1、21世纪机器学习的端到端社会学探索

21世纪机器学习的端到端社会学探索

1. 机器学习研究的困境与挑战

当代机器学习（ML），尤其是多层“深度”神经网络、生成对抗网络、可微编程等领域，给社会科学研究者带来了难题。我们既希望能为当下有关这些技术及其影响的紧迫辩论提供及时的见解，又想提出超越当下创新特点、具有持久价值的观点。然而，如今机器学习领域技术和制度的快速变革，使研究者们疲于追赶，加剧了这一矛盾。

近年来，机器学习的热潮、大量技术和资金的投入、科学界对连接主义方法有效性的争议，以及人们对其的期望与担忧，都标志着21世纪机器学习和深度学习成为一种全新的社会技术现象，这堪称一场认知冲击。对于文化生活研究者，如社会学家、媒体学者和科技研究人员来说，他们面临着如何跟上这些激进变革并提供有意义评论的挑战。如何理解机器学习带来的挑战，并获得比从业者更深入的理解，是亟待解决的问题。

实际上，社会科学对人工智能的批判性反思并非首次争取合法性。20世纪80年代中期，布卢姆菲尔德就反对将社会学问题排除在人工智能的严肃研究之外，伍尔加也提出了“为何没有机器社会学”的问题，强调要关注技术的起源和社会建构。如今，我们仍需使关于“21世纪”人工智能的社会科学话语既具有社会相关性又准确无误。

如果将这些技术的社会技术起源视为“上游”，其最终社会影响视为“下游”，那么一些批评者警告我们，要避免过度强调上游工程难题而忽视“科学公平性”在实践中的应用，也要防止过度关注下游社会影响而忽略其与商业人工智能研究中心发展的紧密联系。

2. 端到端社会学的提出

为解决上述问题，我们提出需要一种“端到端社会学”来研究当代机器学习和人工智能。这种方法理解“上游”和“下游”的紧密联系，关注现代机器学习