾斯1970年提出的概念。“社會學想像力可以讓我們理解歷史與個人的生活歷程，以及在社會中二者間的聯系。”[美]米爾斯：《社會學的想像力》，陳強、張永強譯，生活·讀書·新知三聯書店，2012年，第4頁。米爾斯指出，這種想像力是一種視角轉換的能力、換位思考能力，是將個人議題轉化為公共議題的能力。社會學想像力也被稱作“社會學視野”，還有港臺學者譯為“社會學構造力”。美國社會學家麥休尼斯認為，“社會學是關于人類社會的系統研究。社會學的核心是一種被稱作社會學視野（Sociological perspective）的特殊觀點”。[美]約翰·麥休尼斯：《社會學》，風笑天等譯，中國人民大學出版社，2009年，第4頁。

據此，如果要談社會學的“專業性”，比數理計算能力更應當強調的是——社會學想像力！筆者以為，社會學想像力本質上是一種聯想能力，是基于經驗的直覺感悟能力，是透過局部看整體、透過現象看本質的能力，是合乎理性的批判反思能力，是來自于長期參與、觀察、體驗、感悟、思考的結果。它更多地是一種形象思維，而不是邏輯思維。富有社會學想像力的學者能夠在個人體驗與公共議題之間建立聯系，在微觀經驗與社會趨勢之間進行穿梭。社會學想像力幫助我們找到這個時代在歷史中的定位，找到個人在社會結構中的定位。很多難以從個人經驗中獲得完整解釋的社會現象，一定源自于某種個人無法控制的社會結構的力量，而這種結構的力量往往是從統計數字中分析不出來的。還有一些由“蝴蝶效應”引發影響歷史進程的“突發事件”，也幾無可能從邏輯因果鏈數學模型推導和預測。

事實上，我國高校社會學教材也普遍把社會學想像力作為重要概念提及，但往往還是停留在西方社會學經典案例“一杯咖啡”引起的聯想，而對于社會學想像力的本質究竟是什么，怎樣訓練社會學想像力，中國社會學教材和課堂似乎并未予以足夠的關注。與之相反，我們熱衷的是“找數據”，建數據庫、實驗室。把本應鮮活生動的社會學硬生生地變為了一門數據科學。社會學的想像力在不知不覺中被“工程思維”所取代，不斷弱化、淡化乃至消解，變得可有可無。

4.確定性追求與不確定性問題

回顧近代自然科學的發展歷程可以看到，科學的發展史可以說是一部追求“確定性”的歷史。科學家正是不斷地克服不確定性和人的主觀性，運用精確的數理工具和方法，才有了客觀和確定性的科學理論和技術，基于工具文明的加速進步，使得人類社會呈加速度登上了一級級更高的臺階。

這里，還原論是近代自然科學認知的核心理念。其認為任何復雜的事物、現象都可以分解為更為簡單的各個組成部分來加以認識、描述和處理。將整體分解為部分，高層化解為低層。研究物質世界，化學以物理學為基礎，生物學又以化學為基礎。然而當物理學研究進入基本粒子層次，生物研究涉及到生命現象，還原論思維和確定性追求似乎失效。

德國物理學家海森堡于1927年提出了“測不準原理”，單個微觀粒子的位置與動量不可能同時被確定，位置的不確定性與動量的不確定性遵守不等式。這一原理打破了經典物理學關于所有物理量原則上可以同時確定的觀念，奠定了量子力學的基礎。按照海森堡的表述，測量行為不可避免地攪擾了被測量粒子的運動狀態，因此被理解為一種“觀察者效應”。后來物理學家指出“測不準”正是由于“不確定”，“不確定性”是微觀粒子的內秉性質，無論是否被測量被觀察，都處于“不確定”狀態。也就是說，“測不準”和“不確定”是完全等價的。至此，“測不準原理”又被稱為“不確定性原理（Uncertainty Principle）”。

