【学术争鸣】

　　作者：吴小坤（中国人民大学新闻与社会发展研究中心研究员、新闻学院教授）

　　编者按

　　知识生产是人类文明演进的内在驱动力。当前，生成式人工智能凭借其强大的数据、算力，已经能够生成逻辑严密、具备应用价值的信息输出，甚至在某些领域展现出超越人类专家的能力。人工智能介入知识生产，不只是科研工具的革新，更对我们提出深度追问：“智能输出”是否足以称得上“知识”？进一步而言，人工智能究竟能否产出真正意义上的知识？近年来，伴随大模型技术的迭代突破，这一极具争议的前沿话题持续升温，引发学界广泛关注。本期《学术争鸣》栏目，刊发两篇观点相左的文章，聚焦这一议题各陈己见。我们也期待有更多读者加入这场思想对话。

　　自从大语言模型崛起以来，越来越多的人习惯于向AI提问、与它对话、从它那里获取答案。而大语言模型往往引经据典、条分缕析、对答如流，仿佛源源不断输出着“知识”。于是，一个问题悄然浮现：AI递到我们面前的这些，究竟算不算真正意义上的知识？要回答这个问题，我们需要先退一步：当我们说一个人“真的知道”某件事时，我们究竟在期待什么？

　　碰巧说对，不算“知道”

　　先说一个哲学上著名的难题。设想这样一幕：一个人看时间，墙上的钟指向3点，他相信现在是3点，而碰巧那一刻真的是3点。但事实上，那个钟在12小时前就停了，他不过是运气好，刚好在正确的时刻看了一眼。但他拥有一个真信念，也有看似充分的理由——他看了钟。可我们的直觉会毫不犹豫地说：这不叫“知道”。这个人蒙对了，仅此而已。

　　这类难题，被哲学界称之为“葛梯尔问题”。它启示我们，真正的知识，不是一份恰好为真的答案，而是一种认知上的成就——你的信念之所以为真，必须出自你认知能力的可靠运作，而非运气的眷顾。

　　那么，什么样的“认知成就”才算数？真正配得上“知识”二字的东西，至少需要满足四个条件：

　　其一，理解。仅仅知道“物体受热会膨胀”的结论不够，还得能够解释温度计为什么能测温、铁轨之间为什么要留缝、热气球凭什么会升空。“理解”意味着能够把握事物背后的因果脉络，进而从原理层面推出来龙去脉。

　　其二，可以负责的证成。当被追问“你凭什么知道”时，知识的持有者能答得上来，也肯为自己的回答负责。在此意义上，运气不作数，是因为它绕开了这份说明的责任。

　　其三，与实在的接触。知识不能凌空虚蹈，它要么扎根于亲身的经验，要么随时接受现实的检验与修正。一个拒绝任何反驳的信念，即便内部再自洽，也不能迈进知识的门槛。

　　其四，一个在场的主体。知识需要以第一人称去持有、去审视、去守护这份信念的“知者”，即一个敢于说“我信”的人。

　　回顾历史，中国传统文化对“真知”的判准亦如此。张载区分“见闻之知”与“德性所知”：前者不过是耳目积攒的信息，后者则需穿透感官局限、经由身心修炼才可抵达。王阳明则更进一步，直言“知而不行，只是未知”，即知识若不融入生命与行动，就算不得真知。

　　由此可见，真正的知识，从来不只是一段正确的内容，而是一桩须由主体去持有、去践行、去担当的认知成就。它是“你”亲手握住的，而不只是“它”恰好吐出的。

　　AI生产的“知识”，缺了什么

　　把目光转回当下。今天最强的大语言模型，本质上是一台“下一个词预测器”：它从海量人类文本中学到统计关联，再推算在当前语境中接下来最像样、最可能冒出来的词是什么。其优化目标是“可不可能”，而不是“真不真”。理解了这一点，就握住了理解AI的钥匙——它既让人惊艳，又从根本上缺环、受限。

　　一是从不接受现实的检验。知识需要与现实相关联。科学家提出的假说需要实验的验证，现实有权力宣判它“错”，而新知识恰恰从这种“被否定”的可能中诞生。AI的处境截然不同：它的生成机制只管“接下来怎么说最像样”，而不管“事情到底是不是这样”。它从不坚持任何命题，也从不站在可受检验的位置上。更隐蔽的缺陷，藏在意义的根脉里。语言哲学里有一个经典难题：词为什么有意义？“苹果”之所以有含义，是因为我们见过、摸过、咬过苹果。词与物之间牵着一根线，把符号拽回实在的世界。但对纯粹靠“吃”文本长大的模型来说，词只连着别的词。当它写下“火”字的时候，背后没有任何灼烫的经验作保。哲学家把这种空洞的意义叫作“派生的意向性”。模型看起来头头是道的那点“理解”，全是我们这些使用者投射进去的，而并非内在持有。危险恰恰在此：一本书的“借来”一眼可辨，但AI会主动回应、会推理、会追问，活像一颗真在理解的心灵，这让意义的空洞比任何媒介都更难被察觉。

