【摘要】目前的社會科學研究多集中在過去和現(xiàn)在的時間向度，且研究重心往往集中在描述和解釋兩個方面。在大模型等人工智能技術的輔助之下，通用人工智能時代將快速到來，世界可能會進入一種“智能失重”的狀態(tài)。關于未來的研究，文學想象和哲學思辨雖非常重要，但還遠遠不夠，思考如何將實證方法引入未來研究至關重要。量化未來就是用定量的思路來測量未來，具體可以在實驗方法和結構估計兩方面實現(xiàn)突破。量化未來的可能性議題主要體現(xiàn)在對通用人工智能的應對上。通用人工智能到來之后，超風險社會似乎不可避免。有效調速主義是一種理想方案，而量化未來則可被視為有效調速主義的一種操作性版本。最終，人們可能會在這種對未來相對精準的把握中實現(xiàn)一種有助于決策的預測科學。
【關鍵詞】量化未來 大模型 通用人工智能 預測科學
【中圖分類號】TP18/C1 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2024.02.003
【作者簡介】高奇琦，華東政法大學政府管理學院教授、博導，政治學研究院院長。研究方向為比較政治、全球治理與科技政治。主要著作有《比較政治學：學科、議題與方法》、《人工智能：馴服賽維坦》、《人工智能Ⅱ：走向賽托邦》、《人工智能治理與區(qū)塊鏈革命》（合著）等。
如何對未來進行研究？未來可以量化嗎？這其中會有哪些關鍵的議題？本文將圍繞量化未來這一議題展開討論，分析社會科學走向預測科學的前景，以期對上述問題進行回答。
未來研究的困境：不可能完成的任務？
人類的時間可以被分成三部分：過去、現(xiàn)在與未來。就目前的社會科學研究而言，大量的研究主要是關注現(xiàn)在和過去，即圍繞現(xiàn)在或過去的某種狀態(tài)進行描述性研究。多數(shù)的實證科學會以統(tǒng)計的方式或參與式觀察的方式介入現(xiàn)實空間之中，然后將現(xiàn)狀整體性地描述出來。統(tǒng)計的優(yōu)點是數(shù)據(jù)量較大。從樣本選擇的角度來講，它產生的選擇性偏誤比較小，容易形成整體性描述。其缺點在于，它會以一種整體的、宏觀的方式呈現(xiàn)，因此不容易看到事情的內部機制。參與式觀察則可以通過一種微觀的內部呈現(xiàn)，讓人們僅通過案例就可以了解其內在機理。但是，參與式觀察產生的問題往往在于，為什么選擇這一案例而不選擇其他案例？這樣的選擇本身就可能存在偏差。
無論是量化研究，還是質性研究，其首先會發(fā)揮一種描述性的功能，即先要把現(xiàn)在的情況描述清楚，同時在描述的基礎之上進行一定程度的解釋。對過去的研究則是歷史研究。歷史研究的傳統(tǒng)方法是基于文本，因為關于歷史的記錄主要以一種文本的方式來呈現(xiàn)。今天在定量研究手段的輔助之下，人們可以運用各種定量的工具，對歷史進行量化研究。但實際上這樣的量化歷史同樣是基于文本的，因為我們并不能以細顆粒度的方式把歷史還原出來，而只能對文本中記錄的歷史進行量化。當然，這樣的量化歷史研究同樣可以發(fā)揮大樣本的作用，因為它是基于更大數(shù)據(jù)量的全景式展示，因此能在一定程度上避免選擇性偏誤。[1]換言之，在歷史研究中，傳統(tǒng)研究會選擇一些具體的案例，甚至對史料的選擇也會很具體?；诹炕瘹v史的視角，我們不免產生這樣的疑問：案例選擇的依據(jù)是什么？為什么不用數(shù)據(jù)將完整的歷史展示出來？
總之，就目前的社會科學研究而言，絕大多數(shù)研究集中在描述層面，目的是要將實際情況展現(xiàn)出來。在描述的基礎之上，研究者會進一步討論一些變量之間的因果關系，這就會進入解釋的部分，即通過描述性研究，最終得以解釋為什么一些現(xiàn)象會發(fā)生，進而找到結果變量與解釋變量之間的因果性關聯(lián)。[2]比如龐珣就提到，社會科學的主流研究長期是解釋性研究，具有一種“向后看”的研究傳統(tǒng)。[3]然而，研究還有第三個功能，即預測功能。要實現(xiàn)預測功能是極為困難的，即便是量化的研究應用的模型也主要是一些線性模型，即通過回歸的方法來對未來進行預測。由于現(xiàn)實情況往往非常復雜，因而用線性邏輯來預測未來是很難實現(xiàn)的。就實際的結果來看，社會科學界經常會表現(xiàn)出某種知識的無力，因為描述和解釋都是對發(fā)生過的事情的一種整理，而并不能對沒有發(fā)生的事情進行一定程度的預測。例如，冷戰(zhàn)結束之后，美國的國際關系學界不斷進行反思：為什么大量研究都沒有預測到冷戰(zhàn)的結束？這實際上就反映了一種知識的無力。[4]
