读博日记20260905：当我们在谈论计算政治学的时候，我们在谈什么

9月5日，计算政治学Community举办了“计算·未来”读书会，邀请了孟天广、严洁和高奇琦三位老师做评议人，和三位博士研究生一起围绕《计算政治学概论》的第一章展开讨论。我作为听众也全程参与。在领读人结束的时候，大家不约而同的提出了三个问题，并且谈了谈自己对计算政治学的理解。

我把问题汇总如下：

1. 治理实践方面：可计算的信息足以支撑国家治理吗？
2. 国家治理不仅依赖数据与统计(知识)，也依赖象征仪式(符号)与认同服从(合法性)。数智时代是否过度强调可计算的知识，而忽视了不同的信息形态可能导致政治效应差异?
3. 概念测量方面：数智时代应当如何精准测量信息能力？
4. 既有研究多以铁路、人口登记等测度国家信息能力，但数智时代信息汲取呈层级分化与技术迭代，次国家层级未必同构，传统指标难以精准测量数智时代的(国家/行政)信息能力。
5. 认识论标准：应当坚持因果解释，还是接受“预测优先”?
6. 如果基于相关性的预测足以支撑政策决策，因果机制是否仍不可替代？

1. 计算政治学一般认为有两种理解：一种是狭义上用量化方法研究政治问题;另一种是在理论上讨论智能社会下政治、社会的变化，那么这两种理解的关系是什么，如何相互作用?
2. 计算政治学和政治学理论尤其是中层理论的关系，是只能检验理论还是也可以提出理论?
3. 计算政治学和计算公共管理、计算社会学如何区分?如何在使用新方法的同时坚守学科的基本关怀?

1. 第一章第六节提出，计算政治学需要从中层概念和微观机制进一步走向国家理论、治理理论和民主理论.您认为，什么样的研究成果才可以被视为真正的理论突破?是提出一个新的数字政治概念，识别一种过去没有发现的因果机制，还是必须进一步修正政治学关于国家、权力和国家一社会关系的基本命题?
2. 第六节提出，未来计算政治学要推动理论驱动、数据驱动和算法驱动的交互融合.但如果同一个大模型参与生成假设、标注数据、模拟样本并评价结果，所谓的“三重融合”是否可能变成算法对自身知识结构的循环验证?应当设置哪些独立的外部基准?
3. 第一章第五节把技术赋能国家和技术赋权社会视为数宇国家发展的双重机制，但如果国家的信息汲取、预测和组织能力增长得更快，而社会理解算法、监督决策和影响政策的能力增长较慢，数字技术是否可能带来一种“能力增强但结构失衡”的国家治理?应该如何判断这种失衡?

总结来看，其实不管是从问题提问的角度，还是老师回答的角度，基本上体现了目前学界对计算政治学的一些主流看法，可以把问题总结成：计算能覆盖多少政治现实，什么才算充分的知识？怎样让研究真正积累，而不只重复宏观命题？证据如何产生，技术又把能力交给了谁？

这三个问题在问什么

计算能覆盖多少政治现实，什么才算充分的知识？

计算并不是新事物，而是自古以来就有的一种传统。而这一问的出发点，是对“政治现实可以被某一类知识充分代表”这个预设的保留。政治不仅包含可观察行为，也包含行动者对行为的理解、承认与评价。即使能计算仪式的频率、情绪的强度，仍需追问这些指标与仪式意义、政治认同究竟是什么关系。换句话说，可以概括为：计算政治学的进步必须接受政治知识充分性的检验。 新方法扩大观察范围，但研究者仍须说明哪些东西被保留、哪些被压缩，以及被压缩的部分是否具有理论上的独立作用。在这里，反对的是把政治知识过度还原为可计算的指标。

