短短数年间，人工智能技术已然渗透进人们日常的工作和生活中，并以较高的智能化和便捷性重新定义数字时代的工作和学习模式。在科研和教育领域，人工智能不仅通过自动化信息服务的方式提升了工作效率，更推动了各个学科科研和教学模式的智能化转型。并且，这种智能化转型还对学科体系、研究方法论产生了更加深远的影响：法学、计算机科学、哲学、公共管理学、复杂性科学、医学、经济学等诸多学科得以从更为多元化的视角开展由内而外的学科体系创新和研究方法论创新，显著缩短了学科的科研创新时间周期。然而，这一学科繁荣景象的背后也暗藏着各类担忧和质疑，诸如过度依赖人工智能技术工具、“人工智能幻觉”等成为亟待解决的现实问题。

法学视角：DeepSeek对法学科研和教学模式的影响

在数字时代，DeepSeek等一众人工智能技术工具逐渐颠覆各个行业领域的工作学习方式，法学领域也不例外。国内外不少学者也在开始摸索这些人工智能产品究竟能够以何种方式影响和优化法学科研和教学模式，也延伸出关于人工智能产品规范使用的一些争议和分歧。客观而言，任何数字技术的创新发展不可避免地会产生“机遇与挑战并存”的现象，人工智能技术在提升科研和教学效率的同时，也会产生过度依赖技术工具、削弱批判思维能力培养等负面影响。因此，目前关于人工智能技术对法学科研和教学模式影响方式的讨论，更需要重点回应和解决两个核心问题：一是如何规范人工智能技术在法学科研和教学模式的应用方式；二是如何充分发挥人工智能技术对法学科研和教学模式的促进效用。

相较于大多数学者畅谈DeepSeek的种种优点，法学领域使用DeepSeek的局限性和定位是首先需要关注的核心问题。这是因为，部分公众号、营销号在宣传推广DeepSeek等人工智能产品时，出于吸引流量等目的，存在过度夸大实际功能的倾向，营造了一种DeepSeek已经能够广泛应用于法学领域各类应用场景的假象。实际上，DeepSeek作为一种通用大模型，注定了其在部分的法学应用场景暂时无法达到人们所期待的技术效果。因此，有必要先行明确DeepSeek的核心定位，如此才能更好地了解这类技术工具的主要应用场景和功能面向。无论是法学理论研究，还是法律实务工作，这些应用场景都有着“精确性”和“严谨性”要求，而DeepSeek在生成内容时不可避免地会存在编造虚假法条、虚假案例、虚假文献出处等“人工智能幻觉”问题。这也意味着“DeepSeek能够成为强大的法律信息检索工具”等类似论断难以成立，更确切地说，DeepSeek可能作为一种法律信息检索的“线索”工具更为合适。研究者在面对海量且庞大的文献资料时，通过DeepSeek对检索方向、检索范围等进行限缩，以此达到更高效、更全面的检索效果。此外，由于理论与实务的应用需求存在较大差异，加之相关应用场景的训练数据数量和质量显著不足，这更决定了满足法律职业共同体需求的专业性人工智能技术工具仍需要等待未来法律垂直领域的大模型研发。

诚然，通用大模型在法律垂直领域的应用效果存在部分局限性，但这并非是对该类人工智能技术工具应用范围的全面否定。在法学科研领域，DeepSeek更类似于“文书辅助助理”，能够有效提升科研写作的效率。对绝大部分学者而言，撰写一篇学术论文除了主体内容，最为耗时的环节便是文献梳理、汇总、文稿内容校对等繁琐性工作。DeepSeek在这些场景中均有着不俗的功能表现：在文献梳理、汇总环节，这类人工智能技术工具能够快速定位和提炼文献资料的核心观点和主要内容，既能够快速判断相关文献是否与研究目标密切相关，也能够在短时间内形成初具雏形的“研究现状”。当然，直接用人工智能技术工具生成完全符合法学学术规范要求的文献综述在短期内可能难以做到，但这些人工智能技术工具却能够显著地提升文献综述的撰写效率。在文稿内容校对环节，人工校对核查是否存在错别字、语病等问题时难免存在遗漏，而采用“人工+机器”的复合型文稿校对模式，则能够有效降低文稿校对所花费的额外时间，且部分词句表达方式也可以利用人工智能技术工具进行润色和优化。Nature杂志曾刊出《Three ways ChatGPT helps me in my academic writing》一文，专门提及人工智能技术工具在“协助文献综述”“优化语言表达与逻辑表达”以及“生成研究启发与创意”等方面具有显著作用^[1]。

在法学教育领域，人工智能技术工具的功能作用则取决于应用场景和使用方式。因为随着教学目标、教学内容的不同，人工智能技术工具的功能定位也会发生些许变化。在法学学术论文写作方面，人工智能技术工具的教学重心表现为“规范使用”和“灵活使用”。“规范使用”是指引导学生合理使用人工智能技术工具来提升论文写作效率，而不是直接生成学术论文。诚然，目前市面上的人工智能技术工具并不能直接生成符合法学学术规范的论文，但这并不代表在未来技术迭代更新的某一天，人工智能技术工具能够实现“全文生成”功能，故而有必要从现阶段向学生讲授学术规范的基本要求。“灵活使用”则是指引导学生“扬长避短”地使用人工智能技术工具。DeepSeek的生成内容不可避免地存在“失真”问题，故而在使用方式上需要规避这种功能的局限性，有效发挥这类人工智能技术工具的优点，如侧重强调海量文本的批量处理。在涉及法学案例分析时，人工智能技术工具的教学重心又转化为“案情概括”和“交互对话”。“案情概括”是指利用提示词的提炼和设置技巧，引导学生学会精准概括基本案情，进而引导人工智能技术工具生成预期范围内的目标内容。生成内容是否准确专业并不重要，重要的是学生能够精准概括案情的核心要素以及能否提出“有效问题”。“交互对话”是指在法学入门学习初期，让学生向DeepSeek提出一些简单的法学问题，借由对“深度思考”过程的观察，逐步引导学生理解和掌握司法案例如何切入，从而缩短学生“入门”的时间周期。

DeepSeek的影响不仅局限于法学科研和教育领域，更延伸至整个法律职业共同体，信息技术素养或将成为所有法律人最基础的职业素养之一。未来法律垂直领域将出现何种专业人工智能技术工具暂不可知，但可以确定的是，人工智能技术工具切实地改变了传统法律职业的工作模式和学习方式。然而，就目前而言，法律人更需要理性看待人工智能技术工具的应用场景和功能作用，既要避免过高评估其实用性，也要避免过低地评价其在法学领域的应用范围。对法律人而言，使用人工智能技术工具的最终目的一定是更好地辅助完成职业工作目标和提升学习效率。

