AI大模型驅(qū)動智庫高質(zhì)量發(fā)展的思考

1引言

1950年，英國科學(xué)家AlanMathisonTuring發(fā)表的論文《計算機(jī)器與智能》（ComputingMa-chineryandIntelligence）[1]中，提出著名的“圖靈測試”（turingtest），至今70余年以來，人工智能發(fā)展并非一帆風(fēng)順，經(jīng)歷了從繁榮到衰退、再繁榮的螺旋式發(fā)展過程。自2010年以來，得益于深度學(xué)習(xí)、強(qiáng)大算力和大數(shù)據(jù)的技術(shù)貢獻(xiàn)，人工智能（artificial intelligence，AI）研究從感知AI（計算機(jī)視覺、語音識別等）到生成式AI取得積極成效，為全球通用人工智能（artificial general intelli-gence，AGI）發(fā)展帶來重大希望。美國OpenAI公司于2022年11月推出聊天生成預(yù)訓(xùn)練轉(zhuǎn)換器（chatgenerativepre-trained transformer，ChatGPT），其采用Transformer深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，在大算力計算系統(tǒng)支持下，通過大規(guī)模數(shù)據(jù)預(yù)訓(xùn)練以及微調(diào)、對齊等過程得到基礎(chǔ)大模型，開發(fā)了一個聊天機(jī)器人產(chǎn)品，產(chǎn)生了全球轟動效應(yīng)，使人們認(rèn)識到這類AI基礎(chǔ)大模型是人類全部知識的高度“壓縮”（以神經(jīng)網(wǎng)絡(luò)權(quán)重存儲），是人類知識的寶庫，并由此開啟了全球生成式人工智能（artificialintelli-gencegeneratedcontent，AIGC）研究范式。在此階段，“文生圖（視頻）”“圖（視頻）生文”“文生文”等各種模式轉(zhuǎn)換的生成式AI大模型陸續(xù)誕生，這些AI大模型能夠進(jìn)行文學(xué)、繪畫、代碼、短視頻等創(chuàng)作，向全球展示了生成式AI在各個領(lǐng)域廣泛的應(yīng)用前景。隨著AIGC功能、能力逐漸豐富和強(qiáng)大，人們期望這類AI大模型能夠“為我所用”。

2超大規(guī)模參數(shù)的開源AI大模型開啟了智庫研究的新手段

2024年年底前，美國開放人工智能研究中心（OpenAI）、百度等國內(nèi)外公司基于商業(yè)目的，一般不將功能較強(qiáng)的、千億級及以上參數(shù)尺度AI大模型①開源（即閉源的大模型）。然而，開源的小模型（參數(shù)尺度在百億級及以下）與閉源的大模型相比，在知識壓縮、推理能力等方面存在一些局限性，并且商用的大模型存在收費、限制中國用戶訪問使用（如OpenAI）等問題，這些因素制約了AI大模型在智庫理論與實踐領(lǐng)域的應(yīng)用實踐。

2024年12月，杭州深度求索人工智能基礎(chǔ)技術(shù)研究有限公司（DeepSeek）發(fā)布了DeepSeekv3/R1的大語言模型（large languagemodel，LLM），以“開源、低成本、高性能”為顯著特征，引起全球轟動，其開源的DeepSeekR1模型參數(shù)達(dá)到6，710億，促使國內(nèi)外的互聯(lián)網(wǎng)大公司將原先基于商業(yè)目的不開源的生成式AI大模型（參數(shù)尺度超萬億），走上了開源的道路。截至2025年3月，國內(nèi)外的開源生成式AI大模型，包括權(quán)重參數(shù)開源、代碼開源和應(yīng)用程序編程接口（applicationprogramminginterface，API）開放，國內(nèi)主要有DeepSeekv3/R1、智譜AIGLM系列、阿里云通義系列、百度文心系列、騰訊混元系列等，國外主要有元平臺（Meta）公司的Llama-3/Llama-4等、谷歌（Google）公司的Gemma-2、DeepFloydIF等以及OpenAI的部分API開放的GPT-3/3.5等。自此，以DeepSeek為代表的開源AI大模型通過技術(shù)創(chuàng)新、開源生態(tài)和行業(yè)應(yīng)用，有力地推動了全球AI大模型的普惠發(fā)展和生態(tài)繁榮，啟發(fā)了智庫研究領(lǐng)域設(shè)想借助開源（或閉源）AI大模型開展智庫問題研究。例如，利用集成開源DeepSeekR1的搜索引擎，開展智庫研究相關(guān)資料的搜索與提煉，可以顯著縮短智庫研究者查閱、研究海量文獻(xiàn)資料的時間，并且提煉的主題內(nèi)容覆蓋面較全面，從而極大地提升了智庫研究的效率。因此，AI大模型開啟了智庫研究的新范式。

