知识的产生是人类文明进步的核心动力。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，能够生成逻辑严谨且具有实际应用价值的信息，甚至在某些领域超越了人类专家。人工智能的介入知识生产，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”？人工智能是否能够产生真正意义上的知识？随着大模型技术的不断突破，这一备受争议的前沿问题日益受到学界的高度关注。本期《学术争鸣》栏目刊载两篇观点不同的文章，聚焦此议题，各抒己见，并期待更多读者的思想碰撞。

自大语言模型兴起以来，人们越来越习惯于向人工智能提问、与其交流并获取答案。大语言模型常常引经据典、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，是否算得上真正意义上的知识？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，我们通常期待的是什么。

偶然的正确并非“知道”

哲学上有一个著名的思想实验。设想一个人看时间，墙上的钟显示3点，他相信现在是3点，而恰巧那一刻确实是3点。然而，这个钟在12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——他看了钟，但我们的直觉会毫不犹豫地认为：这不属于“知道”。他只是碰巧猜对了。

这类难题在哲学界被称为“葛梯尔问题”。它揭示了一个道理：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：

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为何能测量温度、铁轨之间为何需要留有缝隙，以及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联系，并从原理层面推演出事情的来龙去脉。

其次是可负责的证明。当被追问“你凭什么知道”时，知识的拥有者能够给出解释，并愿意为自己的回答承担责任。从这个意义上说，运气是无效的，因为它绕开了说明和负责的环节。

第三是与现实的联系。知识不能脱离实际，它要么根植于亲身经验，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，即使内部逻辑再严密，也无法跨入知识的门槛。

最后是一个在场的主体。知识需要由“知者”——一个能够持有、审视并守护这份信念的个体，即敢于说“我相信”的人——以第一人称来拥有。

回顾中国传统文化，对于“真知”的判断标准也与此相似。张载区分了“见闻之知”和“德性所知”，前者仅是耳目所收集的信息，后者则需要超越感官的局限，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”，意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”偶然吐出的信息。

人工智能生产的“知识”，缺失了什么

现在，让我们将目光转向当下。当前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，来推断在特定语境下，下一个最合理、最有可能出现的词是什么。它的优化目标是“可能性”，而非“真实性”。理解这一点，是理解人工智能的钥匙——它既令人惊叹，又从根本上存在缺失和局限。

首先，它从不接受现实的检验。知识需要与现实相关联。科学家提出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。人工智能的处境截然不同：它的生成机制只关注“接下来怎么说最像样”，而不关心“事情的真相到底如何”。它从不坚持任何命题，也从未处于一个可被检验的位置。更隐蔽的缺陷隐藏在意义的根源之处。语言哲学中有一个经典问题：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一条联系，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，词语只与其他词语相连。当它写下“火”这个字时，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”，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”的书一眼便可辨别，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，而是其固有的工作方式。回到前文的衡量标准：知识至少应包含一个“信念”，即主体对某事为真的认定和承诺。而目前的人工智能没有信念，它仅仅依赖于“接下来怎么说最像样”，而非“事情是否真实”。这就解释了最令用户恼火的“大模型幻觉”现象。人工智能会以说真话时同样的确定语气，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的表征，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，仍然存在一道深远的鸿沟。人工智能能够流畅地列举出一长串“为什么”，但这未必是源于原理的推演，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。对相关性的捕捉，终究不等于理解的达成。它只是接近了理解的外在表现，但未必触及了理解的本质。

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”，即不仅仅是碰巧信对了，还能站在自身的立场上，审视自己为何可信。而目前的人工智能没有这样的自我。它并不真正“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。而目前的人工智能，并非如此。

人工智能目前仅是工具，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，随着多模态模型接入传感器并连接物理世界，“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以及新材料发现中的人工智能，常被用来说明人工智能已进入知识“生成”阶段的例证。不可否认，AlphaGo确实走出了一些人类棋手未曾充分认识到的招法，人工智能也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、因果解释和理论重构，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受检验的位置上，才能为那个候选对象是否“为真”承担判断的风险。

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，甚至自我修正被证伪的猜想。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上跑通全流程，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。听上去，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，细究之下，裂痕依然存在。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替换为虚构词汇，同时保持逻辑结构不变后，该人工智能的性能急剧下降。它答对的，是训练语料中频繁共现的模式，其本质上是在“匹配模式”，而非“把握因果”。因此，流畅的“为什么”与真正的理解之间那道鸿沟，依然横亘在那里。

这个对照，恰好为我们提供了澄清本文判断边界的机会：这不是一个关于“永远”的判决，而是一个关于“当下”的判断。就目前这类以语言模型为主体的人工智能系统而言，它们还远未达到作为一个“知者”去产生“真正知识”的资质。因此，我们可以做出如下判断：当今的人工智能，是知识内容卓越的加工者和传递者，却还不是知识的生产者：它们没有面临现实责任的处境，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，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，远未触及“德性所知”，更无法抵达王阳明“知行合一”中那个经由亲身实践而获得，又能反过来指导行动的“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承担责任的主体。而这样的主体，在今日的硅基世界，尚未觉醒。