——赵精武（北京航空航天大学法学院副教授）

计算机科学视角：人工智能技术对计算机学科的影响

一、 计算机行业的变革

人工智能技术正在重塑计算机科学的就业角色。人工智能势不可挡地渗透到每个行业，工作的本质也随之发生变化^[2]。Cognizant劳动力市场分析表明，人工智能技术对高技能岗位（如编程、互联网开发、数据库管理和图像设计）的任务替代率已达理论峰值的50%，到2032年可能升至80%^[3]。在软件开发领域，人工智能辅助代码生成工具（如GitHub Copilot和Cursort）提升了开发人员工作效率超过30%^[4]，软件工程向人机协同方向演进^[5]。同时，人工智能技术也创造了新机会，如提示工程、MLOps工程师、AI测试员和AI合规官等新型职业正在兴起。哈佛大学商学院的Karim Lakhani 指出，“AI不会取代人类，但配备AI的人类将取代没有AI的人类”^[6]。大模型将推动计算机行业进入深度智能化阶段，人机协同将成为主流工作模式^[7]。这一转型既带来挑战也孕育机遇，那些能够快速适应变革、主动拥抱智能技术的计算机从业者将获得显著竞争优势，而固守传统技术栈的从业者可能面临职业空间挤压。

二、 计算机学科的内涵变革

第一，学科分支重组。人工智能技术的迅猛发展正在引发计算机学科体系的结构性变革， 促使学科分支进行深度重组与迭代升级。随着人工智能从计算机科学的边缘领域逐渐跃升为核心领域之一，传统的以计算机系统、软件工程、理论计算等为核心的学科体系，逐渐向以智能计算为牵引的新兴学科架构发展。生成式大模型、具身智能、计算机视觉、自然语言处理等成为计算机和人工智能领域广受关注的研究方向^[8]。

第二，传统领域智能化。人工智能的深度渗透也在推动计算机学科传统领域的智能化转型， 重塑其研究重心与技术范式^[9]。程序设计、软件工程、操作系统、数据库等经典领域与人工智能等前沿研究方向深度融合，形成了智能编程（intelligent programming）、人工智能运维（AIOps）、智能数据库（AI4DB）、智能操作系统（AI-OS）等一系列新的智能增强和融合方向^[10]。传统计算机科学依赖确定性算法（如排序、搜索）等的范式也开始向通过数据训练模型实现概率化、自适应的问题解决的范式转变，计算目标从“高效计算”转向“智能计算”。

三、 计算机学科的外延变革

第一，社会影响力持续增大。人工智能为解决复杂问题提供了革命性的新方法，其影响力已渗透到社会各个领域。在司法系统中，智能量刑辅助系统能分析海量判例，提高裁判一致性；在医疗领域，影像诊断达到专家水平，大幅提升早期疾病检出率。金融行业利用机器学习进行风险评估和量化交易，社会治理中则应用于交通优化、舆情监测等场景。这些应用不仅验证了人工智能技术的实用性，还使计算机科学从工具性学科升级为驱动社会变革的核心力量。随着大模型、多模态学习等技术的发展，计算机学科正迎来以智能化为核心的第四次发展浪潮，其学科边界不断拓展。

第二，学科交叉融合持续深化。人工智能的发展极大地促进了跨学科研究的兴起，推动了计算机学科与其他学科之间壁垒的消融与知识体系的深度融合^[11]。在基础科学层面，人工智能与认知科学的交叉催生了深度学习、类脑计算等研究；与生物科学的结合则开辟了人工智能驱动的药物发现（如AlphaFold破解蛋白质折叠难题）和合成生物学新范式。在工程应用领域，人工智能与物理学的碰撞产生了基于物理信息的神经网络（PINN），为复杂系统建模提供了新工具。在社会科学领域，基于大语言模型的自主智能体被用于模拟 群体行为，司法智能、算法治理、智能社会治理等研究也日益深入。这种多学科交叉不仅催生了科学智能（AI for Science、AI for Social Science）等新兴研究方向，还在方法论层面实现了“数据驱动+机理模型”的融合，重塑了传统学科的研究范式。

四、 计算机教育体系的系统性变革

未来，计算机教育体系将经历一场由人工智能技术驱动的范式革命，这场变革不仅体现在课程内容的更新迭代，更深刻地重构着计算机教育的底层逻辑。以DeepSeek等人工智能编程助手为代表的技术工具融入教学和产业实践，降低了从业门槛，正在重新定义“编程能力”的内涵——从手写代码的能力转向人机协同的问题建模与解决方案设计的能力^[12]。提示工程、AIOps等新兴方向的引入，标志着计算机教育从关注确定性问题求解转向应对开放环境下的智能系统开发。这一转变的背后，反映的是教育哲学的根本性调整：在人工智能时代，教育目标必须超越单纯的技术技能传授，转向技术能力、人机协作设计能力、跨学科思维等综合能力培养。

需要警惕的是，有了大模型自动编程，是否就不需要再学习计算机基础知识呢？卡内基梅隆大学机器人研究所教授西蒙斯（Reid Gordon Simmons）认为，就像人们教七岁孩子算术，虽然等到了中学阶段，没人会再手动计算——大家都用计算器，但仍需理解运算原理。同理，计算机科学家也必须掌握编程基础原理^[13]。有研究表明，人工智能技术若仅作为答案生成器，可能削弱学生的元认知能力^[14]。麻省理工学院的Eric Klopfer进行了一项实验，将本科生分为三组，分别使用 ChatGPT、Meta的Code Llama和 Google解决编程任务，发现依赖生成式人工智能直接获取解决方案的学生，在后续自主任务中表现出显著的知识断层，而通过传统搜索引擎分解问题并独立解决的对照组则展现出更强的概念内化能力^[15]。这一结果说明，工具效率的提升不能否定基础原理掌握的必要性，人类反而更加需要深入地掌握计算机系统运行的原理，需要扎实的基础才能成为优秀的计算机科学家和软件工程师。

同时，计算机学科培养模式将发生复合化转型，推动人才标准从“T型”向“π型”进化。计算机专业学生需要系统学习交叉学科知识，这种知识结构的扩展不是为了简单的知识累积，而是为了培养学生在复杂问题情境中的元认知能力和跨领域迁移能力。传统的T型人才强调在某一专业领域的深度和技术广度，而π型人才则需要在两个及以上领域都有深入理解，并能实现跨领域的创造性整合。这种新型人才结构既包括技术硬实力（如系统开发能力），又包含领域专长（如医疗、法律、金融等行业知识），还需要具备软技能（如团队协作、伦理判断）。这种三维能力模型的构建，反映了人工智能时代对人才的复合型要求：不仅要能开发智能系统，还要理解智能系统与人类社会的互动关系。教育体系的这种深度转型，本质上是在为未来智能社会培养能够驾驭技术变革、引领产业创新的新型计算机人才。

——窦志成（中国人民大学高瓴人工智能学院教授）

哲学视角：DeepSeek对哲学基本问题研究的影响与挑战

当今时代，从数字化向数智化的技术跃升，已经成为推动社会发展的一个关键性因素。作为数智化时代的一项变革性前沿技术，以DeepSeek和ChatGPT等为代表的生成式人工智能，给诸多领域带来了深刻影响，哲学社会科学研究也不例外。其中，对于哲学研究来说，DeepSeek不仅能够发挥辅助工具的职能，包括文本文献的多语种翻译与内容解读、对特定的哲学家整体思想和核心观点的总结、对不同的哲学流派进行分析及比较等，而且为一些哲学基本问题的解答提供新的视角，为关于这些问题的传统认识带来了一定的挑战。