隨著科技的進步人們逐漸發現，“不確定性”比“確定性”更為基本和普遍，確定性問題只是我們所面對的問題中極小一部分。量子力學領域我們不知道“薛定諤的貓”在某一時刻是死是活。在計算機理論研究領域，大量的“不確定性問題”（Nondeterministic Problem，NP）給人類認知帶來深深的困惑。NP既不是算法可確定性計算的，也不是算法可判定的。

人們或許認為，量子世界的不確定性不等于社會運行的不確定，二者之間沒有邏輯上的關系。然而不難想像，如果物質世界基本粒子都“測不準”，社會中人的行為就更加測不準。人有思想，有感情，有性格，且人的想法還會隨時改變。人與人的關系、個體與社會的關系比之基本粒子之間的作用要更加錯綜復雜。真正的不確定性是“人”的不確定性。

社會學是“群學”。由人所構成的人類社會，任何社會現象、社會事件的發生，都是一個個具體的人的行為的集合表現。人是環境的產物，受歷史的局限。量化分析的社會學研究，盡可能把復雜問題簡單化、抽象概念具象化。概念的操作化、指標化，試圖對組成社會的人的態度、思想和行為進行盡量精準的測量。這也是一個“還原”的過程。然而不難想像，正如量子力學“測不準”是由于測量行為不可避免地擾亂測量對象微觀粒子，社會調查對人的“測量”行為無論設計多么精巧，也不能避免對調查對象的干擾，不可能得到“精準”結果。實際上每一次我們認為可信度很高的問卷調查結果幾乎都經不起重復檢測，同一份問卷同一個調查對象兩次填寫的結果都可能會不同。我們可以用信度、效度去解釋，去校正，但根本不可能達到像自然科學研究那樣可證實、可證偽、可重復、可檢測的嚴格標準。

然而，正如基于還原論的數理實驗科學在探索物質世界中獲得巨大的成功，使得還原論成為人們認知世界的基本思維方式那樣，計算機強大的解決問題的能力也給人們帶來一種觀念上的錯覺：所有的不確定性問題最終仍可能得到確定性地解決。

一定意義上，科學與人文的區別，就是“確定性”與“不確定性”的區別。當我們試圖用“科學”去規范“人文”，用追求“確定性”的科學方法去解決充滿著“不確定性”的人文社會的問題時，勢必會陷入內在的邏輯矛盾。

四、暗知識：復雜性科學向人文社會科學的躍遷

1.暗知識與人工智能恐懼

理論物理學發現“暗物質（dark matter）”的存在，證明了宇宙中還存在著現代科學無法企及的領域，盡管今天的科學已如此發達，未知世界仍然遠遠大于已知世界。人工智能發展，又引出了“暗知識（dark knowledge）”的概念。

將“深藍”與“阿爾法狗”對比，開發“深藍”的IBM工程師清楚地知道“深藍”是如何戰勝了國際象棋冠軍卡斯帕羅夫，但開發“阿爾法狗”的谷歌工程師對于“阿爾法狗”的勝利卻是“知其然不知其所以然”，無法從機理上說清楚。阿爾法狗使用了深度神經網絡配合強化學習訓練的方法，不依靠人類棋譜先驗知識，從零開始自主訓練，通過與人類棋手的博弈和不斷地自我博弈，積累經驗飛速進步，進而達到戰無不勝的境界。從“深藍”到“阿爾法狗”，由窮盡棋譜到“自學成才”，“阿爾法狗”成功的背后，同時也帶來一個科學上從未遇到過的問題，那就是不可解釋性。與通常人們所理解的算法或計算機原理不同，盡管模仿大腦神經突觸聯接得到了具有“學習”能力的人工神經網絡模型，但僅僅只是基于對人腦物理結構的“模仿”產生的效果。它既不是數學理論的計算推導，也不是物理定律的歸納演繹，當然也就不是基于機理的設計，談不上機理上的理解和解釋。也就是說，其工作機制是一個“黑箱”，既不能像算法程序一樣被取出來，也不能被編輯移植。信中利美國創投公司創始合伙人王維嘉將這種人類無法理解、不可感受又不可表達的知識稱為“暗知識”，并認為這是一種新的知識類型。王維嘉：《暗知識：機器認知的顛覆》，在2019亞布力中國企業家論壇第十九屆年會上的演講。