3AI大模型與智庫研究的關(guān)系及實證

由于超大規(guī)模的生成式AI大模型具有強(qiáng)大的知識存儲能力和豐富的多模態(tài)內(nèi)容生成功能，從技術(shù)賦能角度來看，一些智庫研究者認(rèn)為，生成式AI大模型能夠通過技術(shù)創(chuàng)新與范式重構(gòu)，在智庫研究中的數(shù)據(jù)處理效率提升、決策支持增強(qiáng)、自動化生成報告、跨語言能力、可信度挑戰(zhàn)、行業(yè)應(yīng)用案例等方面發(fā)揮顯著的作用，即為智庫研究提供多維度的技術(shù)工具和系統(tǒng)性方法論框架，為智庫研究的知識生產(chǎn)、決策支持和跨學(xué)科協(xié)同等提供支持。本文以集成圖工具M(jìn)ermaid的秘塔搜索云服務(wù)DeepSeekR1應(yīng)用為例，進(jìn)行部分實證。

本文用DeepSeekR1畫一張“生成AI大模型與智庫研究關(guān)系”圖。DeepSeekR1基于多模態(tài)知識融合與系統(tǒng)動力學(xué)視角，首先，給出總體架構(gòu)設(shè)計，并描述核心關(guān)系軸，即AI大模型作為“智能基座”，通過技術(shù)賦能、范式重構(gòu)和知識進(jìn)化三重路徑驅(qū)動智庫研究體系變革。其次，生成這三重路徑包含的主要工作，并做詳細(xì)解釋，如“生成式內(nèi)容生產(chǎn)”具體是什么等。最后，生成的結(jié)構(gòu)化關(guān)系網(wǎng)絡(luò)示意結(jié)果如圖1所示。

圖1基于DeepSeekR1第一次生成的大模型與智庫研究關(guān)系圖 Figure1The relationship diagram between the large language model and thinktank research based on the first generationofDeepSeekR1

需要注意的是，圖1是Mermaid內(nèi)涵代碼，需要結(jié)合MermaidLive編輯器生成（DeepSeek不能直接生成圖），并且此圖不是一次性生成，需要通過Prompt與大模型多次交互，直至生成的內(nèi)容能夠符合作者思考的邏輯與關(guān)注的核心內(nèi)容。

在上述操作中，DeepSeek思維鏈（chainofthought，CoT）輸出各個步驟的推理思考過程，反映了其搜索全網(wǎng)最新數(shù)據(jù)，并展示推理嚴(yán)謹(jǐn)邏輯。這張輸出圖表達(dá)了作者想要的AI大模型與智庫研究之間的結(jié)構(gòu)化關(guān)系，體現(xiàn)AI大模型從技術(shù)賦能、范式重構(gòu)和知識進(jìn)化三個層面的內(nèi)在邏輯，支持智庫研究實踐，但其后對生成內(nèi)容的解釋，不盡如人意。因此，本文再次使DeepSeekR1生成“生成AI大模型與智庫研究關(guān)系”圖（通過多次的人機(jī)交互），結(jié)果如圖2所示。DeepSeekR1給出的結(jié)果相對于第一次給出的結(jié)果相差甚遠(yuǎn)。第二次生成的結(jié)果展示輸人多模態(tài)數(shù)據(jù) + 大模型預(yù)處理系統(tǒng)、生成式AI大模型的核心能力、智庫研究的流程和輸出與反饋的整個邏輯鏈路，并提示了風(fēng)險控制，其后表明了技術(shù)路徑解析與基于全網(wǎng)資料支撐情況。

圖2基于DeepSeekR1第二次生成的大模型與智庫研究關(guān)系圖 Figure2Relationship between the large language modelandthink tank research basedonthesecond generationof DeepSeek R1

