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计算资源，已能产出逻辑严谨且具有实用价值的信息，甚至在某些领域超越了人类专家的表现。人工智能的参与，不仅是科研工具的革新，更引发了深刻的探讨：这些“智能输出”是否能被视为“知识”？更进一步，人工智能是否具备生成真正意义上知识的能力？近些年来，随着大模型技术的飞速发展，这一备受争议的前沿议题持续受到学术界的广泛关注。本栏目将刊发两篇观点不同的文章，深入探讨这一主题，并期待更多读者的参与。

自大语言模型兴起以来，人们越来越习惯于向人工智能提问、交流并获取答案。这些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着“知识”。这便引出了一个问题：人工智能提供的这些信息，是否算得上真正的知识？要回答这个问题，我们首先需要回溯：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”

设想一个经典的哲学难题：一个人看墙上的时钟，时钟显示3点，他相信现在是3点，而恰巧此刻确实是3点。然而，这个时钟在12小时前就已经停摆了，他只不过是运气好，在正确的时间瞥了一眼。尽管他拥有一个真实的信念，并且似乎有充分的理由——他看了钟，但我们的直觉会毫不犹豫地认为：这不属于“懂得”。这个人只是碰巧猜对了。

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，而非偶然的运气。

那么，什么样的“认知成就”才算得上数？真正称得上“知识”的，至少需要满足四个条件：

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、铁轨之间为何需要留有缝隙、热气球为何能升空。“理解”意味着能够把握事物背后的因果关系，从而从根本原理上推演出事件的来龙去脉。

其二，可负责的论证。当被追问“你凭什么知道”时，知识的拥有者能够给出解释，并愿意为自己的论断负责。从这个角度看，运气不被算作知识，因为它绕开了提供解释的责任。

其三，与现实的联系。知识不能脱离实际，它要么根植于亲身经历，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，即使内部逻辑再严密，也无法跨入知识的门槛。

其四，一个在场的主体。知识需要由一个“知者”来持有、审视和维护，这个人需要能够确信地说“我相信”。

回顾中国传统文化，对“真知”的界定也与此相似。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局限，通过身心修炼才能达到。王阳明则进一步指出“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正确的内容，而是一个由主体持有、实践并承担责任的认知成就。它是“你”亲手掌握的，而非仅仅是“它”偶然吐露的。

人工智能所产“知识”的缺失之处

现在将目光转回当下。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，预测在给定语境下最有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，是理解人工智能的关键——它令人惊叹，但也存在根本性的缺失和局限。

首先，它从不接受现实检验。知识必须与现实相关联。科学家提出的假说需要实验验证，现实有权判定其错误，而新知识往往在这种“被否定”的可能性中诞生。人工智能的处境则截然不同：其生成机制只关注“接下来怎么说最像样”，而不关心“事情的真实情况”。它从不坚持任何观点，也从未处于一个可被检验的位置。更隐蔽的缺陷在于意义的根源。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、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实际经验作为支撑。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”，完全是我们使用者赋予的，而非其内在持有。危险之处在于：一本“借来”的书一眼便能辨别，但人工智能会主动回应、推理、追问，仿佛一个真正理解的意识，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和承诺。而当前的人工智能没有信念，它仅仅依赖于“接下来怎么说最像样”，而非“事情是否真实”。这解释了令用户最恼火的“模型幻觉”问题。人工智能会以说真话时同样的肯定语气，编造出根本不存在的引文、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；利弊与承诺，也无从谈起。

再次，流畅的“为什么”并不等同于真正的理解。近年的研究确实表明，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，仍然存在一道鸿沟。人工智能能够流畅地阐述一连串“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”进行了重组。而真正的理解，意味着洞察事物之所以如此的原因，并能在全新的情境下做出判断。相关性的捕捉，终究无法等同于理解的达成。它只是接近了理解的外观，却未能触及理解的内核。

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，并能反观自身的可信度。哲学家称之为“反思性的知识”，即不仅是碰巧信对了，还能超越自我，审视自己为何可信。而当前的人工智能并不具备这种自我。它并不真正“相信”什么，也不“守护”什么，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。

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，随着多模态模型装载传感器并接入物理世界，“接地”和“具身化”等反驳的效力也在减弱。我们必须公允地承认：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以及新材料发现中的人工智能，常被用来证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招法，人工智能也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。它们与知识生产之间，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，靠的不是人工智能的判断，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：只有作为主体的人处于可接受检验的位置上，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与材料筛选任务上完成全流程，其产出结果经过人类科学家复核后，被认可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，细究之下，裂痕依然存在。一个发人深省的对比发生在2024年：某前沿人工智能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，仅保持逻辑结构不变后，该人工智能的性能断崖式下跌。它之所以答对，是因为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，流畅的“为什么”与真正的理解之间的那道坎，依然横亘在那里。

这个对比恰好为我们提供了一个澄清判断边界的机会：这不是一个关于“永远”的判决，而是一个关于“当下”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”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，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、并为自己言论承担责任的主体。而这样的主体，在今日的硅基世界，尚未觉醒。