因此，就研究的三種功能而言，描述是最為簡單的，普通人就可以直觀地感受當下的一些情況。換言之，不經過科學的過程，個人也可以直接描述社會現(xiàn)象。只不過，個體的描述是一個小樣本的描述。相對而言，基于大樣本的量化分析得出的結論會更加科學。然而，由于很多案例看起來非常相似，因此個體的描述往往具有某種敘事功能，如果某個個體的描述有較大的通約性，則也可以引起他人的共情。這就是為什么個體的感受可以瞬間引爆輿論，在全網(wǎng)得以流行的一個社會基礎。關于原因的解釋，很大程度上是一種敘事的建構。從敘事的邏輯來看，并不存在絕對的因果，或者說因果是基于某種敘事框架建構起來的。在敘事之前，會預先存在某種類似于框架圖的東西，即康德所討論的圖式。[5]路德維希·維特根斯坦（Ludwig Wittgenstein）對這些問題也有過討論，即先有某種解釋的圖式，然后人們會將這種圖式運用到一些案例的解釋中。[6]當然，解釋學也有一些新的進展，例如保羅·利科（Paul Ricoeur）的解釋學更加強調讀者對案例的解釋和再創(chuàng)作的過程。[7]漢斯-格奧爾格·伽達默爾（Hans-Georg Gadamer）的解釋學則進一步強調，最終的解釋要達到一種視域融合，[8]即一種解釋之所以流行，并不是通過某種強制力的方式植入人們的心靈，而是這個故事的解釋框架與受眾的理解產生了某種共鳴。
然而，問題是如何研究未來？或者說，如何讓研究具有某種預測功能，這一點在現(xiàn)有的研究中極為少見。20世紀70年代，在西方出現(xiàn)了一波未來學的發(fā)展浪潮，阿爾文·托夫勒（Alvin Toffler）和丹尼爾·貝爾（Daniel Bell）是其中的代表性學者。[9]未來學的研究成果對實踐產生了巨大影響，人們似乎可以通過未來學作品了解社會發(fā)展趨勢。同時，這樣的未來學作品在某種程度上也發(fā)揮了“自我實現(xiàn)的預言”的功能。[10]粗線條描述未來的框架效應，也會影響人們對未來的認知和構建。人們并不知道是這些未來學家預見到了未來，還是他們對未來的預見加深了人們對未來的理解，從而使得人們根據(jù)他們對未來的預見來塑造未來。總之，這樣的未來學研究在實踐中產生了巨大影響。
然而，嚴謹?shù)膶W術研究對這種未來學成果并不是特別認同，因為從科學研究的角度來講，其并不是一個特別“科學主義”的成果。西方近來的科學研究更加強調實證主義，哲學一直是社會科學各分支學科知識的核心。例如，在政治學研究領域，最核心的知識是圍繞著政治哲學展開的，由于哲學擁有較高的抽象程度，因而成為基礎理論的部分。然而，近代以來的科學主義傳統(tǒng)卻強調如何將這些抽象的哲學判斷以某種實證主義的方式呈現(xiàn)。因此，近代實證主義科學的發(fā)展更加強調用經驗的方法（如可觀測的事實）對一些社會現(xiàn)象或政治現(xiàn)象進行科學主義的觀察。在這一過程中，描述自然就成為第一要務。同時，因為描述往往是一種表面性的，因此進一步的研究便是解釋。這樣的研究主要圍繞著現(xiàn)在和過去展開。對未來的研究一直不是主流，因為其不具備可供研究的經驗數(shù)據(jù)。那么，對于未來的研究，似乎從實證主義角度來看，就是一種烏托邦的想象，或者是一種海市蜃樓式的空談。這種實證主義的科學范式在實踐中面臨非常大的困難，因為這樣的研究只關心現(xiàn)在和過去，而無法對未來進行預測。
誰最關心未來？應該是產業(yè)界人士（包括創(chuàng)新者和投資人）。對于他們而言，誰掌握了未來，誰就掌握了新的財富密碼。通過提前布局，他們可能獲得超額的利潤。從這個角度來講，在實踐領域探索的人們更加希望探知未來。然而困難在于，未來學不是實證科學。實際上，關于未來的研究以及預測科學的影子，可以在中國的知識體系中找到一些源頭。例如，《周易》本身便是一個帶有很強預測功能的知識體系。周易分為義理和術數(shù)，術數(shù)的本質就是推測未來，其最初功能就是幫助人們進行信息決策。例如，古人在早上外出時并不知道當日的天氣情況，需要基于已有的信息來進行推測，而《周易》在這方面就能夠發(fā)揮一定的預測功能。《周易》的文本絕大多數(shù)都是對未來的一種判斷。例如，“利涉大川”就是有利于渡過大江大河。卦爻辭中關于吉兇的判斷，也是對人們是否應當從事某件事情的一種直接指導。然而，從今天科學主義的角度來看待《周易》，其中會有諸多不可解釋的內容。當然，《周易》根據(jù)其基本義理，也作出了一些解釋。例如，《周易》的邏輯極為強調中正，即處于中間的爻會比邊緣的爻位置更好。[11]從這個角度來講，《周易》所表達的恰恰是一種價值觀。盡管其本身有一套復雜的解釋系統(tǒng)，但是從今天科學主義的角度來看，這其中還是有太多的不可解釋性。當然，這恰恰也是它的魅力所在。西方現(xiàn)代的一些重要人物，如心理學家卡爾·榮格（Carl Jung）、物理學家尼爾斯·玻爾（Niels Bohr）等都對《周易》內含的一些深刻價值極為推崇，并認為其中有關于未來的重要啟示。[12]但實際上，《周易》并沒有實現(xiàn)很好的科學化。