在兩階段生成的過程中，本文檢查其引文數(shù)據(jù)發(fā)現(xiàn)，DeepSeekR1將全網(wǎng)的生成式AI大模型網(wǎng)絡(luò)數(shù)據(jù)與智庫研究方法、工具等進(jìn)行了高度關(guān)聯(lián)。其思維鏈對用戶提出的問題進(jìn)行逐步推理，展示了推理過程的嚴(yán)謹(jǐn)性。然而，其后生成的解釋，不能解釋其生成的內(nèi)容是怎么產(chǎn)生的，這應(yīng)是大模型本身的“黑盒”問題。其解釋中引用的全網(wǎng)數(shù)據(jù)與文獻(xiàn)，本文根據(jù)其引用標(biāo)注，仔細(xì)檢查后發(fā)現(xiàn)有的數(shù)據(jù)不在其引文中，是大模型自己“編寫”的。因此，智庫研究者需要深人認(rèn)識AI大模型的能力與智庫研究關(guān)系。即使是當(dāng)前超671B級參數(shù)規(guī)模的DeepSeekR1大模型，也或許不能完全支持智庫研究全部工作。完全依賴大模型進(jìn)行智庫產(chǎn)品輸出，可能導(dǎo)致由deep think 變成deep fake。

4基于AI大模型的智庫研究范式轉(zhuǎn)換技術(shù)路徑

4.1基于云端AI大模型的智庫研究范式轉(zhuǎn)換路徑

包括DeepSeek在內(nèi)的AI大模型開源策略，激發(fā)了全球AI生態(tài)重構(gòu)。例如，DeepSeekR1模型的256個混合專家架構(gòu)（mixtureof experts，MoE）和并行線程執(zhí)行（parallelthreadexecution，PTX）編程優(yōu)化技術(shù)細(xì)節(jié)均向社區(qū)開放，美國的OpenAI公司、Google公司、Meta公司、麻省理工學(xué)院（Massachusetts Institute of Technology，MIT）等積極吸收DeepSeek的開源技術(shù)，開發(fā)新一代的AI大模型，并由此促進(jìn)一批功能強(qiáng)大的閉源AI大模型走向開源道路。這些全部或部分開源的AI大模型，部署在云服務(wù)平臺上，為智庫研究提供了新工具和聯(lián)網(wǎng)的開源數(shù)據(jù)。本文基于秘塔搜索部署DeepSeekR1的實證研究是其一例。因此，云端AI大模型正在重塑智庫研究的底層方法論，其價值不僅體現(xiàn)在效率提升層面，更開創(chuàng)了自動智能化的“數(shù)據(jù)驅(qū)動-模型驗證-動態(tài)迭代”新型研究范式。

第一，云端部署的AI大模型，重構(gòu)了全棧工具鏈，加速智庫研究流程。一方面，云端AI平臺提供的模型即服務(wù)（modelasaservice，MaaS）工具鏈，實現(xiàn)全流程自動化，提升研究效率。例如，百度“文心千帆”、華為盤古工程等平臺集成數(shù)據(jù)清洗、模型精調(diào)、效果評估模塊，使智庫人員無需編碼即可完成從原始數(shù)據(jù)到政策建議報告的完整流程。又如，在區(qū)域經(jīng)濟(jì)預(yù)測研究場景中，大模型可以自動生成包含多個宏觀經(jīng)濟(jì)指標(biāo)的動態(tài)可視化報告，效率較傳統(tǒng)方法有大幅度提升。另一方面，云端部署的AI大模型支持多模態(tài)融合開發(fā)。例如，阿里云靈積平臺支持文本、圖像、地理信息數(shù)據(jù)的聯(lián)合建模，使智庫能構(gòu)建跨領(lǐng)域分析系統(tǒng)。又如，將衛(wèi)星遙感數(shù)據(jù)與產(chǎn)業(yè)政策文本聯(lián)合訓(xùn)練，可實現(xiàn)區(qū)域能效評估準(zhǔn)確率大幅度提升。

第二，云端部署的AI大模型支持海量智庫數(shù)據(jù)資產(chǎn)云端沉淀與智能挖掘。表現(xiàn)為云平臺的分布式存儲架構(gòu)為智庫構(gòu)建了跨域知識聯(lián)邦體系，可以支持萬億級智庫知識庫建設(shè)。可采用Ha-doop+Alluxio架構(gòu)的云存儲系統(tǒng)，整合政策文件、學(xué)術(shù)論文、社交媒體等異構(gòu)數(shù)據(jù)源。例如，南京智政大數(shù)據(jù)科技為政府智庫建立的私有云知識庫，已沉淀達(dá)協(xié)議緩沖區(qū)（protocolbuffers，PB）級結(jié)構(gòu)化數(shù)據(jù)，支持語義檢索響應(yīng)時間低于分鐘級。通過云端持續(xù)學(xué)習(xí)框架，模型參數(shù)可實時融合最新開源政策動態(tài)信息。例如，在“十四五”規(guī)劃中期評估中，云模型每小時自動抓取 50+ 局、部、委官網(wǎng)更新，確保分析結(jié)論的時效性誤差小于兩天時間[2]

