量化未來與預(yù)測科學(xué)的前景

高奇琦

【摘要】目前的社會科學(xué)研究多集中在過去和現(xiàn)在的時間向度，且研究重心往往集中在描述和解釋兩個方面。在大模型等人工智能技術(shù)的輔助之下，通用人工智能時代將快速到來，世界可能會進(jìn)入一種“智能失重”的狀態(tài)。關(guān)于未來的研究，文學(xué)想象和哲學(xué)思辨雖非常重要，但還遠(yuǎn)遠(yuǎn)不夠，思考如何將實證方法引入未來研究至關(guān)重要。量化未來就是用定量的思路來測量未來，具體可以在實驗方法和結(jié)構(gòu)估計兩方面實現(xiàn)突破。量化未來的可能性議題主要體現(xiàn)在對通用人工智能的應(yīng)對上。通用人工智能到來之后，超風(fēng)險社會似乎不可避免。有效調(diào)速主義是一種理想方案，而量化未來則可被視為有效調(diào)速主義的一種操作性版本。最終，人們可能會在這種對未來相對精準(zhǔn)的把握中實現(xiàn)一種有助于決策的預(yù)測科學(xué)。

【關(guān)鍵詞】量化未來? 大模型? 通用人工智能? 預(yù)測科學(xué)

【中圖分類號】TP18/C1? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2024.02.003

如何對未來進(jìn)行研究？未來可以量化嗎？這其中會有哪些關(guān)鍵的議題？本文將圍繞量化未來這一議題展開討論，分析社會科學(xué)走向預(yù)測科學(xué)的前景，以期對上述問題進(jìn)行回答。

未來研究的困境：不可能完成的任務(wù)？

人類的時間可以被分成三部分：過去、現(xiàn)在與未來。就目前的社會科學(xué)研究而言，大量的研究主要是關(guān)注現(xiàn)在和過去，即圍繞現(xiàn)在或過去的某種狀態(tài)進(jìn)行描述性研究。多數(shù)的實證科學(xué)會以統(tǒng)計的方式或參與式觀察的方式介入現(xiàn)實空間之中，然后將現(xiàn)狀整體性地描述出來。統(tǒng)計的優(yōu)點是數(shù)據(jù)量較大。從樣本選擇的角度來講，它產(chǎn)生的選擇性偏誤比較小，容易形成整體性描述。其缺點在于，它會以一種整體的、宏觀的方式呈現(xiàn)，因此不容易看到事情的內(nèi)部機制。參與式觀察則可以通過一種微觀的內(nèi)部呈現(xiàn)，讓人們僅通過案例就可以了解其內(nèi)在機理。但是，參與式觀察產(chǎn)生的問題往往在于，為什么選擇這一案例而不選擇其他案例？這樣的選擇本身就可能存在偏差。

無論是量化研究，還是質(zhì)性研究，其首先會發(fā)揮一種描述性的功能，即先要把現(xiàn)在的情況描述清楚，同時在描述的基礎(chǔ)之上進(jìn)行一定程度的解釋。對過去的研究則是歷史研究。歷史研究的傳統(tǒng)方法是基于文本，因為關(guān)于歷史的記錄主要以一種文本的方式來呈現(xiàn)。今天在定量研究手段的輔助之下，人們可以運用各種定量的工具，對歷史進(jìn)行量化研究。但實際上這樣的量化歷史同樣是基于文本的，因為我們并不能以細(xì)顆粒度的方式把歷史還原出來，而只能對文本中記錄的歷史進(jìn)行量化。當(dāng)然，這樣的量化歷史研究同樣可以發(fā)揮大樣本的作用，因為它是基于更大數(shù)據(jù)量的全景式展示，因此能在一定程度上避免選擇性偏誤。[1]換言之，在歷史研究中，傳統(tǒng)研究會選擇一些具體的案例，甚至對史料的選擇也會很具體。基于量化歷史的視角，我們不免產(chǎn)生這樣的疑問：案例選擇的依據(jù)是什么？為什么不用數(shù)據(jù)將完整的歷史展示出來？

總之，就目前的社會科學(xué)研究而言，絕大多數(shù)研究集中在描述層面，目的是要將實際情況展現(xiàn)出來。在描述的基礎(chǔ)之上，研究者會進(jìn)一步討論一些變量之間的因果關(guān)系，這就會進(jìn)入解釋的部分，即通過描述性研究，最終得以解釋為什么一些現(xiàn)象會發(fā)生，進(jìn)而找到結(jié)果變量與解釋變量之間的因果性關(guān)聯(lián)。[2]比如龐珣就提到，社會科學(xué)的主流研究長期是解釋性研究，具有一種“向后看”的研究傳統(tǒng)。[3]然而，研究還有第三個功能，即預(yù)測功能。要實現(xiàn)預(yù)測功能是極為困難的，即便是量化的研究應(yīng)用的模型也主要是一些線性模型，即通過回歸的方法來對未來進(jìn)行預(yù)測。由于現(xiàn)實情況往往非常復(fù)雜，因而用線性邏輯來預(yù)測未來是很難實現(xiàn)的。就實際的結(jié)果來看，社會科學(xué)界經(jīng)常會表現(xiàn)出某種知識的無力，因為描述和解釋都是對發(fā)生過的事情的一種整理，而并不能對沒有發(fā)生的事情進(jìn)行一定程度的預(yù)測。例如，冷戰(zhàn)結(jié)束之后，美國的國際關(guān)系學(xué)界不斷進(jìn)行反思：為什么大量研究都沒有預(yù)測到冷戰(zhàn)的結(jié)束？這實際上就反映了一種知識的無力。[4]

