严洁、林胤志 | 计算政治学中的生成式人工智能——研究方法、主题与展望
摘要：生成式人工智能的出现与发展，为计算政治学带来崭新的发展图景。生成式人工智能生成能力、仿真能力和泛化能力的优势可以赋能计算政治学研究方法，启发政治学研究议题。在研究方法层面，生成式人工智能能够为政治计算、社会模拟和互联网实验的数据处理、仿真建模、生成研究工具等提质增效，具备不同于既往人工智能技术的优势；在研究议题方面，生成式人工智能不仅是智能治理领域的新兴研究主题，也可以与国家—社会关系、政治行为、政治心理等经典政治学议题对话，从计算政治学角度丰富对这些议题的理解。然而，生成式人工智能在技术方法和伦理层面还面临局限和挑战。未来将生成式人工智能融入计算政治学研究可以从研究方法、研究要素和理论对象三个角度出发。
关键词：计算政治学；生成式人工智能；大数据；仿真；实验
【作者简介】
严洁，威尼斯赌场,澳门威尼斯人官网政府管理学院副院长、教授，博士生导师，威尼斯赌场,澳门威尼斯人官网公共治理研究所副所长；主要从事社会科学定量研究方法和中国政治方面的研究，多篇研究成果发表在Political Analysis、China Review、《政治学研究》《社会学研究》《威尼斯赌场,澳门威尼斯人官网学报》《社会》《武汉大学学报》等核心刊物上。
林胤志，威尼斯赌场,澳门威尼斯人官网政府管理学院硕士研究生。
【论文主要观点】
21世纪信息技术的发展，引发了社会科学及政治学的大变革。计算政治学（Computational Political Science）作为计算社会科学（Computational Social Science）的分支，是一门基于海量多源的大数据、庞大的算力和强大的算法，运用机器学习、数据挖掘等计算社会科学研究方法研究政治现象的一门学科。它不仅以计算科学的方式方法来描述现实世界的政治现象，还带动了以计算机、互联网和大数据等新场域的政治学研究。
生成式人工智能作为人工智能的划时代的突破成果，开启了计算政治学的研究中新的可能。但是既有研究基本停留在生成式人工智能在社会科学的总体应用，沿着研究进程探究生成式人工智能如何提供全过程的帮助，或是概述生成式人工智能如何影响社会科学的研究主题与范式变革，仍有诸多未明之处：本文试图回答如下问题：生成式人工智能如何在方法和主题方面为计算政治学提供助力？它在计算政治学学科中处于什么位置？我们如何利用它开拓新的计算政治学研究，又会面临怎样的挑战？
生成式人工智能的优势特征主要在于以下几方面。
首先是生成能力强。生成式人工智能冠以“生成”二字，足见生成功能是其区别于其他类型人工智能的独特特性。本文对生成特征的关注有二。一是即时微调能力，即生成式模型能根据每一轮生成结果的反馈即时学习调整完成自我微调，生成符合要求的内容。二是多模态生成能力，即生成式人工智能可以处理特异性（经过微调生成更具特异性和专业性的内容）、多模态（输入与生成内容具有多样形态）的数据。其次是仿真能力强。仿真性能反映人工智能模拟现实状况的能力，而生成式人工智能在环境模拟和真人模拟两项能力上均十分突出。在环境模拟方面，生成式模型可在研究者命令指引下基于所训练数据自行设置参数并赋值。在真人模拟方面，基于对特定人群特征数据的学习，生成式人工智能能够模拟特定环境下特定人群的调查响应，可以代表特定的人群作为“虚拟样本”。最后是适应能力强。与其他人工智能模型相比，生成式人工智能具备更优良的泛化（Generalization）能力，在前所未见的数据上可以表现出良好的性能。通用生成式大模型由于训练的数据足够广泛，能够在同一任务集中可同时完成多领域任务。预训练大模型往往只需较少训练或“零训练”（Zero-shot）就能完成任一指定任务；有更深入任务需求的研究者亦可加以微调，更好执行研究任务。
当前计算政治学的研究方法主要有三种：政治计算、社会模拟与互联网实验。
政治计算是一种融合了理论与数据双向驱动的研究方法。它以政治学相关领域的理论和经验为基石，借助计算科学及大数据分析技术，对海量的政治数据进行搜集、分析和挖掘，旨在将数据分析结果应用于政治学研究。政治计算所依赖的大数据尽管体量大，但难以覆盖人类社会的全部个体，代表性问题依然存在。生成式人工智能可凭借其对真人响应的高精度模拟解决数据代表性问题。在广泛的训练数据的基础上，研究者可以使用既有调查数据所反映的人群特征输入大语言模型进行微调，经过特征输入微调的大语言模型所生成的“硅样本”能够较好模拟特定特征人群的响应。此外，大数据分析亦是生成式人工智能的赋能点：其一，生成式模型可以为高维数据降维编码提供有效详细的编码指南；其二，生成式模型能够在少样本甚至零样本的训练下高质量完成编码任务，且在复杂艰涩语境下表现优异；其三，生成式模型具备解读无监督学习结果能力，可助力改进聚类性能、促进数据驱动的理论发现。当前生成式模型在政治计算中已有应用，也已成为政治文本分类器性能验证的重要参考。未来研究可考虑发挥其多模态生成能力，以分析多元媒介数据服务计算政治学研究。
