人工智能社会学是什么，未来将如何发展
人工智能社会学
摘要：
本文旨在关联斯蒂格勒对理论计算机科学的反思与他在数字技术设计上的实践主张。斯蒂格勒的外在化（exosomatization）理论指向一种新的人工智能概念，它采用的不是类比范式（将生物体和机器进行比较，如控制论，或者将思想和计算进行比较，如认知论），而是器官学（organological）范式，研究物质和技术支持的演变如何影响和改变心理、认知能力（直觉、记忆、理解、想象力、感性、理性等）以及知识的构成。这种新的理论范式可以延伸出一种充分考虑到数字技术的社会作用及其对心理、认知或思维能力的影响的发展蓝图。
作者简介：AnneAlombert，巴黎第八大学
文献来源：
Alombert,A.(2022).FromComputerScienceto‘HermeneuticWeb’:TowardsaContributoryDesignforDigitalTechnologies.Theory,Culture&Society,39(7–8),35–48.https://doi.org/10.1177/02632764221141684
本文作者AnneAlombert
导言
科技公司巨头遵循新自由主义特有的“休克主义（shockdoctrine）”，即利用各种灾难造成的心理冲击对社会实施经济改革，从而使公共权力服从市场规则。在新冠流行时期，这体现为“技术解决主义”，即强加给人们“智能”工业系统以解决社会和政治问题，但不需要对这些系统的运作进行集体审议，这些系统大部分是“封闭的技术对象”，完全自动化，人们无法理解。这种算法系统为数据经济服务，而数据经济往往是“封闭经济（shut-ineconomy）”，这种经济完全基于数字化平台的按需服务（on-demandservices）消费，此中，平台形式决定了个人要为海外公司付出无形、不稳定的劳动，这在传统工作本身越来越倾向于自动化的背景下，不利于本地经济活动的发展。
斯蒂格勒(Stiegler2016)认为，这样的技术经济模型无法保证偿付能力：越来越多的工作逐渐自动化不可避免地意味着购买力的下降，这危及消费主义模型、最终威胁到数据经济本身，因为数据经济就是主要基于消费的。此外，实时收集和算法处理海量数据的能源消耗和污染效应加速了生态灾难。而注意力经济也使人和社会失去个性：大多数应用程序都试图诱导用户上瘾，威胁其认知能力。
这就是为什么斯蒂格勒在人生的最后呼吁反思当下的经济和技术模式(Stiegler2020a)。他认为，这要求我们重新思考理论计算机科学的基本原则，规划数字技术的新发展，防止其滥用数据、破坏注意力，而更加支持泛个性化（transindividuation）和知识生产。为了理解、发展斯蒂格勒的主张，本文将首先尝试明确当前理论计算机科学的基本原则，阐明其问题在于将软件和硬件之间的二元对立作为前提，而导致头脑和计算机之间的错误类比。乔治·康吉莱姆和贝尔纳·斯蒂格勒的著作为理解心智、大脑和技术支持之间的关系提供了一个新的视角，它关注技术人工制品对心理和思维功能的影响。采用这种视角，就意味着我们要考虑斯蒂格勒所说的知识的外在化（exosomatization）过程，即记忆和其他“心理”或“认知”功能外化为物质支持，构成人类社会中知识的保存、构成和进化(Stiegler2017)。最后，本文提出当代社会知识的数字外在化问题：根据斯蒂格勒的说法，现阶段的外在化指向数字平台和数字技术的新发展方向，这种设想既注重自动计算和算法性能，也要求技术支持集体智慧和抽象活动。
理论计算机科学和注意力经济的基本原理：
信息、认知、计算
斯蒂格勒认为，新自由主义的统治和计算认知主义的统治是同一个问题的两个方面：在他看来，市场作为信息系统的概念和民主作为自由信息空间的概念是哈耶克和赫伯特·西蒙新自由主义学说的起源，两者都基于一个有问题的“可计算”信息概念，这个概念将“所有现实变为可计算性”（Stiegler2020,p.73）。
哈耶克和赫伯特·西蒙因经济学成就而著名，但同时，他们还是认知科学和人工智能领域的先驱者，新自由主义学说在1970年代通过二人得到显著发展。二人在经济和社会理论中用信息理论来解释与认知相关的心理活动。哈耶克提出了将心智作为分类系统的概念，使得将感官刺激（或对象）与精神状态（或类别）联系起来成为可能（Hayek1952）；在这个意义上，他预见了随后认知科学的联结主义（connectionist）的心智概念。西蒙试图解释从感知到决策的心理过程，他的思路是先确定简单的几条信息处理基本机制，将这些机制结合起来，就使得执行越来越复杂的任务成为可能，这些任务可以在计算机系统中建模，即“人工智能”（Simon1979）。随后出现的信息和注意力经济及其延伸出的认知资本主义和数据经济，因此似乎是基于心理和行为的“信息”或“计算”理论，这些理论本身是在这个时代特有的科学和技术发现的基础上发展的。
在20世纪50年代，信息的概念刚刚出现在科学和技术领域，特别是正在全面扩张的计算机科学和信息论的发展。朗高（G.Longo）认为，这种信息概念的特点是，它既不依赖编码，也不依赖媒介：“这个古老的发明，在1936年被图灵以革命性的方式正式化，而后对香农来说至关重要，它使我们能够把软件与硬件区分开来，并提出一个不必考虑物质支持和计算实践的无数可能性的关于编程或传输的自主理论”(Longo2016,p.1)。