第三，云端部署AI大模型，突破地理限制，為構(gòu)建全球化分布式智庫研究共同體提供支持。DeepSeek等云端大模型集成 50+ 語種互譯能力，可支撐跨國政策比較研究。例如，中非智庫合作項目中，云模型自動生成英、法、葡三語版產(chǎn)能合作報告，并大幅度降低翻譯成本[2]。云端部署的AI大模型，為智庫合作研究提供了虛擬協(xié)作空間。例如，騰訊混元大模型構(gòu)建的云端白板系統(tǒng)[3]可支持全球?qū)＜覍崟r標(biāo)注政策文本、批注模型輸出。又如，在某氣候談判策略研究中，實現(xiàn)中美歐多家智庫機(jī)構(gòu)的連續(xù)協(xié)同。

4.2基于端側(cè)部署AI大模型的智庫研究范式轉(zhuǎn)換路經(jīng)

通過數(shù)據(jù)蒸餾等技術(shù)，可將DeepSeek等開源大模型壓縮為端側(cè)可部署、運行的小模型，在更多的本地設(shè)備上實現(xiàn)與云端相當(dāng)?shù)男阅埽鉀Q數(shù)據(jù)、隱私泄露等風(fēng)險。目前，DeepSeek端側(cè)模型已應(yīng)用于智能手機(jī)、臺式機(jī)、筆記本電腦。由此，端側(cè)AI大模型正在重構(gòu)智庫研究的底層邏輯，開創(chuàng)了“即時響應(yīng)一安全可控一持續(xù)進(jìn)化”的新型研究范式。

首先，端側(cè)部署通過本地化推理能力，將政策分析、突發(fā)事件研判的響應(yīng)速度提升至秒級。

例如，阿加犀邊緣端大模型技術(shù)實現(xiàn)70億參數(shù)模型推理速度提升 70% 以上[4，使智庫在應(yīng)對國際局勢突變或經(jīng)濟(jì)危機(jī)預(yù)警時，可將傳統(tǒng)云端數(shù)分鐘級響應(yīng)壓縮至秒級。在供應(yīng)鏈斷裂風(fēng)險分析中，端側(cè)模型直接調(diào)用本地產(chǎn)業(yè)鏈數(shù)據(jù)庫，無需等待云端資源調(diào)度，實現(xiàn)分鐘級生成多維度應(yīng)對方案。

其次，端側(cè)部署的AI大模型，與本地知識庫（數(shù)據(jù)庫）協(xié)同，既從根本上解決智庫研究中的敏感、涉密數(shù)據(jù)泄露風(fēng)險，又充分利用了本地專用知識庫（數(shù)據(jù)庫）資源。端側(cè)部署AI大模型實現(xiàn)了物理級隔離，為政策推演涉及的敏感、涉密數(shù)據(jù)全程在終端本地化處理，甚至在終端加密芯片內(nèi)處理，規(guī)避了云端傳輸環(huán)節(jié)的中間人攻擊。同時，通過聯(lián)邦學(xué)習(xí)，可以支持多機(jī)構(gòu)聯(lián)合建模時保持?jǐn)?shù)據(jù)不出域。此外，端側(cè)模型為智庫研究者構(gòu)建領(lǐng)域?qū)僦R庫提供支持。研究人員可針對特定課題調(diào)整注意力機(jī)制權(quán)重，使模型專業(yè)領(lǐng)域準(zhǔn)確率進(jìn)一步提升。還可以通過一或多個Agent、多種形式的檢索增強(qiáng)生成（retrieval-augmentedgenera-tion，RAG）等融入內(nèi)部知識庫（數(shù)據(jù)庫），提升政策智庫的模型分析準(zhǔn)確率和全面性。