為什么今天一定要去研究未來？因為未來正在加速而來。特別是在大模型等人工智能技術的輔助之下，通用人工智能時代可能會快速到來。但是，面對這樣一個劇烈變化的社會，人類似乎并沒有做好完全的準備。我們可能會進入一種“智能失重”的狀態(tài)。人是知識的最重要產出者。當然，這是在大模型出現(xiàn)之前。換言之，我們所處時代的絕大多數(shù)知識是由人類個體產生的。大模型出現(xiàn)之后，大量的知識生產可能逐漸由智能體來完成，而人們并沒有做好這樣的準備。在一個智能體“接管一切”的未來社會中，人們應該如何生活？人們自身的知識生產應該如何進行？當這樣一個時代突然來臨的時候，人類個體需要面臨類似于突然被拋到了太空中的失重狀態(tài)。在這種狀態(tài)下，人類個體將無法穩(wěn)定站立，因為其作為知識生產者的意義被抽空了。
未來，在“智能失重”的狀態(tài)之下，人類要如何適應這個時代？要回答這一問題，對未來的研究就變得極為重要?，F(xiàn)階段關于未來的研究，主要有兩類：第一，文學想象。這種想象可以天馬行空，不受任何約束，因為文學作品本身就是虛構式表達，在其中可以進行任意設定。只要符合基本的邏輯，創(chuàng)作者可以展開任意合理想象。第二，哲學思辨。運用哲學的基本邏輯和思路，研究者也可以進行想象。當然，這樣的想象與科幻小說的想象完全不同，需要符合哲學推理的基本邏輯，即基于目前已有知識反映出的一些基本規(guī)律?；蛘哒f，是一種哲學意義上的推理和推斷。因為我們所掌握的關于未來的信息寥寥無幾，所以這樣的推理更多是一種邏輯推理。其中的一些條件設定可能會帶有一定的想象成分，但是這里的想象不能是天馬行空的想象，而要基于現(xiàn)實主義的邏輯。無論是科幻小說還是哲學思辨，都是一種對未來可能性的構設，其目的都是將未來發(fā)展的可能性呈現(xiàn)出來，對其中可能蘊含的風險進行預警。這些研究對我們理解未來極為重要。
然而，在筆者看來，這還遠遠不夠，因為這些研究的價值可能會被低估或輕視。文學作品是一種純粹的想象，因此人們在接受這類信息時，往往會把它當成一種娛樂或消遣，而非嚴肅的東西。哲學思辨足夠嚴肅，但由于其過于抽象，人們的接受度偏低?；蛟S人們會認同其中的一些判斷，但是真正將其與自己的實際工作關聯(lián)起來的情況則可能會相對較少。因此，如何將哲學思辨提出的一些重要命題引入實證主義的研究至關重要。例如，可以對一些未來的可能性判斷進行更加科學主義的嚴謹表述，再通過相應的數(shù)據(jù)或者測量方法將其以科學方式呈現(xiàn)出來。換言之，這里的一個基本考慮就是將實證思維引入未來研究。當然，這是一個看起來不可能完成的任務。因為關于未來，我們并沒有任何可供研究的實證數(shù)據(jù)，同時我們又要用可觀察的方式來研究未來。從傳統(tǒng)思路上來看，這是一個極難實現(xiàn)的任務，但考慮到通用人工智能在當前及未來可能給人類社會帶來的巨大風險，我們必須要實現(xiàn)思維方式和手段的突破。也因此，這種創(chuàng)新將成為一種“不可能”中的“必要性可能”。
量化未來的可能性：實驗、結構估計與預測
量化未來的基本思路，就是對未來的可能性進行更加精準的表達。量化未來所強調的更多是一種經驗性的表達，這與哲學的模糊表達不同。哲學的表達強調抽象性，其概括往往體現(xiàn)為一種模糊性。因此，當某種知識進入哲學層面之后，這樣的表達很少會出錯。我們很少會說哪些哲學觀點是完全錯誤的，因為其表達的是一種可能性，同時由于其設定的條件比較抽象，人們很難用某個經驗事實去挑戰(zhàn)哲學觀點，這也是哲學的強大之處。與此同時，由于哲學觀點的抽象性，其往往很難得到普遍認同而廣泛傳播。從決策的角度來講，哲學的某些判斷似乎是對的，但是落實到具體建議層面，哲學似乎很難有直接的貢獻。
量化未來的思路在于，既要考慮未來的可能性，又要把這樣的可能性以相對精確的方式表達出來。只有更加精確，才更能體現(xiàn)科學性，更具說服力，并在傳播中產生更大的社會效應。因此，量化未來就是要用定量的思路來測量未來。這里可以用客觀數(shù)據(jù)，也可以用主觀數(shù)據(jù)。接下來要發(fā)生的事情，可以被看成是當下的延展。那么，就可以用當下數(shù)據(jù)和過去數(shù)據(jù)對未來的情況進行估測。而主觀測量則需要設定關于未來變化的量表，通過心理測度來把握人們在未來可能出現(xiàn)的某些社會心理狀況。