社会模拟的基本理念是将人类社会一个由人、诸多子系统、个体行为及其互动组成的特殊复杂巨系统。计算政治学中的社会模拟主要有代理人模型、系统动力学模型和智能体模型三种模型。其中，智能体模拟（Agent-Based Modeling）是一种面向对象建模的方法，聚焦微观行为与宏观涌现（Emergence）。其与生成式人工智能的结合即为“生成式智能体模拟”（Generative Agent-Based Modeling, GABM），具有两大核心优势：以自然语言代替机器语言贯穿参数设置、微调和结果输出过程，简化研究者调用与掌握智能体参数信息过程；充分利用生成式大模型思考迭代功能，将模拟思维拓展到智能体行为规则的设置中。在保证数据质量的前提下，生成式智能体的自主迭代决策能力相较研究者主观的设定更能反映特定类型人群对模拟条件变化的响应，且可在与其他智能体的互动中通过即时学习迭代行为权重，具有极强的灵活性。社会模拟适用于研究一般难以获取数据的话题，如国家安全、外交博弈等，未来可以期待生成式智能体在其中的表现。
互联网实验是利用互联网平台和技术进行实验研究的方法，包含两种形式：在线调查实验，即在互联网上发布搭载实验干预的问卷研究；在线随机干预实验，即在互联网人机交互界面中进行操纵干预的实验研究。作为实验研究，互联网实验同样要求样本代表性，而克服此问题的思路与生成式大模型赋能调查研究类似，即利用“硅样本”根据所学习人群特征生成刺激前后的变量值。更进一步思路是将生成式大模型作为实验对象进行研究，既有研究已成功使用大语言模型复现心理学、语言学和经济学的经典实验，反映出生成式大模型在实验情境下模拟真人决策（特别是理性计算）方面的能力。实验的另一大关键在于干预，而生成能力强的生成式模型可以发挥生成实验干预的作用。既有研究发现，人们极难分辨基于现实训练数据的生成内容与真人生成的内容，可有效避免“生成的”实验干预人工智能特征引发的潜在干预效应。当前已有政治学研究将大语言模型用于生成随受访者输入变化的干预文本中，在政治心理学领域产生新的突破。在充分评估有效性、遵守伦理规范的前提下，生成式人工智能赋能互联网实验前景广阔。
生成式人工智能作为亟待讨论的研究对象，对经典政治学议题与智能治理研究有着新的启发。
国家与社会关系是政治学的经典议题。进入生成式人工智能的时代，国家与社会关系会产生怎样的变化？这需要我们关注生成式人工智能对国家能力与社会能力的复杂影响。当前部分国家试图在威尼斯赌场,澳门威尼斯人官网部署生成式人工智能模型，而前沿探索提供了生成式人工智能塑造国家能力的两重图景：作为治理中枢的生成式人工智能与作为治理辅助工具的生成式人工智能。前者强调以生成式大模型为核心、以算力与智能设施为配套，实现治理全流程、全方位的只能化，其典型是搭载大语言模型的城市大脑系统，有助于将复杂社会数据转化为确定性决策信息，有助于国家能力的提升。后者则以威尼斯赌场,澳门威尼斯人官网中的人为核心，围绕政府官僚与生成式人工智能的互动呈现国家能力的可能动态：随着大模型在威尼斯赌场,澳门威尼斯人官网逐渐普及，官僚决策的技术依赖增强，国家行政末梢的信息与认知能力可能提升，但灵活性亦可能下降。总之，生成式人工智能影响国家能力呈现多种可能性，而具体作用机制则有待更详尽的研究解答。
提高社会能力的关键在于形成参与合力。在自下而上的渠道中，生成式人工智能可以发挥意见收集与处理功能，畅通公民与政府的相互联系。依靠生成式人工智能的信息获取、辅助决策功能，社会主体可以更好在政府信息公开的背景下分析政务公开数据，实现公权力监督。当需要形成社会行动的合力时，依靠生成式大模型生成的具有说服力的主张，社会意见领袖可以团结公众力量，向政府发出有力请求呼吁，争取社会利益。