5AI大模型的復(fù)雜性與應(yīng)用于智庫研究需要注意的問題

5.1AI大模型內(nèi)在機(jī)理復(fù)雜性導(dǎo)致“黑箱”問題 難解

2017年，斯坦福大學(xué)（Stanforduniversity）李飛飛等學(xué)者將人工智能發(fā)展歷程與物理學(xué)史類比為“伽利略時代 $$ 牛頓時代”演進(jìn)[5-6]，認(rèn)為AI領(lǐng)域仍處于“通過實驗積累現(xiàn)象認(rèn)知”的初級階段，深度學(xué)習(xí)、符號邏輯、強(qiáng)化學(xué)習(xí)等技術(shù)路徑相互割裂，缺乏統(tǒng)一的理論支撐，現(xiàn)有模型無法像牛頓定律般通過數(shù)學(xué)公式解釋內(nèi)部決策機(jī)制（如GPT-3等模型的”黑箱”特性），無法在未知領(lǐng)域?qū)崿F(xiàn)類似天體運動的精確推演，更多地依賴數(shù)據(jù)擬合而非本質(zhì)規(guī)律認(rèn)知。因此，其認(rèn)為當(dāng)前AI領(lǐng)域尚未形成類似牛頓力學(xué)的普適性理論框架，但最近有些學(xué)者認(rèn)為，AI大模型的底層運作機(jī)制與經(jīng)典物理規(guī)律存在根本性差異，反而更接近量子系統(tǒng)的復(fù)雜性特征[7-9]。現(xiàn)代AI大模型的參數(shù)規(guī)模（如GPT-4的1.8萬億參數(shù)）已超越人類直觀理解的范疇，其優(yōu)化過程發(fā)生在超萬維空間中，參數(shù)間的非線性耦合與經(jīng)典物理的線性疊加原理形成鮮明對比，類似于量子系統(tǒng)中的多體糾纏態(tài)，無法通過單粒子行為疊加預(yù)測，大模型參數(shù)間的協(xié)同作用也無法通過局部調(diào)整推導(dǎo)全局行為[10]。其理由有二：一是，深度學(xué)習(xí)中的損失函數(shù)曲面具有非凸特性，其優(yōu)化軌跡呈現(xiàn)量子隧穿效應(yīng)般的“跳躍性”，而非經(jīng)典梯度下降的連續(xù)路徑[]；二是，AI大模型的涌現(xiàn)能力具有非還原論特征，大模型展現(xiàn)的推理、創(chuàng)造等能力無法通過參數(shù)層面的微觀分析解釋，這與量子系統(tǒng)的整體性涌現(xiàn)相似。量子霍爾效應(yīng)中的拓?fù)湫驘o法通過單個電子行為還原，而大模型的語義理解能力也無法通過單個神經(jīng)元的激活模式推導(dǎo)[12]。因此，許多學(xué)者認(rèn)為，現(xiàn)在的生成式AI大模型具有量子特征，不能用傳統(tǒng)的經(jīng)典物理認(rèn)知理解AI大模型的內(nèi)在機(jī)理。由于對AI大模型內(nèi)機(jī)理復(fù)雜性的認(rèn)識還沒有統(tǒng)一，AI大模型“黑箱”問題還沒有從根本上得到解決。直接利用當(dāng)前的AI大模型進(jìn)行智庫相關(guān)決策支持研究，將可能導(dǎo)致無法解釋的現(xiàn)象出現(xiàn)，從而影響智庫研究要求的證據(jù)、科學(xué)等邏輯依賴關(guān)系，最終導(dǎo)致智庫產(chǎn)品的不可靠。

5.2智庫將面臨不確定性問題的研究與AI大模型不確定性生成的“悖論

智庫實踐主要基于其邏輯體系的三個導(dǎo)向（即問題、科學(xué)和證據(jù)）、四個環(huán)節(jié)（即數(shù)據(jù)、信息、研判和方案）和“五性要求”（即科學(xué)性、思想性、前瞻性、建設(shè)性和獨立性），這是智庫理論與實踐的方法論基礎(chǔ)，強(qiáng)調(diào)問題導(dǎo)向、科學(xué)化和系統(tǒng)化[13]，從而建立“機(jī)理—影響一政策—方案”確定性的工作鏈路。