因此，就研究的三種功能而言，描述是最為簡單的，普通人就可以直觀地感受當(dāng)下的一些情況。換言之，不經(jīng)過科學(xué)的過程，個人也可以直接描述社會現(xiàn)象。只不過，個體的描述是一個小樣本的描述。相對而言，基于大樣本的量化分析得出的結(jié)論會更加科學(xué)。然而，由于很多案例看起來非常相似，因此個體的描述往往具有某種敘事功能，如果某個個體的描述有較大的通約性，則也可以引起他人的共情。這就是為什么個體的感受可以瞬間引爆輿論，在全網(wǎng)得以流行的一個社會基礎(chǔ)。關(guān)于原因的解釋，很大程度上是一種敘事的建構(gòu)。從敘事的邏輯來看，并不存在絕對的因果，或者說因果是基于某種敘事框架建構(gòu)起來的。在敘事之前，會預(yù)先存在某種類似于框架圖的東西，即康德所討論的圖式。[5]路德維希·維特根斯坦（Ludwig Wittgenstein）對這些問題也有過討論，即先有某種解釋的圖式，然后人們會將這種圖式運用到一些案例的解釋中。[6]當(dāng)然，解釋學(xué)也有一些新的進(jìn)展，例如保羅·利科（Paul Ricoeur）的解釋學(xué)更加強調(diào)讀者對案例的解釋和再創(chuàng)作的過程。[7]漢斯-格奧爾格·伽達(dá)默爾（Hans-Georg Gadamer）的解釋學(xué)則進(jìn)一步強調(diào)，最終的解釋要達(dá)到一種視域融合，[8]即一種解釋之所以流行，并不是通過某種強制力的方式植入人們的心靈，而是這個故事的解釋框架與受眾的理解產(chǎn)生了某種共鳴。

然而，問題是如何研究未來？或者說，如何讓研究具有某種預(yù)測功能，這一點在現(xiàn)有的研究中極為少見。20世紀(jì)70年代，在西方出現(xiàn)了一波未來學(xué)的發(fā)展浪潮，阿爾文·托夫勒（Alvin Toffler）和丹尼爾·貝爾（Daniel Bell）是其中的代表性學(xué)者。[9]未來學(xué)的研究成果對實踐產(chǎn)生了巨大影響，人們似乎可以通過未來學(xué)作品了解社會發(fā)展趨勢。同時，這樣的未來學(xué)作品在某種程度上也發(fā)揮了“自我實現(xiàn)的預(yù)言”的功能。[10]粗線條描述未來的框架效應(yīng)，也會影響人們對未來的認(rèn)知和構(gòu)建。人們并不知道是這些未來學(xué)家預(yù)見到了未來，還是他們對未來的預(yù)見加深了人們對未來的理解，從而使得人們根據(jù)他們對未來的預(yù)見來塑造未來。總之，這樣的未來學(xué)研究在實踐中產(chǎn)生了巨大影響。

然而，嚴(yán)謹(jǐn)?shù)膶W(xué)術(shù)研究對這種未來學(xué)成果并不是特別認(rèn)同，因為從科學(xué)研究的角度來講，其并不是一個特別“科學(xué)主義”的成果。西方近來的科學(xué)研究更加強調(diào)實證主義，哲學(xué)一直是社會科學(xué)各分支學(xué)科知識的核心。例如，在政治學(xué)研究領(lǐng)域，最核心的知識是圍繞著政治哲學(xué)展開的，由于哲學(xué)擁有較高的抽象程度，因而成為基礎(chǔ)理論的部分。然而，近代以來的科學(xué)主義傳統(tǒng)卻強調(diào)如何將這些抽象的哲學(xué)判斷以某種實證主義的方式呈現(xiàn)。因此，近代實證主義科學(xué)的發(fā)展更加強調(diào)用經(jīng)驗的方法（如可觀測的事實）對一些社會現(xiàn)象或政治現(xiàn)象進(jìn)行科學(xué)主義的觀察。在這一過程中，描述自然就成為第一要務(wù)。同時，因為描述往往是一種表面性的，因此進(jìn)一步的研究便是解釋。這樣的研究主要圍繞著現(xiàn)在和過去展開。對未來的研究一直不是主流，因為其不具備可供研究的經(jīng)驗數(shù)據(jù)。那么，對于未來的研究，似乎從實證主義角度來看，就是一種烏托邦的想象，或者是一種海市蜃樓式的空談。這種實證主義的科學(xué)范式在實踐中面臨非常大的困難，因為這樣的研究只關(guān)心現(xiàn)在和過去，而無法對未來進(jìn)行預(yù)測。

誰最關(guān)心未來？應(yīng)該是產(chǎn)業(yè)界人士（包括創(chuàng)新者和投資人）。對于他們而言，誰掌握了未來，誰就掌握了新的財富密碼。通過提前布局，他們可能獲得超額的利潤。從這個角度來講，在實踐領(lǐng)域探索的人們更加希望探知未來。然而困難在于，未來學(xué)不是實證科學(xué)。實際上，關(guān)于未來的研究以及預(yù)測科學(xué)的影子，可以在中國的知識體系中找到一些源頭。例如，《周易》本身便是一個帶有很強預(yù)測功能的知識體系。周易分為義理和術(shù)數(shù)，術(shù)數(shù)的本質(zhì)就是推測未來，其最初功能就是幫助人們進(jìn)行信息決策。例如，古人在早上外出時并不知道當(dāng)日的天氣情況，需要基于已有的信息來進(jìn)行推測，而《周易》在這方面就能夠發(fā)揮一定的預(yù)測功能。《周易》的文本絕大多數(shù)都是對未來的一種判斷。例如，“利涉大川”就是有利于渡過大江大河。卦爻辭中關(guān)于吉兇的判斷，也是對人們是否應(yīng)當(dāng)從事某件事情的一種直接指導(dǎo)。然而，從今天科學(xué)主義的角度來看待《周易》，其中會有諸多不可解釋的內(nèi)容。當(dāng)然，《周易》根據(jù)其基本義理，也作出了一些解釋。例如，《周易》的邏輯極為強調(diào)中正，即處于中間的爻會比邊緣的爻位置更好。[11]從這個角度來講，《周易》所表達(dá)的恰恰是一種價值觀。盡管其本身有一套復(fù)雜的解釋系統(tǒng)，但是從今天科學(xué)主義的角度來看，這其中還是有太多的不可解釋性。當(dāng)然，這恰恰也是它的魅力所在。西方現(xiàn)代的一些重要人物，如心理學(xué)家卡爾·榮格（Carl Jung）、物理學(xué)家尼爾斯·玻爾（Niels Bohr）等都對《周易》內(nèi)含的一些深刻價值極為推崇，并認(rèn)為其中有關(guān)于未來的重要啟示。[12]但實際上，《周易》并沒有實現(xiàn)很好的科學(xué)化。