通過這種對未來的測量，可以進一步推動計算社會科學向預測性方向發(fā)展。如前所述，目前的社會科學主要停留在描述和解釋層面，預測性研究較少，且開展這樣的預測極為困難。然而，伴隨著人工智能和大數(shù)據(jù)等技術的加速發(fā)展，人類社會的數(shù)據(jù)量越來越大，人們便可以通過大數(shù)據(jù)的方法來推測未來。大數(shù)據(jù)方法的基本邏輯就是推測，亦即預測。例如，它可以根據(jù)個體之前的商品購買數(shù)據(jù)推測其在下一階段購買某件商品的概率，這一點已經被廣泛地運用在各類推薦算法和商業(yè)實踐中。[13]同樣，這一思路也可以被用來預測整個社會的某些變化。由于此前有關人類社會的整體數(shù)據(jù)量偏小，因此實現(xiàn)這一預測非常困難，而當數(shù)據(jù)量達到一定的規(guī)模，這就可能得以實現(xiàn)。量化未來的具體方法大致可以沿著以下兩個方向來推進。
第一，實驗方法。在社會科學研究中，實驗方法一直不是主流。首先，實驗方法涉及實驗倫理問題，即每個個體都應該是“目的”。按照康德的理念，人是目的而不應該成為手段。因此，讓每個個體直接參與實驗，就會產生一些倫理上的爭議。然而，從科學性的角度來講，實驗方法是最為徹底的科學主義方法。[14]無論是案例研究還是統(tǒng)計研究都會面臨樣本選擇偏誤的問題。例如，在案例研究中，為什么會選擇這樣的案例？在統(tǒng)計研究中，抽樣邏輯是什么？抽樣的樣本是否能夠反映全樣本狀況？然而，實驗方法的基本邏輯是隨機選擇樣本。從科學性角度來講，這是最為客觀且可信的方法。已有的實驗方法往往還會引入博弈論，如多方演化博弈。之前已經出現(xiàn)的用計算機輔助的仿真方法，本質上也是實驗方法的一個延伸，如基于主體的模型（Agent-Based Models, ABM）。[15]實際上，在人工智能飛速發(fā)展的今天，我們還可以在以下兩個方面進一步推進實驗研究。第一是元宇宙實驗或游戲實驗，即基于一些大型的游戲開展實驗，將其作為實驗的過程。例如，游戲《我的世界》就具備開展此類實驗的潛能。第二是多智能體的方法。[16]多智能體是大模型出現(xiàn)之后的一個重要方向，其基本邏輯是讓大模型來充當智能體。換言之，在傳統(tǒng)的實驗狀態(tài)下，個人是實驗的對象。而今天，實驗對象換成了大模型，這一變化將是革命性的。之前我們設定的智能體其實并不具備一定的智商，其本質是一種數(shù)學的邏輯推理，且無法產生新的可能性，而反觀人作為行動體，往往會在已有選擇之外產生其他選擇。多智能體中的行為者已經具備了類似于人的智商，因此它們在實驗過程中能夠發(fā)揮類似人的功能。[17]同時，其也滿足了“人是目的”的要求，即并不是以人為對象在做實驗，而是以智能體為對象在做實驗。
第二，結構估計。其中的基本邏輯是，根據(jù)已有數(shù)據(jù)對未來做一些結構性的估測。這一方法在宏觀經濟學中較為普遍，其更多依賴數(shù)學方法和計算。例如，西方經濟體在經歷一段時間之后就會產生新的經濟危機，因此是否可以通過一種強數(shù)據(jù)計算的方法來計算未來，并通過一些有效的政策干預來避免這種經濟危機的發(fā)生？這實際上是計劃經濟的一個基本思路。上世紀50年代，全世界范圍內左翼政黨的執(zhí)政都反映了這樣一種傾向，其基本思路就是量化未來，即通過對未來的一種結構性估測，避免一些集體非理性情況的發(fā)生。當然，人類的知識是在不斷調整中進步和發(fā)展的。進入20世紀七八十年代，新自由主義的浪潮卷土重來，計劃經濟的思路似乎陷入了循環(huán)背景下的困境。[18]換言之，其在當時的歷史背景下過時了。其中的一個重要原因可能是，當時的數(shù)據(jù)量不夠，計算能力有限。那么，在今天數(shù)據(jù)量和算力快速增加的背景之下，人們是否可以通過更加精準的計算來預測一些風險，并對其進行防范，是可以探討的。實際上，碳中和計劃就是另一種形式的量化未來。
碳中和計劃的一個基本思路是，通過已有的數(shù)據(jù)來推測碳排放在未來的某個時間點可能會導致的重大變化。例如，如果自工業(yè)化以來整個地球的溫度上升兩度，將會在何種程度導致冰川融化和海平面上升，然后，再通過已有的碳排放水平和工業(yè)化速度來推算未來的碳排放量。[19]這便是一種基于已有數(shù)據(jù)對未來的結構性估計。這種估計希望得到的結論是，在未來的某個時間點，如果人類不加節(jié)制地進行碳排放，最終會給全球生態(tài)帶來無法挽回的重大損失，這本質上是一種量化未來的思路。即從未來可能的糟糕情況和確定不能逾越的障礙來倒推我們今天可以容納的碳排放上限，對碳排放進行更加精細的量化，同時引入市場交易機制，這便是歐盟建立碳市場和征收碳稅的基本思路。實際上，這種對未來進行的量化以及結合金融手段對未來風險進行調控的思路，可以引入對未來人工智能風險的防范之中。