對以往智庫問題研究的方法論，本文做個形象的類比：以往的智庫研究方法就像傳統(tǒng)的由伽利略時代向牛頓力學(xué)時代的演變，強(qiáng)調(diào)的是從現(xiàn)象中找到確定性規(guī)律，即針對某些確定性的研究問題，從廣泛的調(diào)查中獲得信息、數(shù)據(jù)，構(gòu)建一個確定性的邏輯研判理論模型，找到解決問題的規(guī)律性認(rèn)識，進(jìn)而給出解決方案。這是絕大多數(shù)的智庫問題研究的實踐路徑。然而，現(xiàn)代智庫研究的對象日益復(fù)雜，并且由于信息獲取的不完備、不對稱，人們認(rèn)識的局限性，以及決策所帶來的未來影響，難以準(zhǔn)確預(yù)測。潘教峰等[14]指出，智庫研究需要處理內(nèi)生和固有的不確定性，例如，美國蘭德（RAND）公司的不確定決策中心通過分析政策中的不確定性來減少偏差。這說明智庫研究本身是圍繞不確定性展開的，而智庫雙螺旋法中的多個環(huán)節(jié)都需要考慮不確定性因素，形成魯棒的解決方案，但是現(xiàn)實中形成確定性強(qiáng)的解決方案依然存在困難。比如，研究美國特朗普2.0政府未來對華半導(dǎo)體新政策，由于美國決策者本性的不確定性，以及難以獲取對方準(zhǔn)確、全面的情報信息（數(shù)據(jù)）等。就目前而言，這個政策趨勢問題呈現(xiàn)的不確定性就表現(xiàn)為既有可能進(jìn)一步施行更加嚴(yán)控的打壓政策，也有可能就自前這些政策了，但未來還有可能是部分解禁或者完全解禁現(xiàn)有政策，或者改變成其他策略（如與關(guān)稅戰(zhàn)政策結(jié)合），呈現(xiàn)“多態(tài)”的現(xiàn)象，傳統(tǒng)智庫研究就可能給出“多態(tài)”的各種應(yīng)對之策，而無法給出確定性的對策，從而造成決策難題。

同時，AI大模型本身也存在生成內(nèi)容的不確定性輸出。由于當(dāng)前AI大語言模型固有的不確定性來源包括輸入模糊性、推理路徑分歧、參數(shù)不確定性等[15]，生成式AI大模型存在可預(yù)測性和不可預(yù)測性之間的矛盾[1，即使特定輸入和輸出也依然存在不可預(yù)測性，這導(dǎo)致表面上的確定性輸出實際上包含內(nèi)在不確定性的動態(tài)變化。因此，大模型的輸出具有概率性，即使輸入相同，輸出也可能發(fā)生變化，大模型的預(yù)測性系統(tǒng)無法保證輸出一致性。這是由于當(dāng)前AI大模型的本身技術(shù)局限性而導(dǎo)致大模型生成的不確定性。總結(jié)起來就是兩個不確定性：一是，大模型存在內(nèi)在不確定性來源。大模型的輸出受輸入模糊性（如模糊提示）、推理路徑分歧（多步邏輯的不穩(wěn)定）及參數(shù)認(rèn)知局限（訓(xùn)練數(shù)據(jù)空白）等影響產(chǎn)生的多重不確定性。二是，確定性輸出的工程化“偽裝”。大模型通過規(guī)則引擎（如敏感詞過濾）、輸出模板等手段強(qiáng)制約束模型行為，形成表面確定性。但這種“偽裝”處理可能掩蓋模型內(nèi)在的認(rèn)知不確定性，如參數(shù)缺陷導(dǎo)致的錯誤推理。

因此，智庫研究不確定性問題與AI大模型不確定性生成存在“悖論”，即兩大不確定性怎么能導(dǎo)出智庫產(chǎn)品的確定性成果？該悖論反映了復(fù)雜系統(tǒng)認(rèn)知需求與技術(shù)工具成熟度的階段性錯配。智庫需要AI作為不確定性放大器（揭示更多可能性），而當(dāng)前工程實踐卻將其改造為確定性“過濾器”。這種矛盾隨著不確定性量化（uncertaintyquantification，UQ）技術(shù)的進(jìn)步可能逐步緩解，但根源上是智能體對“已知未知”和“未知未知”的處理能力局限。只有建立允許不確定性顯性表達(dá)的“人在回路”的人機(jī)協(xié)作體系，才能真正實現(xiàn)智庫研究與AI技術(shù)的價值共振。

5.3 當(dāng)前AI大模型應(yīng)用于智庫研究需要注意的問題

基于云端、端側(cè)部署的AI大模型能夠為智庫研究者提供快速大規(guī)模內(nèi)容搜索和知識挖掘的智能化工具，提升智庫研究效率。從上述的分析可知，在應(yīng)用當(dāng)前的AI大模型作為智庫研究工具時，需要注意以下幾個問題。

