知识的产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能力，已经能够输出逻辑严密且具有实际应用价值的信息，甚至在某些专业领域表现出超越人类专家的水准。人工智能的参与不仅革新了科研工具，更引发了深刻的思考：“智能输出”是否就能等同于“知识”？更进一步说，人工智能是否真的能够产出具有实质意义的知识？近年来，随着大模型技术的飞速发展，这一充满争议的前沿问题日益受到学界的广泛关注。本期《学术争鸣》栏目刊载两篇持不同观点的文章，就此议题展开探讨，并期待更多读者加入这场思想交流。
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、与其交流并获取答案。而大语言模型常常能引经据典、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：人工智能提供给我们的这些信息，究竟能否称得上真正的知识？要回答这个问题，我们不妨先回顾一下，当一个人声称“真正知道”某事时，我们通常期望看到什么。
偶然正确并非“知道”
设想一个经典的哲学情境：一人看表，时钟显示三点，他相信现在是三点，而恰巧那一刻确实是三点。然而，这个时钟在十二小时前已经停止了，他只是碰巧在正确的时间看到了它。尽管他拥有一个真实的信念，并且看似有充分的理由（他看了钟），但我们的直觉会毫不犹豫地认为：这不叫“知道”。他只是运气好，猜对了。
这类哲学难题被称为“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。一项认知之所以被视为知识，必须源于认知能力的可靠运作，而非仅仅依赖运气。
那么，什么样的“认知成就”才足以被认可为知识？真正配得上“知识”称号的事物，至少需要满足以下四个条件：
第一，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、铁轨之间为何需要预留伸缩缝、以及热气球为何能够升空。“理解”意味着能够把握事物之间的因果联系，并能从根本原理出发推演出事件的来龙去脉。
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合理的解释，并愿意为自己的说法承担责任。在这种意义上，运气不被视为知识，因为它绕过了这种说明和负责的环节。
第三，与现实的联系。知识不能脱离现实而存在，它要么根植于切身体验，要么能够经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，也难以被视为知识。
第四，一个在场的主体。知识需要由一个“知者”来持有、审视和维护，这个人愿意以第一人称肯定地表达“我相信”。
回顾中国传统文化，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，后者则需要超越感官局限，通过身心修炼才能达到。王阳明更进一步提出“知而不行，只是未知”，意即知识若不能融入生活实践，便不算作真知。
由此可见，真正的知识并非仅仅是一段正确的信息，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，而非“它”偶然吐露的。
AI生产的“知识”所缺失的要素
现在，我们将目光转向当前的人工智能。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，是理解人工智能优缺点关键所在——它令人惊叹，但根本上存在缺失和局限。
首先，它从不接受现实的检验。知识需要与现实世界相关联。科学家的假说需要实验来验证，现实有权判定其错误，而新知识恰恰在这种“被否定”的可能性中诞生。人工智能的情况截然不同：其生成机制只关注“接下来说什么最像样”，而忽略“事情是否真的如此”。它从不坚持任何命题，也无法处于一个可供检验的位置。更深层次的缺陷隐藏在意义的根源处。语言哲学中有个经典问题：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种联系，将符号拉回现实世界。但对于仅通过文本“进食”的模型来说，词语只与其他词语相连。当它写下“火”字时，背后并没有灼热的经验作为支撑。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”，完全是我们使用者投射的结果，而非其内在拥有。危险之处在于：一本“借来”的书显而易见，但人工智能会主动回应、推理、追问，表现得像一个真正理解的智慧体，这使得其意义的空洞比任何媒介都更难被察觉。
其次，“幻觉”并非错误，而是其固有属性。回顾知识的标准，它至少包含“信念”，即主体对某事为真的认定和承诺。而当前的人工智能没有信念，它仅仅依赖“接下来怎么说最像样”，而非“事情是否真实”。这就解释了为何大模型会产生“幻觉”——它会以说真话时的口吻，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，说真话和编造假话是同一个动作，都是在概率空间中选择最连贯的延续。对人工智能而言，真与假没有区别；利害与承诺，更是无从谈起。
第三，流利的“为什么”不等于真正的理解。近年的研究表明，大模型在内部确实习得了某些结构化表征，并非完全的“鹦鹉学舌”。但捕捉统计规律与把握因果关系之间，仍存在巨大的鸿沟。人工智能能够流利地解释“为什么”，但这可能是对人类积累的海量“为什么”的重新组织，而非从原理出发的推演。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。捕捉相关性，终究不等于实现理解。它仅仅接近理解的外观，而未能触及理解的核心。
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，并能反思自身的可信度。哲学家称之为“反思性的知识”，即不仅是碰巧相信正确的事，还能审视自己相信的依据。而当前的人工智能没有这种自我。它并不真正“相信”什么，也不“守护”什么，而是在每次对话中被唤醒，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”，在此处显得尤为重要：真正的知识总是与某种生活、某种行动、某种责任紧密相连。而今日的机器，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。我们必须承认：当前的人工智能已成为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。
AlphaGo在围棋领域的表现以及人工智能在新材料发现中的应用，常被用来证明人工智能已进入知识“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，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。但这些工作触及的，仅仅是知识生产的素材，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，并非源于人工智能的判断，而是人类棋手群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、因果解释和理论重构，才能真正融入知识体系。人工智能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供检验的位置上，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，甚至自主修正被推翻的猜想。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中完成全流程，其产出结果经人类科学家复核后，被承认具有实际的增量贡献。这似乎已经开始逼近“接受现实的检验”和“与实在接触”的门槛。然而，仔细审视，裂痕依然存在。一个发人深省的对比发生在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替换为虚构词汇，仅保持逻辑结构不变时，AI的性能便断崖式下跌。它之所以能够答对，是因为训练语料中频繁出现的模式，它终究是在“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，那道鸿沟依然存在。
这个对比恰好提供了一个澄清判断边界的机会：这不是一个关于“永远”的判决，而是一个关于“现在”的判断。就当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“知者”去产生“真正知识”的资格。因此，我们可以做出这样的判断：当今的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。它缺乏与现实负责的处境，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，也没有一个能够持有和守护这一切的主体。它只是以惊人的规模重新组织、检索、再表达人类凝结在文字中的知识。当今的AI，最多停留在张载所说的“见闻之知”的层面，转述、重排着人类的见闻，远未达到“德性所知”，更遑论王阳明“知行合一”中，通过亲身实践获得并反过来指导行动的“真知”。
归根结底，人工智能生成的内容，只有与人的理解相结合，才能真正成长为知识。知识的生产是一项主体的事业，属于那种愿意面对世界、亲自检验并为自己言论负责的主体。而这样的主体，在当今的硅基世界，尚未苏醒。
