当AI能够预测总统选举、模拟舆论演化、在反事实空间中评估政策效果，社会科学正从“事后解释”走向“事前推演”。这份蓝皮书聚焦两大方法革命：大模型驱动的多智能体社会仿真把复杂社会过程转化为可计算的“数字实验场”；深度学习赋能的因果推断让效应估计从参数化设定走向分布级建模。两者共同推动社会科学从“解释世界”走向“模拟过程、评估干预、支撑决策”的能力跃迁。
社会仿真——把复杂社会过程转化为可计算的“数字实验场”
从观测归纳到过程建模的范式转型
在数字化、网络化与智能化深度融合的背景下，社会科学正加速由“事后解释”转向“过程建模与机制推演”。大模型驱动的多智能体系统能够在可控数字环境中模拟个体行为与群体互动，将复杂社会过程转化为可计算、可重复、可干预的“数字实验场”，为反事实推演、策略优化和政策评估提供实验化支撑。
SocioVerse——通用社会仿真的多维对齐框架
SocioVerse框架通过四个引擎实现真实世界对齐：社会环境引擎为模拟提供与现实事件一致的上下文信息；用户引擎通过对齐真实世界用户样本构建具有代表性与多样性的虚拟人口结构；场景引擎将多样化社会交互归纳为问卷调查、深度访谈、行为实验与社交媒体互动四类原型场景；行为引擎整合规则方法、强化学习与大语言模型的多范式行为函数。
在总统选举预测任务中，模型在州级结果上实现超过90%的准确率；在突发新闻反馈任务中，模拟结果与真实用户分布保持高度一致。报告特别指出，社会仿真要真正进入公共决策，必须跨过“可信度”门槛——校准与验证、不确定性披露、公平与可审计是三条质量底线。
从ABM到LLM智能体——社会仿真的体系演化
社会仿真正从“少量情景推演”走向“高通量压力测试”。AI的贡献不止于加速计算，而在于扩展了可模拟的“状态空间”——它能把多源数据压缩为统一表示，学习“条件映射”以补齐缺口，并用快速代理模型、生成式情景与不确定性量化，让仿真从少量对比走向系统压力测试。
因果推断——从相关到可辩护的证据链条
估计阶段的模型依赖性——被忽视的实践瓶颈
社会科学因果推断的识别框架已较成熟，但实践瓶颈日益集中于估计阶段的模型依赖性。大量方法需要对倾向得分或条件期望进行参数化建模，一旦模型设定不当，在高维、非线性与复杂交互条件下就可能产生系统偏误，使结论更多反映“模型产物”而非数据所蕴含的信息。
深度学习赋能——从参数化设定走向分布级建模
深度学习作为数据自适应的非参数逼近器，为缓解“刚性设定”带来的估计偏差提供技术路径。TARNet/CFR等方法将因果问题重构为表示学习与样本平衡问题，通过共享表征空间与分布匹配约束提升处理组与对照组的可比性。基于归一化流的生成式框架支持对自然间接效应等“嵌套反事实”量的模拟估计，使中介分析从线性系数分解走向可逆变换下的干预、生成与比较。
三条底线——深度学习不能替代识别假设
报告强调，方法融合需坚持三条底线：未观测混杂无法被模型复杂度弥补——再复杂的网络结构也无法弥补关键混杂变量缺失；高度灵活模型带来更高数据需求与有限样本风险；深度模型的可解释性与可审计性必须通过明确假设、稳健性检验与过程记录加以强化。
社会仿真与因果推断两大方法革命指向同一个方向：社会科学正在从“解释世界”走向“模拟过程、评估干预、支撑决策”。AI让“可计算的实验”成为可能——当大模型驱动的多智能体能够在数字环境中模拟政策效果、当深度学习能够在反事实空间中进行因果推断，社会科学研究就不再局限于对过去的解释，而是能够面向未来进行压力测试和方案比较。但报告也给出了审慎的边界：仿真不能替代真实世界的验证，深度学习不能替代因果识别假设，AI的价值在于扩展研究的能力边界，而非替代研究者的判断和责任。