首当其冲的即为思维与存在的关系问题。作为一门探索世界本质和人类存在的学科，哲学的内核在于对“存在”（Being）的追问。恩格斯指出：“全部哲学，特别是近代哲学的重大的基本问题，是思维和存在的关系问题。”^[16]这一论断的提出时，主要涉及思维与存在的第一性和同一性，也就是思维和存在何者为本原，思维是否能够正确反映存在。到了20世纪中叶，由于控制论、信息论、电子计算机等现代科学技术的发展，人们已经可以利用机械电子装置模拟人脑的部分思维功能来为人自身服务。由此，就出现了人工智能可否思维或者代替人类思维的问题。当前，大模型即基于大数据的深度学习技术，成为人工智能发展的主流，并率先在自然语言处理领域取得重大突破。DeepSeek等现象级产品的横空出世，向世人展现出产生预料之外的新能力、尝试解决各类问题等具有里程碑意义的新特性。相应之下，DeepSeek等是否有着某种未知的“存在”形式，它是否已具备超越工具即物的属性的“准主体性”，其生成的虚拟存在能否具有本体论意义等，成为哲学基本问题研究中需要解决的问题。

按照马克思主义哲学的基本观点，思维作为意识的一种基本形式，是人脑对外部世界的间接反映和概括总结，是对客观事物的本质及规律的认识。人一旦意识到意识自身，进而对思维进行模拟，就会产生人工智能。从根本上来讲，人工智能是人类劳动和智慧发展的重大成果，标志着人对社会的认识达到了一个新的更高阶段。同时，人工智能也能代替人完成许多烦琐、重复、单调的脑力劳动，使之集中精力从事更有意义、更富创造性的活动。然而，人工智能和人的思维有着本质的区别。处于一定历史条件下、从事一定实践的人的思维，是人类社会存在的反映，是人类长期从事社会实践而形成的认知能力；而人工智能则为人对自己思维的部分模拟，是按照事先设计的程序进行的。当前，DeepSeek仍处于以经验主义方式进行学习的阶段，它虽“学到”了词语之间的经验链接，也证明语言可以不依赖语法来确定，却根本不理解语词的意义，无法建立起事物之间的因果关系，故而不能进行有效的、有目的性的逻辑推理。依据目前的技术发展来判定人工智能具有主体性，把人工智能同人的思维相提并论为时尚早。

哲学的典型特征在于对“本质”（Essence）的追问。存在与本质的关系，是哲学基本问题研究的另一个重要内容，主要探讨事物不仅在其存在形式上，还在本质即内在属性上，是如何相互联系的。这一问题在哲学史上形成了两大基本观点，即存在先于本质和本质先于存在：前者主张事物唯有预先具有某种本质属性，方可被视为实际存在；后者则认为人的存在不同于事物的存在，其必须先有一定的存在形式，再通过自由选择来塑造个人生活并定义自身本质。不可否认，人工智能技术驱动的自然语言处理工具DeepSeek的出现，特别是其在虚拟世界的存在形式，对存在与本质的关系的传统哲学解释造成一定的挑战。例如，没有外部世界感知的人工智能，是否意味着其“存在”完全不同？又如，人工智能自动更新自身参数的能力，是否表明它能够打破本质的规定性而成为无本质之物？究其实质，DeepSeek是人的创造物，它所声称的“深度求索”，同哲学上对“何为人”即人的本质的追问，是完全不同的。迄今为止，它只能作为人们理解存在与本质关系的辅助工具，无法表达出这一问题背后的人的主体性的彰显。

此外，哲学上还有存在与“生成”（Becoming）的关系问题。自古希腊哲学以降，先后形成了如下几类观点：基于真实世界的永恒不变性而强调存在先于生成；以世界的本质在于发展变化为依据而认为生成先于存在；把存在视为动态过程而主张存在与生成的辩证统一；将存在作为生成的事件而突出存在即生成并且没有固定实体等。作为一种生成式人工智能，DeepSeek兼具静态存在和动态生成的双重属性，既是有着一定参数结构的大模型，又在人机交互过程中实时输出生成的文本，并且往往表现出超越预设的生成能力。DeepSeek所展现出来的自我更新能力，是否表明它更接近生成而不是存在？诚然，DeepSeek对存在与生成的关系问题研究产生了较大的影响。但是，它也从侧面证明了存在与生成的有机统一。更为重要的是，“生成”是包含不同层面的，包括自然生成、社会生成、伦理生成、人工智能生成等。就DeepSeek现有的发展程度而言，它是由人创造的数据、算法、算力所构成的具有一定创造能力的过程，因而属于社会生成的一种特殊形式。在存在与生成的关系问题上，不只要探究DeepSeek属于何者，更要深入思考它对于社会生成的影响和作用。

——杨洪源（中国社会科学院哲学研究所研究员）

公共管理学视角：论DeepSeek对政府绩效管理的赋能与影响

一、 生成式人工智能强化绩效管理与监督效能

科层组织的绩效管理困境，根植于多层“委托—代理”结构中的信息不对称与激励相容失效这一结构性矛盾^[17]。而生成式人工智能有可能通过重构信息收集路径与信息处理机制，进而引发传统绩效管理的范式变革。

首先，生成式人工智能通过拓展信息传递途径，重构信息权力结构，一定程度上影响代理方的信息垄断权与管理方的信息加工权。传统委托代理框架中，委托方（即上级政府）受制于双重桎梏——信息获取成本与信息歪曲机制^[18]。代理方（即下级政府）凭借在地化信息优势形成信息垄断，管理方既承担信息传递职能但又深嵌非正式关系网络，存在与代理方合谋扭曲信息的可能^[19-20]，共同导致委托方面临信息失真难题、难以实现有效绩效管理^[21-23]。而生成式人工智能的介入则可能同时打破其双重桎梏：第一，降低信息获取成本。生成式人工智能通过多模态数据直采与智能解析，系统性降低科层制中的信息获取成本。例如，借助跨域数据整合（如政务云API接口直连基层业务系统）与非结构化数据转化（如使用自然语言处理将会议录音转为结构化数据），将有效降低委托方获取下级政府绩效信息的时间与经济成本。第二，压缩数据操纵空间。一方面，生成式人工智能通过机器学习算法对政策执行数据的持续抓取，借助过程管理压缩代理方数据操纵的空间弹性；另一方面，生成式人工智能通过多模态数据融合（如整合卫星影像、财务流水、舆情文本等数据），自动生成独立于代理方汇报的相对真实绩效。