阿爾法狗戰勝人類棋手，標志著人工智能研究邁上了一個嶄新的臺階，也開啟了新一波人工智能研究熱潮。短時間內，人臉識別、語音翻譯轉換、法律咨詢、疾病診斷，甚至寫詩作畫等人工智能應用，都已經顯得比人強，似乎很多崗位都要被機器人所替代。與此同時，對人工智能發展的恐懼也達到空前程度。通過一些科幻作品和媒體宣傳，從普通公眾到前沿科學家，都從法律、倫理、安全等不同角度對人工智能發展前景表示了擔憂。人們甚至擔心未來是否會出現機器人統治乃至消滅人類的局面。

科學家的擔心并非完全是杞人憂天。因為模擬人腦功能的機器學習產生了“暗知識”。對于“暗知識”，人類不僅無法表達無法學習，甚至無法體悟無從感受。在人類認識史上，第一次真真切切地感覺到竟然存在著我們永遠無法認知和掌握的知識！人工智能機器做出的判斷和選擇總是比人正確。為什么正確？我們只知其然而不知其所以然。而未來機器在不長時間內所“發現”的暗知識有可能會讓我們數千年積累的知識顯得微不足道。人類是如此渺小，恐懼由此而生。

2.默知識、軟知識與直覺

“暗知識”不可理解、不可表達;與之相對應，能用語言文字、符號圖像等方式表達和傳播的知識則叫做“明知識”。王維嘉將“暗知識”歸為“第三類知識”。那么除明知識、暗知識外，還有哪一類知識？

早在80年前，諾貝爾經濟學獎獲得者哈耶克就曾經對知識的本質有過深刻闡述。他將知識區分為“顯知識”和“默知識（默會知識）”。“顯知識”就是“明知識”，比如牛頓力學、愛因斯坦相對論，等等。此種知識可以表達、可以傳播、可以理解，因而人人都能學得到，也可以集中使用。“默知識”則是指沒有辦法用語言、數字、符號、圖表、公式等方式表達和傳遞的知識，只可意會不可言傳。這種知識在我們生活中其實大量存在，比如舞蹈、繪畫、拉提琴都是默會知識，有人一學就會，有人總學不會。師傅帶徒弟，老師教學生，同一個班每一個人學習效果都不一樣。牛頓、愛因斯坦通過思考發現重大科學定律，而全世界其他科學家卻沒有。過去只能用“悟性”“竅門”“天賦”差異來解釋。“默知識”概念的提出，正好解釋了這種“靈感”“訣竅”的本質。或者可以說，默知識就是人類直覺。

由此可見，“默知識”并不完全等價于“暗知識”。暗知識既不可意會又不可言傳，默知識則是一種雖不可表達但可體悟和感受、“只可意會不可言傳”的知識。暗知識概念提出者王維嘉認為，這三類知識的關系如果用一座冰山來表示，明知識就是露出水面的冰山一角，默知識就是水面下的整個冰山，暗知識則是整個海洋。王維嘉：《暗知識：機器認知的顛覆》，在2019亞布力中國企業家論壇第十九屆年會上的演講。

國內還有經濟學家將哈耶克提出的“默知識”稱作“軟知識”，與之相對應的則是“硬知識”。“三類知識”就是指“明知識”“默知識”和“暗知識”。

明知識=顯知識=硬知識

| | |

暗知識≠默知識=軟知識

我們把默知識理解為人類直覺，那么暗知識就是“機器直覺”。默知識和暗知識的共同特點是不可表達，當然也就不可集中、不可計算。由此超越了“可計算性”，打破了“一切皆數據”“一切皆算法”的神話。

3.由“方程（Equation）”到“算法（Algorithm）”再到“隱喻（Metaphor）”

