知识的产生是人类文明进步的核心驱动力。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。人工智能的加入，不仅是科研工具的革新，更引发了深刻的思考：人工智能的“智能输出”是否等同于“知识”？人工智能是否能够创造真正意义上的知识？随着大模型技术的飞速发展，这一极具争议的前沿议题正日益受到学界的广泛关注。本期《学术争鸣》栏目将刊载两篇观点迥异的文章，深入探讨这一议题，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、与其互动并从中获取答案。大语言模型往往能引经据典、条分缕析地回答问题，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，是否能被称为真正意义上的知识？要回答这个问题，我们首先需要明确：当一个人被认为“真正知道”某件事情时，我们对其抱有什么样的期望？

偶然的正确不等于“知道”

我们不妨从一个著名的哲学难题入手。假设有这样一种情境：一个人看时间，墙上的钟显示3点，他相信现在是3点，而恰巧当时确实是3点。然而，这个钟在12小时前就已经停止了，他只是碰巧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”。他仅仅是侥幸猜对了，仅此而已。

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只是一个碰巧为真的答案，而是一种认知上的成就。一个信念之所以真实，必须源于认知能力的可靠运作，而非幸运的眷顾。

那么，什么样的“认知成就”才算得上真正的知识呢？至少需要满足以下四个条件：

第一，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为何能测量温度、铁轨之间为何需要留有缝隙，以及热气球为何能够升空。“理解”意味着能够把握事物之间的因果联系，并从原理层面推演出其来龙去脉。

第二，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，运气不足以构成知识，因为它绕开了说明和负责的环节。

第三，与现实的接触。知识不能脱离实际存在，它要么根植于个人经验，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，即使在内部逻辑上完美无缺，也难以被视为知识。

第四，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，即一个敢于说出“我相信”的人。

回顾中国传统文化，对于“真知”的标准也有类似的见解。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，通过身心修炼才能获得。王阳明更是提出“知而不行，只是未知”，强调知识若不能融入生命和行动，便不算真知。

由此可见，真正的知识不仅仅是正确的内容，更是一种由主体持有、实践和承担的认知成就。它是“你”亲手掌握的，而非仅仅是“它”偶然吐露的。

AI生成的“知识”缺失了什么

现在，让我们将目光转向当前的人工智能。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，哪个词最有可能出现。其优化目标是“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，AI从不接受现实检验。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，而新知识恰恰在被否定的可能性中诞生。AI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“事情的真相”。它从不坚持任何命题，也从未处于可被检验的位置。更深层次的缺陷隐藏在意义的根源中。语言哲学中有一个经典问题：词语为何有意义？“苹果”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一种联系，将符号拉回现实世界。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，背后没有任何灼热的经验支撑。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：一本盗版书容易辨别，但AI能够主动回应、推理和追问，表现得如同一个真正理解的智慧体，这使得其意义的空洞比任何媒介都更难被察觉。

其次，“幻觉”是其出厂设定，而非偶然偏差。回到知识的标准：知识至少应包含一个“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，它仅仅依赖于“接下来怎么说最像样”，而非“事情的真实性”。这解释了为何大模型会产生“幻觉”——它会以与说真话时完全相同的确定语气，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顺畅的延续。对AI而言，真与假没有区别；利害与承诺，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某些结构化表征，并非完全是“鹦鹉学舌”。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“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。真正的理解意味着看穿事物为何如此，并能在全新的情境中做出判断。相关性的捕捉，终究不能等同于理解的达成。它仅仅是接近了理解的外观，但未必触及了理解的本质。

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“主体”。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”，即不只是碰巧信对了，还能超越自身，审视自己为何可信。而当前的人工智能并没有这样的自我。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”，在此处显现了其全部分量：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。

AI目前仅是工具，远非知识生产者

当然，有人会质疑：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。

AlphaGo在围棋领域的表现以及AI在新材料发现中的应用，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、解释和理论整合。AlphaGo的“第37手”之所以成为围棋知识，并非源于AI的判断，而是人类棋手群体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，才能真正融入知识体系。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，仍需由人类完成。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”承担判断的风险。

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，已不再满足于回答问题，而是被赋予了闭环流程：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和材料筛选任务中完成全流程，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。这听起来似乎已经开始接近“接受现实的检验”和“与实在接触”这两个门槛。然而，仔细审视，裂痕依然存在。2024年的一项对比实验引人深思：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，仅保持逻辑结构不变时，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”与真正的理解之间那道坎，依然横亘在那里。

这一对比恰好为我们澄清了本文判断的界限：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“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：当今的AI是卓越的知识内容加工者和传递者，却还不是知识的生产者。它们缺乏对现实负责的处境，没有自身独立的意义，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。它们只是以惊人的规模重新组织、检索、再表达人类凝结成文字的知识。当今的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，远未达到“德性所知”，更无法触及王阳明“知行合一”中，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，只有与人的理解相结合，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、亲自检验并为自己言论负责的主体。而这样的主体，在今日的硅基世界，尚未觉醒。