然而，这种信息与支持或软件与硬件之间的区别有着负面影响。在认知心理学中，它被用来思考思想和大脑之间的关系——头脑是一个落实到大脑的物质支持(硬件)的信息过程（软件）(Triclot2004)。尽管最早的理论计算机科学家、信息理论家或控制论者都没有坚持过这样的主张，但认知科学起源的认知范式确实基于这样一种观念，即思想和大脑之间存在的关系与软件和硬件或程序和机器之间的关系相同。
从那时起，认知过程被描述为基本符号中的逻辑运算，思维由此被看作一种可以在迥异的机器中执行的计算程序，载体可以是计算机，也可以是大脑。许多超人类主义的神话都源于这个想法。例如人工智能的神话：机器可以思考并且可以人工复制“思想”，或者将思想下载到电子媒体上，并在个体的生物死亡后保存下来(Kurzweil2013).这些主张基于隐含的形而上学二元论（在信息和支持、软件和硬件、思维和大脑之间），它建立在认知主义的思想概念上，将计算机的功能作为思想的一般模型，而计算机本身则成为客观的技术演化过程中的一环。
反思大脑、心智和技术之间的关系：
从类比到器官学，从认知到外在化
康吉莱姆认为，这种根据最新技术发明的模型思考思维“功能”的倾向提出了一些非常基本的问题：仅仅一项产生于具体历史条件的技术，凭何足以成为构思思想的一般模型？特别是，它的发明本身就预设了它应该解释的思想(Canguilhem1952,1993[1980])。换句话说，当模型声称要模拟其自身的可能性条件时，模型的价值是什么？事实上，这种以特定工具类比来理解思想或认知是有问题的：如果我们认为认知或思想始终是身体与其工具之间的连接，是大脑与工具之间发生的过程，那么，我们不能假设工具本身构成了大脑、思想或认知的模型，因为这就将系统或过程（思想或认知）的一部分看作整个系统或过程的模型。康吉莱姆提出，“人工智能”作为一种表达方式，往往会让我们忘记计算机是技术外在化过程中的一个阶段，基于它发展出来的书写和计数系统的结构，无论是机械的、电子的还是数字的，都与生物体的有机结构没有关系，不能与它们相比。
斯蒂格勒断言，有必要在计算范式之外基于康吉莱姆的上述思考反思理论计算机科学，(Stiegler2020,p.76)，他因此提出，应当思考生物有机体和人造器官的共同进化，也就是感觉、认知和心理功能以及人工制品的支持的共同进化。因此，我们面临的挑战是转向器官学（organological）范式，即质疑技术设备和支持（外体器官）影响和转化心身有机体（内体器官）的方式，特别是它们的心理、智力、认知和思维功能——简而言之，这些功能使它们能够认识和思考，但也不可分割地使它们能够梦想和渴望。换句话说，挑战在于超越认知主义，不将技术设备视为心理装置的模型，而是将其视为心理和思维活动的转变。
正如生物功能通过自然环境的演变而转变一样，智力功能通过技术环境的演变而转变。技术设备对“心理”活动的这种改造，认知或思维能力与人工支持之间的这种共同进化，就是斯蒂格勒所描述的心智（noesis）的外在化，根据他的说法，这需要“从外在化的角度重新考虑心智，它的能力和功能（Stiegler2020,p.76）。因此，他坚持认为，认识或思考的能力不是一种普遍的和同质的能力，而是在技术设备的整个进化过程中不断演变和多样化，这些技术设备为认识和思考提供条件，通过这些设备，心智的功能（如记忆、直觉、理解和想象）被外在化：“认识的功能因此被外在化所改变”（Stiegler2017,p.81）。
1945年，数学家兼生物学家洛特卡(Lotka1945)首次使用了外在化的概念。他认为，“记录方法”使人类能够通过将知识存储在大脑之外来积累知识，他称之为“外体”器官，也就是位于生物有机体外部的技术器官（p.192）。
知识的外体化：
将意识功能外化到技术制品和社会活动中
卡尔·波普尔(Popper1972)在认识论领域讨论人工记忆的作用，他认为，记忆载体的进化实现了记忆和知识的“外体”或“超个人”进化，因此，知识应当看作是一种社会和技术活动，需要外体记忆（即把符号铭刻在人工制品上）。而后在神经科学领域，让-皮埃尔·尚热接受了这一概念（Changeux1997），提出神经科学的研究结果要与社会人类学和民族学相结合，才能理解人类知识的传播和构成。
同一时期，人类学家杰克·古迪(Goody1977)创造了“智力技术（intellectualtechnologies）”的概念，强调记录对思想的影响：书面铭文不仅发挥着记录的功能，而且使人们能够进一步抽象、分析和逻辑，形成理性思维；而逻辑不是认知主体的普遍属性，而是在字母书写系统这个前提下形成的一种特殊的思想。语言学家和人类学家沃尔特·翁(WalterOng,1982)研究了注音文本（和其他“单词技术”）在意识重构中所起的作用，特别是，写作活动中典型的没有听众和脱离生活语境，如何导致新的“心理”能力的发展，例如“虚构”、“谨慎”和“内省”（第101-3页）。
神经科学的研究也从另一个侧面佐证了大脑的结构与语言和写作等智力活动之间的相关性：不同的语言和写作系统需要不同的神经连接，因此，语言和文字的多样性使得神经系统也拥有了多样性（Wolf2008）。近年的哲学研究关注其前提，即大脑的可塑性：大脑和人工制品之间的相互作用是思想活动本身的起源（Malabou2005;BatesandBassiri2016）。
