知识的生产是推动人类文明进步的关键要素。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，已经能够生成逻辑严密且具有实用价值的信息。在某些领域，其表现甚至超越了人类专家。人工智能在知识生产中的应用，不仅是科研工具的升级，更引发了一个核心问题：AI的“智能输出”是否可以被视为“知识”？更进一步，人工智能是否能够产生真正意义上的知识？随着大模型技术的不断突破，这一极具争议的前沿话题正日益受到学术界的广泛关注。本期《学术争鸣》栏目将刊登两篇观点对立的文章，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AI提问、与其交流并从中获取答案。大语言模型常常引经据典、条分缕析、对答如流，仿佛源源不断地输出着“知识”。这便引出了一个问题：AI提供给我们的这些，究竟能否算作真正意义上的知识？要回答这个问题，我们首先需要厘清：当一个人“真正知道”某事时，我们期望他具备哪些特质？
偶然的正确并非“知道”
这里有一个著名的哲学难题。设想一个人看时间，墙上的时钟显示3点，他相信现在是3点，而恰好那一刻确实是3点。然而，这个时钟在12小时前就已停止走动，他只是碰巧在正确的时间看了一眼。他拥有一个真实的信念，并且似乎有充分的理由——他看了时钟。但我们的直觉会毫不犹豫地认为：这不属于“知道”。这个人只是运气好猜对了，仅此而已。
这类难题在哲学界被称为“葛梯尔问题”。它揭示了真正的知识并非仅仅是一个恰好为真的答案，而是一种认知上的成就。你的信念之所以为真，必须源于你认知能力的可靠运作，而非纯粹的运气。
那么，什么样的“认知成就”才算数？真正称得上“知识”的事物，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的工作原理、为何铁轨之间需要留有缝隙、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关系，并从根本原理出发推演出其发展脉络。
其次是可负责的证成。当被追问“你凭什么知道”时，知识的拥有者能够给出令人信服的解释，并愿意为自己的回答承担责任。从这个角度看，运气不能算作知识，因为它绕过了说明和承担责任的环节。
第三是与现实的联系。知识不能凭空产生，它要么根植于亲身经验，要么能够随时接受现实的检验和修正。一个拒绝任何反驳的信念，即使在内部逻辑上完美无缺，也不能被视为知识。
第四是存在一个在场的主体。知识需要由一个“知者”来持有、审视和守护，即一个敢于说“我相信”的人。
回顾历史，中国传统文化对“真知”的判断标准也与此类似。张载区分了“见闻之知”和“德性所知”。前者仅仅是感官所积累的信息，而后者则需要超越感官的局限，通过身心的修炼才能达到。王阳明更是进一步提出“知而不行，只是未知”，意即如果知识不能融入生命和行动，就不能算作真知。
由此可见，真正的知识从来不只是一段正确的内容，而是一种需要主体去持有、去实践、去承担的认知成就。它是“你”亲手掌握的，而不仅仅是“它”偶然吐露出来的。
AI生产的“知识”缺失了什么
现在，让我们将目光转向当前。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，然后预测在特定语境下最可能出现的下一个词。其优化目标是“可能性”，而非“真实性”。理解这一点，是理解AI的关键——它令人惊叹，但也存在根本性的缺失和局限。
首先，AI从不接受现实的检验。知识需要与现实世界相关联。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，而新知识恰恰是在这种“被否定”的可能性中产生的。AI的情况则截然不同：它的生成机制只关注“接下来怎么说最像样”，而不关心“事情的真相究竟如何”。它从不坚持任何观点，也从不处于一个可被检验的位置。一个更隐蔽的缺陷隐藏在意义的根源处。语言哲学中有一个经典问题：词语为何有意义？“苹果”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一条联系，将符号拉回到现实世界。但对于完全依赖文本“喂养”的模型来说，词语只与其他词语相连。当它写下“火”字时，背后并没有燃烧的经验支撑。哲学家将这种空洞的意义称为“派生的意向性”。模型看似头头是道的“理解”，完全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“借来”的书很容易辨别，但AI会主动回应、进行推理、提出疑问，就像一个真正理解的心灵，这使得意义的空洞比任何媒介都更难被察觉。
其次，“幻觉”并非偏差，而是其固有的设定。回顾前文的判断标准：知识至少应包含“信念”，即主体对某事为真的确信和承诺。而当前的AI没有信念，它仅仅依靠“接下来怎么说最像样”，而非“事情是否真实”。这就解释了最令用户困扰的问题——大模型的“幻觉”。AI会以说真话时同样的笃定语气，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顺畅的延续。对AI而言，真与假没有区别；利害与承诺，根本无从谈起。
第三，流畅的“为什么”并不等同于真正的理解。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”，这一点不容忽视。然而，捕捉统计规律与把握因果关系之间，仍然存在一道鸿沟。AI能够流畅地解释“为什么”，但这未必是基于原理的推演，也可能仅仅是对人类积累的海量“为什么”的重新组织。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。相关性的捕捉，最终不等于理解的达成。它只是接近了理解的外观，却未必触及理解的核心。
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，并能反观自身是否可靠。哲学家称之为“反思性的知识”，即不仅仅是碰巧相信对了，还能超越自身，衡量自己为何可信。而当前的AI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，又在对话结束后归于沉寂。张载的“见闻之知”和王阳明的“知而不行，只是未知”，在此处充分展现了其意义：真正的知识总是与某种生活、某种行动、某种责任紧密相连。而当今的机器，并非如此。
AI目前仅是工具，远非知识生产者
当然，有人会反驳：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，随着多模态模型接入传感器、连接物理世界，“接地”和“具身”等反驳的效力也在减弱。我们还必须公平地承认：如今的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，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AI，常被用来说明AI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，AI也在海量组合空间中筛选出了此前难以穷尽的候选材料。然而，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：人类共同体对其的验证、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AI的判断，而是人类棋手群体反复复盘后赋予的理解；AI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。AI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，恰恰体现了“与现实接触”和“主体负责”的重要性：只有作为主体的人处于可被检验的位置上，才能为该候选对象是否“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和材料筛选任务上完成全流程，其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。这听起来似乎已经接近“接受现实的检验”和“与实在接触”这两个门槛。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替换为虚构词汇，而保持逻辑结构不变时，AI的性能却断崖式下跌。它答对的，是训练语料中频繁共现的模式，它终究是在“匹配模式”，而不是在“把握因果”。因此，流畅的“为什么”与真正的理解之间的那道坎，依然横亘在那里。
这个对照恰好为我们澄清了判断的边界：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，我们可以做出以下判断：今天的AI是知识内容的卓越加工者和传递者，却还不是知识的生产者：它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。它只是将人类凝结成文字的知识，以惊人的规模重新组织、检索、再表达。今天的AI，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”中那个经由亲身实践而获得，又能反过来指导行动的“真知”。
归根结底，AI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、并为自己所言承担责任的主体。而这样的主体，在当今的硅基世界，尚未觉醒。
(作者：吴小坤，系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)
