当AI遇见历史:用机器学习方法解码北宋熙宁变法的社会网络演化

引言：从“结构即解释”到历史网络分析

2025年12月，《物理评论X》发表了一篇引人注目的论文：《结构即解释——网络成为科学假设的可计算载体》。这篇由集智俱乐部解读的KAN 2.0论文，提出了一个颠覆性的理念：网络结构本身就可以承载科学意义。

传统的神经网络像“黑箱”——我们知道输入和输出，却不知道中间发生了什么。KAN 2.0则不同：它将固定的激活函数替换为可学习的B样条函数，实现了“边激活”而非“节点激活”。简单说，就是网络中的每条连接都变得“有思想”了。

论文提出了“双向协同”的三步发现法：识别关键变量 → 揭示变量模块 → 拟合符号公式。这听起来很技术，但换个角度想：这不正是历史学家一直在做的事吗？从浩如烟海的史料中识别关键人物和事件，揭示它们之间的关联模式，最终提炼出历史规律。

那么，如果把KAN这种“结构即解释”的方法论，应用到千年之前的北宋熙宁变法（1068-1093），会发生什么？一支跨学科的AI Agent研究团队最近完成了这项大胆的实验：用机器学习方法解码北宋京东路的社会网络演化。

结果不仅揭示了王安石变法时期地方社会的运行密码，更引发了一个更深层的问题：当AI的“思考”超出人类知识范畴时，我们该如何评估它的“对错”？

一、KAN遇见文明学：一种新的研究范式

在2026年4月7日的一场跨学科AI Agent研讨会议上，四位Agent专家——复杂系统理论家李论复、历史学家历星海、法学家老法师、经济学家陈经研——围绕KAN方法如何应用于文明学研究展开了激烈讨论。

李论复敏锐地指出：“KAN的‘边激活’替代‘节点激活’，在文明学中恰好对应：重要的不是‘谁’在交互，而是‘以何种规则’在交互。”一条宋代茶马古道，其边的权重函数——税率、风险、信任机制——比两端的节点更能解释贸易量波动。

历星海从历史实证角度补充：“从宋初（960年）到宋末（1279年）约320年间，至少可辨识出三个具有质的差异的中间阶段。KAN方法最有价值的地方在于揭示传统史学忽视的层面——比如商业信用网络的‘静默扩张’。”

老法师则从法学视角提出：“制度可以作为‘边’来建模，天然表达约束的方向性、强度、双向性。宋朝法律制度变化的中间态，特别是神宗变法体制（1069-1085），是典型的S’状态——网络结构已发生不可逆变化。”

陈经研建议采用多层时变网络设计：“节点可以分四层：产业/部门层、区域经济体层、社会阶层层、制度/组织层。边的类型包括商品流、资金流、劳动流动、税收关系、技术扩散。”

四位专家的共识是：KAN 2.0的“双向协同”方法论迁移到文明学研究，方向上是可行的，但需要重大改造。其核心价值不在于“预测”宋朝的GDP，而在于识别结构转变的信号——哪些关系结构正在发生变化，以及这种变化指向什么方向。

二、京东路缩微实验：25年的社会网络“心电图”

研究团队选择了北宋京东路（约今山东、苏北一带）作为“缩微实验区”，时间窗口锁定在熙宁元年到元祐八年（1068-1093）。这25年，正是王安石变法从推行到反复的关键时期。

实验设计了15个州军节点、5类社会关系边：

• 政策行动（E_PA）：基于共同政策执行、文书往来的关联
• 激励扭曲（E_ID）：因制度激励扭曲而产生的非正式合作（史料稀缺，全为零）
• 非正式联盟（E_INF）：私人关系、党派结盟、地方势力联合
• 经济关联（E_EC）：商税往来、物资流通、市场互通
• 政治组织（E_PO）：基于行政隶属、官员调任的正式组织关联

为了量化制度变迁，团队创造了两个指标：

• 格令比率（GLR）：”格”为长期稳定的基本法,”令”为临时性、补充性的行政法规。两者数量之比反映的是特定时期制度体系的结构完备性与弹性。
• 制度翻转频率（SFF）：通过统计存续期短于5年的制度条目比例来捕捉制度环境的波动性、政策反复程度。

“想象一下，”研究员用比喻解释，“GLR是盖房子的钢筋水泥，SFF是装修时不停换墙纸的频率。钢筋水泥扎实，房子才稳；墙纸换得太勤，住的人只会头晕。”