　　二是“幻觉”不是偏差，而是出厂设定。回到前文的标尺：知识最少要包含一个“信念”，也就是主体对某件事为真的认定与承诺。而今天的AI没有信念，它靠的只是“接下来怎么说最像样”，而不是“事情到底是不是真的”。这就解释了那个最让用户恼火的问题——大模型“幻觉”。AI会以说真话时一模一样的笃定口吻，编造出根本不存在的引文、数据和事实。但问题不在于它“偶尔出错”，而在于其底层机制里，说真话和编假话本就是同一个动作，都是在概率空间里挑出最顺的那段延续。真与假，对AI而言没有区别；利害与承诺，根本无从谈起。

　　三是流利的“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，并非全然的“鹦鹉学舌”，这一点不可轻率否认。但捕捉统计规律，与把握因果关系，中间还隔着一道深坎。AI能流利地说出一长串“为什么”，但那未必是从原理推演而出，也可能只是把人类积攒的海量“为什么”，重新组织了一遍。而真正的理解，意味着看穿事物何以如此，并能在全新处境中作出判断。相关性的捕捉，终究不等于理解的达成。它逼近了理解的外观，却未必触及理解的内核。

　　四是没有一个“我”在承担这份知识。如上所述，知识需要一个第一人称的“谁”。这个人拥有信念，为信念负责，还能回过头来审视自己究竟可不可靠。哲学家将之称为“反思性的知识”，即不只是碰巧信对了，还能站到自己之上，掂量自己凭什么可信。而今天的AI并没有这样一个自我。它并不真的“相信”什么，也不“守护”什么，而是在每一次对话里被唤醒，又在对话结束时归于沉寂。张载的“见闻之知”和王阳明的“知而不行，只是未知”，正是在此显出全部分量：真正的知识，总和某一种生活、某一种行动、某一份责任血肉相连。而今天的机器，却非如此。

　　AI现在只是工具，远非知识生产者

　　当然，有人会反问：如果把知识定义为“可靠过程产出的真信念”，那么一个足够强大的系统，凭什么不算“知道”？更何况，随着多模态模型装上传感器、接入物理世界，“接地”与“具身”这类反驳的效力也在减弱。我们还必须公道地承认：今天的AI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，也确实参与了知识的发现。

　　围棋领域的AlphaGo与新材料发现中的AI，是目前常被用来证明AI已经进入知识“生成”环节的例证。不可否认，AlphaGo确实走出了人类棋手未曾充分认识的招法，AI也确实在海量组合空间中筛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之门：人类共同体对它的验证、解释与理论整合。AlphaGo的“第37手”之所以成为围棋知识，靠的不是AI的判断，而是人类棋手群反复复盘之后所赋予的理解；AI筛出的候选材料，也要经过实验、因果说明和理论重构，才能真正汇入知识体系。AI在链条中迈出的这一步，是从处理既有知识走向了生成候选知识对象，但“候选”到“知识”之间那一步，仍然要由人类来完成。而这一步之差，恰是“与现实接触”和“主体负责”所在之处：只有作为主体的人站在可受检验的位置上，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，甚至自己动手修正被推翻的猜想。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，产出的结果经人类科学家复核后，被承认具有真实的增量贡献。听上去，这似乎已经开始逼近“接受现实的检验”和“与实在接触”那两道门槛。然而，细看便知裂痕仍在。一个引人深思的对照发生在2024年：某前沿AI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换成虚构词汇、保持逻辑结构不变后，AI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，其终究是在“匹配模式”，而不是在“把握因果”。于是，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，恰好让我们有机会澄清本文判断的边界：这不是一个关于“永远”的判决，而是一个关于“现在”的判断。就眼下这类以语言模型为主体的人工智能系统而言，还远没有取得作为一个“知者”去产生“真正的知识”的资质。因而我们可以做出以下判断：今天的AI，是知识内容卓越的加工者与传递者，却还不是知识的生产者：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的理解，也没有一个去持有、去守护这一切的主体，它只是把人类凝成文字的知识，以惊人的规模重新组织、检索、再表达。今天的AI，至多停在张载所言“见闻之知”的层面，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”里那个经由亲身践行而获得，又能反过来指导行动的“真知”。

　　说到底，AI生成的内容，唯有结合人的理解，才能真正长成知识。知识生产是一桩属于主体的事业，属于那种愿意去面对世界、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，尚未醒来。

　　《光明日报》（2026年07月10日 11版）