為什么今天一定要去研究未來？因為未來正在加速而來。特別是在大模型等人工智能技術(shù)的輔助之下，通用人工智能時代可能會快速到來。但是，面對這樣一個劇烈變化的社會，人類似乎并沒有做好完全的準(zhǔn)備。我們可能會進(jìn)入一種“智能失重”的狀態(tài)。人是知識的最重要產(chǎn)出者。當(dāng)然，這是在大模型出現(xiàn)之前。換言之，我們所處時代的絕大多數(shù)知識是由人類個體產(chǎn)生的。大模型出現(xiàn)之后，大量的知識生產(chǎn)可能逐漸由智能體來完成，而人們并沒有做好這樣的準(zhǔn)備。在一個智能體“接管一切”的未來社會中，人們應(yīng)該如何生活？人們自身的知識生產(chǎn)應(yīng)該如何進(jìn)行？當(dāng)這樣一個時代突然來臨的時候，人類個體需要面臨類似于突然被拋到了太空中的失重狀態(tài)。在這種狀態(tài)下，人類個體將無法穩(wěn)定站立，因為其作為知識生產(chǎn)者的意義被抽空了。

未來，在“智能失重”的狀態(tài)之下，人類要如何適應(yīng)這個時代？要回答這一問題，對未來的研究就變得極為重要。現(xiàn)階段關(guān)于未來的研究，主要有兩類：第一，文學(xué)想象。這種想象可以天馬行空，不受任何約束，因為文學(xué)作品本身就是虛構(gòu)式表達(dá)，在其中可以進(jìn)行任意設(shè)定。只要符合基本的邏輯，創(chuàng)作者可以展開任意合理想象。第二，哲學(xué)思辨。運用哲學(xué)的基本邏輯和思路，研究者也可以進(jìn)行想象。當(dāng)然，這樣的想象與科幻小說的想象完全不同，需要符合哲學(xué)推理的基本邏輯，即基于目前已有知識反映出的一些基本規(guī)律。或者說，是一種哲學(xué)意義上的推理和推斷。因為我們所掌握的關(guān)于未來的信息寥寥無幾，所以這樣的推理更多是一種邏輯推理。其中的一些條件設(shè)定可能會帶有一定的想象成分，但是這里的想象不能是天馬行空的想象，而要基于現(xiàn)實主義的邏輯。無論是科幻小說還是哲學(xué)思辨，都是一種對未來可能性的構(gòu)設(shè)，其目的都是將未來發(fā)展的可能性呈現(xiàn)出來，對其中可能蘊含的風(fēng)險進(jìn)行預(yù)警。這些研究對我們理解未來極為重要。

然而，在筆者看來，這還遠(yuǎn)遠(yuǎn)不夠，因為這些研究的價值可能會被低估或輕視。文學(xué)作品是一種純粹的想象，因此人們在接受這類信息時，往往會把它當(dāng)成一種娛樂或消遣，而非嚴(yán)肅的東西。哲學(xué)思辨足夠嚴(yán)肅，但由于其過于抽象，人們的接受度偏低。或許人們會認(rèn)同其中的一些判斷，但是真正將其與自己的實際工作關(guān)聯(lián)起來的情況則可能會相對較少。因此，如何將哲學(xué)思辨提出的一些重要命題引入實證主義的研究至關(guān)重要。例如，可以對一些未來的可能性判斷進(jìn)行更加科學(xué)主義的嚴(yán)謹(jǐn)表述，再通過相應(yīng)的數(shù)據(jù)或者測量方法將其以科學(xué)方式呈現(xiàn)出來。換言之，這里的一個基本考慮就是將實證思維引入未來研究。當(dāng)然，這是一個看起來不可能完成的任務(wù)。因為關(guān)于未來，我們并沒有任何可供研究的實證數(shù)據(jù)，同時我們又要用可觀察的方式來研究未來。從傳統(tǒng)思路上來看，這是一個極難實現(xiàn)的任務(wù)，但考慮到通用人工智能在當(dāng)前及未來可能給人類社會帶來的巨大風(fēng)險，我們必須要實現(xiàn)思維方式和手段的突破。也因此，這種創(chuàng)新將成為一種“不可能”中的“必要性可能”。

量化未來的可能性：實驗、結(jié)構(gòu)估計與預(yù)測

量化未來的基本思路，就是對未來的可能性進(jìn)行更加精準(zhǔn)的表達(dá)。量化未來所強調(diào)的更多是一種經(jīng)驗性的表達(dá)，這與哲學(xué)的模糊表達(dá)不同。哲學(xué)的表達(dá)強調(diào)抽象性，其概括往往體現(xiàn)為一種模糊性。因此，當(dāng)某種知識進(jìn)入哲學(xué)層面之后，這樣的表達(dá)很少會出錯。我們很少會說哪些哲學(xué)觀點是完全錯誤的，因為其表達(dá)的是一種可能性，同時由于其設(shè)定的條件比較抽象，人們很難用某個經(jīng)驗事實去挑戰(zhàn)哲學(xué)觀點，這也是哲學(xué)的強大之處。與此同時，由于哲學(xué)觀點的抽象性，其往往很難得到普遍認(rèn)同而廣泛傳播。從決策的角度來講，哲學(xué)的某些判斷似乎是對的，但是落實到具體建議層面，哲學(xué)似乎很難有直接的貢獻(xiàn)。