在上述期间，即1970年代到2010年代，认知科学本身发生了巨大的变化：最初主导该领域的计算范式已经逐渐被外部主义范式所批判和取代，后者提出了一种体现的、处境的和扩展的认知概念，根据这一概念，思想不在大脑甚至身体里，而是扩展到整个环境，甚至技术人工制品，它们参与认知过程并作为认知延伸发挥作用（ClarkandChalmers1998）。从这个角度来看，计算机不再是思维模型，而是一个更全球化的系统的一部分，这个系统正如贝特森所论证的那样，始终包括人类及其环境（Bateson1972）。
由上所述，从20世纪50年代至今，众多领域的研究重心不是人工智能或思维机器的问题，而是体外记忆和智力技术的问题。在信息、通信和计算技术不断改进的同时，一种新的思维概念也在出现：心理、认知和理智功能总是受到人造或外体器官的制约，他们的实践改变了大脑的组织和“心理”能力。根据这个观点，知识不能还原为认知；相反，斯蒂格勒坚持认为知识存在于以人工制品为基础、通过外化和内化的双重过程而联系起来的大脑，其中“精神”内容被外化，符号内容则被内化，这一过程始终是心理的、技术的和集体的(Stiegler2014,p.21)。这样的过程不是仅仅传递信息，因为通过心理内化的过程，先前已经通过技术外化的内容得到解释，在当次沟通中获得独一无二的含义。正如斯蒂格勒所说的那样：“我们不（或不仅）用这些信息内容进行计算，我们必须回报将它交给我们的人，而传递的过程即是保证内容发挥其作用、将其外体化和加强不可能性”（p89)。通过这种包含情感活动的跨个体的回路（而不仅仅是反馈回路），知识以技术支持为媒介，形成代际循环。借此，知识通过单一的解释和表达而转变和多样化，因而朝着不可预测的方向不断发展、分叉。由于这种不断发展和分叉的维度开启了不可能的发明，知识不能被简化为计算信息过程。
迈向数字技术的“诠释学”设计：
协商平台和贡献型社交网络
基于上述原理，斯蒂格勒坚持认为，必须探索数字技术新的发展方向，使它们成为集体知识过程的支持，而不仅仅是处理数据、传输信息或吸引注意力的设备。事实上，正如斯蒂格勒所说，网状人工智能（reticulatedartificialintelligence）、高性能计算和深度学习机器往往瓦解智力功能和认知能力(Stiegler2017)，原因在于其过快的处理速度：当通过直觉接收数据被“数据采集界面格式化”时，理解的分析功能被“委托给算法”，想象力的投射功能被“自动化程序重新配置”，理性的解释功能被自动信息处理的速度缩短了（第82页）。此外，科技巨头的推荐算法也助长了同质化。
为了避免知识能力的解体和智慧生活的同质化或自动化，有必要设计、开发和试验新的数字和算法工具，使用户能够理解所获取的内容，并通过注释和审议的贡献平台共同分享和讨论他们的解释。数字技术恰恰包含了这种潜力，因为与书籍、电影或电视等文学或视听媒体相反，它们开辟了一个新的出版空间，并允许符号内容的接受者成为生产者，进行表达和辩论。
这种集体讨论需要与“索引、分类、注释、可视化、推荐、编辑和组队”相关的新型功能（Stiegler2020:§94）：这些贡献功能都可以与算法数据处理相衔接，并催生出一种基于共享知识的社群型社交网络（HuiandHalpin,2013;Stiegler2014:25）。在这样的框架中，“算法不再具有统计处理用户数据以预测其行为的功能，而是定性分析注释以识别解释的趋同或分歧”，并组织理性辩论，构成政治和科学活动、以及更普遍的智慧生活的基础。这些功能构成了斯蒂格勒所谓“解释学”或“建设性的”网络（Stiegler2016：§70；2020：§94），将数字技术从大规模计算工具转变为对个人和集体的解释和个性化的支持，为异见和争论提供场所，因而具备“公共”空间的特征。
建设性的研究：
理论与实践、科学与技术、
“技术多样性”和“心智多样性”
建设性研究的目的是将学术研究与当地的具体问题联系起来，设计和试验新的数字工具、平台或社交网络，但各自适应单个的、当地居民的需求。通过这样的社会和技术研究项目，学术研究人员和参与的居民发展“技术多样性”，为“心智多样性（Noodiversity）”提供条件（Stiegler2020:§22;§69）。这种方法的目标是发展一种“与技术的新关系”，在这种关系中，“领土的居民不仅是技术系统的用户”，而且“基于实践和理论上的集体研究[这些系统]，这样[研究者-居民]就可以理解、规定、改造和实践数字技术”(§58)并参与他们的技术环境、同时也是精神生活环境的未来发展。
一个例子是2018年到2020年进行的“建设性学习领域”，这个研究计划由斯蒂格勒2016年在巴黎北部发起（Stiegler2020：§47）。该项目面向电子产品对儿童心理发展的影响所引发的问题。该项目不仅邀请专家和家长在理论层面研究这个问题，也寻求利用智能设备，将其转化为新的教育实践。从长远来看，该项目的目标还包括让医生、护理人员和家长参与构思“疗愈的”数字工具和建设性社交网络的概念，使他们能够分享他们的经验，通过建设性的教育实践在本地组织起来。事实上，屏幕对儿童心理发展的有害影响与他们的父母没有时间照顾他们有关：在这方面，数字化的本地平台可以帮助他们为孩子组织集体活动，以集体方式照顾他们。
如今，电子设备越来越无处不在，其带来的问题获得社会各界诸多主体的关注，此类贡献研究和设计项目也就可以在许多领域展开。因此，更加应当注重“器官学”观点的发展（包括对心身有机体之间的关系，技术机构和社会组织间关系的研究），以及跨学科领域与社会技术实验的衔接。数字硬件、软件和界面的根本性转变还需要政治和经济层面的计划，它有潜力开辟一种超越当前基于认知和计算提取主义的数字资本主义之外的未来。
编译|nonsense
审核|范屹槟
终审|林陌声
©Sociology理论志