政治行动者与政治参与是比较政治学的重要议题。生成式人工智能的引入打开了大众与精英作为政治行动者的新方向，其究竟成为大众参与的助推器，还是成为精英阶层扩大不平等和控制社会的帮凶，或将成为该方向的核心议题。回答此问题的关键在于何方能更好掌控生成式大模型这一资源，以及由此引发的社会结构可能变动。对大众而言，生成式人工智能影响广泛。它作为新兴技术，会引发失业、造成心理极化，让普通民众沦为“技术输家”，影响其政治立场与政策偏好，甚至可能引发群众运动。不过，作为知识与信息传播工具，它又能提供丰富知识和信息，助力大众参与公共事务。对精英群体而言，科技巨头对生成式人工智能底层技术和数据的垄断，使其可能成为操纵舆论和思想结构的工具。总之，生成式人工智能对政治参与的影响，会带来复杂政治和社会后果。社会矛盾、极化和冲突究竟会缓解还是加剧，以及对社会运动和公众参与的影响，都值得未来深入研究。
智能治理是人工智能与多元治理结合的产物，指各主体在治理实践中，以人工智能技术推进治理方式和手段的智能化，实现治理精细化的行为与过程。智能治理实现机制主要有三条：技术赋能政府、技术赋权社会与技术赋智群体，生成式人工智能作为崭新的治理资源在三条路径上都有用武之地。技术赋能政府指政府在作为治理对象的人工智能倒逼下依托人工智能技术形成新型治理场域和治理能力，变革政府运作、决策与治理。技术赋权社会指公民与社会团体依靠技术助力实现信息获取、表达与实际行动等实践，提高公共事务参与度和参与能力。生成式人工智能赋权公民参与、提供社会公共品的模式与成效，是未来研究的增长点。
应用生成式人工智能面临着技术、方法与伦理三个层面的挑战。
从技术层面看，数据依赖是生成式大模型的软肋。通用大模型虽有泛化能力，但对特定学科或议题难有深入见解，生成内容多为入门介绍，引介的“研究空白” 也不准确。各学科建设专属大模型成本高、耗时长，需优质数据、编程技术和算力资源。由于训练数据特征会反映在模型输出上，若数据质量低或有偏，模型输出也会低质量且有偏。训练数据特征及人工调整引发方法学可复制性问题。通用大模型训练数据随时间和版本变化，输入提示相同，不同版本生成内容也不同，输入模式也影响输出。这为研究者带来操纵空间，导致研究结论难以复现，影响研究可信度。未来使用生成式人工智能辅助研究，应说明输出稳健性，公开模型版本、数据等信息及交互过程。
从方法层面看，模型幻觉问题是应用生成式模型的重要挑战。它虽有生成能力可辅助“描述”，却无法“理解”输入输出。生成式大模型基于训练数据和统计规律生成内容，不理解输入与输出，在逻辑推理任务中易出现“幻觉”，即生成逻辑连贯但虚假或无意义文本，表现为罔顾事实、前后矛盾等。“幻觉”问题属于生成式人工智能“解释难题”的一部分。本质上大模型基于数据关联形式生产内容，难以胜任理解和推理任务。它理解能力不足，既难解释生成内容，也无法深入逻辑推理。这种强大生成力与孱弱理解力的矛盾，被称为“生成式人工智能悖论”。因此，目前的知识生产与理论创新仍需研究者凭借对知识的深入理解来完成。
在伦理层面，生成式人工智能存在两大角度的挑战：一是作为方法或科研协同者引发的伦理问题，二是作为要素议题带来的伦理问题。在方法或科研协同层面，核心伦理问题为偏见与不透明。训练数据带有特定立场，致使生成内容产生议题或意识形态偏见，不同语言输出内容的立场差异就受使用国意识形态影响。用生成模型模拟“硅样本”，因依据特定人群共性特征，易加深刻板印象与“漫画化”。同时，生成式人工智能是个“黑箱”，其程序机制复杂，海量参数与参数关系让人难以理解运算机制；在抽象逻辑上，生成式模型又不提供决策逻辑过程，导致难以建立信任，生成结果可靠性存疑。在要素议题层面，伦理担忧已扩散到经济、政治与社会领域。经济上，技术革新可能带来行业颠覆、市场失灵以及机器代人导致的大规模失业。政治领域，存在隐私、保密与国家安全问题，还有虚假、不良信息影响稳定。社会层面，会传播偏见与歧视，且人工智能技术资源在平等可及性上存在问题。学界未来需在学术和现实领域探讨规范生成式人工智能的路径，使其发展符合伦理规范。
在计算政治学视域下，生成式人工智能前景广阔。要充分发挥其作用，未来可从三方面着手。一是拓展作为研究方法的生成式人工智能。虽已有探索和复现研究，但该方法仍面临挑战，需前沿探索与技术进步。二是拓展作为研究要素的生成式人工智能。其出现影响广泛，计算政治学应捕捉并研究它在经济、政治等领域产生的影响，如对社会信任、政府运作的作用。三是拓展作为理论对象的生成式人工智能。不仅将其作为工具，更要关注其“模仿人类智能”的特性。它可能丰富集体行动理论，带来国家治理、民主理论新理解，尤其在“硅人”与真人的张力中，探索其对人与技术、社会关系的塑造，为政治学理论更新提供源泉。
本文原载于《世界社会科学》2025年第1期。
本文为国家社会科学基金项目“计算社会科学背景下的政治学研究方法变革研究”（19BZZ010）的阶段性