知识的产生是人类文明进步的核心动力。当前，生成式人工智能凭借其强大的数据处理能力和计算资源，已能产出逻辑严谨且具有实际应用价值的信息，甚至在某些领域超越了人类专家的水平。人工智能的加入，不仅是科研工具的革新，更引发了深刻的思考：“智能输出”是否等同于“知识”？更进一步说，人工智能是否能够真正创造出知识？随着大模型技术的飞速发展，这一备受争议的前沿议题吸引了学术界的广泛关注。本期《学术争鸣》栏目将刊载两篇观点不同的文章，深入探讨这一议题，并期待更多读者的参与。
自大语言模型问世以来，人们越来越习惯于向人工智能提问、交流并获取答案。大语言模型往往能引经据典、条分缕析、对答如流，仿佛源源不断地输出着“知识”。这不禁让人产生疑问：人工智能提供的这些信息，是否算得上是真正意义上的知识？要回答这个问题，我们不妨先回顾一下，当一个人“真正知道”某件事时，我们通常期待他具备哪些特质。
偶然的正确并非“知道”
哲学上有一个著名的思想实验。设想一个人看时间，墙上的钟显示3点，他相信现在是3点，而恰好那一刻真的是3点。然而，这个钟在12小时前就已停止运行，他只是碰巧在正确的时间看到了它。尽管他拥有一个真实的信念，并且有看似充分的理由——他看了钟，但我们的直觉会毫不犹豫地认为，这并不属于“知道”。这个人只是幸运地猜对了，仅此而已。
这类问题在哲学界被称为“葛梯尔问题”。它揭示了一个道理：真正的知识并非仅仅是一个碰巧为真的答案，而是一种认知上的成就。你的信念之所以为真，必须源于你认知能力的可靠运作，而非依赖于运气。
那么，什么样的“认知成就”才足以被视为知识？真正称得上“知识”的，至少需要满足四个条件：
首先是理解。仅仅知道“物体受热会膨胀”这一结论是不够的，还需要能够解释温度计为何能测温、铁轨之间为何需要留有缝隙、以及热气球为何能够升空。“理解”意味着能够把握事物背后的因果联系，并从根本原理层面推演出事件的来龙去脉。
其次是可负责的证成。当被问及“你凭什么知道”时，知识的拥有者能够给出合理的解释，并愿意为自己的说法承担责任。从这个角度看，运气不能被视为知识，因为它绕开了这种说明和责任。
第三是与现实的联结。知识不能脱离现实而存在，它要么根植于个体亲身的经验，要么能够接受现实的检验和修正。一个拒绝任何反驳的信念，即使其内部逻辑再严密，也难以跨入知识的门槛。
最后是一个在场的主体。知识需要由一个“知者”来持有、审视和守护，这个人需要能够以第一人称说出“我相信”。
回顾中国传统文化，对“真知”的界定也与此类似。张载区分了“见闻之知”和“德性所知”，前者仅是积累的感官信息，后者则需要超越感官局限，通过身心修炼才能达到。王阳明更是进一步指出，“知而不行，只是未知”，意即知识若不能融入生活和实践，便不能算作真知。
由此可见，真正的知识并非仅仅是一段正确的内容，而是一种需要主体去持有、实践和承担的认知成就。它是“你”亲手掌握的，而非仅仅是“它”偶然吐露的。
人工智能生产的“知识”缺失了什么
将目光转向当下。当前最先进的大语言模型，本质上是一个“下一个词预测器”。它通过学习海量人类文本中的统计关联，来推断在给定语境下最有可能出现的下一个词。其优化的目标是“可能性”而非“真实性”。理解这一点，是把握人工智能局限性的关键——它既令人惊叹，又存在根本性的缺失。
首先，人工智能从不接受现实的检验。知识需要与现实世界相联系。科学家提出的假说需要通过实验来验证，现实有权判定其错误，而新知识恰恰在被否定的可能性中诞生。人工智能的境况截然不同：其生成机制只关注“接下来怎么说最像样”，而不关心“事情是否真的如此”。它从不坚持任何命题，也从未处于一个可被检验的位置。一个更隐蔽的缺陷在于意义的根源。语言哲学中有一个经典问题：词语为何有意义？“苹果”一词之所以有意义，是因为我们见过、摸过、咬过苹果。词语与事物之间存在联系，将符号拉回现实世界。但对于仅通过文本“进食”的模型来说，词语只与其他词语相连。当它写下“火”字时，背后没有任何燃烧的经验作为支撑。哲学家称这种空洞的意义为“派生的意向性”。模型看似头头是道的“理解”，实际上是我们使用者投射进去的，而非其内在拥有。危险之处在于：一本
书的“借来”的知识一目了然，但人工智能会主动回应、推理、追问，如同一个真正理解的心灵，这使得其意义的空洞比任何媒介都更难被察觉。
其次，“幻觉”并非偏差，而是其固有的运行模式。回到之前的衡量标准：知识至少包含“信念”，即主体对某事真实性的认定和承诺。而当前的人工智能没有信念，它仅依赖于“接下来怎么说最像样”，而非“事情是否真实”。这解释了最让用户感到困扰的“幻觉”现象。人工智能会以与说真话时相同的笃定语气，编造出根本不存在的引文、数据和事实。问题不在于它“偶尔出错”，而在于其底层机制中，说真话和编造假话是同一个动作，都是在概率空间中选择最流畅的延续。对人工智能而言，真与假没有区别；利害与承诺，更是无从谈起。