前沿追踪/理论方法/专家评论
ID:ThePoliticalReview
原标题：《人工智能社会学｜Theory,Culture&Society》
阅读原文
人工智能的趋势与思考
习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能，是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
趋势与展望
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯・哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”的目标前进。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML），试图通过自动创建机器学习系统降低人员成本。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度，系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。
我国人工智能态势
当前，我国人工智能发展的总体态势良好，但也要清醒看到，现阶段发展存在过热和泡沫化风险，在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍存在不少问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
党中央、国务院高度重视并大力支持发展人工智能。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面，距离世界领先水平还存在明显差距。
在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司Compasslntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
不过，我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年，人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
发展人工智能需深入思考
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，要充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样，才能确保人工智能健康可持续发展。
重视固本强基的原创研究。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态，提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒，有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）
责编/魏艳华
(责编：戴靖、李秀梅)分享让更多人看到
推进大数据、人工智能等信息技术与人文社会科学研究深度融合
在这个快速变革和发展的新时代，人文社会科学研究的内涵与外延处在不断深化和拓展之中，电子踪迹、社交媒体、数字文本以及空间位置信息等大规模数据已经广泛渗透应用于人文社会科学研究之中，当代人文社会科学研究的新场景值得我们重视和思考。
当代人文社会科学研究的新场景
·大数据时代，从典型案例探析研究新动向
人文社会科学研究的真正价值源自于研究问题。把握人文社会科学研究的发展趋势在于寻求研究问题的解决路径。相同的研究问题可以从不同学科领域、不同角度以及不同侧重点进行分析。在大数据时代，运用信息技术有助于人们更加深入透彻地了解人文社会科学研究中的新动向，例如，进一步跟踪和关注以下具体研究问题。
第一，实时洞察热点事件。大数据在各行各业的应用，能够即时且最大化的体现数据价值。如央视新闻采用百度定位数据展示春运人口流动图景；印度研制的MogIA人工智能系统用网络数据四次成功预测美国大选结果；谷歌研发的GFT流感趋势预测系统基于用户搜索记录预测美国的流感趋势；等等。过去用传统数据进行研究具有很大的时滞性，而实时性数据的获取，能够有效提升人们发现世界的真实度，人文社会科学研究也可以得到更多有意义的结论。
第二，解读人类行为规律。社交媒体数据为解读人类行为规律或行为倾向提供了很好的机遇。在过去，研究人的行为主要通过问卷、访谈、实验等方法。现在社交媒体成为提供数据的重要场所，研究人员不需要被测对象响应和配合，也不需要等待被测对象，因此给人文社会科学研究提供了很大方便。
第三，用科学来破解文学争议。如辨别红楼梦前80回和后40回作者是否为同一作者以及《静静的顿河》的作者之争等等，这些文学问题都可以通过统计分析、数据挖掘、机器学习等手段进行分析。这种用数学解决文学问题的方法有一个形象的说法叫“文学指纹”，即像识别指纹一样来识别不同作家的文学风格倾向。同样，这也体现出文学在研究思维上发生的重大转变。
第四，宏观分析历史变化。大数据为全面、宏观的分析历史变化提供了充分条件。如武汉大学社会学系龚为纲博士用网络数据分析西方社会民粹主义思潮的历史演变；Maximilian Schich等学者用名人出生地和死亡地的数据研究文化艺术中心的历史迁移问题；等等。过去的研究很难对历史变化有整体性把握，研究结论往往与研究者个人视野有很大关系，只能分析解决局部问题，而数据处理技术和分析手段出现后，我们能够通过数据的直观展示了解到历史变化过程以及历史事物。
