上百万人、上百亿经费，养出来的社科队伍，关键时候却拿不出一套能用的智能预判系统？卢麒元这问题一出，圈内直接破防！不是学者没本事，是这套体系哪里出了岔子！钱没少花，人没少养，实战却掉链子！这魔幻现实，真该好好查查！

一个系统上线时，演示流畅，报告漂亮，验收顺利。可过了一段时间，数据更新没有跟上，模型维护无人接手，原本规划好的功能逐渐闲置。这样的尴尬，恰恰戳中了科研成果转化中的一个现实难题：项目可以按期结束，真正有价值的能力却需要长期建设。社科研究与人工智能结合，究竟怎样才能不止于热闹，而是真正解决问题？

要回答这个问题，首先得看清中国社会科学研究的家底。2025年，国家社会科学基金年度项目共立项5809项，其中重点项目427项、一般项目2750项、青年项目2077项、西部项目555项。这些项目涉及经济、历史、政治、社会治理等多个领域，体现了我国对哲学社会科学研究的持续支持。到了2026年10月，全国哲学社会科学工作办公室仍在持续公布年度项目评审、结项等相关信息，科研工作并没有停下脚步。

但必须弄清楚一个道理：科研项目数量多，不等于智能预判能力强；经费投入大，也不意味着能够自动形成成熟的决策系统。国家社科基金年度项目的规模，不能直接等同于智能预判系统的建设投入，更不能据此断言整个社科研究体系已经失去作用。

社会科学研究本来就有不同任务。研究历史，需要时间沉淀；研究经济，需要分析复杂变量；研究社会治理，则要充分考虑人的行为、制度环境和现实条件。要求所有研究都立即变成预测工具，显然不现实。真正值得追问的，是这些分散的知识与成果，怎样才能更有效地服务实际需求。

中国已经开始探索这条路。清华大学持续推进智能社会科学研究，建设涵盖空间社会科学、计算政治学、数字经济学、国际关系数据与计算等方向的实验室矩阵，推动社会科学与数据科学交叉融合。2025年，清华大学还发布了智能社会科学实验研究集成装置，尝试整合数据平台、计算工具和学科智能体，为研究人员提供一体化科研支持。

同年12月，湖北省发布面向哲学社会科学领域的人工智能大模型，探索将地方文化资源、知识图谱与智能技术结合起来。这些实践说明，人工智能进入社科研究，已经不只是一个概念，而是在向具体应用迈进。

然而，研究助手不等于智能预判系统，能够生成答案，也不等于能够对现实变化作出可靠判断。前者可以协助检索资料、整理文献、归纳观点；后者则需要持续获取可靠数据，识别异常变化，开展多种情景推演，并对判断结果进行长期检验。

这中间差着一整套运行机制。

首先是考核方式。一个科研项目通常有明确的周期和成果要求，但真正有用的智能系统，需要持续更新、不断纠错。假如评价只看项目是否结项、报告是否完成、平台是否上线，却不关心系统一年后是否仍然运行，那么研究团队自然容易把精力放在交付成果上。问题并非验收没有必要，而是验收之后，同样需要有人接着负责。

其次是数据问题。经济运行、产业发展、就业变化和公共服务需求等信息，分布在不同领域，统计口径、更新频率和使用权限各不相同。数据不能有效衔接，模型就很难全面理解现实；数据如果过时，再精巧的算法也可能得出偏差结论。涉及个人隐私、商业秘密和国家安全的数据，更必须依法依规使用，不能为了追求预测效果而忽略安全边界。

再次是人才协作。懂社会运行规律的人，不一定熟悉算法；擅长开发模型的人，也未必理解复杂的经济与社会问题。如果双方缺少有效沟通，就可能出现研究人员提供一堆材料、技术人员搭出一个平台，最后却没有真正解决实际问题的情况。

因此，建设智能预判系统，不能简单要求社科学者人人成为程序员，也不能指望人工智能替代专业判断。更可行的办法，是让社会科学研究人员、数据工程师、行业专家和实际使用部门共同参与，从具体场景入手，逐步验证系统的实际价值。

2025年国务院印发的《关于深入实施“人工智能＋”行动的意见》，提出推动人工智能与经济社会各领域广泛深度融合，也为哲学社会科学研究方法创新提供了政策方向。2026年，清华大学有关研究进一步讨论人工智能赋能哲学社会科学的适用边界，强调人机协同研究需要关注方法、能力与规范。

这恰恰说明，智能技术的价值不在于把所有问题都交给机器，而在于帮助人们更早发现线索、更快处理信息、更充分比较不同方案。对于可能出现的风险，系统应当给出依据、提示不确定性，并在新数据到来后及时调整，而不是把一次计算结果包装成绝对正确的答案。

说到底，这场讨论真正值得关注的，并不是简单追问社科队伍够不够庞大，而是如何让人才、经费、数据和技术形成有效合力。

科研评价需要兼顾论文、理论创新与实际应用；智能平台需要明确长期维护责任；数据使用需要规范授权；预测结果则应当接受持续检验。只有这些环节彼此衔接，科研成果才能真正从纸面走向实践。