其次，生成式人工智能可以丰富监管技术与手段，形成多模态的监管范式，并作为较为独立的“第三方监督者”限制非正式关系与寻租空间。传统监督方式通常面临三重结构性制约，分别是单次博弈的不可持续性、证据获取的时空局限性，以及关系网络与地方保护主义等非正式制度约束^[24-25]。生成式人工智能的监管赋能，有可能对三重制约突破：第一，生成式人工智能可以通过实时数据抓取、动态分析和预测预警，形成全天候监管网络，进而规避传统监督模式中一次性或运动式监管的不足；第二，生成式人工智能基于机器学习与大数据分析，综合卫星影像、社交媒体舆情、传感器日志等多渠道数据，构建多模态监管生态，突破传统监管受限于时间、地点、证据的限制；第三，当传统监管成效为非正式制度与地方保护主义所限制时，生成式人工智能可以通过既定算法自动识别违规行为后自动触发问责程序。

二、 生成式人工智能对政府绩效管理的潜在影响

生成式人工智能与科层组织的深度融合，既蕴含科层组织绩效提升与绩效管理范式变革的重大契机，亦暗含工具理性与价值理性之间的深层张力。若缺乏有效的约束与调适机制，技术赋能可能异化为“人工智能牢笼”，甚至成为科层痼疾再生产的载体。

其一，重构绩效信息结构的两面性。古德哈特定律（Goodhart’s Law）指向了一个科层组织绩效管理痼疾，即当指标成为目标时，其将失去测量与激励效度^[26]。生成式人工智能的政府组织应用可能会加剧原有的博弈行为、形成算法化的博弈形式：一是逆向选择智能化。代理方可能会利用生成式人工智能操纵绩效数据（如撰写虚假的工作总结），导致数据识别与信息核实困难，进而加剧信息失真与逆向选择问题。二是投机主义算法化。生成式人工智能的应用可能会推动代理方从“迎合上级”向“迎合算法”的转变；或是通过“矮化”生成式人工智能所需的训练数据以降低绩效信号参考标准、摆脱棘轮效应困境；或是通过自动化绩效刷单以“优化”算法参数，扭曲算法与模型输出结果。无论何种，都会消解生成式人工智能所依赖的数据与算法基础，构建起更为隐蔽的信息优势，对绩效管理与问责监督构成挑战。

其二，升级绩效监管范式的张力平衡。一方面，生成式人工智能可能引发监管规则膨胀。理性科层制历来因繁文缛节饱受诟病，而自由主义铁律（The Iron Law of Liberalism）揭示：任何试图削减繁文缛节的政府改革最终只会增加规章制度总量^[27]。生成式人工智能强大的信息收集、处理与生成能力，可能加剧这一制度悖论。例如，为了满足算法合规与多模态交叉验证要求，一系列更加烦琐的合规流程应运而生，导致规则与程序过剩，进而威胁组织实质绩效目标的实现。另一方面，生成式人工智能推动的监管升级可能诱发新型形式主义。算法驱动的痕迹管理竞赛，可能将基层注意力从实质治理转移至虚拟人工智能场域的数据生产，从而陷入“AI形式主义”。

三、 构建生成式人工智能与政府组织绩效的良性互动机制

然而，对生成式人工智能潜在风险的学理预警，本质上是技术良性向善的必经环节。正如诺斯的制度变迁理论所揭示，技术革命必然伴随制度结构的适应性调整^[28]，而前瞻性制度供给恰恰是缩短可能的改革阵痛期、规避技术负面风险的关键路径。

一是建立信息权力制衡机制，防范生成式人工智能可能诱发的新型逆向选择与算法投机。一方面，提升智能模型能力，发展生成式对抗网络（generative adversarial networks）技术，加强对数据失真的识别和鉴伪能力，预防策略性博弈行为。另一方面，保障算法透明性，建立分级披露机制，推动模型基础架构与训练数据信息公开，压缩算法与数据黑箱滋生的投机空间。

二是建立监管效能锚定机制，遏制生成式人工智能可能引发的监管规则膨胀与形式主义。一方面，推动技术理性与实质理性的深度融合，突出公共价值导向，构建公共价值知识图谱，发挥科层组织之外的社会监督力量，形成技术向善合力。另一方面，保留算法与模型以外的创新和容错空间，开展监管沙盒试点，明确可以突破算法合规要求的特殊情形、鼓励创新；此外，保障一线公职人员的自由裁量权，赋予必要的算法考核免责权限。

——唐啸（清华大学公共管理学院长聘副教授）

复杂性科学视角：人工智能时代的复杂社会系统研究

一、 引言：复杂社会系统中的涌现行为

复杂社会系统由大量相互作用的社会个体（如个人、家庭、社区、组织等社会单位）构成。与简单线性系统不同，复杂社会系统呈现出动态性、非线性、随机性、异质性、高维度、强耦合、开边界、自组织等重要特征，其宏观行为无法通过个体属性的简单叠加预测，而是由微观个体间的交互结构和交互动态共同决定——这便是复杂社会系统中普遍存在的“涌现”（emergence）现象^[29]。涌现背后的系统性难题被现代社会广泛关注，如：全球一体化背景下，少数国家的金融危机如何诱发世界性的经济衰退？城市交通网络如何设计才能有效缓解交通拥堵？追逐自身利益最大化的个体间如何实现协同合作，激发出更强的群体智慧？大规模社交媒体上的网络暴力、群体对立冲突如何形成和演化？上述案例虽来自政治经济、交通、社交等不同社会系统，其内在的复杂性原理却具有数学物理上的共性。因此，复杂社会系统研究的核心目标便是揭示系统宏观涌现行为的共性微观机理，进而实现系统的可解释性预测与精准调控。

2009年，来自美国哈佛大学、麻省理工学院、康奈尔大学、哥伦比亚大学、东北大学、西北大学等高校的十余名顶尖学者在Science上联合发表题为《Computational Social Science》的观点论文^[30]，引领复杂社会系统研究从定性描述转向基于大数据和数理模型的定量刻画，从单一学科转向社会学、政治学、数学、物理、计算机、认知心理学等多学科交叉——这一研究范式也使得网络信息时代的复杂社会系统研究取得蓬勃发展。如今，随着深度学习、强化学习、大模型等技术的持续进步，智能化浪潮又为复杂社会系统研究带来了新的契机：一方面，人工智能技术为解析复杂社会系统提供了新工具，借助人工智能方法进行大规模数据分析与模型仿真，可从结构、动力学乃至系统相变等多个层面实现对复杂涌现行为的跨尺度、精细化理解；另一方面，人工智能本身也已成为复杂社会系统的重要组成部分，以推荐算法、社交智能体、决策辅助智能体等为代表的人工智能技术与社会系统深度融合，形成人机混合的复杂社会系统新形态。

笔者将从人工智能驱动复杂社会系统研究（AI for social systems）、人工智能融入复杂社会系统演化（AI embedded insocial systems）两个方面，浅议人工智能时代复杂社会系统研究中的新方法、新问题、新趋势及随之带来的系列挑战。

二、 人工智能驱动复杂社会系统研究

（一） 结构特征识别与预测

社会系统的网络结构关系是实现多样化功能、涌现出复杂行为的基础。如何从大规模社会网络中快速准确地挖掘出关键结构特征，是复杂社会系统研究中的经典问题。其中，关键节点识别、链路预测、社团划分等是系统结构分析的核心任务。

