作者：吳小坤，系中國人民大學新聞與社會發展研究中心研究員、新聞學院教授
【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。
自從大語言模型崛起以來，越來越多的人習慣於向AI提問、與它對話、從它那裡獲取答案。而大語言模型往往引經據典、條分縷析、對答如流，仿佛源源不斷輸出著“知識”。於是，一個問題悄然浮現：AI遞到我們面前的這些，究竟算不算真正意義上的知識？要回答這個問題，我們需要先退一步：當我們說一個人“真的知道”某件事時，我們究竟在期待什麼？
碰巧說對，不算“知道”
先說一個哲學上著名的難題。設想這樣一幕：一個人看時間，牆上的鐘指向3點，他相信現在是3點，而碰巧那一刻真的是3點。但事實上，那個鐘在12小時前就停了，他不過是運氣好，剛好在正確的時刻看了一眼。但他擁有一個真信念，也有看似充分的理由——他看了鐘。可我們的直覺會毫不猶豫地說：這不叫“知道”。這個人蒙對了，僅此而已。
這類難題，被哲學界稱之為“葛梯爾問題”。它啟示我們，真正的知識，不是一份恰好為真的答案，而是一種認知上的成就——你的信念之所以為真，必須出自你認知能力的可靠運作，而非運氣的眷顧。
那麼，什麼樣的“認知成就”才算數？真正配得上“知識”二字的東西，至少需要滿足四個條件：
其一，理解。僅僅知道“物體受熱會膨脹”的結論不夠，還得能夠解釋溫度計為什麼能測溫、鐵軌之間為什麼要留縫、熱氣球憑什麼會升空。“理解”意味著能夠把握事物背后的因果脈絡，進而從原理層面推出來龍去脈。
其二，可以負責的証成。當被追問“你憑什麼知道”時，知識的持有者能答得上來，也肯為自己的回答負責。在此意義上，運氣不作數，是因為它繞開了這份說明的責任。
其三，與實在的接觸。知識不能凌空虛蹈，它要麼扎根於親身的經驗，要麼隨時接受現實的檢驗與修正。一個拒絕任何反駁的信念，即便內部再自洽，也不能邁進知識的門檻。
其四，一個在場的主體。知識需要以第一人稱去持有、去審視、去守護這份信念的“知者”，即一個敢於說“我信”的人。
回顧歷史，中國傳統文化對“真知”的判准亦如此。張載區分“見聞之知”與“德性所知”：前者不過是耳目積攢的信息，后者則需穿透感官局限、經由身心修煉才可抵達。王陽明則更進一步，直言“知而不行，只是未知”，即知識若不融入生命與行動，就算不得真知。
由此可見，真正的知識，從來不只是一段正確的內容，而是一樁須由主體去持有、去踐行、去擔當的認知成就。它是“你”親手握住的，而不只是“它”恰好吐出的。
AI生產的“知識”，缺了什麼
把目光轉回當下。今天最強的大語言模型，本質上是一台“下一個詞預測器”：它從海量人類文本中學到統計關聯，再推算在當前語境中接下來最像樣、最可能冒出來的詞是什麼。其優化目標是“可不可能”，而不是“真不真”。理解了這一點，就握住了理解AI的鑰匙——它既讓人驚艷，又從根本上缺環、受限。
一是從不接受現實的檢驗。知識需要與現實相關聯。科學家提出的假說需要實驗的驗証，現實有權力宣判它“錯”，而新知識恰恰從這種“被否定”的可能中誕生。AI的處境截然不同：它的生成機制隻管“接下來怎麼說最像樣”，而不管“事情到底是不是這樣”。它從不堅持任何命題，也從不站在可受檢驗的位置上。更隱蔽的缺陷，藏在意義的根脈裡。語言哲學裡有一個經典難題：詞為什麼有意義？“蘋果”之所以有含義，是因為我們見過、摸過、咬過蘋果。詞與物之間牽著一根線，把符號拽回實在的世界。但對純粹靠“吃”文本長大的模型來說，詞隻連著別的詞。當它寫下“火”字的時候，背后沒有任何灼燙的經驗作保。哲學家把這種空洞的意義叫作“派生的意向性”。模型看起來頭頭是道的那點“理解”，全是我們這些使用者投射進去的，而並非內在持有。危險恰恰在此：一本書的“借來”一眼可辨，但AI會主動回應、會推理、會追問，活像一顆真在理解的心靈，這讓意義的空洞比任何媒介都更難被察覺。
二是“幻覺”不是偏差，而是出廠設定。回到前文的標尺：知識最少要包含一個“信念”，也就是主體對某件事為真的認定與承諾。而今天的AI沒有信念，它靠的只是“接下來怎麼說最像樣”，而不是“事情到底是不是真的”。這就解釋了那個最讓用戶惱火的問題——大模型“幻覺”。AI會以說真話時一模一樣的篤定口吻，編造出根本不存在的引文、數據和事實。但問題不在於它“偶爾出錯”，而在於其底層機制裡，說真話和編假話本就是同一個動作，都是在概率空間裡挑出最順的那段延續。真與假，對AI而言沒有區別﹔利害與承諾，根本無從談起。