“機器直覺”的出現，是人工智能的突破之處也是其可怕之處。因為“機器直覺”屬于“暗知識”，不可表達也無法集中，當然也不可計算。這就顛覆了經典自然科學的符號邏輯話語體系！

從牛頓力學到量子力學，我們今天已知的科學技術已經形成了一整套完備、嚴密、精確、抽象、符號化、邏輯化的話語體系，那就是數學語言。我們用函數y=f（x）描述一個量隨著另一個量的變化而變化，或者說一個量中包含另一個量。我們對研究實體進行必要的簡化，并用適當的變現形式或規則把它的主要特征描述出來，建構數學模型。數學模型可以是一個或一組代數方程、微分方程、差分方程、積分方程或統計學方程，也可以是它們的某種適當的組合，通過這些方程可以定量地表述系統各變量之間的相關關系或因果關系。

在計算機對于工程技術復雜事務的處理中，算法代表著用系統的方法描述解決問題的策略機制。算法是一系列解決問題的清晰指令，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出，是解題方案準確而完整的描述。算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和初始輸入開始，經過一系列有限而清晰定義的狀態，最終產生輸出并停止于一個終態。一個算法的功能結構不僅取決于所選用的操作，而且還與各操作之間的執行順序有關。不同的算法可能用不同的時間、空間或效率來完成同樣的任務。一個算法的優劣可以用空間復雜度與時間復雜度來衡量。一個狀態到另一個狀態的轉移不一定是確定的。如果一個算法有缺陷，或不適合于某個問題，執行這個算法將不會解決這個問題。參見百度百科，https：//baike.baidu.

就解決問題的路徑而言，如果說函數方程給出的路徑是唯一的，算法所給出的路徑則是可選擇可比較的。或者說，“算法”即思路。“算法”強調發揮人的主觀能動性。

人工智能進一步發展和超越了算法理論，界定了“可算法化”和“不可算法化”的不同情形，面對不確定性問題NP，人工智能提供的是最優近似解決方案。正如“阿爾法狗”的設計者清楚，這款“深度學習”圍棋軟件并不能確保自己一方必勝。但它通過學習不斷調整修正“思路”，取勝的可能性越來越高。

“暗知識”的不可表達性，意味著人工智能工作原理既不能表示為方程也不能表達為算法。我們只能借用“隱喻”來近似“表達”。隱喻，是一種通過暗示啟發想像的修辭手法，多用在詩歌一類文學作品中。而嚴肅的科學論文基本是杜絕此類修辭的。人工智能是對人腦的模仿，人腦對于非認知因素的理解更多地來自于直覺，即說不清道不明的“第六感”。正如只可意會不可言傳的“默知識”，雖然我們無法用數學語言或自然語言準確表達和描述，但可以通過類比、隱喻等手法來幫助猜測和領悟、解讀其潛在信息。當然，這種猜測式解讀見仁見智，因人而異，沒有統一的“標準答案”。

由方程到算法，可以說是由精確邏輯的數學語言走向模糊邏輯的思路選擇;由算法再到隱喻，則是由科學語言進一步跨向人文語言，科學性朝著人文性方向的躍遷實現了關鍵一步。

4.兩種進路，殊途同歸

按我國的學科設置和科學建制，社會學的學科屬性可以說是介于自然科學和人文學科之間，這也是“雙重性格”論的緣由之一。現實的社會科學研究實際存在著“自然科學”“社會科學”兩條進路。大多數理工科院校都開設有管理學院一類交叉學科院系和課程，很多從事社會科學的學者也踴躍申報自然科學基金軟科學項目。也就是說，一方面傳統的社會科學學科普遍向自然科學學習和靠攏;另一方面經典的自然科學面對能源、交通、環境等經濟社會問題也在尋求得到人文學科幫助的解決路徑。