量化未來的思路在于，既要考慮未來的可能性，又要把這樣的可能性以相對精確的方式表達(dá)出來。只有更加精確，才更能體現(xiàn)科學(xué)性，更具說服力，并在傳播中產(chǎn)生更大的社會效應(yīng)。因此，量化未來就是要用定量的思路來測量未來。這里可以用客觀數(shù)據(jù)，也可以用主觀數(shù)據(jù)。接下來要發(fā)生的事情，可以被看成是當(dāng)下的延展。那么，就可以用當(dāng)下數(shù)據(jù)和過去數(shù)據(jù)對未來的情況進(jìn)行估測。而主觀測量則需要設(shè)定關(guān)于未來變化的量表，通過心理測度來把握人們在未來可能出現(xiàn)的某些社會心理狀況。

通過這種對未來的測量，可以進(jìn)一步推動計算社會科學(xué)向預(yù)測性方向發(fā)展。如前所述，目前的社會科學(xué)主要停留在描述和解釋層面，預(yù)測性研究較少，且開展這樣的預(yù)測極為困難。然而，伴隨著人工智能和大數(shù)據(jù)等技術(shù)的加速發(fā)展，人類社會的數(shù)據(jù)量越來越大，人們便可以通過大數(shù)據(jù)的方法來推測未來。大數(shù)據(jù)方法的基本邏輯就是推測，亦即預(yù)測。例如，它可以根據(jù)個體之前的商品購買數(shù)據(jù)推測其在下一階段購買某件商品的概率，這一點已經(jīng)被廣泛地運用在各類推薦算法和商業(yè)實踐中。[13]同樣，這一思路也可以被用來預(yù)測整個社會的某些變化。由于此前有關(guān)人類社會的整體數(shù)據(jù)量偏小，因此實現(xiàn)這一預(yù)測非常困難，而當(dāng)數(shù)據(jù)量達(dá)到一定的規(guī)模，這就可能得以實現(xiàn)。量化未來的具體方法大致可以沿著以下兩個方向來推進(jìn)。

第一，實驗方法。在社會科學(xué)研究中，實驗方法一直不是主流。首先，實驗方法涉及實驗倫理問題，即每個個體都應(yīng)該是“目的”。按照康德的理念，人是目的而不應(yīng)該成為手段。因此，讓每個個體直接參與實驗，就會產(chǎn)生一些倫理上的爭議。然而，從科學(xué)性的角度來講，實驗方法是最為徹底的科學(xué)主義方法。[14]無論是案例研究還是統(tǒng)計研究都會面臨樣本選擇偏誤的問題。例如，在案例研究中，為什么會選擇這樣的案例？在統(tǒng)計研究中，抽樣邏輯是什么？抽樣的樣本是否能夠反映全樣本狀況？然而，實驗方法的基本邏輯是隨機選擇樣本。從科學(xué)性角度來講，這是最為客觀且可信的方法。已有的實驗方法往往還會引入博弈論，如多方演化博弈。之前已經(jīng)出現(xiàn)的用計算機輔助的仿真方法，本質(zhì)上也是實驗方法的一個延伸，如基于主體的模型（Agent-Based Models， ABM）。[15]實際上，在人工智能飛速發(fā)展的今天，我們還可以在以下兩個方面進(jìn)一步推進(jìn)實驗研究。第一是元宇宙實驗或游戲?qū)嶒灒椿谝恍┐笮偷挠螒蜷_展實驗，將其作為實驗的過程。例如，游戲《我的世界》就具備開展此類實驗的潛能。第二是多智能體的方法。[16]多智能體是大模型出現(xiàn)之后的一個重要方向，其基本邏輯是讓大模型來充當(dāng)智能體。換言之，在傳統(tǒng)的實驗狀態(tài)下，個人是實驗的對象。而今天，實驗對象換成了大模型，這一變化將是革命性的。之前我們設(shè)定的智能體其實并不具備一定的智商，其本質(zhì)是一種數(shù)學(xué)的邏輯推理，且無法產(chǎn)生新的可能性，而反觀人作為行動體，往往會在已有選擇之外產(chǎn)生其他選擇。多智能體中的行為者已經(jīng)具備了類似于人的智商，因此它們在實驗過程中能夠發(fā)揮類似人的功能。[17]同時，其也滿足了“人是目的”的要求，即并不是以人為對象在做實驗，而是以智能體為對象在做實驗。

第二，結(jié)構(gòu)估計。其中的基本邏輯是，根據(jù)已有數(shù)據(jù)對未來做一些結(jié)構(gòu)性的估測。這一方法在宏觀經(jīng)濟(jì)學(xué)中較為普遍，其更多依賴數(shù)學(xué)方法和計算。例如，西方經(jīng)濟(jì)體在經(jīng)歷一段時間之后就會產(chǎn)生新的經(jīng)濟(jì)危機，因此是否可以通過一種強數(shù)據(jù)計算的方法來計算未來，并通過一些有效的政策干預(yù)來避免這種經(jīng)濟(jì)危機的發(fā)生？這實際上是計劃經(jīng)濟(jì)的一個基本思路。上世紀(jì)50年代，全世界范圍內(nèi)左翼政黨的執(zhí)政都反映了這樣一種傾向，其基本思路就是量化未來，即通過對未來的一種結(jié)構(gòu)性估測，避免一些集體非理性情況的發(fā)生。當(dāng)然，人類的知識是在不斷調(diào)整中進(jìn)步和發(fā)展的。進(jìn)入20世紀(jì)七八十年代，新自由主義的浪潮卷土重來，計劃經(jīng)濟(jì)的思路似乎陷入了循環(huán)背景下的困境。[18]換言之，其在當(dāng)時的歷史背景下過時了。其中的一個重要原因可能是，當(dāng)時的數(shù)據(jù)量不夠，計算能力有限。那么，在今天數(shù)據(jù)量和算力快速增加的背景之下，人們是否可以通過更加精準(zhǔn)的計算來預(yù)測一些風(fēng)險，并對其進(jìn)行防范，是可以探討的。實際上，碳中和計劃就是另一種形式的量化未來。