量化未來的可能議題
前文分別討論了量化未來的必要性和可行性，這部分將討論量化未來可能產生哪些操作性的議題。在筆者看來，之所以要提出量化未來，一個重要背景是通用人工智能的快速到來，及其將對整個人類社會產生的重塑性結果。通用人工智能的到來將產生極其巨大的風險，但是目前人類對此還沒有形成一個理想的應對模式。因此，我們可以借鑒碳中和機制形成的思路，將未來的風險通過可定價的方式加以估定，把宏大的風險進行分解，然后再對各行為體進行風險約束并引入風險交易機制，如此就有可能實現(xiàn)對風險的整體掌控。
具體來看，這一問題可能需要在如下幾方面展開：
第一，如何精準地測定通用人工智能的到來？對于通用人工智能，產業(yè)界并沒有一個相對一致的定義。Anthoropic的創(chuàng)始人達里奧·阿莫迪（Dario Amodei）認為，通用人工智能可能會在未來2～3年內到來。[20]我們是否可以更加精準地預測它的到來？當然，這里的定義難題在于，通過什么來定義？例如，我們可以通過參數(shù)的數(shù)量來定義。根據(jù)一些推測，目前的GPT-4的參數(shù)可能在1.8萬億左右。[21]當深度神經網(wǎng)絡的參數(shù)達到百萬億級別時，會產生更高程度的智能涌現(xiàn)?；蛘哒f，這時它已經跨過“門檻”。另外，通用人工智能相當于何種超能力也需要定義。例如，它可以在多長時間內產生哪些人類不具備的能力。完成定義之后，我們甚至能夠預測“廣島時刻”的來臨。筆者在這里化用“奧本海默時刻”和“廣島時刻”的概念，將通用人工智能與核武器進行類比。“奧本海默時刻”是指羅伯特·奧本海默（Robert Oppenheimer）作為“曼哈頓計劃”的主持者，在內部科學探索時，比外界更早看到核武器成功的可能性時刻。“廣島時刻”則是美國將第一顆原子彈在廣島投放的時刻。在“廣島時刻”之后，公眾才真正看到核武器的巨大破壞力。就通用人工智能的發(fā)展而言，“奧本海默時刻”可能已經在OpenAI的實驗室發(fā)生過了。[22]如果我們能夠預測通用人工智能“廣島時刻”的來臨，就可以在其來臨之前進行體系化的預警。例如，形成一定程度的超大模型不擴散機制。這樣的超大模型應用的超能力及其可能擁有的意識，將對整個人類社會產生重大影響。當然，這種量化未來的研究一定是跨學科的，其與計算機科學、神經認知科學、心理學、政治學、經濟學、社會學和法學等一系列學科都有密切關系。例如，關于人工智能意識的定義就是一個跨學科問題。如何對人工智能的意識進行更為細致的量化？如何判定人工智能具備類似于人的意識？心理學目前做了一些嘗試。例如，一些研究認為基于心智理論的測算，讓ChatGPT完成一些量表，能夠判定其具備類似于幾歲孩子的心智。[23]這樣的量表在心理學領域相對成熟。那么，我們是否可以研發(fā)出一整套能夠測定人工智能意識的新量表？
第二，如何推演各國在大模型上的投入以及大模型在未來的發(fā)展狀況？這個問題的回答涉及超大規(guī)模大模型的擴散問題，因為其可能會具備某種超能力，也可能會產生超級意識。對于這類模型，未來要從根本上形成某種不擴散機制。這種不擴散機制的形成有賴于頭部參與者之間的合作，這就需要對各國在大模型上的已有實踐以及投入等相關基礎設施情況做完整的估測，然后再通過某些結構模型推測其對大模型部署的情況。
第三，如何測定未來可能的失業(yè)狀況？這個問題極為困難，但是也極為重要。當失業(yè)率達到一定的規(guī)模時，可能會引發(fā)經濟大蕭條。未來，失業(yè)率的進一步上升將可能會帶來哪些方面（尤其是政治領域）的變化，同樣需要我們去研究。要對未來的失業(yè)狀況進行更加精準的預測，首先要了解當前各個部門的就業(yè)狀況以及未來的人口結構，還需要研究大模型在部署的過程中，可能對哪些崗位產生替代效應。這取決于大模型的部署速度及其受到的一系列與算力相關的軟硬件條件限制。OpenAI的報告明確列出了哪些崗位將會有何種程度的“曝光度”，[24]這實際上就是某種替代效應。但是，這里還要測算大模型可能會產生的新就業(yè)崗位，及其會產生的某種補償效應?？傊@是一個巨量的計算工作，雖然推進起來困難重重，但意義重大。我們很難做到完全的長時段的精準預測，因此也可以先確定一定時期的估算模型，并在未來通過實際情況進行微調，這會對未來決策有所幫助。