社會科學引入和模仿自然科學研究方法的路徑前已述及。自然科學學者研究社會問題，則逐步形成了“系統科學”“復雜性科學”的進路。“復雜性科學（complexity sciences）”不是一門具體的自然科學學科，而是泛指對復雜性系統的科學研究。上世紀中葉先后誕生了系統論、控制論和信息論“老三論”，耗散結構理論、協同論和突變論“新三論”。20世紀70年代以來，隨著簡單系統的理論日趨成熟，系統科學開始真正轉向以復雜性為主要對象，“復雜性方法”和“復雜性科學”應運而生。世界上先后出現的關于復雜系統的一般理論有：歐洲學派以普里高津、哈肯、艾根為代表的自組織理論;美國學派以圣菲研究所霍蘭為代表的復雜適應系統（CAS）理論;中國學派以錢學森為代表的開放復雜巨系統理論。

我國科學家、系統科學中國學派的代表錢學森提出復雜性科學的綜合集成方法，他指出“當你定量解決了很多很多問題，譬如說關于國民經濟的許多問題以后，你有一個概括的提高的認識了，這又是從定量上升到定性了。自然，這個定性應該是更高層次的定性認識了。因此定性和定量的關系，是認識過程的一個描述，循環往復，永遠如此。”黃欣榮：《復雜性科學的方法論研究》，重慶大學出版社，2006年，第182頁。系統科學跳出了“定性”“定量”的分離對立，從更大范圍、更深層次、更復雜的關系上著眼于整體論思維。

復雜性科學的基本原理源自于自然科學特別是理論物理學的進展。熱力學第二定律“熵增加原理”表明“時間之矢”不可逆;耗散結構理論則指出遠離平衡態的開放系統通過不斷地與外界交換物質和能量，漲落，涌現，自組織，可以使系統從無序轉變為有序，從而揭示了生物進化、社會進步的基本原理。信息論認為信息等價于“負熵”，而負熵恰好可以作為“復雜性”的量度。由此，熵與負熵、連續性與非連續性、線性與非線性、確定性與不確定性、可預測與不可預測，可計算性與不可計算性，在復雜性科學視域下展現了科學與人文內在、辯證的對立統一。

“復雜性”與“簡單性”事物的區別在于運動狀態的非線性、不確定性、不可還原性。復雜性科學的一個重要概念是“混沌”，而對“混沌”的認知需要跳出“精確性”思維而遵循“模糊邏輯”。毫無疑問，人類社會是高度復雜的開放性巨系統。復雜性科學著眼于整體的模糊認知，更適于社會現象內在、潛在、本質的探究和理解。引入復雜性科學視角，或許可以對社會學的“科學性”有更為深刻的認識。

五、讓科學歸于人文：人工智能時代的社會學

1.走出費孝通悖論，回到費孝通

回到“費孝通問題”或“費孝通悖論”。“我們把‘人放到自然歷史演化的總的背景下去理解， 人是自然界演化的一個過程和結果， 同樣， 所謂‘社會、‘人文也是自然的一部分， 它是人根據自身的需要造出來的一個第二環境， 但‘人文只能建立在自然規律和原則的基礎上，‘人文的活動， 只是在很多方面利用自然， 利用自然特性， 順著自然內在的規律， 適應它的要求， 為人所用， 而不能真正改變這些規律和原則， 也不可能和‘自然法則對抗， 不可能超越自然的基本規律。”費孝通：《試談擴展社會學的傳統界限》，《北京大學學報》（哲學社會科學版）2003年第3期。費老這段話或許給人們一種誤解，認為人文的活動也可以用自然科學方法來加以研究，甚或必須用自然科學的標準來規范！

費老《試談擴展社會學的傳統界限》一文在2003年發表，其時已是中國社會學恢復重建20余年。從歷史背景看，正是由于中國社會學恢復重建以來唯科學主義傾向愈演愈烈，費老晚年才發出呼吁，表達了他的擔憂。“特別是對于人和自然的關系上， 我們在接受西方現代科學的同時， 基本上直接接受了西方文化中‘人和‘自然的二分的、對立的理念， 而在很大程度上輕易放棄了中國傳統的‘天人合一的價值觀”。“社會學的人文性， 決定了社會學應該投放一定的精力， 研究一些關于‘人、‘群體、‘社會、‘文化、‘歷史等基本問題， 為社會學的學科建設奠定一個更為堅實的認識基礎”。費孝通：《試談擴展社會學的傳統界限》，《北京大學學報》（哲學社會科學版）2003年第3期。

