作者：陳浩，系南開大學社會學院、前沿交叉學科研究院教授
【學術爭鳴】
編者按
知識生產是人類文明演進的內在驅動力。當前，生成式人工智能憑借其強大的數據、算力，已經能夠生成邏輯嚴密、具備應用價值的信息輸出，甚至在某些領域展現出超越人類專家的能力。人工智能介入知識生產，不只是科研工具的革新，更對我們提出深度追問：“智能輸出”是否足以稱得上“知識”？進一步而言，人工智能究竟能否產出真正意義上的知識？近年來，伴隨大模型技術的迭代突破，這一極具爭議的前沿話題持續升溫，引發學界廣泛關注。本期《學術爭鳴》欄目，刊發兩篇觀點相左的文章，聚焦這一議題各陳己見。我們也期待有更多讀者加入這場思想對話。
近年來，人工智能的發展引發了一個值得認真討論的問題：AI究竟只是幫助人類完成檢索、計算、寫作和分析的工具，還是已經在某種意義上參與了知識生產？一種常見看法認為，AI沒有人的意識、情感和生命體驗，因此不可能真正理解世界，也就談不上生產知識。這種看法強調了人與機器之間的重要差異，卻也容易把知識的判准過度收縮到人類主觀體驗之內。
問題的關鍵，並不在於AI是否“像人一樣思考”，而在於我們如何理解知識生產本身。現代知識生產從來不只是個體經驗的直接表達，而是在工具、方法、証據、模型和共同體規范中形成的認知成果。更恰當的說法是：人工智能正在成為知識生產鏈條中的生成性力量。它未必以人的方式理解世界，卻已經開始推動人類重新審視什麼可以被看見、什麼值得被研究、什麼能夠成為知識。
知識判准不能限於主觀體驗
討論AI能否參與知識生產，首先要澄清一個前提：知識的有效性是否必須建立在類似人類的主觀體驗之上。人的知識當然離不開經驗、身體、語言和社會生活。尤其在倫理、審美、歷史理解等領域，人的處境和體驗具有不可替代的重要性。但這並不意味著，凡是不具有人類體驗的系統，就完全不能參與知識形成。
從認識論上看，知識並不等同於一時的感覺、判斷或意見。一個判斷要成為知識，通常需要理由、証據和方法的支持，並能夠在一定共同體中接受檢驗、修正和討論。不同學科的知識形態並不相同：自然科學更重視規律、預測和實驗驗証，社會科學更重視機制、情境和因果說明，人文學科更重視意義、文本和歷史解釋。但無論哪一種知識，都不能隻以個體主觀體驗為唯一標准。知識之所以成為知識，正在於它能夠超出個人感受，進入可論証、可交流、可檢驗的公共過程。
事實上，人類認識世界從來不隻依靠直接體驗。顯微鏡沒有生命體驗，卻打開了微觀世界﹔望遠鏡沒有主觀意識，卻改變了人類對宇宙的理解﹔統計模型不會感受社會痛苦，卻能揭示人口、疾病、貧困和流動背后的結構性關系。現代知識生產本就依賴儀器、模型、算法、數據庫和計算模擬等中介。它們並不以人的方式“體驗”世界，卻深刻改變了人類能夠知道什麼、如何知道以及如何証成知識。
人工智能與這些認知中介一脈相承，又具有新的特征。它不只是延伸感官、加快計算或存儲信息，更能在大規模、高維度、非直觀的數據空間中發現模式，並把這些模式轉化為預測、分類、假說和解釋線索。也就是說，AI正在從“處理既有知識”進入“生成認知對象”的環節。
