知识的生成是人类文明进步的核心动力。如今，生成式人工智能凭借强大的数据处理能力和算力，已能产出逻辑严谨且具有实际价值的信息，甚至在某些领域超越了人类专家的水平。人工智能的参与不仅仅是科研工具的升级，更引发了我们对“智能输出”是否能被视为“知识”的深刻反思，以及人工智能能否真正产出知识的探讨。随着大模型技术的不断发展，这一极具争议的前沿议题愈发受到学术界的广泛关注。本期《学术争鸣》栏目收录了两篇观点对立的文章，旨在就此议题展开深入的讨论，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人工智能提问、与其互动并从中获取答案。这些模型往往能引经据典、条分缕析地回应，仿佛源源不断地输出着“知识”。这不禁让人思考：人工智能提供的这些信息，是否可以被定义为真正的知识？要回答这个问题，我们首先需要明确，当说一个人“真正知道”某事时，我们究竟期待的是什么？

偶然的正确不等于“知道”

以一个著名的哲学难题为例：设想一个人看表，时钟显示三点，他相信现在是三点，而恰巧当时确实是三点。然而，这个时钟在十二小时前就已经停摆了，他只是幸运地在正确的时间看了它一眼。尽管他拥有一个真实的信念，并且有看似充分的理由（看了钟），但我们的直觉会毫不犹豫地认为，这并不算“知道”。这个人只是碰巧猜对了。

这类难题被称为“葛梯尔问题”，它揭示了真正的知识不仅仅是恰好为真的答案，更是一种认知上的成就。一个信念之所以为真，必须源于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”才算得上是真正的知识呢？至少需要满足以下四个条件：

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、轨道间留有缝隙的原因以及热气球为何能升空。理解意味着能够把握事物背后的因果关系，并能从根本原理推演出其发展脉络。

其次是“可负责的证成”。当被追问“你凭什么知道”时，拥有知识的人能够给出解释，并愿意为自己的答案承担责任。在这种意义上，运气无法构成知识，因为它绕开了说明和承担责任的过程。

第三是“与实在的接触”。知识不能脱离现实而存在，它要么根植于个人经验，要么能够接受现实的检验和修正。一个拒绝任何反驳的信念，即使内部逻辑自洽，也无法被视为真正的知识。

最后是“一个在场的主体”。知识需要由一个“知者”以第一人称来持有、审视和维护，即一个敢于说“我相信”的人。

回顾中国传统文化，对“真知”的标准同样如此。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，后者则需要穿透感官局限，通过身心修炼方可达成。王阳明则更进一步，提出“知而不行，只是未知”，强调知识若不融入生活和行动，便不能算作真知。

由此可见，真正的知识并非仅仅是一段正确的内容，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”亲手掌握的东西，而非“它”偶然吐露的信息。

AI所产出的“知识”，缺失了什么

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，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，是认识AI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从不接受现实的检验。知识需要与现实世界相关联。科学家的假设需要实验验证，现实可以证明其错误，而新知识正是在这种“被否定”的可能性中诞生。AI的生成机制只关注“接下来怎么说最像样”，而不关心“事情是否真的如此”。它不坚持任何命题，也不处于可被检验的位置。更深层次的问题在于意义的根源。语言哲学中有一个经典难题：词语为何有意义？“苹果”之所以有意义，是因为我们见过、摸过、尝过苹果。词语与事物之间存在联系，将符号拉回现实世界。然而，对于仅通过文本“喂养”的模型而言，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”。模型看似深刻的“理解”，实际上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能够主动回应、推理甚至追问，如同一个真正理解的思维，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，而是其固有设定。依据前文的衡量标准，知识至少包含“信念”，即主体对某事真实性的认定和承诺。而目前的AI没有信念，它只是依据“接下来怎么说最像样”来生成内容，而非基于“事情是否真的如此”。这解释了为何大模型会产生“幻觉”。AI会以如同说真话般的确定语气，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”，而在于其底层机制使得说真话和编假话是同一个动作，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，利弊和承诺也无从谈起。

第三，流畅的“为什么”不等于真正的理解。近年的研究表明，大模型确实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。然而，捕捉统计规律与把握因果关系之间存在一道深沟。AI能够流畅地解释“为什么”，但这未必是基于原理的推演，也可能只是对人类积累的海量“为什么”的重组。而真正的理解，意味着洞察事物运作的根本原因，并能在全新情境下做出判断。对相关性的捕捉，最终不等于理解的达成。它只是接近了理解的外在表现，但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，并能反思自己的可靠性。哲学家称之为“反思性的知识”，即不仅碰巧相信对了，还能超越自身，掂量自己为何可信。而目前的AI没有这样的自我。它不真正“相信”任何事物，也不“守护”任何事物，而是在每一次对话中被激活，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”在此处显现了其全部意义：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目前仅是工具，远非知识生产者

当然，有人会质疑：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，随着多模态模型装载传感器并接入物理世界，“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和新材料发现中的AI，是常被用来证明AI已进入知识“生成”环节的例子。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。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：人类共同体对它的验证、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”的那一步，仍然需要由人类来完成。而这一步之差，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、提出假设、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。这似乎已经开始逼近“接受现实的检验”和“与实在接触”这两道门槛。然而，细看便知裂痕依然存在。一个引人深思的对比发生在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，其最终是在“匹配模式”，而不是在“把握因果”。于是，流畅的“为什么”和真正的理解之间那道坎，依然横亘在那里。

这个对比，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，至多停留在张载所言“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。

(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)