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算力，已经能够生成逻辑清晰、具有实际价值的信息。在某些领域，其表现甚至超越了人类专家。然而，人工智能在知识生产中的角色引发了一个深刻的问题：AI输出的信息是否可以被视为“知识”？更进一步，人工智能是否能够真正产生知识？随着大模型技术的不断发展，这一极具争议的前沿话题正日益受到学界的广泛关注。本文将探讨人工智能在知识生产方面存在的局限性。
自大语言模型兴起以来，人们越来越习惯于向AI提问、与其交流并获取答案。这些模型往往能够引用文献、条理清晰地回答问题，仿佛源源不断地输出“知识”。这便引出了一个关键问题：AI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，当我们说一个人“真正知道”某事时，我们期望的是什么。
偶然的正确不等于“知道”
哲学上有一个著名的思想实验：一个人看表，时钟指向3点，他认为现在是3点，而事实上也确实是3点。然而，这个时钟在12小时前就已经停摆了，他只是碰巧在正确的时间看了它。他拥有一个真实的信念，并且似乎有充分的理由——他看了钟。但我们的直觉会认为，这并不能称之为“知道”。这个人只是运气好猜对了。
这类难题在哲学上被称为“葛梯尔问题”。它揭示了一个观点：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。也就是说，一个人的信念之所以为真，必须源于其认知能力的可靠运作，而非偶然的运气。
那么，什么样的“认知成就”才足以被称为知识？真正符合“知识”定义的要素至少应包括以下四点：
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测温原理、铁轨之间留有缝隙的原因以及热气球为何能升空。“理解”意味着能够把握事物背后的因果联系，并从根本原理出发解释其发展脉络。
其次是“可负责的证成”。当被问及“你为什么知道”时，知识的拥有者能够给出合理的解释，并愿意为自己的回答承担责任。从这个角度看，运气不被视为知识，因为它绕开了提供解释和承担责任的环节。
第三是“与现实的接触”。知识不能脱离现实存在，它要么基于亲身经验，要么能够接受现实的检验与修正。一个拒绝任何反驳的信念，即使其内部逻辑自洽，也难以跨入知识的门槛。
最后是“一个在场的主体”。知识需要有一个第一人称的“知者”来持有、审视和维护这份信念，即一个敢于说“我相信”的人。
回顾中国传统文化，对于“真知”的评判标准也与此类似。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，后者则需要超越感官的局限，通过身心的修炼才能达到。王阳明则进一步提出“知而不行，只是未知”，意即知识若不融入生活和实践，便不能算作真知。
由此可见，真正的知识不仅仅是一段准确的信息，更是主体所持有、践行和承担的一种认知成就。它是“你”亲自掌握的，而非仅仅是“它”偶然吐露的。
AI所生产的“知识”缺失了什么
现在，让我们将目光转向当前的AI技术。当前最先进的大语言模型，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。科学家的假说需要通过实验验证，现实有权判定其错误，而新知识往往在这种“被否定”的可能性中诞生。AI的机制与之不同：它只关注“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，也不处于一个可供检验的位置。更深层次的问题在于意义的根源。语言哲学中有一个经典难题：词语为何有意义？“苹果”之所以有意义，是因为我们见过、触摸过、咬过苹果。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”。模型看似深刻的“理解”，实际上是我们使用者投射进去的，而非其内在的持有。危险在于，一本“借来”的书一眼便可辨认，但AI会主动回应、推理、追问，如同一个真正理解的心灵，这使得意义的空洞比以往任何媒介都更难被察觉。
其次，“幻觉”并非偶然偏差，而是其内在设定。根据前文的标准，知识至少应包含“信念”，即主体对某事真实性的认定和承诺。而当前的AI没有信念，它只是依据“接下来怎么说最像样”来生成内容，而非依据“事情是否真的如此”。这解释了为何大模型会产生“幻觉”，即以说真话时的确定口吻，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动作，都是在概率空间中选择最流畅的延续。对AI而言，真与假没有区别；利弊与承诺，更是无从谈起。
第三，流利的“为什么”不等于真正的理解。近年的研究确实表明，大模型在内部习得了一些结构化表征，并非完全是“鹦鹉学舌”，这一点不容忽视。然而，捕捉统计规律与把握因果关系之间存在巨大的鸿沟。AI能够流利地解释一系列“为什么”，但这可能只是将人类积累的海量“为什么”重新组织，而非从根本原理推演得出。真正的理解意味着洞察事物为何如此，并能在全新的情境下做出判断。相关性的捕捉，终究不能等同于理解的达成。它可能接近理解的外观，但未必触及理解的内核。
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”，即不仅是碰巧相信正确的事情，还能站在自身之上，审视自己为何值得相信。而当前的AI并不具备这种自我。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”，在此处显现了全部分量：真正的知识总是与某种生活、某种行动、某种责任紧密相连。而当今的机器，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”和“具身化”的质疑效力正在减弱。我们也必须承认：当今的AI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以及新材料发现中的AI，常被用来说明AI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。然而，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，靠的不是AI的判断，而是人类棋手群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、因果说明和理论重构，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”的这一步，仍然需要由人类来完成。而这一步之差，恰恰体现了“与现实接触”和“主体负责”的重要性：只有作为主体的人站在可供检验的位置上，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完成全流程，其产出结果经人类科学家复核后，被承认具有真实的增量贡献。这似乎已经开始接近“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，并保持逻辑结构不变后，AI的性能出现了断崖式下跌。它答对的，是训练语料中频繁共现的模式，其本质是在“匹配模式”，而非“把握因果”。因此，流利的“为什么”与真正的理解之间的鸿沟依然存在。
这一对比恰好为我们澄清本文判断的边界提供了机会：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，它们远未具备作为一个“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，只有结合人的理解，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，尚未苏醒。
用户评论（4条）