怎样让研究真正积累，而不只重复宏观命题？

这个问题其实更加深入一些，涉及到了对学科本身的追问，尤其是对研究责任的关心。计算政治学、计算经济学、计算社会学、计算艺术学，不同学科之间的边界在哪里？这些学科与计算社会科学的边界又在哪里？似乎在今天我们已经很难去明确的区分不同计算学科之间的边界了。那么，如果所有学科都使用相近的技术，政治学特有的问题由谁继续回答？ 这一点其实我感受非常深刻，在准备博士申请的时候，老师们的研究方向大多会标注，如央地关系、中国政府与政治、比较政治学、政治思想史。这些传统的研究方向非常直观和规范，你能准确的筛选信息，大概得知这个老师的研究路径和研究主题。可是计算政治学，你必须得去看老师的代表研究，究竟是将计算当成背景、还是把计算当成方法，亦或是偏重科学哲学史的梳理，不同学者的理解是不同的。 在哲学层面，计算政治还必须回应“概念、经验与理论之间的可往返关系”。计算方法能否生成理论？如何看待数据驱动的理论建构范式？跨学科发展和跨学科研究如何回应公共权力问题？在计算中，我们如何安放制度、决策、行为这些传统政治概念？计算方法或数据方法，如何与宏大理论相勾连？知识如何积累？更重要的是，作为学科的几个关键概念，比如计算、数据、算法，这些概念如何进行自我批判和递归进化？若任何发现都能被容纳，这个命题究竟提供了多少可检验内容？ 其实我个人觉得这些问题完全可以从知识社会学中进行借鉴。换句话说，政治学其实是一个非常依赖概念构建的学科，比如一些优秀的概念：晋升锦标赛、公地悲剧、行政发包制等。而政治学目前比较常用的理论，其实大多从社会学或经济学等其他领域借鉴过来。真正原生的政治学理论并不多，而面对理论问题，知识社会学有自己处理的一套方法，最近也有研究在密切讨论这个问题。Hofman 等人在 2021 年的《自然》上写过一篇文章，讨论的正是计算社会科学里解释与预测的关系。他们的诊断是，计算社会科学并不是一个本来就统一的领域，而是几个做科学的方式原本就不同的学科凑在了一起：一支来自社会科学，关心的是识别和估计因果效应；一支来自计算科学，关心的是模型在样本外的预测表现。两边都觉得对方做得不够科学。他们给出的办法，是把这两件事看成两个维度，而不是一条轴的两端。一项研究可以在解释上做得很深而从不检验预测，也可以预测很准却说不清机制，当然也可以两样都弱。他们主张的"整合建模"，就是要求一项研究同时在这两个维度上交代自己。社会科学里大量的解释性研究，从来没有被检验过它的解释究竟能不能预测什么。 如果一个解释永远不需要在样本外兑现，那它既不会被证实，也不会被推翻，只会被不断地引用和复述。这样的研究可以一直产出，但产出的是文献，不是知识。

证据如何产生，技术又把能力交给了谁？

计算能力的增长是非均衡性的。赋能国家和赋权社会存在着时间差和部门差。这个立场有两个互相支持的重心。第一是证据纪律：看见不等于解释，模型生成也不等于真实发生。第二是权力关系：技术增加的能力有具体的拥有者，且能力增长的方向和速度可能不对称。同一个平台既给研究者提供观察窗口，又塑造被观察者的行为。这意味着研究者对平台数据的使用，也需要解释平台怎样选择、分类和激励行动者。这可以被理解为一种重视制度条件与研究反思的立场。

我现在是怎么理解计算政治学的

那么，沿着这个传统，我也谈一谈我是如何理解计算政治学的。

首先，我认为必须把三种"计算"拆开，混在一起谈容易造成误读：

第一种是政治行动者的计算实践。编户齐民、度田登记、人口普查、绩效考核、平台排序、信用评分，主体是治理者、组织和企业，计算在这里是政治的一部分。

第二种是研究者的计算方法。文本分析、多模态测量、网络与时空分析、模拟和预测模型，主体是研究者，目标是获得可信的知识。

第三种是数字技术作为社会条件。数据基础设施、平台组织、大模型，它们改变行动的成本、速度和主体之间的依赖关系。

这三者可以互为条件，但绝不等同。国家自古就在处理信息，这一点不能被用来证明今天的机器学习有什么特别；研究者用电脑跑了一个回归，也不能仅凭"用了计算机"就宣称范式转移。历史连续性和当代新变化，必须分开论证。

其次，我现在愿意把计算政治学理解成一个领域，而不是一个理论。这是非常重要的一点，领域可以很宽，里面可以装下若干个研究纲领。国家信息能力是一个，平台政治经济学是一个，政治行为预测又是一个。但领域可以宽，每一个具体解释必须窄。我不需要先相信存在一套统一的"计算理论"，才能开始做研究，我甚至都不需要宣称自己是“计算主义者”。

第三，判断一项研究到底推进了什么，我现在的做法是先看它增加了哪一类知识，再看它用了什么模型：

三个还没有解决的问题

一、概念的问题：到底什么是计算？什么是信息？

我在读《计算政治学概论》的时候，理解上最大障碍其实就是这里。国家是关于信息的，权力是围绕信息的，制度是信息的结构，行为是信息的反应。数据也一样，政治学里几乎每一个概念都能被置换成数据、算法、信息等等。计算更是如此，选举可以计算，国家可以计算，人的行为也可以计算。