碳中和計劃的一個基本思路是，通過已有的數(shù)據(jù)來推測碳排放在未來的某個時間點可能會導(dǎo)致的重大變化。例如，如果自工業(yè)化以來整個地球的溫度上升兩度，將會在何種程度導(dǎo)致冰川融化和海平面上升，然后，再通過已有的碳排放水平和工業(yè)化速度來推算未來的碳排放量。[19]這便是一種基于已有數(shù)據(jù)對未來的結(jié)構(gòu)性估計。這種估計希望得到的結(jié)論是，在未來的某個時間點，如果人類不加節(jié)制地進(jìn)行碳排放，最終會給全球生態(tài)帶來無法挽回的重大損失，這本質(zhì)上是一種量化未來的思路。即從未來可能的糟糕情況和確定不能逾越的障礙來倒推我們今天可以容納的碳排放上限，對碳排放進(jìn)行更加精細(xì)的量化，同時引入市場交易機制，這便是歐盟建立碳市場和征收碳稅的基本思路。實際上，這種對未來進(jìn)行的量化以及結(jié)合金融手段對未來風(fēng)險進(jìn)行調(diào)控的思路，可以引入對未來人工智能風(fēng)險的防范之中。

量化未來的可能議題

前文分別討論了量化未來的必要性和可行性，這部分將討論量化未來可能產(chǎn)生哪些操作性的議題。在筆者看來，之所以要提出量化未來，一個重要背景是通用人工智能的快速到來，及其將對整個人類社會產(chǎn)生的重塑性結(jié)果。通用人工智能的到來將產(chǎn)生極其巨大的風(fēng)險，但是目前人類對此還沒有形成一個理想的應(yīng)對模式。因此，我們可以借鑒碳中和機制形成的思路，將未來的風(fēng)險通過可定價的方式加以估定，把宏大的風(fēng)險進(jìn)行分解，然后再對各行為體進(jìn)行風(fēng)險約束并引入風(fēng)險交易機制，如此就有可能實現(xiàn)對風(fēng)險的整體掌控。

具體來看，這一問題可能需要在如下幾方面展開：

第一，如何精準(zhǔn)地測定通用人工智能的到來？對于通用人工智能，產(chǎn)業(yè)界并沒有一個相對一致的定義。Anthoropic的創(chuàng)始人達(dá)里奧·阿莫迪（Dario Amodei）認(rèn)為，通用人工智能可能會在未來2～3年內(nèi)到來。[20]我們是否可以更加精準(zhǔn)地預(yù)測它的到來？當(dāng)然，這里的定義難題在于，通過什么來定義？例如，我們可以通過參數(shù)的數(shù)量來定義。根據(jù)一些推測，目前的GPT-4的參數(shù)可能在1.8萬億左右。[21]當(dāng)深度神經(jīng)網(wǎng)絡(luò)的參數(shù)達(dá)到百萬億級別時，會產(chǎn)生更高程度的智能涌現(xiàn)。或者說，這時它已經(jīng)跨過“門檻”。另外，通用人工智能相當(dāng)于何種超能力也需要定義。例如，它可以在多長時間內(nèi)產(chǎn)生哪些人類不具備的能力。完成定義之后，我們甚至能夠預(yù)測“廣島時刻”的來臨。筆者在這里化用“奧本海默時刻”和“廣島時刻”的概念，將通用人工智能與核武器進(jìn)行類比。“奧本海默時刻”是指羅伯特·奧本海默（Robert Oppenheimer）作為“曼哈頓計劃”的主持者，在內(nèi)部科學(xué)探索時，比外界更早看到核武器成功的可能性時刻。“廣島時刻”則是美國將第一顆原子彈在廣島投放的時刻。在“廣島時刻”之后，公眾才真正看到核武器的巨大破壞力。就通用人工智能的發(fā)展而言，“奧本海默時刻”可能已經(jīng)在OpenAI的實驗室發(fā)生過了。[22]如果我們能夠預(yù)測通用人工智能“廣島時刻”的來臨，就可以在其來臨之前進(jìn)行體系化的預(yù)警。例如，形成一定程度的超大模型不擴散機制。這樣的超大模型應(yīng)用的超能力及其可能擁有的意識，將對整個人類社會產(chǎn)生重大影響。當(dāng)然，這種量化未來的研究一定是跨學(xué)科的，其與計算機科學(xué)、神經(jīng)認(rèn)知科學(xué)、心理學(xué)、政治學(xué)、經(jīng)濟(jì)學(xué)、社會學(xué)和法學(xué)等一系列學(xué)科都有密切關(guān)系。例如，關(guān)于人工智能意識的定義就是一個跨學(xué)科問題。如何對人工智能的意識進(jìn)行更為細(xì)致的量化？如何判定人工智能具備類似于人的意識？心理學(xué)目前做了一些嘗試。例如，一些研究認(rèn)為基于心智理論的測算，讓ChatGPT完成一些量表，能夠判定其具備類似于幾歲孩子的心智。[23]這樣的量表在心理學(xué)領(lǐng)域相對成熟。那么，我們是否可以研發(fā)出一整套能夠測定人工智能意識的新量表？

第二，如何推演各國在大模型上的投入以及大模型在未來的發(fā)展?fàn)顩r？這個問題的回答涉及超大規(guī)模大模型的擴散問題，因為其可能會具備某種超能力，也可能會產(chǎn)生超級意識。對于這類模型，未來要從根本上形成某種不擴散機制。這種不擴散機制的形成有賴于頭部參與者之間的合作，這就需要對各國在大模型上的已有實踐以及投入等相關(guān)基礎(chǔ)設(shè)施情況做完整的估測，然后再通過某些結(jié)構(gòu)模型推測其對大模型部署的情況。