第五，探究重大社会问题。通过数据中隐藏的规律来揭示重大社会问题。过去应对复杂非线性社会问题，最常用的是实证化研究，当时这些研究的解释力度不够。而现在可以用“数据发现逻辑”，解决以往难以攻克的社会问题，有助于国家相关政策的制定以及维护社会稳定。
我认为，如果数据方法和分析手段运用得当，真正融入人文社会科学的重要问题中，那便是优秀的、具有影响的研究成果。
·技术环境变化，创造有利研究条件
从当前人文社会科学研究场景中可以看出，有许多研究以前行不通而现在可以进行了。实际上是技术环境变化创造了有利的研究条件。
比如说，现实世界的转换路径：数字化。数字化是一个时代感很强的术语，也是一种常见的现实应用场景，指将复杂多变的信息对象，如声音、颜色、图形、图像等，转换为二进制，由计算机统一处理。从而人们可以在另外一个世界（空间）去研究原来现实中的一些问题。数字化的理念以及数字化工具和技术能力应用于很多领域，解决了许多基础性问题，如数字化书籍、报纸杂志、图书馆、博物馆等等。
再比如，取之不尽的数据来源：物联网。物联网技术是在互联网基础上实现“物物互联”。这里的“物”能够为认识社会经济现象提供好的研究基础和平台。对于人文社会科学研究而言，取之不尽的数据是科学新发现的源泉，物联网所带来的研究魅力在于数据的获取空前方便。物联网可以获取海量的实时数据，而这些数据是运用传统工具和手段所不能获取的。
还有就是即时可用的计算环境：云计算。云计算的概念从2006年的搜索引擎大会上提出，到现在已经10多年。它主要是指一种计算资源的共享，带来数据分布式存储和计算，这种分布式存储和计算使得研究人员不再担心传统数据存储和处理的局限。传统统计学的目标是用尽可能少的数据来发掘出尽可能重大的发现，长此以往，研究人员就形成了减少数据收集的习惯，这种缩减实际上是一种人为的限制。而云计算意味着更大的临时存储空间和计算环境，因此给了研究人员一个信心：面对复杂的研究对象，不需要做过多的精减。
值得重视的移动泛在的信息行为：智能手机和终端。人人持有的智能手机和终端形成了信息获取和信息生产的泛在环境。用户不仅可以无时无刻、随时随地生产数据，还可以获取数据、传递数据。现在，很多数据通过移动手机和终端不断产生、不断传递，使得信息传递模式、人类信息行为表现都呈现出新的特征，而且移动信息服务又与生活经济发展密切相关。这样的变化不仅为研究信息传播、用户行为提供了支持，而且也丰富了人文社会科学的研究途径。
无孔不入的时空分析：GIS技术。地理信息系统（GIS）技术与人文社会科学研究特别相关，GIS是上世纪60年代研究地理的学者提出来的，主要是为了获取、存储、检索、分析、显示空间的定位数据，随着技术的发展和成熟，其发挥的作用也愈发显著。人文社会科学研究之所以要重视GIS技术，因为其研究对象不仅有时间属性，还有空间属性。人文社会科学中很多现象并不能像自然科学研究中用数学、物理、化学的方法来测量，但是GIS技术为直接或间接研究人文社会科学空间提供了可能。
数字与现实世界融合：VR/AR技术。虚拟现实/增强现实（VR/AR）技术借助3D模型、感知交互、渲染处理、网络传输等技术，将仿真和现实物理空间融为一体，建造第二自然（也可以称为拟象），实现对物理空间的原型事物的模拟和构建，以及对无原型事物的生成和创造。这类技术可以充分模拟现实世界可能发生的现象、发展的状态，未来可能会成为人文社会科学研究的实验室或者试验场。
·不同数据来源提供研究保障
计算机技术的发展极大地改变和丰富了人文社会科学研究的数据来源。依据不同的标准，可以将人文社会科学研究的数据细分为不同的类别，针对性地应对不同研究。
依据数据产生的方式，人文社会科学研究数据可以分为被动产生的数据、主动产生的数据和自动产生的数据。被动产生的数据，表示被人和机器共同控制。主要来源于一些业务运营管理系统，伴随移动的运营活动产生并记录在数据库中，如超市、医院、研究机构、交通部门的管理系统中产生的数据。主动产生的数据，表示人的主动权（控制权）较大。这类数据是用户在不同的移动手机和终端，为了交流、交易而产生的数据。自动产生的数据，表示数据的主动权完全归于机器。这类数据主要为机器和传感器数据，如射频识别（RFID）信息、GPS等定位系统数据等。
依据数据的来源，人文社会科学研究数据可以分为电子踪迹、用户生成内容（UGC）、数字化文本和空间位置数据。电子踪迹数据指用户在使用互联网以后留下来的踪迹，主要包括点击流和搜索日志，如用户点击网络情况、浏览情况以及IP地址等等都属于电子踪迹范围。用户生成内容（UGC）数据，包括社交媒体数据，以及采用群体智慧机制的互联网百科数据等等。数字化文本是电子化处理后形成的文本数据，包括各类数字化图书馆网络数据库存储的文本数据等。空间位置数据是利用GPS等定位系统获取的定位数据。
依据数据的实时性，人文社会科学研究数据可以分为热数据和冷数据。人文社会科学的研究问题与数据实时性具有一定的关系。有些研究是利用实时性数据研究现实性问题，有些研究是利用档案性数据研究传统性问题。这就反映出研究中数据的热度。据此，可以将反映实时动态的实时性数据称为热数据，将保留多年的档案性成熟数据称为冷数据。
·新场景中的新老问题需要重视
在新的技术环境和数据产生条件下，人文社会科学研究的问题出现了变化，从本质上讲，这些变化主要包括以下两类。