我在八月那篇写"什么是政治"的日记里说过一句话：一个能把所有东西都装得下的定义，其实什么也没说。它不排除任何东西，也就不主张任何东西。

萨托利在 1970 年讨论过一个关于概念的问题，他称之为“概念伸展”：一个概念为了覆盖更多对象而不断向上爬抽象阶梯，外延越来越大，内涵越来越空，最后失去了区分不同情形的能力。关键不在于"适用范围广"，而在于它是否还能区分，是否还能说明为什么这种结果出现而那种没有出现。

"国家离不开信息"可以成立，但它离解释一个国家还非常远。征税、战争、协商、服从都涉及信息，不能因此就说这些现象已经得到了统一解释。共同需要某种条件，和共同由某种机制解释，是两件事。

这样一来，"选举可以计算"至少要拆成三件事：选票可以计数，得票可以预测，选举制度可以把票数转换成席位。但谁有资格投票、为什么接受多数决、落败者为什么承认结果，并没有因为计数完成而被解释。

我原先在学习制度主义的时候也碰到过这个问题。在新制度主义政治学中，制度概念伸展得太宽，导致制度主义内部四分五裂，历史的、理性选择的、社会学的共享不同的本体论基础和对制度概念的诠释，谁也说服不了谁。现在我觉得计算政治学的处境更麻烦一点。因为至少新制度主义的概念伸展是理论野心驱动的，而计算的概念伸展是工具驱动的：不是因为理论需要一个更宽的概念，而是因为工具恰好能处理更多的对象。理论野心至少还能为自己辩护，工具惯性连辩护都不需要。

然而，不是所有理论都得交给同一套统计证伪标准。历史解释要面对史料、时序和竞争解释；概念分析要面对内部矛盾与遗漏；规范理论要说明原则及其理由。批评的方式可以不同，但不能一种迫使理论修正的理由都没有。这是今天计算政治学非常重要的一点。概念的发展、理论的演进、方法的繁多，都在迅速的使这个学科变得庞大和复杂。但我们仍需要停下来思考理论的边界在哪里，AI在日新月异的递归研究，与之匹配的理论也应当找到递归的道路。

二、方法的问题：谁有资格说"我在做计算政治学"？

第二个困扰我的问题更直接：目前绝大多数做这个方向的学者，包括我自己，都没有受过严格的计算机科学训练。大家把 AI 当成一种方法拿来就用，我怀疑很多人其实并没有弄懂它的原理，想好一个命题，丢给AI一堆材料，然后就像抽卡一样期待模型吐出一个令你惊异的结果。这就是所谓的 vibe research。

可是通过微调提示词，我们就能获得完全不同甚至相反的结果。甚至是对回归分析来说，你也能够借助AI帮你“优化”数据以获得显著性。这对社会科学来说，无异于是毁灭性的打击。在手搓论文的阶段，我们还能够通过文献的积累、理论品味的学习和因果逻辑的推断，准确的判断出某某某论文的不足或逻辑之间的断联。在 vibe research 的时代，你阅读到的论文大多都拥有完美的因果链条和数据模型，难怪有人说这个夏天是文科博士最好的夏天。

三、边界的问题：它能对宏大理论说什么？

计算政治学看起来特别擅长中观、微观和公共政策研究。可是当我们开始谈论真正宏大的东西——政治经济学、福柯的知识考古学和微观权力、哈贝马斯的沟通行动、德勒兹的逃逸线——计算政治学能贡献什么？对理论来说，真正的问题从来不是理论的"层次"，而是这项研究能不能重新组织我们对秩序、主体和支配关系的理解。这个能力和样本规模、观察层次没有简单的对应关系。

一个学科外部的背景

上面这个问题，我没法只在学科内部回答。

这几年，世界在向右转。美国在收缩它作为"全球警察"的角色；欧洲一边承受福利国家的紧缩，一边发现自己的制造业和军工其实已经空了很久；第三世界国家现在谈的不是自由贸易，而是建立自己的工业体系。而这些彼此并不相同的政治力量，居然共享同一个对手的形象，那个叫"世界工厂"的地方。换言之，当今世界的大国都在处理同一个问题——分配问题在国内已经解决不了了。