第三，如何測定未來可能的失業(yè)狀況？這個問題極為困難，但是也極為重要。當(dāng)失業(yè)率達(dá)到一定的規(guī)模時，可能會引發(fā)經(jīng)濟(jì)大蕭條。未來，失業(yè)率的進(jìn)一步上升將可能會帶來哪些方面（尤其是政治領(lǐng)域）的變化，同樣需要我們?nèi)パ芯俊Ｒ獙ξ磥淼氖I(yè)狀況進(jìn)行更加精準(zhǔn)的預(yù)測，首先要了解當(dāng)前各個部門的就業(yè)狀況以及未來的人口結(jié)構(gòu)，還需要研究大模型在部署的過程中，可能對哪些崗位產(chǎn)生替代效應(yīng)。這取決于大模型的部署速度及其受到的一系列與算力相關(guān)的軟硬件條件限制。OpenAI的報告明確列出了哪些崗位將會有何種程度的“曝光度”，[24]這實際上就是某種替代效應(yīng)。但是，這里還要測算大模型可能會產(chǎn)生的新就業(yè)崗位，及其會產(chǎn)生的某種補償效應(yīng)。總之，這是一個巨量的計算工作，雖然推進(jìn)起來困難重重，但意義重大。我們很難做到完全的長時段的精準(zhǔn)預(yù)測，因此也可以先確定一定時期的估算模型，并在未來通過實際情況進(jìn)行微調(diào)，這會對未來決策有所幫助。

第四，如何對未來可能的政治失序情況進(jìn)行估測？政治失序在很大程度上是由虛假信息泛濫導(dǎo)致的政治不信任所引發(fā)的。換言之，基于大模型的生成式人工智能會海量地創(chuàng)造非真實的信息，而這些非真實信息的泛濫可能會降低人們的信任度，其中就包括政治信任度。由此，可以通過新的量表來測量人們在某個時間點上的政治信任，然后再觀察這些虛假信息在多大程度上可能會削弱人們的政治信任。這里也可以做一些結(jié)構(gòu)估計，即政治不信任達(dá)到何種程度時可能會引發(fā)整個政治系統(tǒng)的結(jié)構(gòu)性風(fēng)險。總之，我們可以運用更加精細(xì)的量化框架來估測整個信任機制及其演化過程。

第五，如何測定通用人工智能的整體風(fēng)險？前述已經(jīng)對一些細(xì)分風(fēng)險進(jìn)行了測量計劃的討論。那么，該如何將這些風(fēng)險用某種類似標(biāo)準(zhǔn)化的方式統(tǒng)一進(jìn)行量化，生成某種類似于碳交易的整體機制？換言之，碳交易的整個思路就是將碳排放作為一種整體性風(fēng)險進(jìn)行量化。相關(guān)單位都有碳排放的權(quán)利，但是當(dāng)其超過自己的配額之后，就需額外購買碳排放權(quán)。這里，我們可以嘗試對人工智能的風(fēng)險進(jìn)行量化，然后再對相關(guān)方（特別是大模型的部署企業(yè)）進(jìn)行某種程度的風(fēng)險追溯（或者征收智能稅），那么就可以在一定程度上調(diào)控其部署的速度。同時，這也可以促使相關(guān)機構(gòu)在部署大模型的過程中將一定的資金用于風(fēng)險防范，從而能夠在一定程度上化解風(fēng)險。

量化未來的最終目的：基于決策的預(yù)測科學(xué)

為何在社會科學(xué)中一定要推動量化未來的思維？其根本原因是，快速到來的通用人工智能將帶來巨大風(fēng)險。如何對其進(jìn)行規(guī)制會成為人類社會下一個階段面臨的重大難題。充分有效地應(yīng)對通用人工智能的到來，哲學(xué)上的理念至關(guān)重要，因為其涉及一系列宏觀框架，以及我們的應(yīng)對態(tài)度。但同時，理念和行動要結(jié)合在一起。正如馬克思所指出的：“哲學(xué)家們只是用不同的方式解釋世界，而問題在于改變世界。”[25]我們不僅要像哲學(xué)家一樣從不同的角度來思考問題，還要解決問題。而量化未來的一個根本目的，就是讓我們可以更加精準(zhǔn)地把握通用人工智能帶來的整體性風(fēng)險。從這個角度來講，量化未來不是簡單的數(shù)字游戲，而要最終服務(wù)于國家和人類社會的整體決策。例如，董青嶺和劉文龍認(rèn)為，未來國際關(guān)系研究有望實現(xiàn)對軍事沖突及恐怖主義等議題的精準(zhǔn)預(yù)測。[26]當(dāng)然，劉辰輝和唐世平的研究也指出，通過機器學(xué)習(xí)算法的方式來預(yù)測沖突仍然存在一定的局限性。[27]此外，量化未來還能使我們在充分享受人工智能生產(chǎn)力紅利的同時，最大程度地減少風(fēng)險。

通用人工智能的到來，使得人類社會進(jìn)入一種超風(fēng)險社會。對此，烏爾里希·貝克（Ulrich Beck）提出了“世界風(fēng)險社會”（World Risk Society）的概念。[28]人類社會誕生至今，一直與風(fēng)險共存。風(fēng)險社會是現(xiàn)代社會的一個重要特征，現(xiàn)代社會增強了人類整體應(yīng)對風(fēng)險的能力，同時也使人類日益處于劇烈變化的不確定風(fēng)險之中。而且，許多風(fēng)險恰恰是人類在應(yīng)對現(xiàn)代化整體風(fēng)險時產(chǎn)生的，換言之，在某些我們應(yīng)對風(fēng)險的方式中就暗藏著下一種風(fēng)險產(chǎn)生的可能。在現(xiàn)代化的過程中，人類社會要實現(xiàn)整體性的發(fā)展，讓每個個體擁有超出前代社會的財富，需要大規(guī)模地進(jìn)行生產(chǎn)并開展更加緊密的協(xié)作。然而，這種現(xiàn)代化方式也蘊藏了人類制造的新風(fēng)險。