第四，如何對未來可能的政治失序情況進行估測？政治失序在很大程度上是由虛假信息泛濫導致的政治不信任所引發(fā)的。換言之，基于大模型的生成式人工智能會海量地創(chuàng)造非真實的信息，而這些非真實信息的泛濫可能會降低人們的信任度，其中就包括政治信任度。由此，可以通過新的量表來測量人們在某個時間點上的政治信任，然后再觀察這些虛假信息在多大程度上可能會削弱人們的政治信任。這里也可以做一些結構估計，即政治不信任達到何種程度時可能會引發(fā)整個政治系統(tǒng)的結構性風險?？傊覀兛梢赃\用更加精細的量化框架來估測整個信任機制及其演化過程。
第五，如何測定通用人工智能的整體風險？前述已經對一些細分風險進行了測量計劃的討論。那么，該如何將這些風險用某種類似標準化的方式統(tǒng)一進行量化，生成某種類似于碳交易的整體機制？換言之，碳交易的整個思路就是將碳排放作為一種整體性風險進行量化。相關單位都有碳排放的權利，但是當其超過自己的配額之后，就需額外購買碳排放權。這里，我們可以嘗試對人工智能的風險進行量化，然后再對相關方（特別是大模型的部署企業(yè)）進行某種程度的風險追溯（或者征收智能稅），那么就可以在一定程度上調控其部署的速度。同時，這也可以促使相關機構在部署大模型的過程中將一定的資金用于風險防范，從而能夠在一定程度上化解風險。
量化未來的最終目的：基于決策的預測科學
為何在社會科學中一定要推動量化未來的思維？其根本原因是，快速到來的通用人工智能將帶來巨大風險。如何對其進行規(guī)制會成為人類社會下一個階段面臨的重大難題。充分有效地應對通用人工智能的到來，哲學上的理念至關重要，因為其涉及一系列宏觀框架，以及我們的應對態(tài)度。但同時，理念和行動要結合在一起。正如馬克思所指出的：“哲學家們只是用不同的方式解釋世界，而問題在于改變世界。”[25]我們不僅要像哲學家一樣從不同的角度來思考問題，還要解決問題。而量化未來的一個根本目的，就是讓我們可以更加精準地把握通用人工智能帶來的整體性風險。從這個角度來講，量化未來不是簡單的數(shù)字游戲，而要最終服務于國家和人類社會的整體決策。例如，董青嶺和劉文龍認為，未來國際關系研究有望實現(xiàn)對軍事沖突及恐怖主義等議題的精準預測。[26]當然，劉辰輝和唐世平的研究也指出，通過機器學習算法的方式來預測沖突仍然存在一定的局限性。[27]此外，量化未來還能使我們在充分享受人工智能生產力紅利的同時，最大程度地減少風險。
通用人工智能的到來，使得人類社會進入一種超風險社會。對此，烏爾里希·貝克（Ulrich Beck）提出了“世界風險社會”（World Risk Society）的概念。[28]人類社會誕生至今，一直與風險共存。風險社會是現(xiàn)代社會的一個重要特征，現(xiàn)代社會增強了人類整體應對風險的能力，同時也使人類日益處于劇烈變化的不確定風險之中。而且，許多風險恰恰是人類在應對現(xiàn)代化整體風險時產生的，換言之，在某些我們應對風險的方式中就暗藏著下一種風險產生的可能。在現(xiàn)代化的過程中，人類社會要實現(xiàn)整體性的發(fā)展，讓每個個體擁有超出前代社會的財富，需要大規(guī)模地進行生產并開展更加緊密的協(xié)作。然而，這種現(xiàn)代化方式也蘊藏了人類制造的新風險。
今天的人類社會已進入一個超風險社會，我們在智能時代擁有的能力遠遠超出工業(yè)革命，其中許多能力都是新技術賦予的。之所以運用這些新技術，是因為我們面臨諸多困難。例如，進入工業(yè)革命后期，勞動力不足已經成為普遍現(xiàn)象，要應對這個問題，就需要通過“智能體紅利”來填充之前“勞動力紅利”流失所造成的空缺。然而，這種“智能體紅利”一旦開啟，則可能帶來“無限復制”并最終對傳統(tǒng)勞動力市場形成巨大沖擊。這一為了應對勞動力風險推動超高程度的智能化，繼而可能引發(fā)新風險的過程，即是筆者強調的超風險社會的源頭。
那么，如何應對這樣的超風險社會？顯然，完全阻止已然不可能，因為能夠帶來生產力提升的通用性技術一旦誕生，其幾乎是不可能被阻止的。即便有一些國家或者區(qū)域出現(xiàn)了阻止新技術的力量，恐怕日后在歷史的回溯中，也會被當成某種保守主義的笑話。在新技術的浪潮之下，制造技術壁壘、阻礙技術發(fā)展只能是“螳臂擋車”。但是，這是不是意味著我們可以完全無視這樣的風險？當前，有效加速主義似乎成為許多國家的一種主流性方案。但在筆者看來，有效加速主義并不是一個值得肯定的取向。