真实社会系统中，少量关键节点通常能够影响系统整体结构或功能实现。例如，在社会网络中，1%的用户传递了超过80%的假新闻^[31]；在传染病防控中，免疫“超级传播者”能够显著降低疾病感染水平。然而，如何在大规模系统中快速准确识别这些关键节点，是NP-hard问题。传统方法主要基于度中心性、介数中心性、特征向量中心性等网络中心性指标。这类方法大多源于主观认知或启发式思想，利用网络局部结构特征计算节点重要性，而对网络全局信息考虑不足。近年来，人工智能方法为关键节点识别提供了数据驱动的解决方案。图嵌入可将原图用更低维度的数据表征，强化学习可高效学习移除节点特征与网络连通性等奖励函数的关系，最终确定节点重要性排序^[32]。

链路预测旨在分析信息不完全条件下未观测到的或者潜在的连边，广泛应用于产品营销、网络好友推荐等领域，因此，是系统结构分析的重点问题。传统方法主要基于共同邻居数、Adamic-Adar指数等相似性指标，其源于主观选取且涉及信息维度少，忽略了网络全局性质与节点属性。近年来，人工智能算法以其多维度信息处理与学习能力赋能链路预测技术。例如：将链路预测看作二分类问题，利用随机森林等整合多维特征，实现高效预测；图表示学习通过低维节点嵌入等广泛应用于链路预测任务，并取得显著成功^[33]；生成式模型与强化学习等技术也成功用于链路预测。

社团是社会系统的基本结构及介尺度特征，直接影响着系统动力学与功能实现。而如何检测大规模网络中的社团结构，是系统研究的重要难题。传统社团检测方法包括图划分、统计推断、层次聚类、动力学方法、模块度优化等，其在中小规模网络上表现良好。近年来，人工智能方法为社团检测任务开辟了新的研究路径^[34]，出现了基于卷积网络、基于图注意力网络、基于生成对抗网络、基于自编码器等社团发现方法。这类方法能够有效利用点、边、子图的高维相关特征，更好地适应现实大型复杂网络的社团检测任务。

（二） 动力学分析与社会模拟

社会系统动力学机制，即个体间的非线性交互模式，是群体涌现行为的关键。认知演化与博弈决策是复杂社会系统中的两类重要动力学过程，对现代社会治理、舆情认知安全、群智协同创新等有重要意义。针对群体认知演化，自然语言处理、大语言模型、图像识别等人工智能技术可对大规模社交数据进行语义、情感、主题、多模态用户画像等多层次分析处理，从而获得更全面、细致的数据驱动演化规律，为建立更准确的数学物理模型奠定基础。针对群体博弈决策，演化博弈论抛弃强理性假设、采取达尔文进化论思想，是研究社会困境中群体合作如何自发涌现的重要框架；然而，传统演化博弈模型中的学习过程较为简化，特别是难以适应动态随机的环境变化。因此，结合强化学习与演化博弈论的合作涌现、稳态估计及最优策略研究也为群体博弈决策领域开辟了新方向：一方面，强化学习的引入使得群体决策行为更贴近现实；另一方面，演化博弈论也为基于强化学习的多智能协同及系统演化提供了重要的理论解析与预测^[35]。此外，基于大模型智能体的社会模拟逐渐兴起，该方法可对角色的多维度特征、多种交互规则进行自主定义，在群体认知决策的规律发现、真实社会复杂涌现行为的模拟验证等方面展现出巨大潜力^[36]。上述人工智能驱动的新范式也可用于城市规划评估、言传播分析等多类场景^[37]。

更宏观、更具一般性和挑战性的问题是如何通过真实数据，对复杂社会系统进行相变点的早期预测及动力学机制的精准反演，特别是真实系统往往面临网络结构未知、动力学机理不明的先验知识短缺困境，只能从有限观测数据中完成推断^[38]。目前，已有深度学习框架可成功识别数百规模网络系统临界转变的早期信号^[39]；数理规则与人工智能共同驱动的方法也可反演出小型网络中的常微分方程组、偏微分方程及随机微分方程等^[40]。这些进展也凸显了数据与数理双驱动的方法在复杂社会系统研究中的广阔前景。

三、 人工智能融入复杂社会系统演化

人工智能的广泛应用与深度融合，已使社会经济系统从单一组成系统向人机混合系统快速转变。下文将以推荐算法、社交智能体、人机混合决策等为例，简述人机混合复杂社会系统中值得关注的涌现难题。

（一） 推荐算法

在社交媒体、内容分发及电商平台中，基于推荐算法的系统已成为主流应用。人工智能推荐算法通过对用户行为进行大数据分析，准确识别用户偏好，实现个性化推荐需求。然而，一方面，推荐算法面临数据偏差，产生统计性歧视与结构化偏见；另一方面，其强化了人们对信息的筛选和自我确认，加速“信息茧房”与“回声室”的形成，造成社会对立、极端言论等严重后果^[41]。因此，人类行为与智能推荐耦合系统的自适应演化规律是智能时代复杂社会系统研究中的重要问题，对舆情优化引导、算法公平性提升、信息多样性维护均具有重大意义。

（二） 社交智能体

社交智能体的大规模应用也深刻改变了社交媒体上信息消费、舆情传播与群体认知演化的底层结构与动力学模式。如何准确识别大规模社交系统中的智能体？人类与社交智能体的行为特征有何异同？如何刻画人机混合系统中信息传播与认知交互的新模式？社交智能体是否加速虚假信息传播、加剧群体认知极化？社交智能体在不同平台与文化环境中的影响是否存在差异性？如何基于人机混合系统的动力学机理设计调控机制，实现复杂涌现行为的精准引导？这些问题的探索不仅有助于揭示社交智能体如何重构智能时代的信息消费和群体认知机制，更将为信息治理与认知安全保障提供理论支撑和实践方向^[42]。

（三） 人机混合决策

人机混合的决策过程已成为社会生活中的趋势，如应用大模型辅助个体或群体整合信息形成决策、智慧医疗、智能驾驶等。然而，目前仍缺乏对人机混合系统中群体博弈决策动力学模式及博弈均衡的系统性研究，亟需结合真实行为学实验，分析量化人—人、人—机、机—机等三类交互模式的行为差异，并建立解释性机理模型，以深入理解人类与智能体在复杂社会互动中的决策机制，为打造人类友好的智能体（Cooperative AI）、推动人机协同决策、促进混合系统智能涌现提供支撑^[43]。

四、 机遇与挑战：研究新范式与涌现新形态

总结而言，人工智能时代复杂社会系统研究的核心仍然是系统涌现行为的微观机理。人工智能驱动的复杂社会系统研究正成为交叉前沿，其核心优势主要体现在：第一，作为数据分析技术，人工智能通过对大规模数据特征的高效解析，为复杂社会系统研究提供更全面、更多层次的跨尺度信息；第二，作为领域研究方法，人工智能通过与复杂社会系统的数学物理规律融合，形成数据驱动、数据数理双驱动新方法，在系统结构特征识别预测、系统动力学反演、系统相变点早期识别等核心方向展现出重要应用价值；第三，作为涌现机理、涌现行为的发现验证新范式，基于大模型智能体的社会模拟因其细粒度与自适应、自演化能力，展现出超越传统agent-based model（ABM）范式的巨大潜力。

