狼来了？“氛围式研究”时代的社会科学与 AI 智能体

Yuan Ren

4月9日

*社会科学中的人机分工：可编码任务与默会知识、理论原创性、田野判断力之间的取舍*

在人人都在谈论人工智能的时代，社会科学研究正处在一个微妙的十字路口。近期，石溪大学的 Yongjun Zhang（2026）在其最新论文 *Vibe Researching as Wolf Coming* 中提出了一个颇具挑衅性的问题：你的研究中哪些部分只有你才能做，哪些是机器永远无法取代的？是运行繁琐的代码，还是撰写套路化的文献综述？继 Andrej Karpathy 于 2025 年提出“氛围编程”（vibe coding，用户描述所需功能、由人工智能编写代码）之后，Zhang 在学术界识别出一个与之平行的现象：“氛围式研究”（vibe researching）（Karpathy, 2025; Zhang, 2026）。

自动化的浪潮：从计算器到“心智的飞机”

社会科学中的自动化并非新鲜事，Zhang（2026）将其演化划分为四波。二十世纪七十至九十年代，统计软件实现了计算的自动化；二〇〇〇年代出现了由 API 驱动的数据采集；二〇一〇年代则利用机器学习进行文本分析。在这些阶段中，推理、设计与理论建构的核心始终牢牢掌握在人的手中。

然而，始于 2024 年前后的第四波代表着一次质的转变：推理本身正在被自动化。如果说个人电脑是“心智的自行车”，那么今天的人工智能智能体便是“心智的飞机”。它们放大了认知的触及范围，但出错的风险也按比例增大。与聊天机器人不同，AI 智能体具有持续性、可访问文件，并能够自主执行完整的研究流程。

*社会科学中自动化的演进：统计软件、API、机器学习与 AI 智能体*

深入观察：scholar-skill 与“会进化的”AI 科学家

为说明这一转变，Zhang（2026）介绍了 scholar-skill，这是一个面向 Claude Code 的插件，把 26 项专门的人工智能技能整合为一条完整的研究流水线。该系统最引人注目之处在于其“全栈”覆盖。例如，scholar-idea 模块通过一个由五位智能体组成的评审小组（理论家、方法学家、领域专家、编辑与唱反调者）对研究问题进行压力测试。在因果识别方面，它从 13 种方案中选择最优策略，并同时生成 R 与 Stata 代码。

值得注意的是，由人工智能驱动的发现逻辑正变得日益精巧。Lyu 等（2026）近期提出的 *EvoScientist* 框架进一步展示了这一潜力：AI 智能体不再只是运行静态流水线，而是通过“进化”进行学习。通过建立自动化的反馈回路，*EvoScientist* 使 AI 科学家能够依据累积的交互历史调整其构想与代码生成策略，从而避免重复失败或不可行的研究方向（Lyu et al., 2026）。本质上，Zhang 所描述的“心智的飞机”不只是在飞行，它还在飞行途中通过自我迭代升级自身的发动机。

划定边界：人工智能在何处力有不逮

面对如此强大且不断进化的系统，研究者独特的贡献还剩下什么？Zhang（2026）提出一个框架，认为权力的再分配由两个维度支配：可编码性与默会知识要求。

在这一新格局中，执行类任务，例如运行回归或清洗数据，已成为 AI 智能体的擅长领域，因为这些任务高度可编码且可验证。然而，问题构想与规划类任务仍是人工智能的主要弱项；尽管 *EvoScientist* 这类系统已开始尝试演化研究方向（Lyu et al., 2026），人工智能仍难以识别真正新颖的社会机制，或作出范式转换式的跃迁，例如 Granovetter 的“弱联系的力量”（Zhang, 2026）。

关键洞见在于，可委派的边界并不落在各阶段之间，而是贯穿每一个阶段。在每一步都存在所需的默会知识，例如对田野政治、编辑偏好或某一设计在政治上的敏感性的理解，而这些只有人才能提供（Zhang, 2026）。

脆弱的增强与潜在危机

AI 智能体虽带来可观收益，这种增强却是“脆弱的”。一条“验证鸿沟”随之出现：如果你从不亲自运行模型或阅读文献，你是否还具备察觉人工智能输出中那些细微却致命错误的认知能力？作者认为答案是否定的（Zhang, 2026）。即便人工智能通过多智能体协作与策略进化提升了成功率（Lyu et al., 2026），人的批判性审查仍是抵御系统性偏差的最后防线。

此外，我们还面临来自“人工智能生产力溢价”的分层风险。除订阅费用之外，技术技能、数据中的英语语言偏向，以及不同研究领域覆盖程度的差异等障碍，都可能加剧学界的不平等。

*作为“心智的飞机”的 AI 智能体：人类监督、验证鸿沟与人工智能增强型社会科学研究的未来*

负责任的氛围式研究：五项原则

“狼确实到了门口，事实上它已经进屋了。”为避免迷失自我，作者提出了负责任使用的五项原则：

披露：在方法部分明确报告人工智能的协助。

验证：所有人工智能生成的代码与文字在发表前必须经由人类审阅。

保持技能：有意识地在不使用人工智能的情况下练习相关任务，以保全判断力。

保护原创性：确保核心理论贡献仍属于研究者本人。

为可及性而设计：优先采用开放模型与共享工具，防止学术分层。

社会科学的未来不应是对“氛围”的盲目追逐，而应是一套治理体系，如同航空业那样，在关键决策节点保留人的判断，同时利用自动化扩展我们的触及范围。

References

Karpathy, A. (2025, February 6). *Vibe coding* [Post]. X.

Lyu, Y., Zhang, X., Yi, X., Zhao, Y., Guo, S., Hu, W., Piotrowski, J., Kaliski, J., Urbani, J., Meng, Z., Zhou, L., & Yan, X. (2026). EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery. *arXiv.Org*.

Zhang, Y. (2026). Vibe Researching as Wolf Coming: Can AI Agents with Skills Replace or Augment Social Scientists? *arXiv.Org*.