我們可以在量化未來的基礎之上，提出一種有效調速主義。在加速主義的背景之下，人類社會的人工智能之旅類似于某種“過山車體驗”，是一個完全的“驚訝之旅”。我們每個人都被綁在這樣的過山車之上，即便是某些個體希望停下來，“驚訝之旅”已然不可回轉。從這個角度來講，量化就是某種程度上的“安全帶”，通過在某些位置減緩速度，幫助我們相對安全地度過這一旅程，而有效調速主義就能夠發(fā)揮這樣的功能。同時，大模型也為我們提供了實現(xiàn)量化未來的可能性。大模型本身就是一個很好的教學者，沒有編程基礎的人可以通過與大模型的對話快速地學習編程知識，并讓大模型闡釋和編寫某些程序。從這個角度來講，只要有一定的學習能力，每個個體都可以擁有大數(shù)據(jù)采集和分析能力，都可以成為程序員和數(shù)據(jù)分析師。換言之，每個個體都擁有一定的量化工具，就可以更容易地參與到量化未來的工作之中。
結語
目前的社會科學研究絕大多數(shù)主要關注現(xiàn)在和過去，對未來的研究較少。同時，多數(shù)研究也主要關注描述和解釋，預測性研究相對較少。大模型的發(fā)展和通用人工智能的快速到來，使得我們必須研究未來。關于如何研究未來，傳統(tǒng)方法更多基于文學想象或哲學思辨，這些對我們理解未來都很重要。同時，我們還需要將實證思維引入到未來研究中，更多地采用量化方式來思考未來。當然，這本身是一個巨大的困難，因為未來還沒有發(fā)生，還沒有產生相應的數(shù)據(jù)。量化未來的展開，可能有兩種方式。第一，通過實驗的方法。之前的實驗主要通過演化博弈或基于智能體建模等計算仿真方式。接下來，我們可以更多運用大模型推動多智能體實驗，還可以將這樣的實驗與游戲實驗結合在一起。第二，根據(jù)已有的數(shù)據(jù)進行結構估計。這實際上是傳統(tǒng)宏觀經濟學的思路，當前推進的碳中和計劃便是某種程度的量化未來，可以將這些思路引入通用人工智能風險的整體防范和應對中來。
量化未來的可能性議題主要體現(xiàn)在通用人工智能的應對問題上。要實現(xiàn)這一目的，至少可以嘗試如下幾類測量。例如，對通用人工智能的精確定義及其未來可能性的預測。再如，對各國大模型投入以及未來可能發(fā)展狀況進行更加準確的測量，這一點對于我們在未來推動超大模型的不擴散會有很大幫助。另外，可以對未來的失業(yè)狀況以及可能的由虛假信息導致的政治不信任的失序狀況進行更加準確的估量。總體思路是，對未來通用人工智能的整體風險進行統(tǒng)一的標準化，然后再對相關的行為體可能加劇的某類風險進行類似于碳排放權的測定、配額發(fā)放和交易，由此從一定程度上對風險進行調控?？傮w來看，在通用人工智能到來之后，人類進入超風險社會似乎是不可避免的，對其持完全拒絕態(tài)度是不可取的。在這一背景下，有效調速主義似乎是一種方案，而量化未來則可被視為有效調速主義的一種操作性版本。最終，人們可能會在對未來相對精準的把握中實現(xiàn)一種有助于決策的預測科學。
（本文系國家社會科學基金重點項目“加快數(shù)字化發(fā)展與建設數(shù)字中國的政治保障研究”的階段性成果，項目編號：21AZD021）
注釋
[1]陳志武：《量化歷史研究的過去與未來》，《清史研究》，2016年第4期。
[2]M. Marini and B. Singer, "Causality in the Social Sciences," Sociological Methodology, 1988, 18.
[3]龐珣：《定量預測的風險來源與處理方法——以“高烈度政治動蕩”預測研究項目的再分析為例》，《國際政治科學》，2017年第3期。
[4]J. Gaddis, "International Relations Theory and the End of the Cold War," International Security, 1992, 17(3).
[5]I. Kant, Critique of Pure Reason, translated by W. Pluhar, Indianapolis: Hackett Publishing Company, 1996, pp. 209-219.
[6]L. Wittgenstein, Tractatus Logico-Philosophicus, translated by D. Pears and B. McGuinness, London and New York: Routledge, 2001, pp. 9-12.
[7]例如，利科指出：“理解就是在文本面前的理解自己。”參見保羅·利科：《從文本到行動》，夏小燕譯，上海：華東師范大學出版社，2015年，第123頁。
[8]H. Gadamer, Truth and Method, New York: Continuum, 1975, p. 367.