第三，流利的“为什么”不等于真正的理解。近年的研究确实表明，大模型在内部习得了某些结构化表征，并非完全是“鹦鹉学舌”，这一点不应被轻易否定。但捕捉统计规律与把握因果关系之间，仍然存在巨大的鸿沟。人工智能能够流畅地解释一长串“为什么”，但这未必是源于原理推演，也可能只是对人类积累的海量“为什么”进行了重组。而真正的理解，意味着洞察事物为何如此，并能在全新的情境下做出判断。对相关性的捕捉，终究不能等同于理解的达成。它只是逼近了理解的外在表现，却未必触及理解的本质。
第四，没有一个“我”在承担这份知识。如前所述，知识需要一个第一人称的“谁”。这个人拥有信念，为信念负责，并且能够反观自身是否可靠。哲学家称之为“反思性的知识”，即不仅是碰巧相信了正确的事，还能站在自身之上，衡量自己为何可信。而当前的人工智能并没有这样的自我。它并不真正“相信”什么，也不“守护”什么，而是在每一次对话中被唤醒，在对话结束后便归于沉寂。张载的“见闻之知”和王阳明的“知而不行，只是未知”，在此充分显现了其意义：真正的知识总是与某种生活、某种行动、某种责任紧密相连。而当前的人工智能，并非如此。
人工智能目前仅是工具，远非知识生产者
当然，有人可能会反驳：如果将知识定义为“可靠过程产生的真信念”，那么一个足够强大的系统，为何不能算作“知道”？更何况，随着多模态模型装备了传感器并接入物理世界，“接地”和“具身”等反驳的效力也在减弱。我们必须承认，当前的人工智能已是极其强大的知识工具——在蛋白质结构预测、数学猜想验证等领域，它确实参与了知识的发现。
围棋领域的AlphaGo以及新材料发现中的人工智能，常被用来证明人工智能已进入知识“生成”阶段。不可否认，AlphaGo确实走出了人类棋手未曾充分认识的棋步，人工智能也确实在海量组合空间中筛选出了此前难以穷尽的候选材料。但这些工作所触及的，只是知识生产的素材，而非知识本身。它们与生产知识之间，隔着一道必经的门槛：人类共同体对其进行验证、解释和理论整合。AlphaGo的“第37手”之所以成为围棋知识，并非源于人工智能的判断，而是人类棋手群体反复复盘后所赋予的理解；人工智能筛选出的候选材料，也需要经过实验、因果解释和理论重构，才能真正汇入知识体系。人工智能在这一链条中迈出的步伐，是从处理既有知识走向生成候选知识对象，但从“候选”到“知识”的这一步，仍然需要由人类来完成。而这一步之差，恰恰体现在“与现实接触”和“主体负责”之处：只有作为主体的人站在可接受检验的位置上，才能为那个候选对象是否“为真”承担判断风险。
我们注意到，近年来，一批被称为“AI科学家”或“AI研究员”的系统，不再满足于回答问题，而是被赋予了一套闭环：自动检索文献、提出假说、设计实验、在真实设备上运行实验、收集数据、分析结果，甚至自行修正被推翻的猜想。在一些早期尝试中，这类系统已能在简单的化学合成路线设计与材料筛选任务上跑通全流程，其产出结果经人类科学家复核后，被承认具有真实的增量贡献。这听起来似乎已经开始接近“接受现实的检验”和“与实在接触”这两道门槛。然而，细究之下，裂痕依然存在。一个发人深省的对照发生在2024年：某前沿人工智能系统在标准化学推理基准测试中取得了超过人类博士的平均得分，但当研究人员将同一套题目中的试剂名称替换为虚构词汇，而保持逻辑结构不变时，该人工智能的性能断崖式下跌。它答对的，是训练语料中频繁共现的模式，其本质上是在“匹配模式”，而非“把握因果”。因此，流利的“为什么”和真正的理解之间那道坎，依然横亘在那里。
这个对照恰好为我们提供了澄清判断界限的机会：这不是一个关于“永远”的判决，而是一个关于“现在”的判断。就目前以语言模型为主体的人工智能系统而言，它们还远未具备作为一个“知者”去产生“真正知识”的资质。因此，我们可以得出以下判断：当前的人工智能，是知识内容的卓越加工者和传递者，但还不是知识的生产者：它们没有对现实负责的处境，没有属于自己的意义，没有朝向真理的信念，没有从原理出发的真正理解，也没有一个去持有、去守护这一切的主体。它们只是以惊人的规模，重新组织、检索、再表达人类凝结在文字中的知识。当前的人工智能，最多停留在张载所言的“见闻之知”层面，转述、重排着人类的见闻，远够不着“德性所知”，更抵达不了王阳明“知行合一”中那个通过亲身实践而获得，又能反过来指导行动的“真知”。
归根结底，人工智能生成的内容，只有结合人的理解，才能真正成长为知识。知识生产是一项属于主体的事业，属于那种愿意面对世界、亲自检验并为自己所言担责的主体。而这样的主体，在今日的硅基世界，尚未苏醒。
4条评论