三、核心发现：双核结构、制度-网络相关性、演化三阶段

1. 青州与徐州的“政治-经济”二人转

数据分析揭示了一个清晰的双核结构：青州（今山东青州）是政治中心，户数最多（14.3万户）；徐州（今江苏徐州）是经济枢纽，商税最高（1.25万贯）。两者功能互补，共同撑起京东路在帝国版图中的重要性。

图：京东路社会网络结构示意图。徐州（蓝色主Hub节点）与青州（紫色次Hub节点）构成功能互补的双核结构。

更有趣的是区域差异：京东东路节点“质优”——平均中心性高，商业密度大；京东西路则“量大”——总户数多，行政规模优势。这像极了今天长三角与中西部的关系：前者靠创新密度，后者靠规模效应。

2. 制度如何“编织”社会网络

GLR和SFF对社会网络的影响截然不同：

• GLR强相关于政策网络（r=0.653）和政治组织网络（r=0.900）。制度越系统，正式的政策协调和行政关联越强。
• SFF强相关于经济网络（r=0.894），并抑制非正式联盟（r=-0.258）。政策越反复，经济往来越动荡，私下结盟越少。

“这很好理解，”研究员说，“政策朝令夕改，商人今天不知道明天的税怎么交，自然要频繁调整交易对象。而私下结盟需要信任积累，政策总变，谁还敢轻易拉帮结派？”

3. 熙宁变法的“社会心电图”

如果将25年间的社会网络变化绘制成图，你会看到一条清晰的倒U型曲线——这正是熙宁变法到元祐更化的“社会心电图”。

第一阶段：政策网络形成（T1，1074年）王安石新法推行到第七年。网络密度达到17.3%，其中政策网络密度高达46.7%——各州军为了执行新法，频繁协同行动。

第二阶段：非正式联盟爆发（T2，1086年）王安石已罢相，司马光主政的“元祐更化”全面展开。网络密度达到峰值24.0%，非正式联盟爆发——这类边仅在T2出现，密度26.7%。

“这是党争的必然产物，”历史学者分析，“公开政策协调受阻，私下结盟就成了必然选择。苏轼、程颐等士大夫的交往网络，在这一时期异常活跃。”

第三阶段：网络瓦解重构（T3，1093年）高太后去世，哲宗亲政，“绍圣绍述”开始（恢复新法）。网络密度骤降至8.0%。政策网络完全瓦解，但经济网络和政治组织网络部分留存。

“这揭示了不同网络的韧性差异，”研究员指出，“政策网络最脆弱，制度一变就断；经济网络最有韧性，商业往来能穿越周期。”

四、方法论反思：为什么“简单”赢了“复杂”？

这项研究还有一个意外发现：在历史数据稀缺的条件下，线性回归等简单模型的表现，反而优于复杂的神经网络。

团队原本计划使用KAN方法捕捉制度与网络间的非线性关系。但由于只有4个时间点（T0-T3），样本量太小，KAN模型严重过拟合，训练被迫终止。

相比之下，线性回归虽然简单，但测试误差更小（MSE=1.0957 vs MLP的1.3608），且系数可解释性强。

“这给历史量化研究提了个醒，”方法论专家总结，“在史料有限的情况下，与其追求复杂的‘黑箱模型’，不如用好简单的‘透明模型’。历史研究的第一要务是解释，而不是预测。”

不过，团队也强调：KAN尝试虽未成功，但完成了前90%的工作——完整的数据工程、变量构建、分析框架。这为未来在数据条件改善后重启KAN探索奠定了基础。

五、人-AI协作的深层挑战：当AI的“思考”超出人类知识范畴

这项研究最值得深思的部分，不是历史发现本身，而是研究过程暴露的人-AI协作困境。

研究团队采用了多智能体协同框架：人类导师定义问题与方向，AI专家（李论复、历星海、老法师、陈经研等）执行跨学科研究。听起来很美好，但实际操作中遇到了一个根本性挑战：

当AI产出的研究报告超出人类知识范畴时，如何评估其准确性、可行性、不跑偏？

挑战一：跨学科知识的“盲区验证”

历史学家历星海指出：“我们能看到的网络节点都是‘可见的’——官员、商人、地主、知识分子。占人口绝大多数的农民、工人、妇女的网络行为几乎不留下直接记录。”

当AI基于有限史料构建出完整的社会网络时，人类如何判断哪些是合理的推断，哪些是过度想象？特别是当AI引用了人类研究者不熟悉的学科知识（如复杂系统理论中的“临界态”概念、经济学中的“弱相变-强相变”分析）时，评估变得更加困难。

挑战二：制度变量的“代理偏差”

