人工智能为何尚未产生真正的知识 - j9.com

知识的诞生是人类文明进步的根本动力。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，已能生成逻辑严谨且具有实际应用价值的信息。在某些领域，其表现甚至超越了人类专家。人工智能的加入，不仅是科研工具的革新，更引发了深刻的思考：人工智能的“智能输出”是否等同于“知识”？更进一步说，人工智能是否能够产生真正意义上的知识？随着大模型技术的飞速发展，这一充满争议的前沿议题日益受到学界的广泛关注。本期《学术争鸣》栏目将呈现两篇观点对立的文章，就此议题展开深入探讨，并期待更多读者的思想碰撞。

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、与之交流并获取答案。这些模型常常引经据典，条理清晰，对答如流，仿佛源源不断地输出着“知识”。这就引出了一个问题：人工智能提供给我们的这些内容，是否算得上真正的知识？要回答这个问题，我们首先需要明确：当一个人声称“真正知道”某事时，我们对其有何期望？

偶然的正确不等于“知道”

这里有一个著名的哲学难题。设想一个人在看时间，他看到墙上的钟显示3点，并相信现在是3点。恰巧，那一刻确实是3点。然而，这个钟在12小时前就已经停止了，他只是碰巧在正确的时间看了它一眼。他拥有一个真实的信念，并且似乎有充分的理由——他看到了钟。但我们的直觉会立刻断言：这不属于“知道”。这个人只是运气好猜对了。

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，而非侥幸。

那么，什么样的“认知成就”才算得上数？真正称得上“知识”的事物，至少需要满足以下四个条件：

• 理解。 仅仅知道“物体受热会膨胀”的结论是不够的，还需要能够解释温度计为何能测温、铁轨为何需要留有伸缩缝、热气球为何能升空。“理解”意味着把握事物之间的因果联系，并能从根本原理推演出其发展脉络。
• 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解释，并愿意为其陈述负责。从这个角度看，运气之所以不能算作知识，是因为它绕过了这种说明的责任。
• 与现实的联系。 知识不能脱离实际，它要么植根于个体经验，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，即使其内部逻辑自洽，也不能被视为知识。
• 在场的主体。 知识需要由一个“知者”来持有、审视和守护，即一个能够自信地说出“我相信”的人。

回顾历史，中国传统文化对“真知”的标准也与此相似。张载区分了“见闻之知”和“德性所知”，前者仅是感官积累的信息，后者则需穿透感官局限，通过身心修炼方能获得。王阳明更进一步指出“知而不行，只是未知”，意即知识若不融入生活和实践，便不能算作真知。

由此可见，真正的知识绝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，而不仅仅是“它”偶然吐出的。

AI产生的“知识”缺失了什么

让我们回到当下。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，是把握人工智能局限性的关键——它令人惊叹，但根本上存在缺失和限制。

首先，AI从不接受现实检验。知识必须与现实相关联。科学家的假设需要实验验证，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。AI的情况截然不同：其生成机制只关注“接下来说什么最像样”，而不关心“事情是否真的如此”。它从不坚持任何命题，也从不处于一个可被检验的位置。更隐蔽的缺陷在于意义的根源。语言哲学有一个经典难题：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纽带，将符号拉回现实世界。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，背后没有任何被灼烫的经验作为支撑。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”，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：一本书的“借来的”知识一目了然，但AI会主动回应、推理、追问，仿佛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，而是其出厂设定。根据前文的标准：知识至少包含一个“信念”，即主体对某事为真的认定和承诺。而目前的AI没有信念，它只是基于“接下来说什么最像样”来生成内容，而非基于“事情是否真的如此”。这就解释了最让用户恼火的问题——大模型的“幻觉”。AI会以陈述事实时同样的确定语气，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AI而言，真与假没有区别；利害与承诺，根本无从谈起。

再次，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，仍有一道鸿沟。AI能够流利地解释一长串“为什么”，但这未必是从原理推演而来，也可能只是对人类积累的海量“为什么”进行了重新组织。而真正的理解，意味着看穿事物之所以如此的原因，并能在全新情境下做出判断。对相关性的捕捉，终究不能等同于理解的达成。它接近了理解的外在表现，却未必触及理解的内在核心。

最后，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，并能反思自己的可靠性。哲学家称之为“反思性的知识”，即不仅仅是碰巧信对了，还能站在自身之上，审视自己为何可信。而目前的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。而目前的机器，并非如此。

AI目前只是工具，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并与物理世界互动，“接地”和“具身”等反驳的效力也在减弱。我们必须公正地承认：当前的人工智能已经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和新材料发现中的AI，常被用来证明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招法，AI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，靠的不是AI的判断，而是人类棋手群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，仍需由人类来完成。而这一步的差异，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被检验的位置上，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，一些被称为“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完成全流程，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。这似乎已经开始逼近“接受现实的检验”和“与实在接触”这两个门槛。然而，仔细审视，裂痕依然存在。一个发人深省的对照发生在2024年：某前沿AI系统在标准的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，仅保持逻辑结构不变后，AI的性能出现了断崖式下跌。它答对的，是训练语料中频繁共现的模式，其本质是在“匹配模式”，而非“把握因果”。因此，流利的“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判断的边界提供了机会：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，它们还远未获得作为一个“知者”去产生“真正的知识”的资质。因此，我们可以做出如下判断：今天的AI，是知识内容卓越的加工者和传递者，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，至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担责的主体。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)