工作岗位去哪了，福利怎么付，谁来承担产业转移的代价。这些问题在哪个国家都没有得到政治上的解决。而当分配在政治上无解的时候，历史上通常只剩两个出路：一个是把矛盾外部化，找到一个应该为此负责的外部对象；另一个是把分配问题推迟成增长问题，先别争怎么分，等蛋糕再大一点。

右翼上台走的是第一条。人工智能，是第二条。

所以我现在倾向于认为，这两件事不是并列的两个现象，它们是同一个失败的两面。

在经典马克思主义理论中，资本主义的必然矛盾是生产的社会化和生产资料的私有制，这将导致资本主义必然有一天会因为自身矛盾而灭亡。但马克思那里有一块处理得不够充分的东西，就是创新。在马克思那里，他把创新放在了危机的内部，当作资本有机构成提高、利润率趋于下降的一个机制。创新在他那里是病症，不是解药。

而二十世纪以来的历史更像是另一回事：创新一次又一次充当了危机的出口。一个部门的利润被榨干，就有一个新部门被打开，新的商品形式、新的可被估值的领域、新的可以被卷进来的生活领域。与之相反，熊彼特把创新认为是资本主义发展的新条件。他称之为创造性破坏，而且他得出的结论正好相反，资本主义不会死于失败，会死于成功，死于成功之后腐蚀掉自己赖以存在的制度条件。

所以那个"终将到来的时刻"可能永远不会到来。不是因为矛盾消失了，而是因为每一次矛盾快要结算的时候，都有一张新的支票被开出来。

人工智能是目前这张最大的支票。

那么为什么偏偏是人工智能，而不是别的什么？

第一，它是左右两边都能接受的答案。 生产力叙事在任何意识形态下都合法。要修福利国家，就得打一场关于分配的仗；要搞人工智能，不用。

第二，一项投入可以记四本账。 经济政策、产业政策、军事政策、治理政策，同一笔钱在四个部门那里都算业绩。在财政普遍紧张的时候，这种"多用途"是决定性的优势。

第三，它是产业政策抓得住的东西。 右转之后的国家都在重新学习产业政策，而产业政策需要抓手。芯片、算力、电网、数据中心，都是可以被国家采购、审批和布局的实体。"提高全要素生产率"没法采购，一座数据中心可以。

第四，也是最关键的一条：它承诺的是一种绕过政治的生产力。 不需要谈判，不需要重新分配，不需要说服任何人改变立场，只需要等模型再大一点。

是 AI 塑造了政治，还是政治被塑造成了 AI 的样子

这是我最近一直在想的问题：究竟是人工智能塑造了政治本身，还是我们今天这套决策机制、参与机制、政治形态，本来就是被塑造成与人工智能相协调的样子？

想了一段时间之后我觉得，这个问法本身就预设了一个先后，而先后恰恰可能是要被取消的东西。知识与权力不是谁塑造谁，它们共同决定了什么东西可以成为被认识、被计算、被干预的对象。

所以更有用的问法可能是：在这个过程里，什么被生产成了"可处理的"？

当"民意"变成可以被模型合成的东西，民意调查原来的政治功能，就悄悄地变了。当"诉求"变成工单，公共问题的形状就被工单的字段决定了；当"回应"变成平均回复时长，回应性就从一种政治关系变成了一个可优化的指标。而当我们连提出研究问题的方式都开始迁就模型能处理什么，学术共同体自己就是这条生产线上的一环。

概念伸展是工具驱动的。工具驱动的概念伸展，就是这套共同生产最日常、最不引人注意的形态。它不需要任何人下命令，它只需要我们每个人在选题的时候，都很自然地选那个数据拿得到的。

我们不是在被要求同意什么。我们是在被生产出一种同意。一种关于"什么问题才算真问题"的同意。

我八月那篇日记的结尾留了一个问题：你是把世界推近了理想，还是把理想拉近了世界？ 我当时说，政治全部的力气都花在规范与现实的那段距离上，而缩短距离有两条路，一条贵，一条便宜得可怕。

现在我发现，计算给出了第三条路。它可以让那段距离变得不可见。

当"满意度"变成一个由模型生成的分数，当"诉求"变成一个可以自动归类的工单，规范与现实之间的那段距离就从一个道德问题变成了一个数据问题。而数据问题是可以优化的。它不需要你改变世界，也不需要你说服任何人降低期待，只需要你重新定义指标。

所以当我们在谈论计算政治学的时候，我们最好是在谈论政治，而不只是在谈论计算。

2026年9月5日于吉林大学北苑四公寓