前文提到復雜性科學研究的一個重要方法是“隱喻”。有不少學者認為中國傳統文化是基于隱喻的文化，中國漢字象形文字本身就是隱喻的典范。表明中國人從一開始就想從整體上來“定性”地認識復雜事物，而不是把復雜事物分割成一個個單元來“量化”認識。費老對中華傳統文化的強調和呼喚，實際體現出高度的文化自覺與深刻的科學思維水乳交融的內在統一。

人文是人類的特質，是人與動物的區分，一切人造物都是文化。從漫長的人類社會演進史來看，“科學”只是到晚近幾百年才出現的現象。因此，站在歷史的高度看待科學與人文的關系，二者本為一體，都屬于人類文化。或者說，人文產生科學，科學隸屬于人文，廣義上“科學”是“人文”的產物和組成部分。只是當科學文化逐步發展形成一個相對獨立的體系，我們才把科學之外的藝術、宗教、哲學等文化類型稱為人文。

科學性的核心是工具理性，人文性的本質是價值理性。當我們分別強調其工具理性與價值理性的區別時，二者才逐漸走向分離與對立。在某種意義上，科學技術只有為了人的目的才具有價值，如果科學不能為人類的歷史進步做出貢獻，就沒有了意義。每一個科學家所身處的社會，才是孕育科學產生和進步的土壤;每一個科學家身份背后的人生，才是科學成其為科學的最終動力。科學技術發展史帶給人類社會倫理道德方面的困惑也一再表明，猶如手腳必須服從大腦，社會學科學性與人文性的統一，應當讓工具理性服從于價值理性，科學性服務于人文性。而不是本末倒置，把人腦交給電腦，追求科學的形式，忽略科學的本質。

科學的本質是什么？就是實事求是、懷疑批判、追求真理。人文孕育創造了科學，科學終將歸于人文。人工智能給我們的啟示在于，科學性與人文性融通的方向和路徑不是人文向科學靠攏，而是科學主動走向人文！讓科學歸于人文，這也正是費老《試論擴展社會學的傳統界限》一文的核心要義。走出費孝通悖論，就必須要回到費孝通。扎根于中華文化沃土，堅持文化自覺、文化自信，“行行重行行”，在田野實踐中訓練社會學想像力，使科學精神與人文精神統一于真善美。

2.智慧社會呼喚科技與人文融通的社會學

我們正快步進入一個“智慧社會”。社會學者可能更關心的是，人工智能能否直接用于社會學研究？就如計算機的普及在幾乎所有行業都普遍應用一樣，社會學研究領域人工智能的工具性使用，提高效率并部分替代人工將是必然趨勢。實際上，人工智能已經在機器人、仿真系統、控制系統、經濟政治決策中得到大量應用，諸如交通管理、刑偵破案等。遍布各處的攝像頭，無所不在的自媒體，使得人們社會生活活動軌跡包括行為態度、交往過程、互動關系都被數據記錄并保存下來，傳輸到云端。理論上如果這些數據都能夠被充分利用分析，無疑可為社會學研究提供強大的利器。大數據替代問卷調查與民意測驗。人工智能用于文獻查閱梳理、音頻視頻識別處理，文本圖像自動生成。機器智能化分析，從紛亂如麻的萬事萬物中找出隱藏的相關關系，結論自動涌現，自動實時調控。社會學家的工作是否會被機器人所取代？答案當然是否定的。

前已述及，現有人工智能的發展盡管已經能夠學會“形象思維”甚至擁有“機器直覺”，但并不擁有自我意識。也就是說，機器并不具有也不可能具有人性，包括欲望、情感、價值觀等。所以，人工智能并不是機器像人一樣思考，而是讓機器做人的智能才能做成的一些事情，其發揮的依然只是“工具”作用，不能替代人的思考。