第一类是新场景中的老问题。这类问题是人文社会科学研究中一直都存在，只是过去传统技术条件下没有办法揭示的问题。如上述的文学指纹问题、社会思潮以及文化艺术中心变迁问题等等。这些问题，在新场景中借助新的数据来源和获取方式、处理分析工具，能够顺利得到解决。另外，在社会科学当中长期争执的整体与局部的问题，也是这类传统的问题。
第二类是新场景中的新问题。在新场景当中也出现了过去没有的问题，比如说互联网、数字技术、VR/AR技术所带来的虚拟空间，随之出现的虚拟社区、虚拟企业、人造现实、第二自然，以及由此产生的虚拟犯罪问题、伦理问题，人文科学关注的人的价值问题，实际上都是新场景中的全新问题。这些全新问题今天已经有人提出，但是目前很少看到这方面研究，而这些问题对人类的影响重大。
当代人文社会科学研究的新视野
·人文社会科学与自然科学应当相互学习借鉴
人文社会科学和自然科学不同之处主要表现在自然科学现象具有同质性，而人文社会科学现象具有异质性。所以自然科学研究强调可重复性。不同的研究人员做同一个实验，其结果应该是相同的且可以重复。但人文社会科学研究不一样，因为人文现象、社会现象具有异质性，这种异质性导致了人文社会科学研究的差异性。尽管两者有不同，但自然科学家和人文社会科学家还是要相互学习和借鉴。不能强调它们的区别，而忽视了共性。很多自然科学的理论、方法、技术，都能够运用于人文社会科学研究；人文社会科学的研究也可以为自然科学提供很好的场景和指导。
当前，很多自然科学家开始关注人文社会科学中的问题，这值得鼓励。人文社会科学只有成为一个开放的学科，才能在新的方法、理论、技术上产生质的飞跃。但同时要引起人文社会科学家重视的是，当自然科学家关注这些问题的时候，如何让本领域的社会科学家们继续发挥主导作用。
·注重不同研究取向和方式的结合
数据驱动与模型驱动相结合。传统研究强调模型驱动，通过提出构想、假设，收集数据来验证模型。但模型驱动的局限是只能在有限的范围内，通过有限的参数、有限的变量来提炼出模型。许多模型是在小世界范围内非常理想的假设条件之下提出来的。当然，模型驱动也有其明显的优势：直接、简洁、具有理论吸引力。但在有限场景当中，它只能解决部分的问题，而且没有办法应对丰富多样的数据来源，所以要把两者结合起来，强调模型驱动，也要强调数据驱动。
演绎逻辑和归纳逻辑相结合。无论是演绎逻辑还是归纳逻辑，在大数据支持的研究中都可以采用。从演绎逻辑出发，使用大数据进行检验，可以称之为理论驱动或模型驱动；从归纳逻辑出发，使用大数据进行描述和分析，可以称之为数据驱动。两种逻辑并存，理论驱动和数据驱动并存，可能是使用大数据进行研究的一个特点。以往的抽样数据研究，主要是理论驱动和演绎逻辑；而质性研究，主要是数据驱动和归纳逻辑。大数据将两种逻辑结合起来，可能是其优势所在。
相关分析与因果分析相结合。在大数据出现时，人们认为因果分析不再重要了，认为大数据只重视相关分析。这是一种误解，因果分析仍然非常重要。从古希腊开始，西方哲学就把因果关系作为科学的核心，因为任何科学问题都要从原因分析结果，从事物之间的因果关系来发现基本的规律。但在大数据环境中，发现“因”和“果”之间的关系并不那么容易。因果关系其实有三个非常重要的条件：首先，因果是一种时序关系，“因”在前，“果”在后；其次，因果之间有实证的相关性；再次，因果关系不是第三变量的结果。这三个条件在大数据环境下很难揭示，但不能以此来否认因果关系的重要性。相关关系是因果关系的必要条件，在相关关系基础之上分析因果关系，这样可以避开人文社会科学在因果分析中的内生性问题。
空间分布与时间序列分析相结合。时间和空间是界定人类社会发展和人类文明的基本维度。其实人文社会科学在很长一段时间里面，非常强调时序分析，因为时序分析是和因果关系非常密切联系在一起的。上世纪七十年代以后，由于技术的发展，出现了对空间位置的发现和揭示，所以开始关注到空间问题，这里的空间不仅仅是地理空间，还包括权力空间、关系空间、心理空间、信息空间等等这样一些社会空间。除了时间之外，空间的位置分布也非常重要。时间和空间共同被视为社会现象的环境或舞台。对于许多人文社会科学现象，如果只关注时间，而忘记空间，那么很可能就丢掉了相关性；而如果忽视时间，那就在很大程度上忽视了因果性。其实这两者有非常密切的关系，缺一不可。
部分探索与整体研究相结合。为什么要强调这个问题？因为历来很多社会科学家、哲学家都是反对整体性研究的，他们认为从整体上去认识社会发展的规律是不可能的。波普尔就是这个学派的代表。但在科学当中，无论是自然科学、人文社会科学，“整体”在任何时候都非常重要。当今人文社会科学的新场景提供了一个认识总体、研究总体、检验总体、测试总体的条件。所以可以把整体和局部结合起来认识各种复杂的人文社会科学现象和问题。
人工分析与工具应用相结合。古人云“工欲善其事，必先利其器”。在当前的大数据场景下，不仅要重视传统的人工分析，还要重视工具的运用，尤其是人工分析和工具的应用相结合。不同领域数据的长期积累和快速增长带来了新的数据分析要求，相关的处理、分析和可视化等技术迎面而来。而且在不同问题上需要不同的工具和方法，这些工具和方法并不容易被掌握和诠释。因此，人文社会科学研究如何吸收和利用这些强大的技术手段，将传统的人工分析与工具应用相结合，这是在研究过程中需要注意的。
·有形与无形研究工具的产生
纵观几百年科学研究的历史，不难发现，任何学科的发展都离不开特定的研究工具。正如显微镜对于生物学、天文望远镜对于天文学发展那样，人文社会科学的发展同样离不开特定研究工具的发明和使用。这些研究工具既包括有形研究工具，也包括无形研究工具。