因此，判斷AI是否參與知識生產，不宜隻問它有沒有人的感覺和意圖，而應追問：它是否揭示了此前難以看見的關系？是否能夠提出可檢驗的問題？是否能夠經過共同體討論轉化為穩定知識？是否能夠改進人類對自然、社會和自身的理解？如果在一些領域這些問題能夠得到肯定回答，就不能簡單否認AI的知識生產意義。這並不是降低知識標准，而是擴展了標准。知識不能隻以機器輸出為准，但也不應隻以人的主觀體驗為准。現代知識的可靠性，更多來自証據、方法、解釋、驗証和共同體審查。AI的出現，要求我們在新的技術條件下重新理解知識生產的邊界。
AI已進入知識生成環節
人工智能成為知識生產中的生成性力量，可以從圍棋和材料科學兩個領域得到較為直觀的說明。
圍棋長期被視為高度依賴經驗、直覺和審美判斷的領域，棋手通過棋譜、布局、定式、手筋和長期對局積累對“好棋”的理解。以AlphaGo為代表的圍棋智能系統，最初因戰勝世界頂尖棋手而為公眾所知，但它真正值得討論的地方，不只是贏得比賽，而是改變了圍棋共同體理解“好棋”的方式。這類系統早期確實學習了人類棋譜，但真正的突破來自強化學習和自我對弈。它在規則確定的棋盤空間中反復探索，逐漸形成了許多人類棋手未曾充分認識的判斷。
李世石與AlphaGo對局中的“第37手”常被視為標志性時刻。這是一手當時許多職業棋手並不看好甚至感到意外的棋，后來卻被証明具有戰略價值。此后，職業圍棋訓練普遍轉向AI復盤、勝率判斷和變化圖研究，一些傳統定式被重新評價，新的“AI定式”“AI布局”不斷出現。這不是簡單的計算加速，而是圍棋知識體系的調整：什麼是急所，什麼是厚薄，什麼是全局效率，什麼樣的局部損失可以換來更大的整體收益，都被AI重新打開。這說明，AI可以在特定規則空間中生成實踐性和策略性知識，它未必像人類棋手那樣體驗勝負、競技和審美，卻能夠通過自我博弈發現新的有效模式，並促使人類修正既有判斷。換言之，AI並非只是復現人類已掌握的棋理，而是在既定規則之內拓展了人類對棋理的認識。
另一個更具科學代表性的領域，是AI參與新材料發現。材料是現代科技和產業發展的基礎，從高性能電池、半導體器件、航空航天材料到催化劑和生物醫用材料，都離不開對材料結構、性能和制備條件的深入認識。過去尋找一種新材料，往往需要研究者依靠理論推導、經驗判斷和大量實驗，在龐大的元素組合、結構類型和工藝參數空間中反復試錯。近年來，機器學習和生成式模型開始被用於材料性能預測、候選結構篩選和生成、實驗路徑優化，使研究者能夠在巨大可能空間中更有針對性地發現值得驗証的材料組合。
這類進展的意義，不只是“提高實驗效率”，更深層的變化在於，它改變了科學發現中“候選對象”生成的方式。過去，許多可能具有特殊性能的材料，因為組合空間過大、實驗成本過高而難以進入研究視野﹔今天，AI可以根據已有數據和模型推斷，提出一批具有潛在價值的候選材料，再由研究者通過實驗進行驗証、修正和解釋。換言之，AI並未替代材料科學家的理論判斷和實驗驗証，而是把一部分過去難以窮盡的可能性轉化為可篩選、可比較、可檢驗的研究對象，推動科學發現形成“模型預測—實驗驗証—理論解釋”相互銜接的新循環。
更值得注意的是，近一兩年已有研究嘗試讓多個人工智能體分工協作，模擬科研團隊中的不同角色，承擔文獻檢索、假設提出、方案設計、工具調用、結果分析和報告生成等任務。雖然這類探索還處在發展過程中，也需要嚴格驗証，但已顯示出一個趨勢：AI進入知識生產，並不只是給出一個答案，而是開始嵌入問題提出、路徑設計和結果生成的連續鏈條。
從圍棋智能系統到新材料發現，再到多智能體科研協作的探索，可以看到，AI的作用已經超出輔助性勞動的范圍。它能夠在復雜空間中發現人類尚未掌握的模式，並把這些模式轉化為新的判斷標准、研究路徑和知識資源。正是在這個意義上，AI已經進入知識生產鏈條中的生成環節。