單就記憶力和計算能力而言，人腦顯然遠不如電腦。而人與機器的不同，在于處理類似黑天鵝事件的能力，不是僅僅依靠邏輯推理歸納演繹，不是依賴于數學方程、回歸模型，也不是通過培訓形成的刻板、單一的行為模式。人類思維的優勢在于擁有一個不封閉的意識世界，因此人類理性有著自由空間，當遇到不合規則的問題時能夠靈活處理、修改規則甚至發明新規則。人的記憶是有選擇的，遺忘是一種自我保護功能。人可以在思想和知識領域建立起一個暫時“不思”的隔離分區，懸置無法解決的問題，而不會一條道走到黑地陷入無法自拔的思想困境。譬如發明“無理數”概念，而不是把π值沒完沒了地算下去。“與之不同的是，目前為止的人工智能只是一個封閉的意識世界，是一個由給定程序、規則和方法明確界定了的有邊界的意識世界。事實上也正是這種封閉性保證了高效率”。趙汀陽：《人工智能的自我意識何以可能？》，《自然辯證法通訊》2019年第1期。

費孝通在《試談擴展社會學的傳統界限》一文中特別談到，“只能意會”應當成為社會學一個基本的關注點，其實這也成為人工智能難以逾越的一個點。“人和人交往過程中的‘不言而喻、‘意在言外的這種境界， 是人際關系中的很重要的部分。人們之間的很多意念， 不能用邏輯和語言說清楚， 總是表現為一種‘言外之意，這些‘意會的領域， 是人與人關系中一個十分微妙、十分關鍵的部分， 典型的表現， 就是知心朋友之間、熟人之間、同一個亞文化群體成員之間， 很多事情不用說出來， 就自然理解、領悟， 感覺上甚至比說出來還清楚”。費孝通：《試談擴展社會學的傳統界限》，《北京大學學報》（哲學社會學版）2003年第3期。大數據分析、機器人社會調查永遠替代不了人的親身體驗切身感受。人工智能人像識別搜索可以比人準確許多倍，能夠從千萬人中迅速抓住罪犯;但一個三歲小女孩能看到媽媽生氣的表情，機器卻未必能夠真正理解和感知。由此可見，社會學研究，不能用“算法”替代“調查”，不能用“屏幕”替代“參與”，不能用“在線”替代“在場”。

人工智能對人的智能部分的成功模仿，一定意義上構成了對人的倫理地位的挑戰，給人類社會帶來巨大利益的同時，也帶來了諸多重大的不確定性的后果。因此，人工智能使得現代社會的“不確定性”特征更加凸出，這也給社會學家帶來更多機會，提出更高的要求。大數據和人工智能方法一方面構建了可持續完善和異常豐富的數據集和分析工具，其可用性、共享性、協作性大大增強，提供了人文社會科學學者大規模協作的可能;另一方面這種協作合作研究方式完全不同于“流水線作業”式的團隊分工合作，而是要求每一個參與者都能發揮獨立作用和主觀能動性的“系統工程”。個體的人的作用、人腦的功能重新被突顯。一定程度上，這是“機器”向“人”的回歸，向我們正在失去的社會學想像力的回歸。

智慧社會是人類歷史發展的新階段。人工智能已經成為世界各國競爭的焦點，城市大腦、智慧交通、智慧醫療、智慧教育、智慧養老……人工智能深度滲入當今社會各個層面。然而不難看到，智慧社會相關的科學研究、項目工程參與者基本是計算機工程師一類自然科學技術專家，人文社會科學工作者鮮少介入，社會學者基本缺位。“費孝通悖論”的本質，是呼喚科學與人文的有機融合，智慧社會建設亟待富于社會學想像力和擁有跨學科知識的社會學者的深度參與和貢獻。

作者單位：西北農林科技大學人文與社會發展學院、陜西省社會科學院

責任編輯：秦開鳳