互联网+时代的有形研究工具，是大数据催生数据分析手段。有形研究工具主要是以数据分析、加工、处理、获取的这些工具为代表。例如在数据采集阶段，根据不同领域的数据来源有不同的数据采集工具，有日志采集、网络数据采集，传感器数据采集；在数据存储阶段，除了关系型数据库和数据仓库，建立在分布式存储基础上的云存储已经成为大数据存储的主要趋势；在数据分析阶段，传统的分析方法无法满足数据分析需求时，出现了新的大数据处理工具，包含：批数据处理、流数据处理、以及非结构化数据处理工具。在数据呈现阶段，除了面向大数据主流应用的可视化技术，还有人机交互技术等等。
无形研究工具是网络环境变革传统研究方法。网络环境消除了物理空间的限制，许多在线下进行的研究可以在线上进行，在网络环境中，人文社会科学研究以传统的研究方法为基础，不断呈现出新的思路和方法。这些思路和方法形成了许许多多无形研究工具，包括互联网实验法、在线数据分析法、众包、虚拟民族志、文化组学等等。作为一种全新的社会形态，网络环境为各项社会信息活动提供了新的存在空间，由此获得改进和创新的人文社会科学研究方法。
未来研究需关注的几大问题
尽管当代的很多技术、方法对人文社会科学研究至关重要，但也带来了很大的影响，所以在应用过程当中还需要关注以下问题。
一是数据碎片化和模糊化。数据来源于不同的时间和空间，因此大数据往往具有多元性和涌动性。对科学研究而言，允许一定的模糊性，但需要重视这个度，对数据要采取去语境化、规范化的操作，把大数据、来自不同场景的海量数据变成智慧数据，才能够支持人文社会科学研究。
二是隐私与安全。这是人们非常关注的问题。在大数据环境下，既要强调数据开放，又要强调隐私保护，就形成了矛盾。解决这个问题，不仅需要法律的改进，还需要技术上的突破。
三是技术障碍。大数据应用于人文社会科学研究，必然涉及很多新的工具、技术问题。数据从获取、分析到呈现，还有各种各样的无形研究工具都离不开技术。实际上也给人文社会科学研究人员提出了挑战，如果技术没有掌握，会不会陷入望“数”兴叹的尴尬境地？应对技术障碍，人文社会科学研究人员首先应该掌握一定的技术工具和方法，同时也需要加强与其他学科领域的技术人员的合作。
四是研究对象的社会文化意义。从人文社会科学角度看，任何数据在人文社会科学当中其实都是人及其行为的符号，是人类自身活动的结果，是一种具有社会文化意义的建构行动。忽略人所在的社会文化的价值本性，而无限放大数据效益及其影响力，可能会收到相反的效果。如果人及其行为都仅仅被看作一个个孤零零的数据符号，就很难从个体数据去推导群体样态和社会构成。
五是人文社会科学的美学价值。在人文社会科学研究中，研究者个人的价值取向和个性非常突出。如果在大数据的场景当中，泯灭这种研究的个性，也就牺牲了研究的初衷。因为人文社会科学，除了与自然科学一样要发现客观事物发展规律，还承载着传播传统文化、促进现代文明的历史使命。所以不能忽视它的美学价值，美学价值源于研究人员的个性，也是人文社会科学研究的个性。
六是人文社会科学的抽象思维和思辨。无论是人文社会科学，还是自然科学，都要强调抽象思维。不仅要强调抽象思维，还要强调思辨，在大量的事实观察的基础之上，抽象、揭示、发现规律。无论用什么样的方法去获取数据，这些数据都只是研究的素材，并不代表世界是怎么运作的，而世界的运行规律隐藏在这些数据当中，需要主体通过抽象思维去揭示和发现这些规律。
七是人文社会科学的科学想象。为什么哲学家会比自然科学家更能发现自然的规律？实际上这是因为哲学家视野更抽象、站得更高。就像爱因斯坦、牛顿这样的大科学家，其实他们首先就是一个哲学家。爱因斯坦通过思想实验发现了相对论，牛顿通过观察、思考和科学灵感揭示了经典力学的规律，曹雪芹想象和描绘的“太虚幻境”早就为我们展示了今天才有的VR/AR技术场景。所以特别强调利用这些没有生命的数据和工具，去发现活生生的“人”的行为，通过科学的想象和实践去发现重要规律，这也是人文社会科学研究在任何时候都不可忽略的。
数字化时代为人文社会科学研究带来了新的历史发展机遇，新的研究场景以及新视野、新方法、新工具的出现，意味着中国特色哲学社会科学研究体系的构建应把握大数据驱动下的研究特点与规律，紧跟信息技术发展步伐，不断推进人文社会科学理论体系的创新和研究方法的创新。换言之，不仅要主动运用数据思维和有形无形的研究方法来回答和解决好我国改革发展所面临的重大理论和实践问题，还要立足国际学术前沿，熟练推进大数据、人工智能等信息技术与人文社会科学研究的深度融合，并针对当前人文社会科学研究的关键问题，提出中国学者的原创性理论贡献，进而全方位、全领域、全要素地建构数字化时代人文社会科学研究体系。
未来已到，人工智能如何与社会工作融合
原标题：未来已到，人工智能如何与社会工作融合随着时代的发展与科技的进步，人工智能已逐渐进入我们的生活视野，被人们所认知、接受。社会工作作为一个助人的新兴专业，也对人们的生活产生着影响，逐渐被人们所了解、支持。本文通过文献查阅的方式对这两个独立的新兴专业能否互相促进与融合发展进行探究分析，旨在基于价值观与伦理的契合，促进人工智能与社会工作的更进一步发展。
人工智能与社会工作融合发展的可行性及价值
