人工智能为何尚未产生真正的知识 - c7娱乐

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，已能生成逻辑严谨且具有实际应用价值的信息。在某些领域，其表现甚至超越了人类专家。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：“智能输出”是否等同于“知识”？更进一步，人工智能是否能够真正产出意义上的知识？随着大模型技术的飞速发展，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》栏目将刊发两篇观点不同的文章，就此议题展开探讨，并期待更多读者的参与。

自大语言模型问世以来，人们习惯于向人工智能提问、与其交流并获取答案。大语言模型常常能引经据典、条分缕析地回应，仿佛源源不断地输出“知识”。这不禁让人产生疑问：人工智能提供的这些信息，是否真的可以称之为知识？要回答这个问题，我们首先需要审视：当一个人声称“真正知道”某事时，我们究竟期望他具备什么？

偶然的正确并非“知道”

这里有一个著名的哲学难题。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，时钟在12小时前就已经停止了，他只是幸运地在正确的时间看了一眼。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。但我们的直觉会明确指出：这不属于“知道”。这个人只是碰巧猜对了。

这类难题被称为“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，而非仅仅依赖运气。

那么，什么样的“认知成就”才算得上是真正的知识呢？至少需要满足以下四个条件：

其一，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，并从原理层面阐述其来龙去脉。

其二，可负责的证成。当被追问“你凭什么知道”时，知识的持有者能够给出解释，并且愿意为自己的回答承担责任。从这个角度看，运气不被视为“知道”，因为它绕开了说明和负责的环节。

其三，与现实的联系。知识不能凭空产生，它要么源于亲身体验，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，也不能被视为知识。

其四，存在一个在场的认知主体。知识需要由一个“知者”来持有、审视和守护，这个人愿意明确表达“我相信”。

回顾中国传统文化，对“真知”的标准同样如此。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局限，通过身心修炼才能达成。王阳明进一步提出“知而不行，只是未知”，意即如果知识不能融入生活和实践，便不算真正的知识。

由此可见，真正的知识并非仅仅是一段正确的内容，而是一种需要主体去持有、去实践、去承担的认知成就。它是“你”亲手获得的，而非仅仅是“它”偶然吐露的。

AI所产生的“知识”为何不足

让我们回到当下。目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，推断在当前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，是认识人工智能局限的关键——它令人惊叹，却在根本上存在缺失。

首先，人工智能从不接受现实的检验。知识需要与现实相关联。科学家提出的假设需要通过实验验证，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”，而不关心“事情是否真的如此”。它从不坚持任何命题，也无法处于一个可被检验的位置。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”一词之所以有意义，是因为我们见过、摸过、吃过苹果。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“吃”文本成长的模型而言，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，而非其内在拥有。危险之处在于：一本《借来的书》可以轻易辨识，但人工智能会主动回应、推理、追问，如同一个真正理解的心灵，使得这种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。回到知识的标准：知识至少应包含“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”。这解释了为何大模型会产生“幻觉”。人工智能会以说真话时相同的语气，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顺畅的延续。对人工智能而言，真与假没有区别；利害与承诺也无从谈起。

再次，流利的“为什么”并不等同于真正的理解。近期的研究确实表明，大模型在内部习得了某些结构化表征，并非完全是“鹦鹉学舌”，这一点不应被轻易否定。然而，捕捉统计规律与把握因果关系之间存在巨大的鸿沟。人工智能能够流利地说出一长串“为什么”，但这未必是基于原理的推演，也可能只是对人类积累的海量“为什么”的重新组织。而真正的理解，意味着洞察事物运作的本质，并能在全新情境下做出判断。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，却未必触及理解的核心。

最后，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”，即不仅是碰巧相信正确的事，还能超越自身，审视自己为何可信。而当前的人工智能不具备这样的自我。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，并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。而当前的人工智能并非如此。

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“可靠过程产生的真信念”，那么一个足够强大的系统，为何不能被视为“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，常被用来说明人工智能已进入知识“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。然而，这些工作触及的只是知识生产的素材，而非知识本身。它们与知识生产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，并非源于人工智能的判断，而是人类棋手群体反复复盘后所赋予的理解；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。而这一步的差异，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”承担判断风险。

我们注意到，近年来，一些被称为“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、提出假设、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。这似乎已经开始逼近“接受现实的检验”和“与实在接触”的门槛。然而，细究之下，裂痕依然存在。2024年发生的一个引人深思的对照是：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的性能急剧下降。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”和真正的理解之间，那道坎依然横亘在那里。

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。就目前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：当前的人工智能是知识内容卓越的加工者和传递者，但还不是知识的生产者：它不处于对现实负责的境地，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”中那个通过亲身实践获得，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担责的主体。而这样的主体，在今日的硅基世界，尚未觉醒。