今天的人類社會已進(jìn)入一個超風(fēng)險社會，我們在智能時代擁有的能力遠(yuǎn)遠(yuǎn)超出工業(yè)革命，其中許多能力都是新技術(shù)賦予的。之所以運用這些新技術(shù)，是因為我們面臨諸多困難。例如，進(jìn)入工業(yè)革命后期，勞動力不足已經(jīng)成為普遍現(xiàn)象，要應(yīng)對這個問題，就需要通過“智能體紅利”來填充之前“勞動力紅利”流失所造成的空缺。然而，這種“智能體紅利”一旦開啟，則可能帶來“無限復(fù)制”并最終對傳統(tǒng)勞動力市場形成巨大沖擊。這一為了應(yīng)對勞動力風(fēng)險推動超高程度的智能化，繼而可能引發(fā)新風(fēng)險的過程，即是筆者強調(diào)的超風(fēng)險社會的源頭。

那么，如何應(yīng)對這樣的超風(fēng)險社會？顯然，完全阻止已然不可能，因為能夠帶來生產(chǎn)力提升的通用性技術(shù)一旦誕生，其幾乎是不可能被阻止的。即便有一些國家或者區(qū)域出現(xiàn)了阻止新技術(shù)的力量，恐怕日后在歷史的回溯中，也會被當(dāng)成某種保守主義的笑話。在新技術(shù)的浪潮之下，制造技術(shù)壁壘、阻礙技術(shù)發(fā)展只能是“螳臂擋車”。但是，這是不是意味著我們可以完全無視這樣的風(fēng)險？當(dāng)前，有效加速主義似乎成為許多國家的一種主流性方案。但在筆者看來，有效加速主義并不是一個值得肯定的取向。

我們可以在量化未來的基礎(chǔ)之上，提出一種有效調(diào)速主義。在加速主義的背景之下，人類社會的人工智能之旅類似于某種“過山車體驗”，是一個完全的“驚訝之旅”。我們每個人都被綁在這樣的過山車之上，即便是某些個體希望停下來，“驚訝之旅”已然不可回轉(zhuǎn)。從這個角度來講，量化就是某種程度上的“安全帶”，通過在某些位置減緩速度，幫助我們相對安全地度過這一旅程，而有效調(diào)速主義就能夠發(fā)揮這樣的功能。同時，大模型也為我們提供了實現(xiàn)量化未來的可能性。大模型本身就是一個很好的教學(xué)者，沒有編程基礎(chǔ)的人可以通過與大模型的對話快速地學(xué)習(xí)編程知識，并讓大模型闡釋和編寫某些程序。從這個角度來講，只要有一定的學(xué)習(xí)能力，每個個體都可以擁有大數(shù)據(jù)采集和分析能力，都可以成為程序員和數(shù)據(jù)分析師。換言之，每個個體都擁有一定的量化工具，就可以更容易地參與到量化未來的工作之中。

結(jié)語

目前的社會科學(xué)研究絕大多數(shù)主要關(guān)注現(xiàn)在和過去，對未來的研究較少。同時，多數(shù)研究也主要關(guān)注描述和解釋，預(yù)測性研究相對較少。大模型的發(fā)展和通用人工智能的快速到來，使得我們必須研究未來。關(guān)于如何研究未來，傳統(tǒng)方法更多基于文學(xué)想象或哲學(xué)思辨，這些對我們理解未來都很重要。同時，我們還需要將實證思維引入到未來研究中，更多地采用量化方式來思考未來。當(dāng)然，這本身是一個巨大的困難，因為未來還沒有發(fā)生，還沒有產(chǎn)生相應(yīng)的數(shù)據(jù)。量化未來的展開，可能有兩種方式。第一，通過實驗的方法。之前的實驗主要通過演化博弈或基于智能體建模等計算仿真方式。接下來，我們可以更多運用大模型推動多智能體實驗，還可以將這樣的實驗與游戲?qū)嶒灲Y(jié)合在一起。第二，根據(jù)已有的數(shù)據(jù)進(jìn)行結(jié)構(gòu)估計。這實際上是傳統(tǒng)宏觀經(jīng)濟(jì)學(xué)的思路，當(dāng)前推進(jìn)的碳中和計劃便是某種程度的量化未來，可以將這些思路引入通用人工智能風(fēng)險的整體防范和應(yīng)對中來。

量化未來的可能性議題主要體現(xiàn)在通用人工智能的應(yīng)對問題上。要實現(xiàn)這一目的，至少可以嘗試如下幾類測量。例如，對通用人工智能的精確定義及其未來可能性的預(yù)測。再如，對各國大模型投入以及未來可能發(fā)展?fàn)顩r進(jìn)行更加準(zhǔn)確的測量，這一點對于我們在未來推動超大模型的不擴散會有很大幫助。另外，可以對未來的失業(yè)狀況以及可能的由虛假信息導(dǎo)致的政治不信任的失序狀況進(jìn)行更加準(zhǔn)確的估量。總體思路是，對未來通用人工智能的整體風(fēng)險進(jìn)行統(tǒng)一的標(biāo)準(zhǔn)化，然后再對相關(guān)的行為體可能加劇的某類風(fēng)險進(jìn)行類似于碳排放權(quán)的測定、配額發(fā)放和交易，由此從一定程度上對風(fēng)險進(jìn)行調(diào)控。總體來看，在通用人工智能到來之后，人類進(jìn)入超風(fēng)險社會似乎是不可避免的，對其持完全拒絕態(tài)度是不可取的。在這一背景下，有效調(diào)速主義似乎是一種方案，而量化未來則可被視為有效調(diào)速主義的一種操作性版本。最終，人們可能會在對未來相對精準(zhǔn)的把握中實現(xiàn)一種有助于決策的預(yù)測科學(xué)。

（本文系國家社會科學(xué)基金重點項目“加快數(shù)字化發(fā)展與建設(shè)數(shù)字中國的政治保障研究”的階段性成果，項目編號：21AZD021）

注釋

[1]陳志武：《量化歷史研究的過去與未來》，《清史研究》，2016年第4期。

[2]M. Marini and B. Singer， "Causality in the Social Sciences，" Sociological Methodology， 1988， 18.