目前社会工作在我国的发展仍处于起步阶段，各方面还不够成熟，服务所采用的方式较为传统，服务效率也有待提高。而且关于将现代科技，比如人工智能引入社会工作专业领域的探索和研究还处于空窗期。现阶段，人工智能在我国研究较多的主要集中在军事和经济领域，将人工智能与社会工作相结合对于两个专业未来发展都将是一个创新。人工智能时代的来临，对社会技术、社会伦理以及社会结构等方面都产生着复杂多元的影响，因而它必然是与其他领域及技术的发展相伴相生的。在社会工作日益发展，不断被人们所重视的背景下，如果将人工智能技术融入社会工作服务中，以更高效、更优质的方式去帮助服务对象处理所面临的难题，陪伴服务对象走出困境，不仅能够促进社会工作未来的发展，也将扩大人工智能的应用领域，促进人工智能更好地发展。截至目前，人工智能的创新与发展给我们的社会生活带来了极大的便利，人工智能的服务性与社会工作的主旨具有一定契合性，若两者进行结合，一定会对我们的生活带来更加积极有效的影响。
一是个案工作智能化
在个案工作过程中引入人工智能，首先可以帮助个案工作者记录及跟踪案主的问题，以便社会工作者对问题进行全面、客观的分析，进而促进社会工作者更有效地帮助案主解决问题、走出困境；其次，针对部分服务对象不愿意向个案工作者直接表露的私密问题，他们可能更相信机器的保密性，因而更愿意向机器人坦露心声，并且人工智能也可以帮助服务对象进行心理放松，如引领服务对象进行冥想及合理宣泄情绪等。与此同时，人工智能可以记录服务对象的表情，并对服务对象所处的情景及所表达的情感进行分析，以促进个案辅导更优质地开展与进行。另外，如果人工智能机器人的操作能力能够得到充分改善与提升，那未来的家庭智能机器人还可以为个案服务对象提供必要的洗涤、穿衣、洗澡等日常护理服务，促使案主的家庭生活变得更加美好与和谐。
二是小组工作智能化
在小组工作中，人工智能首先可以协助小组工作员对小组活动进行宣传，并引导小组组员参与小组活动，以促进小组活动的顺利开展。此外，人工智能机器人可以在小组工作员与小组组员进行互动的过程中，观察并记录组员的表现及表达，为小组活动提供必要的资料记录以便于进行小组活动的成效评估。在小组活动中，人工智能机器人还可以向小组组员讲述活动规则或提供必要的引领工作。采用人工智能机器人讲述规则更容易引起一些服务对象的注意，激发其参与活动的积极性，进而提升小组活动的有效性。
三是社区工作智能化
人工智能引入社区工作中，首先可以做的是一些基础的工具性工作，如为社区提供卫生服务、咨询服务、引导服务和宣传服务等。具体而言，扫地机器人可以帮助社区做一些卫生清洁工作，为社区居民减轻工作负担，并营造一个绿色整洁的社区生活环境；智能机器人信息资源更为丰富、系统、全面，它可以为社区有问题的居民提供专业的知识解答；当社区需要开展活动时，人工智能机器人可以在社区进行循环宣传，确保社区居民了解活动的基本信息，如活动时间、活动地点和活动主题等。在更远的未来，我们还可以发展人工智能机器人的其他功能，如让机器人协助我们进行社区治安工作。
四是行政工作智能化
展开全文从社会行政工作角度出发，人工智能可以将具体的社会政策、法律法规等信息录入系统，向有问题及有需要的服务对象进行详细的讲解，如向需要求职的人员提供就业信息及就业扶持政策或向申请低保的人员提供低保制度及政策信息等。另外，人工智能还可以对政策进行宣讲，如在社区或行政大厅进行政策讲述，以便居民们了解基本的政策及法律知识。在一些行政大厅，人工智能机器人可以提供自助服务，对来访的服务对象进行分类，将其引导至相对应的服务窗口。同时，人工智能还可以对信息进行整理，避免工作人员由于遗漏而进行重复劳动，以节省不必要的工作时间，提高工作效率。除此之外，人工智能还可以收集社会成员对于社会政策的建议信息，并作出归类整理，方便政府及相关部门了解民意及百姓真正需求。人工智能也可以协助社会工作者进行社会调查，以节省社会工作者的部分工作时间及避免因人为失误对工作结果造成影响，进而提高其工作效率与工作质量。
人工智能与社会工作服务融合发展的问题与风险
人工智能起源于20世纪50年代，最早由麦卡锡（McCarthy)于1956年提出。它是在以往信息技术、网络技术、认知神经科学等一系列技术基础上研究、开发用以模拟、延伸和扩展人的智能的全新技术科学。人工智能可定义为：在人类可控制的范围内让机器具备人类智慧和处理事务的能力及思维，进而使智能实体在社会系统中发挥独特作用的存在。随着人工智能的发展，机器确实可以通过深度学习来代替人类做越来越多的工作，但心理医生、社会工作者和婚姻咨询师这些职业都需要极强的沟通技巧、灵活思维、共情能力以及获取服务对象信任的能力，而这些正是人工智能机器人的弱项。因而人工智能机器人只能助力社会工作的发展，并无法代替社会工作者。
人工智能在助力社会工作服务的过程中，也会不可避免地出现一些问题，甚至是带来风险与挑战。其中，由于引入人工智能对社会工作行业带来的直接问题就是信息化成本增加，社会工作服务机构需要比之前投入更多的成本用于设备的购买与系统更新，以适应市场环境的变化。同时，信息管理人员的工作素质也需要提高，他们除了具备社会工作专业的知识之外，还要熟悉人工智能的相关应用，以更好地适应工作、投入工作。进一步来说，人工智能甚至会给社会工作带来信息泄露的挑战与风险，若社会工作机构出现信息泄露，将会给服务对象及社会造成巨大的威胁。此外，在提供照料服务的过程中，机器若出现意外也会对服务对象造成负面影响。综合而言，我们在考虑将人工智能引入社会工作中时，要本着客观的原则来看待问题，以使两者的融合对各自的行业及社会都更为有益。
来源：中国社会工作杂志
编辑：谢霄
设计：谢霄
长
按
解
锁返回搜狐，查看更多
责任编辑：