知识的生成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算力，已能输出逻辑严谨且具有实际价值的信息，甚至在某些领域超越人类专家。人工智能的介入，不仅是科研工具的革新，更引发了深刻的思考：这些“智能输出”是否可被视为“知识”？更进一步，人工智能是否能够真正意义上地创造知识？随着大模型技术的飞速发展，这一备受争议的前沿话题日益受到学界的广泛关注。本期《学术争鸣》栏目将刊发两篇观点迥异的文章，深入探讨这一议题，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、与其交流并获取答案。这些模型常常引经据典、条分缕析、对答如流，仿佛源源不断地输出着“知识”。这不禁让人产生疑问：人工智能提供的这些信息，究竟是否算得上是真正的知识？要回答这个问题，我们首先需要审视：当一个人被认为“真正知道”某事时，我们究竟期待他具备哪些能力？

偶然正确，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——他看了时钟，但我们的直觉会毫不犹豫地认为：这不属于“知道”。这个人只是碰巧猜对了，仅此而已。

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，而非仅仅依靠运气。

那么，什么样的“认知成就”才足以被视为知识？真正称得上“知识”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”这一结论是不足够的，还需要能够解释为何温度计能测量温度、为何铁轨之间需要留有缝隙，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关系，并从原理层面推演出其来龙去脉。

第二，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，并愿意为自己的答案负责。从这个角度来看，运气不被视为知识，因为它绕开了说明的责任。

第三，与现实的联系。知识不能脱离实际存在，它要么根植于亲身经验，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，即使在内部逻辑上是自洽的，也无法进入知识的范畴。

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，这个人必须是一个能够明确表达“我相信”的人。

回顾历史，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”：“见闻之知”仅仅是感官积累的信息，而“德性所知”则需要穿透感官的局限，通过身心的修炼才能达到。王阳明更进一步指出，“知而不行，只是未知”，意即知识如果不融入生命和行动，就不能算作真知。

由此可见，真正的知识从来不只是一个正确的内容，而是一个需要主体去持有、去实践、去承担的认知成就。它是“你”亲手掌握的，而非仅仅是“它”偶然吐出的。

AI生成的“知识”，缺失了什么

现在，让我们将目光转向当前。当今最先进的大语言模型，其本质是一个“下一个词预测器”。它通过学习海量人类文本中的统计关联，推测在当前语境下最合理、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，就掌握了理解AI的关键——它令人惊叹，但也存在根本性的缺失和局限。

首先，AI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通过实验来验证，现实有权宣告其“错误”，而新知识恰恰在被否定的可能性中诞生。AI的情况截然不同：其生成机制只关注“接下来怎么说最像样”，而不关心“事情到底是不是这样”。它从不坚持任何命题，也从未处于一个可被检验的位置。一个更隐蔽的缺陷隐藏在意义的根源之中。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条联系，将符号拉回到现实世界。但对于仅通过“吞食”文本而“成长”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：一本书的“借来”含义一目了然，但AI能够主动回应、进行推理、甚至追问，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，而是固有设定。回到前文的衡量标准：知识至少应包含一个“信念”，即主体对某事真实性的认定与承诺。而目前的AI没有信念，它仅仅依靠“接下来怎么说最像样”，而非“事情到底是不是真的”。这就解释了最让用户头疼的问题——大模型的“幻觉”。AI会以说真话时相同的笃定语气，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顺畅的延续。对AI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”，并不等于真正的理解。近年的研究确实表明，大模型在内部习得了一定的结构化表征，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，仍然存在一道鸿沟。AI能够流利地解释一长串“为什么”，但这未必是基于原理推演的结果，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，意味着看透事物为何如此，并能在全新的情境下做出判断。对相关性的捕捉，最终不能等同于理解的达成。它接近了理解的外在表现，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，并且能够反思自己的可靠性。哲学家称之为“反思性的知识”，即不仅仅是碰巧相信正确，还能超越自身，衡量自己为何可信。而目前的AI并没有这样的自我。它并不真正“相信”任何事，也不“守护”任何事，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”，在此显现了其全部分量：真正的知识，总是与某种生活、某种行动、某种责任紧密相连。而今天的机器，并非如此。

AI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。我们还必须公平地承认：当今的AI已经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。

在围棋领域的AlphaGo和新材料发现中的AI，是目前常被用来证明AI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，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。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，并非依靠AI的判断，而是人类棋手群体反复复盘后赋予的理解；AI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。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”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被检验的位置上，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，甚至自行修正被证伪的猜想。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”这两个门槛。然而，细究之下，裂痕依然存在。一个发人深省的对比发生在2024年：某个前沿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，同时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，它终究是在“匹配模式”，而不是在“把握因果”。因此，流利的“为什么”与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界限：这不是一个关于“永远”的判决，而是一个关于“当下”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，它们还远未具备作为“知者”去产生“真正知识”的资质。因此，我们可以做出如下判断：今天的AI，是知识内容的卓越加工者和传递者，但还不是知识的生产者：它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。今天的AI，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，远够不着“德性所知”，更抵达不了王阳明“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，AI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、亲自检验并为自己言论承担责任的主体。而这样的主体，在当今的硅基世界，尚未苏醒。

(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)