三是流利的“為什麼”，不等於真正的理解。近年的研究確實表明，大模型在內部習得了某些結構化表征，並非全然的“鸚鵡學舌”，這一點不可輕率否認。但捕捉統計規律，與把握因果關系，中間還隔著一道深坎。AI能流利地說出一長串“為什麼”，但那未必是從原理推演而出，也可能只是把人類積攢的海量“為什麼”，重新組織了一遍。而真正的理解，意味著看穿事物何以如此，並能在全新處境中作出判斷。相關性的捕捉，終究不等於理解的達成。它逼近了理解的外觀，卻未必觸及理解的內核。
四是沒有一個“我”在承擔這份知識。如上所述，知識需要一個第一人稱的“誰”。這個人擁有信念，為信念負責，還能回過頭來審視自己究竟可不可靠。哲學家將之稱為“反思性的知識”，即不只是碰巧信對了，還能站到自己之上，掂量自己憑什麼可信。而今天的AI並沒有這樣一個自我。它並不真的“相信”什麼，也不“守護”什麼，而是在每一次對話裡被喚醒，又在對話結束時歸於沉寂。張載的“見聞之知”和王陽明的“知而不行，只是未知”，正是在此顯出全部分量：真正的知識，總和某一種生活、某一種行動、某一份責任血肉相連。而今天的機器，卻非如此。
AI現在只是工具，遠非知識生產者
當然，有人會反問：如果把知識定義為“可靠過程產出的真信念”，那麼一個足夠強大的系統，憑什麼不算“知道”？更何況，隨著多模態模型裝上傳感器、接入物理世界，“接地”與“具身”這類反駁的效力也在減弱。我們還必須公道地承認：今天的AI已是極其強大的知識工具——在蛋白質結構預測、數學猜想驗証等領域，也確實參與了知識的發現。
圍棋領域的AlphaGo與新材料發現中的AI，是目前常被用來証明AI已經進入知識“生成”環節的例証。不可否認，AlphaGo確實走出了人類棋手未曾充分認識的招法，AI也確實在海量組合空間中篩出了此前難以窮盡的候選材料。但這些工作所觸及的，只是知識生產的素材，而非知識本身。它們與生產知識之間隔著一道必經之門：人類共同體對它的驗証、解釋與理論整合。AlphaGo的“第37手”之所以成為圍棋知識，靠的不是AI的判斷，而是人類棋手群反復復盤之后所賦予的理解﹔AI篩出的候選材料，也要經過實驗、因果說明和理論重構，才能真正匯入知識體系。AI在鏈條中邁出的這一步，是從處理既有知識走向了生成候選知識對象，但“候選”到“知識”之間那一步，仍然要由人類來完成。而這一步之差，恰是“與現實接觸”和“主體負責”所在之處：隻有作為主體的人站在可受檢驗的位置上，才能為那個候選對象是否“為真”承擔判斷風險。
我們注意到，近年來，一批被稱為“AI科學家”或“AI研究員”的系統，不再滿足於回答問題，而是被賦予了一套閉環：自動檢索文獻、提出假說、設計實驗、在真實設備上運行實驗、收集數據、分析結果，甚至自己動手修正被推翻的猜想。在一些早期嘗試中，這類系統已能在簡單的化學合成路線設計與材料篩選任務上跑通全流程，產出的結果經人類科學家復核后，被承認具有真實的增量貢獻。聽上去，這似乎已經開始逼近“接受現實的檢驗”和“與實在接觸”那兩道門檻。然而，細看便知裂痕仍在。一個引人深思的對照發生在2024年：某前沿AI系統在標准化學推理基准測試中取得了超過人類博士的平均得分，但當研究人員將同一套題目中的試劑名稱換成虛構詞匯、保持邏輯結構不變后，AI的性能斷崖式下跌。它答對的，是訓練語料中頻繁共現的模式，其終究是在“匹配模式”，而不是在“把握因果”。於是，流利的“為什麼”和真正的理解之間那道坎，依然橫亙在那裡。
這個對照，恰好讓我們有機會澄清本文判斷的邊界：這不是一個關於“永遠”的判決，而是一個關於“現在”的判斷。就眼下這類以語言模型為主體的人工智能系統而言，還遠沒有取得作為一個“知者”去產生“真正的知識”的資質。因而我們可以做出以下判斷：今天的AI，是知識內容卓越的加工者與傳遞者，卻還不是知識的生產者：沒有對現實負責的處境，沒有屬於自己的意義，沒有朝向真理的信念，沒有從原理出發的真正的理解，也沒有一個去持有、去守護這一切的主體，它只是把人類凝成文字的知識，以驚人的規模重新組織、檢索、再表達。今天的AI，至多停在張載所言“見聞之知”的層面，轉述、重排著人類的見聞，遠夠不著“德性所知”，更抵達不了王陽明“知行合一”裡那個經由親身踐行而獲得，又能反過來指導行動的“真知”。
說到底，AI生成的內容，唯有結合人的理解，才能真正長成知識。知識生產是一樁屬於主體的事業，屬於那種願意去面對世界、親自檢驗、並為自己所言擔責的主體。而這樣的主體，在今日的硅基世界，尚未醒來。
