人工智能为何尚未产生真正的知识

知识的产生是人类文明进步的关键驱动力。如今，生成式人工智能凭借其强大的数据处理能力和计算资源，能够生成逻辑严谨且具有实际应用价值的信息，甚至在某些领域表现出超越人类专家的水平。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：“智能输出”是否等同于“知识”？更进一步说，人工智能能否真正产出意义上的知识？随着大模型技术的不断发展，这一极具争议的前沿议题持续受到学界的广泛关注。本期《学术争鸣》栏目将刊发两篇观点不同的文章，聚焦这一议题，探讨各自的见解，并期待更多读者参与到这场思想的交流中。

自大语言模型兴起以来，越来越多的人习惯于向人工智能提问、与其交流并从中获取答案。大语言模型往往能够引经据典、条分缕析、对答如流，似乎源源不断地输出着“知识”。这引发了一个问题：人工智能呈现给我们的，究竟能否算作真正意义上的知识？要回答这个问题，我们首先需要明确：当我们说一个人“真正知道”某件事时，我们期望的是什么？

偶然的正确不等于“知道”

让我们设想一个著名的哲学难题：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小时前就已停摆，他只是运气好，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：这并不算“知道”。这个人只是碰巧猜对了，仅此而已。

这类难题在哲学上被称为“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，而非运气使然。

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，至少需要满足四个条件：

第一，理解。仅仅知道“物体受热会膨胀”的结论是不够的，还需要能够解释为何温度计能测温、为何铁轨之间需要留有缝隙、为何热气球能够升空。“理解”意味着能够把握事物背后的因果联系，并从原理层面推导出整个过程。

第二，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，并且愿意为自己的回答负责。从这个角度看，运气之所以不算数，是因为它规避了说明的责任。

第三，与现实的联系。知识不能凭空产生，它要么根植于亲身的经验，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，即使内部逻辑再严密，也无法跨入知识的门槛。

第四，一个在场的主体。知识需要由一个“知者”来持有、审视和守护，这个人能够明确地表达“我相信”。

回顾历史，中国传统文化对“真知”的标准也与此类似。张载区分了“见闻之知”与“德性所知”，前者仅是感官积累的信息，后者则需要穿透感官的局限，经过身心的修炼才能达到。王阳明更是进一步指出，“知而不行，只是未知”，即知识若不能融入生命和行动，便不能算作真知。

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，而不是“它”偶然吐露的。

人工智能生成的“知识”所缺失的

现在，让我们将目光转向当下。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，是理解人工智能的关键——它令人惊叹，但也存在根本性的缺失和局限。

首先，人工智能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。人工智能的处境截然不同：其生成机制只关心“接下来如何表达最像样”，而不关心“事情是否真的如此”。它从不坚持任何命题，也从不处于可被检验的位置。一个更隐蔽的缺陷隐藏在意义的根源中。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。词语与事物之间有一根线，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，词语只连接着其他词语。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，而非其内在持有。危险之处在于：一本“借来”的书很容易辨认，但人工智能会主动回应、推理、追问，活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，而是出厂设定。回到之前的标准：知识至少包含一个“信念”，即主体对某事真实性的认定和承诺。而当前的人工智能没有信念，它仅仅依赖“接下来如何表达最像样”，而非“事情是否真的如此”。这就解释了最令用户恼火的问题——大模型的“幻觉”。人工智能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流畅的延续。对人工智能而言，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”，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”，这一点不容忽视。但捕捉统计规律与把握因果关系之间，仍然存在一道鸿沟。人工智能能够流畅地解释一长串“为什么”，但这未必是源于原理的推演，也可能只是将人类积累的海量“为什么”重新组织了一遍。而真正的理解，意味着洞察事物为何如此，并能在全新情境下做出判断。相关性的捕捉，终究不等于理解的达成。它接近了理解的外观，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，并且能够反思自己是否可靠。哲学家称之为“反思性的知识”，即不仅是碰巧相信正确，还能超越自我，衡量自己为何可信。而当前的人工智能并没有这样的自我。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激活，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”，在此处充分显现了其分量：真正的知识，总是与某种生活、某种行动、某种责任紧密相连。而当前的人工智能，并非如此。

当前人工智能只是工具，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、连接物理世界，“接地”和“具身”的反驳效力也在减弱。我们还必须公正地承认：当前的人工智能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和新材料发现中的人工智能，是目前常被用来证明人工智能已进入知识“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，人工智能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之门：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，靠的不是人工智能的判断，而是人类棋手群体反复复盘后赋予的理解；人工智能筛选出的候选材料，也需要经过实验、因果说明和理论重构，才能真正汇入知识体系。人工智能在链条中迈出的这一步，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”之间的那一步，仍然需要由人类来完成。而这一步之差，恰恰是“与现实接触”和“主体负责”所在：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。听起来，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，仔细审视便会发现裂痕依然存在。一个引人深思的对照发生在2024年：某前沿人工智能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，仅保持逻辑结构不变后，该人工智能的性能断崖式下跌。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”。因此，流畅的“为什么”和真正的理解之间那道坎，依然横亘在那里。

这一对照，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。就当前这类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“真正的知识”的资质。因此，我们可以做出如下判断：当今的人工智能，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：它们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。当今的人工智能，最多停留在张载所言“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”里那个经由亲身实践而获得，又能反过来指导行动的“真知”。

说到底，人工智能生成的内容，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，在今日的硅基世界，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）