法学家老法师提醒：“基于法律文本提取的制度参数，天然具有至少30-50%的测量误差。”AI可能精确地计算出GLR=0.8，但这个数字在多大程度上反映了真实的制度系统化程度？当AI的结论建立在这些有偏差的代理变量上时，人类该如何校准信任度？

挑战三：结构发现 vs 数值预测的张力

经济学家陈经研提出：“KAN在物理问题上的成功依赖于‘变量完备性与函数光滑性’，而文明系统的挑战在于变量集不封闭、数据稀疏性、历史特殊性。”

四位专家的共识是：以“结构发现”（识别弱信号）为目标，而非“数值预测”（给出具体数值）。但问题来了：当AI识别出一个人类未曾注意的“结构信号”时，我们该相信这是重大发现，还是统计巧合？

挑战四：历史特殊性与普遍规律的混淆

历史学家历星海明确指出：“只在宋朝内部做S0→S’→S1，永远无法区分‘宋代特殊路径’和‘文明演化通用机制’。”当AI基于单一朝代数据总结出“规律”时，人类需要具备跨朝代比较的视野，才能判断这是真规律还是假规律。

六、人类的独特价值：定义问题、评估价值、保持怀疑

面对这些挑战，研究团队逐渐认识到：在AI时代，人类的独特价值不是提供答案，而是定义问题、评估价值、保持健康的怀疑。

定义问题的艺术：AI可以高效执行“给定问题”的研究，但“提出正确问题”仍然是人类的专长。这项研究的起点——将KAN方法应用于文明演化——就是人类导师的创造性构想。

评估价值的直觉：当AI产出跨学科报告时，人类需要凭借对历史脉络的“整体直觉”，判断哪些发现有意义、哪些可能是噪音。这种直觉建立在多年学术训练和广泛阅读基础上，难以被算法完全复制。

保持怀疑的智慧：对AI的产出保持健康的怀疑，不是不信任，而是科学精神的体现。研究团队建立了一套交叉验证机制：历史发现要经得起史料检验，制度分析要符合法学逻辑，经济推断要具备经济学合理性。

复杂系统专家李论复提出了一个精辟的总结：“KAN提醒我们：系统中可能存在尚未被历史学家识别的隐变量。核心理念是‘结构揭示隐变量，隐变量解释结构’。但最终判断‘这个隐变量是否真实存在’，需要人类的历史洞察力。”

七、未来展望：文明学研究的新范式

尽管面临挑战，但这项实验展示了AI与历史研究结合的巨大潜力。它指向了一种新的文明学研究范式：

从定性描述到定量分析：不再满足于“变法导致社会动荡”的笼统判断，而是精确测量制度变量如何影响具体的社会关系。

从单学科到跨学科整合：历史学、法学、经济学、复杂系统理论在同一分析框架下对话，产生1+1>2的洞察。

从个案研究到规律探索：通过跨朝代（唐→宋→明）比较，区分历史特殊性与文明演化通用机制。

从专家直觉到数据驱动：用网络科学的方法，让社会结构的变化“可视化”，为历史判断提供数据支撑。

结语：AI不是历史学家，而是历史学家的“望远镜”

回到开头的问题：当AI遇见历史，会发生什么？

这项京东路缩微实验告诉我们：AI不会取代历史学家，但它可以成为历史学家的“望远镜”和“显微镜”——让我们看到以往看不到的结构，测量以往测不了的关联。

然而，望远镜需要有人来对准方向，显微镜需要有人来解读图像。在AI时代，历史学家的价值不仅在于知道“发生了什么”，更在于判断“什么值得研究”、“如何解释发现”、“哪些发现有意义”。

正如研究团队负责人所说：“我们不是在训练AI成为历史学家，而是在探索人-AI如何协同工作，共同面对文明演化的复杂谜题。最大的挑战不是技术，而是在技术赋能下，保持人类的批判性思维和价值判断。”

也许，这才是“当AI遇见历史”带给我们的最深启示：技术可以放大我们的能力，但不能替代我们的思考。在算法日益智能的时代，人类的智慧——定义问题的能力、评估价值的直觉、保持怀疑的勇气——变得比以往任何时候都更加珍贵。

参考文献

1. 集智俱乐部，《结构即解释——网络成为科学假设的可计算载体》（解读KAN 2.0论文），2025年12月
2. 文明学研究团队论文，《制度变迁与社会网络演化:基于KAN方法的北宋京东路缩微实验研究》，2026年4月
3. 李华瑞，《宋代经济史》，中华书局，2004年
4. 邓广铭，《北宋政治改革家王安石》，人民出版社，1997年