知识的生成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。人工智能在知识生产领域的介入，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”能否被视为“知识”？更进一步，人工智能是否能够产出真正意义上的知识？随着大模型技术的不断发展，这一备受争议的前沿话题愈发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，聚焦此议题，各抒己见。我们亦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、与之对话并从中获取答案。大语言模型常常引经据典，条理清晰，对答如流，仿佛源源不断地输出着“知识”。这便引出了一个问题：人工智能提供给我们的这些信息，是否算得上真正意义上的知识？要回答这个问题，我们首先需要审视：当我们说一个人“真正知道”某事时，我们究竟期待什么？

偶然的正确不等于“知道”

让我们考虑一个著名的哲学难题。设想一个人在看时间，墙上的时钟显示3点，他相信现在是3点，而恰巧那一刻确实是3点。然而，这个时钟在12小时前就已经停止了，他只是运气好，在正确的时间瞥了一眼。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：这不叫做“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，而非仅仅依靠运气。

那么，什么样的“认知成就”才算数呢？真正称得上“知识”的东西，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”这一结论是不够的，还需要能够解释温度计为何能测量温度、铁轨之间为何需要留有缝隙、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，并从原理层面推断其来龙去脉。

第二，可负责的证明。当被问及“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承担责任。在此意义上，运气是无效的，因为它绕开了说明的责任。

第三，与现实的联系。知识不能凭空产生，它要么植根于亲身经验，要么随时接受现实的检验和修正。一个拒绝任何反驳的信念，即使内部逻辑自洽，也无法跨入知识的门槛。

第四，一个在场的主体。知识需要一个“知者”，即一个能够以第一人称持有、审视和维护该信念的人，一个敢于说“我相信”的人。

回顾历史，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”。前者仅仅是耳闻目睹积累的信息，后者则需要穿透感官的局限，通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”，即知识如果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正确的内容，而是一个由主体持有、践行和承担的认知成就。它是“你”亲手掌握的，而不仅仅是“它”偶然吐出的。

人工智能生产的“知识”缺失了什么

现在让我们回到当下。当今最强大的人工智能大语言模型，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，来推断在当前语境下最合适、最有可能出现的下一个词。其优化目标是“可能性”，而非“真实性”。理解了这一点，就掌握了理解人工智能的关键——它既令人惊叹，又从根本上存在缺失和局限。

首先，人工智能从不接受现实检验。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，而新知识恰恰是在这种“被否定”的可能性中诞生的。人工智能的处境则截然不同：它的生成机制只关注“接下来怎么说最像样”，而不管“事情的真相究竟如何”。它从不坚持任何命题，也从不处于一个可供检验的位置。更隐蔽的缺陷隐藏在意义的根源。语言哲学中有一个经典难题：词语为何有意义？“苹果”之所以有含义，是因为我们见过、摸过、咬过苹果。词语与事物之间存在联系，将符号拉回现实世界。但对于纯粹依赖文本“进食”的模型来说，词语只与其他词语相连。当它写下“火”字时，背后没有任何灼烧的经验作为支撑。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。危险恰恰在于：一本盗版书的“借来”一眼就能辨别，但人工智能会主动回应、会推理、会追问，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”，即主体对某事为真的认定和承诺。而当前的人工智能没有信念，它只是依赖“接下来怎么说最像样”，而不是“事情是否真实”。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一模一样的肯定语气，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。对于人工智能而言，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，并非全然的“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，还存在一道鸿沟。人工智能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。它逼近了理解的外观，却未必触及理解的本质。

第四，没有一个“我”在承担这份知识。如上所述，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”，即不只是碰巧信对了，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”，在此展现了全部的分量：真正的知识，总与某种生活、某种行动、某种责任紧密相连。而当今的机器，并非如此。

人工智能目前只是工具，远非知识生产者

当然，有人会反驳：如果将知识定义为“可靠过程产生的真实信念”，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、接入物理世界，“接地”与“具身”等反驳的效力也在减弱。我们还必须公允地承认：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，靠的不是人工智能的判断，而是人类棋手群反复复盘后所赋予的理解；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”所在之处：只有作为主体的人站在可受检验的位置上，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。听上去，这似乎已经开始逼近“接受现实的检验”和“与实在接触”那两道门槛。然而，细看便知裂痕仍在。一个发人深省的对照发生在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换成虚构词汇，保持逻辑结构不变后，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”。于是，流利的“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：当前的人工智能，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，它只是将人类凝成文字的知识，以惊人的规模重新组织、检索、再表达。当前的人工智能，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，唯有结合人的理解，才能真正长成知识。知识生产是一项属于主体的事业，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。