第一，當(dāng)前智庫研究不能完全依賴基于云端部署或端側(cè)部署的AI大模型。目前，AI大模型存在生成結(jié)果無法解釋的“黑箱”問題、生成內(nèi)容的“幻覺”問題（生成“一本正經(jīng)”的錯誤答案），甚至“編造”統(tǒng)計數(shù)據(jù)或政策依據(jù)以及AI大模型復(fù)雜政策推演中容易出現(xiàn)因果推理錯誤等問題。智庫研究者需要多次與大模型進(jìn)行人機(jī)交互，并通過“人在回路”的操作，檢查大模型生成的內(nèi)容正確與否，并及時交給大模型進(jìn)行深度分析與檢查，直至智庫研究者認(rèn)為大模型生成的結(jié)果符合自己的思考邏輯，并且引用的數(shù)據(jù)、信息是正確的，而不是由大模型自己“編造”的。如前文用DeepSeekR1幫助分析AI大模型與智庫研究關(guān)系時，需要通過多次“人在回路”的人機(jī)交互協(xié)作，直至生成符合研究者需要的答案。

第二，AI大模型生成內(nèi)容有可能存在價值觀對齊與倫理風(fēng)險，導(dǎo)致政策建議偏離國家核心價值觀或者偏向決策者偏好而非客觀事實，削弱智庫獨立性等。由于現(xiàn)在使用的AI大模型一般是通用的模型，不是專門為智庫研究構(gòu)建的專用領(lǐng)域模型，即使現(xiàn)有大模型在預(yù)訓(xùn)練階段通過去噪清洗機(jī)制，對訓(xùn)練數(shù)據(jù)進(jìn)行深度清洗，去除違法違規(guī)、偏見歧視及與社會主義核心價值觀沖突的內(nèi)容，以及通過屬地化價值嵌入，在預(yù)訓(xùn)練階段引入中國政策文獻(xiàn)、法律法規(guī)及權(quán)威媒體語料庫，確保模型對“全過程民主”等核心概念的準(zhǔn)確理解，但仍然可能存在“漏網(wǎng)”數(shù)據(jù)，特別是現(xiàn)在AI大模型服務(wù)平臺能夠支持實時聯(lián)網(wǎng)數(shù)據(jù)搜索，更多新的數(shù)據(jù)依然沒有經(jīng)過清洗去噪和屬地價值嵌入，因此，有必要在通用AI大模型的基礎(chǔ)上，通過引人人類反饋強(qiáng)化學(xué)習(xí)（reinforcementlearningfromhumanfeedback，RLHF）優(yōu)化的多層級價值對齊等多種技術(shù)，強(qiáng)化對齊技術(shù)的可解釋性與可控性，以及設(shè)立專項基金支持非營利性智庫研發(fā)自主可控模型，避免商業(yè)機(jī)構(gòu)通過數(shù)據(jù)壟斷影響政策導(dǎo)向，進(jìn)一步構(gòu)建獨立性強(qiáng)的智庫研究垂直領(lǐng)域?qū)Ｓ肁I大模型。

第三，注意數(shù)據(jù)安全與隱私保護(hù)問題。許多智庫研究內(nèi)容涉及較高層次的秘密，其研究的數(shù)據(jù)與信息也可能存在不能泄密和隱私保護(hù)的問題。例如，云端AI大模型服務(wù)可能因API接口漏洞導(dǎo)致涉密數(shù)據(jù)泄露，聯(lián)邦學(xué)習(xí)框架下的參數(shù)逆向攻擊可能暴露合作機(jī)構(gòu)的敏感信息等。因此，智庫研究者要注意不能將涉密、敏感的資料上傳到云端AI大模型服務(wù)平臺上，任由大模型自己解析，幫助智庫研究者進(jìn)行深度分析。此外，采用端側(cè)部署AI大模型支持智庫研究，要盡可能地避免通過跨機(jī)器的聯(lián)邦學(xué)習(xí)方式進(jìn)行數(shù)據(jù)分析挖掘工作。

總之，AI大模型可以幫助智庫研究部分工作，但不能完全取代人工。雖然AI大模型具有很好的邏輯推理和判斷能力，但AI大模型的內(nèi)在機(jī)理不是很清楚，難以保證其輸出結(jié)果的預(yù)期性和可信性，因此，在利用AI大模型進(jìn)行智庫研究工作中，需要“人在回路”的人機(jī)協(xié)作，判斷數(shù)據(jù)是否準(zhǔn)確、結(jié)論是否可信、價值觀是否對齊、建議是否有偏好等。AI大模型長于戰(zhàn)術(shù)分析，但不擅長戰(zhàn)略思考，這是高端智庫團(tuán)隊彰顯能力之所在，要盡快適應(yīng)人工智能時代，走出一條“高端智庫 +AI 大模型”的“人機(jī)協(xié)同”范式轉(zhuǎn)換路徑，提升智庫決策咨詢效率和能力水平。

參考文獻(xiàn)：

[1]TURING A M. Computing machinery and intelligence[J]. Mind，1950，59（236）：433-460.