AI擴展了可知世界
AI的生成性力量並不隻體現在自然科學或規則明確的領域，它也正在擴展社會科學和人文學科的可觀察范圍，只是其作用方式有所不同。在社會科學中，許多重要問題並不缺少材料，而是受限於處理大規模復雜材料的條件和方法。公共輿論、政策文本、社交媒體、新聞報道、裁判文書、企業公告、訪談資料等，都蘊含著豐富的社會信息。過去，一個研究者很難系統閱讀和比較如此龐大的材料﹔今天，AI可以幫助研究者識別其中的話語變化、情緒結構、群體身份、議題擴散和制度用語的轉變。例如，在研究公共議題時，AI可以幫助發現某些詞語如何從邊緣表達進入主流討論，某類情緒如何與特定事件相互關聯，不同群體如何使用不同敘事來理解同一問題。這些發現不必然直接構成結論，卻能夠為社會科學研究提供重要的機制線索。它們提示研究者：哪些現象值得解釋，哪些變量可能相關，哪些群體差異需要進一步調查，哪些制度背景不能忽視。
在人文學科中，AI的價值也不是替代文學批評家、歷史學家或哲學家，而是改變材料組織和問題發現的方式。文學研究可以借助AI比較大量作品中的主題、意象、敘事結構和風格變化﹔歷史研究可以借助AI從檔案、報刊、書信、方志和判決文書中抽取人物、地點、事件和關系﹔思想史研究可以借助AI追蹤一個概念在不同時期、不同語境中的用法變化。這些工作並不等於完成解釋，卻能使過去分散、隱蔽、難以窮盡的關聯重新變得可見。
這意味著，AI不隻提升效率，還擴展了“可知世界”的邊界。它使更多自然結構、社會模式和文化關聯進入可分析、可比較、可討論的知識過程。過去難以看見的關系，今天可能通過算法被提示出來﹔過去難以組織的材料，今天可能被重新排列為問題網絡﹔過去依賴個別經驗才能捕捉的趨勢，今天可能在大規模材料中呈現出來。
當然，社會機制和文化意義不能由算法自動裁決。AI可以發現社會文本中的模式，卻不能單獨判斷這些模式背后的制度邏輯﹔AI可以提出文學和歷史材料中的關聯，卻不能自動完成語境化解釋﹔AI可以生成哲學論証的摘要和反例，卻不能替代人的規范判斷。社會科學和人文學科中的知識生產，仍然離不開理論、歷史、價值和解釋共同體。因此，AI在這些領域更像是機制線索和意義關聯的發現器，而不是最終結論的裁判者。它擴展了人類提出問題的能力，也要求人類以更高水平承擔解釋責任。
邁向人機共構的知識未來
人工智能帶來的深層變化，不在於它能更快完成既有任務，而在於它開始改變什麼可以被看見、什麼值得被研究、什麼能夠成為知識。它沒有人類式主觀體驗，但這並不妨礙它在一定條件下生成可檢驗、可運用、可討論的認知成果。以是否具有人類體驗作為唯一標准來否認AI的知識生產功能，已經難以解釋正在發生的知識實踐。
承認AI正在成為知識生產鏈條中的生成性力量，並不意味著把真理交給機器。恰恰相反，AI越能生成模式、結構和假說，人類越需要加強驗証、解釋和規范。未來的關鍵，不是在人與機器之間作簡單取舍，而是在算法發現、經驗驗証、理論解釋和公共討論之間建立新的連接。
AI時代的知識生產，既不是人的退場，也不是機器的獨白，而是人類在新的智能條件下重新組織理解世界、解釋社會和反思自身的方式。AI正在成為知識生產的新力量。正視這一點，才能更加主動地建設開放、可靠、負責任的人機共構知識體系。