另一方面，新技术的变革也带来新的挑战，人工智能与社会经济的深度融合催生了人机混合的社会系统新形态。在混合系统中，网络结构的自适应构建模式，信息消费传播、群体认知演化、人机协同决策等基本动力学过程的交互机理及其诱发的混合系统涌现行为，均是未来值得研究的重要问题。此外，当前人工智能方法仍面临不可解释、不可信、不精准等内在缺陷，因此，智能体智能边界的评估、智能体与人类行为差异的量化、人工智能方法的系统性偏差、人机混合社会系统的鲁棒性与韧性等基本问题，也同样值得关注^[44]。

——王鑫（北京航空航天大学人工智能学院副教授）

医学管理视角：人工智能医疗应用的法律审视与应对

人工智能的历史可以追溯到20世纪50年代。1956年夏季，在美国达特茅斯学院举办的一次会议上，美国计算机科学家麦卡锡提出，“让机器达到这样的行为，既与人类做同样的行为”可以被称为人工智能。在人工智能概念提出后的近70年中，人工智能的发展经历了“三起两落”，三次兴起，又两次陷入谷底^[45]。2016年AlphaGo战胜李世石，标志着人类失守了围棋这一被视为人类智力堡垒的棋类游戏，人工智能再次激起社会各界的广泛关注和热情^[46]。近年来，人工智能在医疗服务领域取得飞跃性进展。2022年推出了大语言模型ChatGPT在医疗应用涉及患者咨询、病历记录、健康教育等多个方面，可以为患者、医生和研究人员提供高效、智能的解决方案^[47]。尤其是以DeepSeek为代表的人工智能技术，正为医疗领域带来变革性机遇，在提升医疗服务品质、革新管理流程等方面展现出巨大潜力^[48]。人工智能技术如浪潮般迅速融入医疗领域。众多医疗机构敏锐捕捉到这一科技变革带来的机遇，积极引入人工智能技术，期待以此大幅提升医疗服务效率，让诊断、治疗更精准，推动医学创新迈向新高度。

一、 中国人工智能医疗研究与应用

医疗是人工智能技术最深入应用的领域之一。20世纪70年代，美国匹兹堡大学研究人员开发了用于诊断普内科复杂病症的软件“快捷医疗参考”。2014年后，由国际商业机器公司（IBM）与美国的安德森癌症中心、纪念斯隆—凯特琳癌症中心、克利夫兰医学中心等合作打造超级电脑生“沃森”^[49]登上医疗舞台。虽然中国医学人工智能起步较晚，但发展迅速。特别是在新冠疫情防控期间，中国人工智能医疗辅助诊断发展迅速，多款医学人工智能医疗产品成功上市，完成了从“跟跑”向“并跑”的转变，已经与美国等处于医学人工智能开发应用的第一方阵^[50]。

二、 人工智能医疗应用面临的主要法律问题

人工智能大模型的临床应用是技术赋能的革命，要行稳致远，既要有前瞻的视野，也需制度规范的护航。正如高速路通车时，必有交通标志牌和护栏作为保障，人工智能医疗的发展同样需要前景与法律规范的双轮驱动。人工智能医疗应用发展涉及的法律问题主要包括数据安全、隐私保护、算法透明与监管、使用安全、产品与服务的准入、主体地位、医保准入、产业政策、责任界定与合理分担、风险规避等方面。尤其是主体地位、医保准入和责任界定与合理分担更是人工智能医疗应用发展的三大核心法律问题。

人工智能医疗能否获得法律上的主体地位是一个极其复杂而深邃的历史命题，是具身智能的重要法律问题之一，也是人工智能医疗发展应用的终极法律问题。2017年，科大讯飞与清华大学联合研发的人工智能“智医助理”机器人在国家医学考试中心监管下参加了临床执业医师综合笔试测试，2017年底，科大讯飞发布公告称，“智医助理”机器人以456分的成绩通过了临床执业医师考试。这个成绩比ChatGPT在2023年初通过美国医学执照考试要早好几年。人工智能、医生、患者关系发展态势，如图1所示。

图  1  人工智能、医生、患者关系发展态势

下载: 全尺寸图片 幻灯片

由图1可知，在人工智能、医生、患者这三者关系中，最初人工智能并不直接跟患者发生关系，主要通过医生与患者产生法律关系，即第一种关系。而沃森机器人医生的出现，则展现出了第二种关系。随着DeepSeek等前沿人工智能技术在医疗领域应用，由于其高性能、低成本、开源等特点，有不少业内人士认为其已经进入了第三中关系，甚至有人认为已经进入了第四种关系。2025年初，一则医生的自述引发热议：一位患者拿着DeepSeek开具的治疗方案质疑其诊断，该医生查阅最新医学指南后，发现DeepSeek的建议更符合更新后的标准。如果说在第一种关系、第二种关系这两种情形下，人工智能只是辅助决策，还不涉及人工智能医疗的主体地位，那么到了第四种关系的情形，人工智能医疗的主体地位法律问题就应该成为学术界和实务界广泛关照的问题。如果人工智能医疗能像“公司”一样获得拟制的法律人格，那将来也可能有依法执业的“人工智能医生”。如何设立或确定“人工智能医生”的法律人格？“人工智能医生”不仅涉及民法上的民事主体身份，更涉及行政法或医疗法上的特殊主体授权。这将是人工智能医疗发展面临重大的法律问题，还有待学术界和实务界共同努力，才能妥善解决。

医保准入是涉及人工智能医疗能否稳健发展的关键问题。在中国当前的历史条件下，人工智能医疗要进入临床使用，首先得通过医保项目立项，才能成为医疗收费项目。能不能纳入医保报销范围，也得由医保决定。如果说人工智能医疗相关的产品、服务准入或人工智能医疗主体地位决定的是其出生，医保决定的是人工智能医疗能否存活。

责任界定与合理分担是人工智能医疗发展的重要问题。人工智能医疗的应用将极大地改变传统医疗责任的界定格局，使责任认定变得更加复杂和微妙。在传统医疗事故中，责任主体通常较为明确，易于判断。但在人工智能深度参与医疗过程的当下，技术故障、算法缺陷以及医疗机构自身的操作和管理问题，都可能成为引发医疗事故的导火索，也可能影响患者和公众对人工智能医疗这一新兴事物的信任和认同，从而决定人工智能医疗能否健康发展。

三、 人工智能医疗应用的法律回应方式

面对如浪潮般迅速融入医疗领域的人工智能技术，完善人工智能医疗立法成为重要的应对策略。人工智能立法已被纳入中国国务院立法计划，而人工智能医疗如何立法，还鲜有学者进行研究分析。鉴于人工智能医疗的特殊性和复杂性，建议借鉴侵权责任法立法过程对医疗损害责任作专章规定的做法，在人工智能立法中设立人工智能医疗专章，就人工智能医疗涉及的主要法律问题作出系统规定。