[3]龐珣：《定量預(yù)測的風(fēng)險來源與處理方法——以“高烈度政治動蕩”預(yù)測研究項目的再分析為例》，《國際政治科學(xué)》，2017年第3期。

[4]J. Gaddis， "International Relations Theory and the End of the Cold War，" International Security， 1992， 17（3）.

[5]I. Kant， Critique of Pure Reason， translated by W. Pluhar， Indianapolis： Hackett Publishing Company， 1996， pp. 209-219.

[6]L. Wittgenstein， Tractatus Logico-Philosophicus， translated by D. Pears and B. McGuinness， London and New York： Routledge， 2001， pp. 9-12.

[7]例如，利科指出：“理解就是在文本面前的理解自己。”參見保羅·利科：《從文本到行動》，夏小燕譯，上海：華東師范大學(xué)出版社，2015年，第123頁。

[8]H. Gadamer， Truth and Method， New York： Continuum， 1975， p. 367.

[9]前者見A. Toffler， Future Shock， New York： Bantam Books， 1970， p. 1.后者見D. Bell， The Coming of Post-Industrial Society： A Venture in Social Forecasting， New York： Basic Books， 1973， p. 3.

[10]R. Rosenthal and L. Jacobson， Pygmalion in the Classroom： Teacher Expectation and Pupils' Intellectual， New York： Irvington Publishers， 1992， pp. 61-71.

[11]《周易》，楊天才、張善文譯注，北京：中華書局，2011年，第9頁。

[12]M. Gu， "The 'Zhouyi' （Book of Changes） as an Open Classic： A Semiotic Analysis of Its System of Representation，" Philosophy East and West， 2005， 55（2）.

[13]V. Shchutskaya and K. Spirina， "Big Data Behind Recommender Systems，" 7 October 2021， https：//indatalabs.com/blog/big-data-behind-recommender-systems.

[14]B. Longe， "Experimental Research Designs： Types， Examples & Methods，" 27 July 2023， https：//www.formpl.us/blog/experimental-research.

[15]詹盧卡·曼佐（Gianluca Manzo）認(rèn)為，ABM可以成為實現(xiàn)因果推理的重要方式。參見G. Manzo， Agent–Based Models and Causal Inference， Hoboken： John Wiley & Sons， 2022， pp. 49-68.

[16]W. Y. Hua et al.， "War and Peace （War Agent）： Large Language Model–Based Multi-Agent Simulation of World Wars，" 28 November 2023， https：//arxiv.org/abs/2311.17227.

[17]尼爾·斯梅爾塞（Neil Smelser）指出，韋伯在研究中就使用了這類“設(shè)想的實驗”或“精神實驗”。實際上，這一點可以在智能體或游戲?qū)嶒炛懈玫氐靡蚤_展。參見尼爾·斯梅爾塞：《社會科學(xué)的比較方法》，王宏周、張平平譯，北京：社會科學(xué)文獻(xiàn)出版社，1992年，第162頁。

[18]M. Dean， "Rethinking Neoliberalism，" Journal of Sociology， 2012， 50（2）.

[19]R. Williams et al.， "How Warming and Steric Sea Level Rise Relate to Cumulative Carbon Emissions，" Geophysical Research Letters， 2012， 39（19）.

[20]E. Otieno， "Predicting the Future： AI's Leap to Human-Level Intelligence in the Next 2–3 Years，" 12 August 2023， https：//eliasotieno.medium.com/predicting-the-future-ais-leap-to-human-level-intelligence-in-the-next-2-3-years-da28ae54ec64.

[21]S. Walker II， "GPT-4： How OpenAI Built an AI Model 10x Larger Than GPT-3，" 28 September 2023， https：//medium.com/@smwii/gpt-4-how-openai-built-an-ai-model-10x-larger-than-gpt-3-3f5eacaad69a.

[22]C. Zakrzewski， "Director Christopher Nolan Reckons with AI's 'Oppenheimer moment'，" 30 December 2023， https：//www.washingtonpost.com/technology/2023/12/30/nolan-interview-ai-threats/.

[23]L. Tung， "ChatGPT Performs Like a 9-Year-Old Child in 'Theory of Mind' Test，" 16 February 2023， https：//www.zdnet.com/article/chatgpt-performs-like-a-9-year-old-child-in-theory-of-mind-test/.

[24]T. Eloundou et al.， "GPTs are GPTs： An Early Look at the Labor Market ImpactPotential of Large Language Models，" 17 March 2023， https：//openai.com/research/gpts-are-gpts.

[25]《馬克思恩格斯全集》第3卷，北京：人民出版社，1960年，第6頁。

[26]董青嶺、劉文龍：《學(xué)科交叉與范式革新：邁向國際關(guān)系研究的智能分析時代》，《歐洲研究》，2023年第5期。

[27]劉辰輝、唐世平：《機器學(xué)習(xí)在沖突預(yù)測方面的局限——基于對暴力預(yù)警系統(tǒng)的再檢驗與討論》，《世界經(jīng)濟(jì)與政治》，2023年第12期。

[28]U. Beck， "The Terrorist Threat： World Risk Society Revisited，" Theory， Culture & Society， 2002， 19（4）.

責(zé) 編∕張 貝