人工智能为何尚未产生真正的知识 - c7.com

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，甚至在某些领域超越了人类专家的水平。人工智能的加入不仅革新了科研工具，更引发了深刻的思考：人工智能输出的信息能否被视为“知识”？它是否能够产生真正意义上的知识？随着大型模型技术的不断发展，这一备受争议的前沿议题日益受到学术界的广泛关注。本期“学术争鸣”栏目将刊载两篇观点不一的文章，就此议题展开讨论，并期待更多读者的参与。

自大型语言模型兴起以来，人们越来越习惯于向人工智能提问、与其交流并从中获取答案。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“知识”。这不禁让人产生疑问：人工智能提供的内容是否算得上真正的知识？要回答这个问题，我们首先需要明确，当一个人“真正知道”某事时，我们对其抱有什么样的期望。

偶然的正确不等于“知道”

以一个著名的哲学难题为例：设想一个人看表，墙上的时钟指向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”。他只是运气好猜对了。

这类问题在哲学上被称为“葛梯尔问题”，它揭示了真正的知识并非仅仅是一个碰巧为真的答案，而是一种认知上的成就。一个信念之所以为真，必须源于认知能力的可靠运作，而非运气。

那么，什么样的“认知成就”才符合“知识”的标准？真正意义上的知识，至少需要满足以下四个条件：

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的工作原理、铁轨之间为何留有缝隙、热气球为何能升空等。理解意味着能够掌握事物背后的因果关系，并能从根本原理层面推演出事情的来龙去脉。

其次是“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解释，并愿意为自己的回答承担责任。在这种情况下，运气不被视为“知道”，因为它绕过了说明和负责的环节。

第三是“与现实的接触”。知识不能脱离现实而存在，它要么根植于个人经验，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，即使其内部逻辑自洽，也无法进入知识的范畴。

最后是“在场的主体”。知识需要由一个第一人称的“知者”来持有、审视和守护，即能够坚定地说出“我相信”的人。

回顾中国传统文化，对“真知”的界定也与此类似。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，后者则需要穿透感官局限，通过身心修炼才能获得。王阳明更是提出“知而不行，只是未知”，强调知识若不融入生活和实践，便算不得真知。

由此可见，真正的知识并非仅仅是一段正确的内容，而是一种由主体持有、践行并承担责任的认知成就。它是“你”亲自掌握的，而非“它”偶然吐露的。

人工智能生成的“知识”缺失了什么

将目光转向当下，当前最先进的大型语言模型本质上是一个“下一个词预测器”。它们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最可能出现的下一个词。其优化的目标是“可能性”，而非“真实性”。理解这一点，是理解人工智能的本质及其局限性的关键。

首先，人工智能不接受现实检验。知识需要与现实世界相关联。科学家的假说需要实验验证，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。人工智能的生成机制只关注“接下来怎么说最像样”，而不关心“事情是否真的如此”。它不坚持任何命题，也不处于一个可被检验的位置。更深层次的缺陷在于意义的根源。语言哲学的经典问题是：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。词语与事物之间存在联系，将符号拉回到现实世界。但对于仅仅通过文本“喂养”的模型来说，词语只连接着其他词语。当它写下“火”字时，背后没有任何灼热的体验作为支撑。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”，实际上是我们使用者投射进去的，而非其内在持有。危险在于，虽然一本“借来的书”一望可知，但人工智能会主动回应、推理、追问，其表现如同一个真正理解的心灵，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，而是其固有设定。知识至少包含“信念”，即主体对某事真实性的认定和承诺。而人工智能没有信念，它仅仅依据“接下来怎么说最像样”来生成内容，而非基于“事情是否真的如此”。这解释了令用户恼火的“幻觉”现象：人工智能会以说真话时同样的笃定语气，编造出不存在的引文、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流畅的延续。对于人工智能而言，真与假没有区别，利害与承诺也无从谈起。

第三，流畅的“为什么”不等于真正的理解。近年的研究表明，大型模型在内部确实习得了某些结构化表征，并非完全是“鹦鹉学舌”。但捕捉统计规律与把握因果关系之间存在巨大鸿沟。人工智能能够流畅地解释一长串“为什么”，但这可能只是对人类积累的海量“为什么”的重新组织，而非从原理推演而来。真正的理解意味着看透事物为何如此，并能在全新情境下做出判断。相关性的捕捉最终不等于理解的达成，它只是逼近了理解的外观，而非触及了理解的内核。

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，并能反思自身的可靠性。哲学家称之为“反思性的知识”，即不仅碰巧相信对了，还能超越自我，审视自己为何可信。而当前的人工智能没有这种自我。它不真正“相信”任何事，也不“守护”任何事，而是在每一次对话中被激活，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”在此处显示了其全部分量：真正的知识总是与某种生活、某种行动、某种责任紧密相连。而当前的人工智能并非如此。

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被视为“知道”？况且，随着多模态模型装载传感器并接入物理世界，“接地”和“具身”等反驳的效力也在减弱。我们必须公正地承认：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，它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：人类共同体对它的验证、解释与理论整合。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”的体现：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，甚至自己修正被推翻的猜想。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。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，细看便知裂痕仍在。一个发人深省的对照发生在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换成虚构词汇、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，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”与“真正的理解”之间的鸿沟依然存在。

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。因此，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：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。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”里那个经由亲身践行而获得，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，尚未苏醒。