医学人工智能立法建议稿设置了医疗数据安全条款、安全使用条款、算法监管条款、人工智能医疗产品审批条款、产业支持条款、人才培养条款、医保覆盖条款、责任界定条款、合理免责条款等内容。在医疗数据安全方面，建议人工智能研发者、提供者在处理医疗卫生相关数据时，必须采取严格的数据加密、访问控制等安全措施，确保患者医疗数据的保密性、安全性和可用性。未经患者明确授权或数据脱敏并经过伦理审查，不得将其医疗数据用于其他非医疗相关的人工智能研发或商业用途。在人工智能医疗产品审批方面，建议与诊疗相关的医学人工智能产品（如智能诊断系统、手术辅助机器人等）在进入临床应用前，应经过严格的测试和审批程序。研发者需提供充分的证据证明产品的安全性和有效性，审批过程应邀请医学专家、技术专家、伦理专家、法律专家等共同参与评估，确保产品符合医疗卫生行业的专业标准和安全要求。在医保覆盖方面，鼓励将经过严格评估、证明具有显著临床价值和成本效益的人工智能辅助诊断和治疗项目纳入医疗收费项目和医保报销范围。国家医疗保障主管部门、国家医疗药品监督主管部门、国家卫生健康主管部门加强协调，制定科学合理的医保准入标准和报销比例，推动人工智能在医疗卫生领域的广泛应用，提升患者对优质医疗服务的可及性。在责任界定方面，建议医学人工智能应用引发医疗事故或损害患者权益时，因人工智能系统故障或算法错误导致的，研发者和提供者应当承担相应法律责任；因医护人员使用人工智能辅助工具时操作不当或未遵循规范流程，医护人员所属医疗机构也应当承担相应责任。责任认定时，应当充分考量人工智能系统特性与医疗行为的复杂性，借助专业鉴定等手段，准确划分责任。为了促进人工智能医学发展，也借鉴互联网发展过程中的避风港原则，特设立了合理使用免责条款。建议在医学人工智能研发和应用过程中，若遭遇不可抗力事件，如突发自然灾害、大规模公共卫生事件，导致研发应用出现意外状况或不良后果，医学研究机构、医疗机构和医疗服务企业不承担法律责任。医学研究机构、医疗机构和医疗服务企业严格依据相关法律法规、行业标准以及伦理规范，对研究应用全面、深入的风险评估与审查，在研究应用进程中始终严格遵循既定方案、应用操作指南等，因人工智能技术本身的不确定性、技术发展的阶段性局限，在非人为故意或重大过失情况下导致损害结果发生，医学研究机构、医疗机构和医疗服务企业可减轻或免除相应法律责任。比较遗憾的是，由于人工智能医疗主体地位法律问题的复杂性和立法权限考虑，本次医学人工智能立法建议稿未涉及人工智能医疗主体地位法律条款。

——曹艳林（中国医学科学院北京协和医学院医学信息研究所研究员）

经济学：经济学视角下DeepSeek的新议题与新工具

在以大语言模型为代表的人工智能百舸争流的当下，DeepSeek成立于2023年，以其开源策略和出众的算法创新能力闻名于世。DeepSeek的出现不仅代表着中国在大模型领域的突破性进展，更标志着全球人工智能发展路径的重要分水岭。DeepSeek及其影响既是经济学重要的研究话题，又为经济学研究提供了新工具。

一、 DeepSeek作为经济学研究议题

DeepSeek自身及其经济社会影响有望成为经济学重要的新研究议题。不同于已有大语言模型，DeepSeek具有一些新特点，具体表现为：从模型训练路径看，DeepSeek有望重塑对人工智能产业生产函数的理解；从模型应用特点看，DeepSeek有望大幅提升中国人工智能采用率。

（一） DeepSeek重塑对人工智能产业生产函数的理解

经济学理论通过生产函数映射生产技术。生产函数在本质上是将“黑箱化”的技术过程转化为可微分的经济变量关系。这种转化为技术经济分析提供了框架。生产函数的参数差异引导了投资决策，以柯布—道格拉斯生产函数为例，若资本产出弹性持续高于劳动弹性，则被认为是资本密集型生产函数，企业将优先进行资本投资，反之则将优先雇佣劳动（资本投资对生产的贡献高于劳动）。

从生产函数的角度，在DeepSeek出现前以ChatGPT为代表的大语言模型的生产函数，曾经被认为是算力密集的生产函数。基于这样的生产函数认识，全球科技巨头纷纷选择堆叠算力，购买高性能显卡，以训练获得更多参数，表现更好的大语言模型。在算力方面，英伟达（NVIDIA）构建的并行计算生态系统CUDA（Compute Unified Device Architecture）通过Tensor Core、NVLink等技术实现硬件级加速，使其在人工智能训练中保持领先效率。因此，限制高端显卡出口也成为美国打压中国人工智能产业发展的重要手段^[51]。

DeepSeek对技术路径实现了颠覆性突破，使得行业竞争焦点从硬件堆砌转向算法效率，这重塑了经济学领域对于大语言模型生产函数的理解。DeepSeek以约560万美元的超低训练成本实现DeepSeek V3底座模型的训练，据估计该成本仅为OpenAI同类大模型的1/20^[52]，Deepseek走上了一条更加注重通过算法创新而非单纯堆砌算力来提升模型性能的技术路径。英伟达股价受到DeepSeek冲击，2025年1月27日股价暴跌17%，创下单日市值蒸发5900亿美元的历史纪录^[53]。

DeepSeek对于人工智能产业生产函数的重塑具有深远的现实意义。第一，模型训练成本的下降可能会吸引更多企业进入，加剧大语言模型行业的竞争与创新。第二，大语言模型领域算法偏向的技术进步会推动社会向算法人才而非算力进行投资，对劳动力市场与人力资本投资将产生重大影响。第三，DeepSeek模型在华为昇腾910芯片上的推理效率达到英伟达H100的60%^[54]。这对于打破技术封锁，实现技术突围具有重要战略意义。因此，DeepSeek带来的新变化有望从产业发展规律，全球人工智能竞争格局演变等方面，为经济学引入全新的研究议题。

（二） DeepSeek有望大幅提升中国人工智能采用率

经济学增长理论揭示了从长期来看创新是驱动经济增长的来源^[55]。从生产函数的角度来看，经济增长表现为全要素生产率的持续提升^[56]。就实现增长的微观基础而言，一项新技术的出现并不必然标志着全要素生产率的提升，只有当该技术广泛地被人类社会采用，进入生产函数后，才会带来全要素生产率的大幅提升^[57]。就人工智能行业而言，其采用率远不及想象中的乐观。已有研究利用2018年针对全美85万家公司的年度商业调查数据发现，只有不到6%的公司使用了人工智能相关技术，按就业人数加权后，平均采用率略高于18%^[58]，在商业化方面存在较大的差距。因此，人工智能能否为经济社会带来重大变革的关键指标之一，便是人工智能采用率。

