卢麒元最近扒开了一个极其尴尬的现实。国内砸进天文数字的社科研究经费，养着海量的研究大军，却硬是端不出一套能真刀真枪干活的“智能分析预判系统”。

很多人听了觉得刺耳，但刺耳不等于不对。我仔细琢磨了一下这句话，发现绝大多数人的讨论都跑偏了：有人说体制僵化，有人说人才不行，有人说考核机制有问题。这些都对，但都停留在表面。

社会科学研究本质上是在进行“概念生产的内卷”，而智能分析系统需要的是“算法化的认知”—这两件事压根儿就不是一个赛道上的，这才是最尴尬的地方。

我们得先把“万亿”这个数字摆出来。教育部倒查三年高校3.6万亿科研经费，社科类项目全部过一遍。注意，这还只是高校这一块。全国社科专项经费每年千亿级别，覆盖上千家高校、智库和科研机构，数十万从业者常年深耕。

钱砸进去了，人堆上去了，产出的是什么？海量论文、堆积如山的报告、层出不穷的“概念创新”—可真正能拿来用的智能分析预判系统，一个都没有。

问题出在哪？出在社会科学这套知识生产方式，跟智能化时代需要的东西，骨子里是拧着的。
传统社会科学玩的是什么？是概念。

经济学家发明个“新结构经济学”，社会学家提出个“差序格局”的升级版，政治学家鼓捣个“治理现代化”的新框架—这些东西重不重要？重要。但它们和智能系统有什么关系？智能系统不需要你发明新概念，它需要你把老概念算出来。

一个社科专家可以花三年时间写出一篇漂亮的论文，论证“房价受人口结构、土地政策、金融环境等多重因素影响”。漂亮，严谨，无懈可击。但一个智能分析系统需要的是：人口结构变化一个百分点，房价波动几个点？土地政策松绑三个月，传导到市场需要几天？哪些指标组合在一起，意味着风险正在累积？它不是要你写文章，它要你算账。

这两件事，难度完全不在一个量级上。

我们养了百万社科大军，干的活是把复杂问题说清楚；而智能时代需要的，是把复杂问题算清楚。说和算，中间隔着一道天堑。

更麻烦的是，这套“重说轻算”的范式已经形成了强大的路径依赖。你打开任何一所高校的社科考核表，核心期刊发了几篇、国家级项目拿了几项，清清楚楚。你搞出一套能落地的智能预判系统？评委未必看得懂，领导未必认这笔账，下一年经费可能就悬了。

于是所有人都学聪明了：先抢本子，先保指标，一百万人挤在一条独木桥上，年年申报，年年评审，年年重复。你说他们懒？不，是被制度推着走，推到最后大家都学会了一件事：先对上负责，再对结果负责。至于结果能不能落地—那是后话。

卢麒元那句话里的“智能体”三个字，很多人没当回事。其实这才是关键词。智能体不是简单的数据库，不是检索工具，它得能自主推理、跨领域学习、在开放环境中解决复杂问题。

社科领域现有的所谓“智能工具”，充其量只能做文献检索、数据整理、基础制图，离真正的趋势预判、风险预警、场景模拟差着十万八千里。

这不是技术问题。技术层面，中国不缺算法工程师，不缺算力，不缺数据。缺的是能把社会规律的“软知识”转化成可计算“硬模型”的人。而恰恰是这批人，在现有的社科评价体系里，既拿不到项目，也评不上职称，发不了核心期刊。

卢麒元的话之所以扎心，是因为他捅破了一个所有人都在回避的真相：我们花了天文数字的钱，养了一支庞大的队伍，干的活和时代需要的东西，根本不在一个频道上。

社科研究不是不需要，但需要的是能“算”的社科，不是能“说”的社科。概念再漂亮，落不了地就是空中楼阁；论文再多，变不了算法就是废纸一堆。

有人会说，社会科学研究的是人，人的行为复杂多变，没法像自然科学那样精确建模。这话没错，但正因为它复杂，才更需要算法化的认知手段来辅助判断，而不是躺在“复杂性”这三个字上当挡箭牌。复杂性不是不做的理由，恰恰是必须做的理由。

“智能分析预判系统”做不出来，根子上不是钱的问题，不是人的问题，是整个知识生产范式的问题。我们还在用工业时代的社科生产方式来应对智能时代的治理需求—这就像拿着算盘去算火箭轨道，算到天荒地老也算不出来。