[2]智政科技[EB/OL].[2025-04-01].https：//www.zzdsjcom.cn/.

[3]騰訊云 [EB/OL]. [2025-04-01]. https：//cloud.tencent. com/act/pro/Hunyuan-promotion？ad_trace=c4576a6 d6b894691b2db4f717f214491amp;from ?= 24752amp;from_ column=24752.

[4]阿加犀.CES 2024丨阿加犀為端側(cè)大模型部署和智能 終端開發(fā)落地按下加速鍵[EB/OL].（2024-01-12）[2025- 04-01]. htps：//baijiahao.baidu.com/s？id=1787879829866 244645amp;wfr=spideramp;for-pc.

[5]新華網(wǎng).AI專家李飛飛：人工智能未到“牛頓時 代\"[EB/OL]. （2017-10-29）[2025-04-01]. https：//ews.cctv. com/2017/10/29/ARTIP5AUYy9mwbmZJZvlhpPW171029. shtml.

[6]李國杰.大力出奇跡的背后是什么？[J].中國計算機(jī) 學(xué)會通訊，2024，20（4）：4.

[7]IDOKO I P， IJIGA O M， ENYEJO L A， et al. Exploring the potential of Elon musk’s proposed quantum AI： A comprehensive analysis and implications[J].Global Journal of Engineering and Technology Advances， 2024， 18（3）： 48-65.，

[8] KUMAR N. Decoding the future： A comparative analysis of quantum AI and classical AI in 2023[EB/ OL]. （2023-12-24）[2025-04-01]. https：//www. analyticsinsight.net/quantum-ai-vs-classical-ai-acomparative-analysis/.

[9]HASSOONI M N. The impact of quantum computing on artificial intelligence：An overview[J]. International Academic Journal of Science and Engineering，2024， 11（1）： 221-228.

[10]BUBECK S， CHANDRASEKARAN V， ELDAN R， et al. Sparks of artificial general intelligence： Early experiments with GPT-4[EB/OL]. （2023-04-13）[2025-04-01]. https：// arxiv.org/pdf/2303.12712.

[11]PRIYADARSHI K. What is quantum Vs classical artificial intelligence？[EB/OL]. （2023-12-28）[2025-04-01]. https：// techovedas.com/what-is-quantum-classical-artificialintelligence/.

[12] FOSTER B. AI now well-set to alter the laws of physics？[EB/OL]. （2022-09-27）[2025-04-01]. https：/ nutsel.com/artificial-intellgence/ai-now-well-set-to-alterthe-laws-of-physics/.

[13]潘教峰，魯曉.關(guān)于智庫研究邏輯體系的系統(tǒng)思考[J] 中國科學(xué)院院刊，2018，33（10）：1093-1103.

[14] 潘教峰，魯曉，劉慧暉.智庫雙螺旋法的“十個關(guān)鍵問 題\"[J].中國科學(xué)院院刊，2022，37（2）：141-152.

[15]LIUXO，CHENTJ，DALC，et al.Uncertainty quantification and confidence calibration in large language models： A survey[EB/OL]. （2025-03-20）[2025-04-01]. https：//arxiv.org/pdf/2503.15850.Accountability，andTransparency.NewYork：ACMPress， 2022：1747-1764.

[16]GANGULID，HERNANDEZD，LOVITTL，etal. Predictability and surprise in large generative models[C]// Proceedings of the 2022 ACM Conference on Fairness，

作者貢獻(xiàn)說明：

洪學(xué)海：調(diào)研分析、整體研究、論文撰寫；史峰：調(diào)研分析、討論。

Abstract： [Purpose/Significancel Exploring the application of AI large models in think tank theory and practice holds significant value for advancing the high-quality development of think tanks.[Method/Process] Grounded in the fundamental logic of think tank theory and practice，this paper analyzes the impact of opensource AI large models.It specifically discusses the relationship between AI large models and think tank research， the technical pathway for paradigm shifts in think tank research enabled by AI large models，and the complexities of AI large models and critical considerations fortheir application in think tank research.Empirical analysis is conducted using DeepSeek R1.[Result/Conclusion] Current deployments of AI large models （cloud-based and edge-based）demonstrate their partial capability to support think tank research and facilitate paradigm shifts. However，fully relying on AI large models remains impractical due to the inherent complexity of their mechanisms. Human-machine collaboration is essential.

Keywords：AI large modelDeepSeek R1think tankparadigm shift