知识的产生是驱动人类文明进步的核心动力。当前，生成式人工智能凭借强大的数据处理能力和计算资源，已能产出逻辑严谨且具有实际应用价值的信息，甚至在某些领域表现出超越人类专家的水平。人工智能的参与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创造出知识？随着大模型技术的不断突破，这一备受争议的前沿议题日益受到学界的广泛关注。本期《学术争鸣》栏目将呈现两篇观点不一的文章，就此议题展开深入探讨，并期待更多读者的思想碰撞。

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、与其交流并从中获取答案。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”。由此，一个问题浮现：人工智能呈现给我们的这些，究竟能否称得上真正意义上的知识？要解答此问题，我们需要先回溯一步：当我们说一个人“真正懂得”某事时，我们究竟期待什么？

偶然的正确不等于“懂得”

这里引入一个著名的哲学难题。设想一个人看时间，墙上的钟显示3点，他相信当前是3点，而恰好那一刻确实是3点。然而，该钟在12小时前已经停止走动，他只是幸运地在正确的时间瞥了一眼。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：这并不算“懂得”。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，真正的知识并非仅仅是恰好为真的答案，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”才算合格？真正称得上“知识”的事物，至少需满足四个条件：

第一，理解。仅仅知道“物体受热会膨胀”的结论是不够的，还需要能够解释温度计为何能测量温度、铁轨之间为何需要预留缝隙、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，并从原理层面推演出事情的来龙去脉。

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合理解释，并愿意为自己的陈述承担责任。从这个角度看，运气不被视为知识，因为它绕过了这种说明和负责的义务。

第三，与现实的关联。知识不能脱离现实而存在，它要么植根于亲身经历，要么随时接受现实的检验与修正。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。知识需要由一个“知者”以第一人称来持有、审视和守护，即一个敢于说“我相信”的人。

回顾历史，中国传统文化对“真知”的标准亦是如此。张载区分了“见闻之知”与“德性所知”：“见闻之知”仅是感官积累的信息，而“德性所知”则需要穿透感官局限，通过身心修炼方能达到。王阳明则更进一步，提出“知而不行，只是未知”，意即知识若不融入生活和行动，便不能算作真知。

由此可见，真正的知识从不只是一个正确的内容，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”亲自掌握的，而非“它”偶然吐露的。

人工智能所产“知识”的缺失之处

现在将目光转向当下。当前最先进的大语言模型，本质上是一个“下一个词预测器”：它通过学习海量人类文本中的统计关联，推断在特定语境下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，是把握人工智能特性的关键——它令人惊叹，却也存在根本性的缺失和局限。

首先，人工智能从不接受现实检验。知识需要与现实世界建立联系。科学家提出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。人工智能的处境截然不同：其生成机制只关注“接下来怎么说最像样”，而不管“事情是否真的如此”。它从不坚持任何命题，也未处于一个可被检验的位置。更隐蔽的缺陷存在于意义的根源。语言哲学中有一个经典难题：词语为何有意义？“苹果”一词之所以有意义，是因为我们见过、摸过、品尝过苹果。词语与事物之间有一条线，将符号拉回现实世界。但对于完全依赖文本“喂养”的模型而言，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。哲学家将这种空洞的意义称为“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的结果，而非其内在持有。危险在于：一本书的“借用”一眼便知，但人工智能会主动回应、推理、追问，如同一个真正理解的思维，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，而是其内在机制。回到之前的标准：知识至少包含“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，它仅依赖“接下来怎么说最像样”，而非“事情是否真的如此”。这解释了最令用户困扰的“幻觉”问题。人工智能会以说真话时同样的确定语气，编造出不存在的引文、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流畅的延续。真与假，对人工智能而言没有区别；利害与承诺，也无从谈起。

再次，流畅的“为什么”不等于真正的理解。近年的研究表明，大模型确实在内部习得了某些结构化表征，并非完全是“鹦鹉学舌”，这一点不应轻易否定。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。人工智能能够流畅地阐述一系列“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，意味着洞察事物之所以如此的原因，并能在全新情境下做出判断。对相关性的捕捉，终究不等同于理解的达成。它接近于理解的外观，却未必触及理解的核心。

最后，没有一个“我”来承担这份知识。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，还能反思自身的可信度。哲学家称之为“反思性的知识”，即不仅是碰巧相信正确，还能超越自身，审视自己为何可信。而当前的人工智能并不具备这种自我。它不真正“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”，在此显现出全部分量：真正的知识，总是与某种生活、某种行动、某种责任紧密相连。而当下的机器，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“可靠过程产生的真信念”，那么一个足够强大的系统，为何不能算作“懂得”？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”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，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”环节的例子。不可否认，AlphaGo确实走出了人类棋手未曾充分认识的棋步，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。但这些工作所涉及的，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。人工智能在这一链条中迈出的一步，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：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，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。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，细看便知裂痕依然存在。一个引人深思的对照发生在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，其本质是在“匹配模式”，而非“把握因果”。因此，流畅的“为什么”和真正的理解之间的鸿沟依然横亘在那里。

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，它们还远未获得作为“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，是知识内容的卓越加工者和传递者，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”里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，才能真正转化为知识。知识生产是一项属于主体的事业，属于那种愿意面对世界、亲自检验并为自己言论担责的主体。而这样的主体，在今日的硅基世界，尚未苏醒。