就宏观层面的采用率而言，以ChatGPT为标志的商用闭源大语言模型存在天生不足。ChatGPT发布后，其“模型训练堆积算力+模型服务闭源收费”的商业模式成为主流模式。全球科技巨头纷纷选择加入“千卡千亿参数”的军备竞赛，以高性能计算硬件设施为支持训练大模型，训练出的大模型同样需要在相对高性能的计算硬件设施上才能够运行，参数较少的大模型将无法发挥模型的全部能力，用户常常需要调用厂商提供的API接口以实现和大模型的批量对话。在DeepSeek出现前，期间虽亦有开源大模型不断发布，但是就性能表现而言，这些开源大模型的性能与OpenAI等厂商提供的API接口相比仍存在差距。因此在实际应用层面，一方面，价格与服务质量方面的因素限制了企业，尤其是广大中小企业对大模型技术的运用。中小企业决定是否应用大模型技术时，常常面临“高价格”与“低性能”之间的权衡。另一方面，数据安全层面的因素则限制了政府部门与特定行业对大模型技术的应用。调用API接口涉及数据传输问题，因此对大部分政府部门而言，一些敏感信息，公文内容往往出于数据安全等考虑，不接入大语言模型。

DeepSeek的技术路径决定了它能够为人工智能的采用带来重大变革。首先，从模型应用方面，通过混合专家系统（MoE）、模型压缩技术和强化学习驱动的参数优化，DeepSeek将200亿参数模型的实际激活量压缩至10亿级。其开源框架可适配华为昇腾等非英伟达硬件，甚至能在老旧的GPU或CPU上运行，大幅削弱了对高性能硬件的依赖。最后，从数据安全方面，DeepSeek的开源属性使政企机构得以在内网环境自主部署模型并对模型进行微调，在数据安全有保障的基础上，有针对性地提升模型能力。因此，DeepSeek带来的新变化有望从根本上深化中国经济社会的人工智能采用率，进而产生一系列对观念、行为和生产效率的重大变革，为经济学引入重要的研究议题。

二、 DeepSeek作为经济学研究工具

DeepSeek作为人工智能技术的前沿代表，正在深刻重塑经济学研究的工具。在研究选题的头脑风暴阶段，DeepSeek尽管仍然难以达到专业学者的水平，但是其仍然通过相对开放的回答，能够为研究者提供一定启发。文献综述方面，DeepSeek对文献的总结能力则能够方便研究者快速了解某一文献的主要内容，核心数据与实证策略，经济学直觉等主要内容。然而，对于已有研究的深度理解分析，DeepSeek在当前仍然无法替代研究者^[59]。也会出现生成式人工智能输出内容与输入文本、真实世界知识相矛盾的事实错误或逻辑错误“幻觉”等问题。

在当前的智能水平下，DeepSeek更多地能够在工具意义上对经济学研究产生重大影响，其影响从文本分析、代码编写到学术规范维护等环节，能够形成全链条的智能化支持体系，推动经济学研究的智能驱动，以节约研究者从事非创造性工作的时间。

（一） DeepSeek作为文本分析助手

文本分析方面，DeepSeek为非结构化数据处理提供了低成本，高质量的选择。一些非结构化文本的信息提取，常常重度依赖人工判断，如完成从地方政府工作报告中检索经济增长目标^[60]、检索五年规划是否支持特定行业发展^[61]等任务。大语言模型依托其深度语义关联能力，能够便捷地从结构化文本中检索并提取关键信息。DeepSeek由于其便于本地化部署的特点，能够在保护研究者原始数据的同时，帮助研究者以较低成本顺利完成从非结构化文本中的信息提取。

（二） DeepSeek作为代码编写助手

代码编写方面，DeepSeek正在重构经济学研究的代码编写范式，将研究者从编写代码的体力劳动中解放出来，将时间配置在检查代码逻辑与运行情况上。研究者在理解代码编写需求后，可以向DeepSeek提出希望实现的功能、输入与输出等需求。DeepSeek会自动高效地为研究者提供完整的代码。研究者只需在DeepSeek给出的代码基础上进行微调即可运行实现。

（三） DeepSeek作为学术规范助手

学术规范方面，DeepSeek还能够助力研究者实现学术规范的智能化维护。输入特定期刊格式指令后，DeepSeek可以助力文段内容统一中英文标点、调整公式编号连续性、校验参考文献格式等任务。在语言润色方面，可通过提示词要求DeepSeek检查中英文语法错误，将口语化表达转化为学术规范用语（如将“经济增长很快”优化为“实际GDP同比增速达7.2%”），同时增强段落间过渡衔接，使论文呈现专业期刊的严谨风格。还能够通过提示词进行深度校对，检测图表引用遗漏、术语表述不一致等显性错误，识别逻辑断层——例如发现方法部分定义的变量在结果讨论中被替换表述，及时提示概念统一性风险等功能。

三、 结论与展望

DeepSeek的技术突破与实践应用为经济学研究提供了双重价值：一方面，其通过算法创新重构了人工智能产业的生产函数认知，挑战了传统算力密集型技术路径的垄断地位，证明算法效率提升能够显著降低技术研发成本并推动行业竞争格局变革；另一方面，其开源特性与轻量化部署能力有效解决了人工智能技术采用率不足的核心障碍，通过降低算力依赖、保障数据安全和提升适配性，为中小企业及政府部门的技术应用创造了可行性。作为研究工具，DeepSeek在文本分析、代码生成与学术规范维护等环节展现出显著的效率优势，但其在理论创新和深度逻辑推理方面仍存在局限性，现阶段更适合作为辅助工具提升研究者的生产力而非替代人类创造力。

面向未来，DeepSeek对经济学可能会产生更加深远的影响。从学科交叉维度，DeepSeek可能成为经济学与计算机科学深度融合的催化剂。其开源社区中涌现的算法优化案例（如MoE架构的稀疏性设计）可为机制设计理论提供技术实现路径，而模型部署中的算力—算法权衡实践则可能衍生出新的技术选择理论。此外，DeepSeek推动的中小企业AI采用率提升，将为产业组织理论提供丰富的微观案例，助力构建更具解释力的技术扩散模型。

在政策分析领域，DeepSeek的本地化部署能力与数据安全保障机制，可能重构政策评估的技术基础。可以基于大模型重新构建经济系统，用于模拟复杂政策冲击（如碳税传导、产业补贴效果），为政策设计提供动态推演工具。同时，其技术普惠性带来的区域发展差异缩小趋势，或将催生新的城市与区域经济学研究问题，重点关注算法人才、算力资源分布对区域创新能力与产业发展的动态重塑效应。

总体而言，DeepSeek既作为研究对象拓展经济学的问题域，又作为研究工具提升方法论的精密性，这种双重属性可能推动经济学向更数据驱动、更动态仿真的学科范式演进。但需警惕技术工具化带来的认知局限——当算法效率提升掩盖理论创新需求时，经济学需在驾驭工具优势与保持批判自觉之间寻求平衡，方能实现知识生产的持续突破。

——刘松瑞（中国人民大学和平与发展研究院研究员）