[9]前者見A. Toffler, Future Shock, New York: Bantam Books, 1970, p. 1.后者見D. Bell, The Coming of Post-Industrial Society: A Venture in Social Forecasting, New York: Basic Books, 1973, p. 3.
[10]R. Rosenthal and L. Jacobson, Pygmalion in the Classroom: Teacher Expectation and Pupils' Intellectual, New York: Irvington Publishers, 1992, pp. 61-71.
[11]《周易》，楊天才、張善文譯注，北京：中華書局，2011年，第9頁。
[12]M. Gu, "The 'Zhouyi' (Book of Changes) as an Open Classic: A Semiotic Analysis of Its System of Representation," Philosophy East and West, 2005, 55(2).
[13]V. Shchutskaya and K. Spirina, "Big Data Behind Recommender Systems," 7 October 2021, https://indatalabs.com/blog/big-data-behind-recommender-systems.
[14]B. Longe, "Experimental Research Designs: Types, Examples & Methods," 27 July 2023, https://www.formpl.us/blog/experimental-research.
[15]詹盧卡·曼佐（Gianluca Manzo）認為，ABM可以成為實現(xiàn)因果推理的重要方式。參見G. Manzo, Agent–Based Models and Causal Inference, Hoboken: John Wiley & Sons, 2022, pp. 49-68.
[16]W. Y. Hua et al., "War and Peace (War Agent): Large Language Model–Based Multi-Agent Simulation of World Wars," 28 November 2023, https://arxiv.org/abs/2311.17227.
[17]尼爾·斯梅爾塞（Neil Smelser）指出，韋伯在研究中就使用了這類“設想的實驗”或“精神實驗”。實際上，這一點可以在智能體或游戲實驗中更好地得以開展。參見尼爾·斯梅爾塞：《社會科學的比較方法》，王宏周、張平平譯，北京：社會科學文獻出版社，1992年，第162頁。
[18]M. Dean, "Rethinking Neoliberalism," Journal of Sociology, 2012, 50(2).
[19]R. Williams et al., "How Warming and Steric Sea Level Rise Relate to Cumulative Carbon Emissions," Geophysical Research Letters, 2012, 39(19).
[20]E. Otieno, "Predicting the Future: AI's Leap to Human-Level Intelligence in the Next 2–3 Years," 12 August 2023, https://eliasotieno.medium.com/predicting-the-future-ais-leap-to-human-level-intelligence-in-the-next-2-3-years-da28ae54ec64.
[21]S. Walker II, "GPT-4: How OpenAI Built an AI Model 10x Larger Than GPT-3," 28 September 2023, https://medium.com/@smwii/gpt-4-how-openai-built-an-ai-model-10x-larger-than-gpt-3-3f5eacaad69a.
[22]C. Zakrzewski, "Director Christopher Nolan Reckons with AI's 'Oppenheimer moment'," 30 December 2023, https://www.washingtonpost.com/technology/2023/12/30/nolan-interview-ai-threats/.
[23]L. Tung, "ChatGPT Performs Like a 9-Year-Old Child in 'Theory of Mind' Test," 16 February 2023, https://www.zdnet.com/article/chatgpt-performs-like-a-9-year-old-child-in-theory-of-mind-test/.
[24]T. Eloundou et al., "GPTs are GPTs: An Early Look at the Labor Market ImpactPotential of Large Language Models," 17 March 2023, https://openai.com/research/gpts-are-gpts.
[25]《馬克思恩格斯全集》第3卷，北京：人民出版社，1960年，第6頁。
[26]董青嶺、劉文龍：《學科交叉與范式革新：邁向國際關系研究的智能分析時代》，《歐洲研究》，2023年第5期。
[27]劉辰輝、唐世平：《機器學習在沖突預測方面的局限——基于對暴力預警系統(tǒng)的再檢驗與討論》，《世界經濟與政治》，2023年第12期。
[28]U. Beck, "The Terrorist Threat: World Risk Society Revisited," Theory, Culture & Society, 2002, 19(4).
Quantifying the Future and the Prospects of Predictive Science
Gao Qiqi
Abstract: Currently, most social science research focuses on the past and present, with very little research on the future. At the same time, the focus of research is often on describing and explaining functions, and predictions are also rare. With the assistance of artificial intelligence technologies such as large models, the era of artificial general intelligence may quickly arrive. The world may enter a state of intelligent weightlessness. There are mainly two types of research on the future, namely literary imagination and philosophical speculation. These two categories are extremely important, but they are far from enough. Therefore, it is crucial to consider how to introduce empirical methods into future research. Quantifying the future means using a quantitative approach to measure the future. Regarding specific methods for quantifying the future, we can at least make breakthroughs in both experimental methods and structural estimation. Quantitative future research topics can be reflected in the response to artificial general intelligence. After the arrival of artificial general intelligence, a high-risk society seems inevitable. Effective speed regulation is an ideal solution, while quantifying the future can be seen as an operational version of effective speed regulation. Ultimately, people may achieve a predictive science that is helpful for decision-making in this relatively precise grasp of the future.
Keywords: quantifying the future, large model, artificial general intelligence, predictive science
責 編∕張 貝
