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强大的数据处理能力和算力，已能产出逻辑严密且具备实用价值的信息，甚至在某些领域超越人类专家。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”能否被视为“知识”？更进一步，人工智能是否真能创造出真正意义上的知识？随着大模型技术的不断发展，这一极具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同的文章，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”。这不禁让人产生疑问：人工智能提供给我们的这些信息，究竟是否算得上真正意义上的知识？要解答这个问题，我们首先需要回顾：当我们说一个人“真正知道”某事时，我们到底期待什么？

偶然的正确不等于“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，这个时钟在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。但我们的直觉会毫不犹豫地认为：这不叫“知道”。他只是碰巧猜对了。

这类难题在哲学上被称为“葛梯尔问题”。它揭示了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——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。

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

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温、铁轨之间为何要留有缝隙、热气球为何能升空。“理解”意味着掌握事物背后的因果联系，并能从原理层面推导出其来龙去脉。

第二，可负责的证明。当被追问“你凭什么知道”时，知识的拥有者能够给出解释，并且愿意为自己的回答负责。从这个角度看，运气之所以不行，是因为它绕开了这种说明的责任。

第三，与现实的联系。知识不能凭空产生，它要么植根于亲身经验，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，即便在内部逻辑上是自洽的，也不能称之为知识。

第四，一个在场的主体。知识需要由一个“知者”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”的标准也与此相似。张载区分了“见闻之知”和“德性所知”：“见闻之知”仅是感官积累的信息，而“德性所知”则需要穿透感官的局限，通过身心的修炼才能达到。王阳明更是进一步指出“知而不行，只是未知”，意即知识若不融入生命与行动，便不能算作真知。

由此可见，真正的知识从来不只是一个正确的内容，而是一种需要主体去持有、去实践、去担当的认知成就。它是“你”亲手掌握的，而非“它”偶然吐出的。

AI所生产的“知识”，缺失了什么

现在将目光转向当前。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，推断在当前语境下最恰当、最有可能出现的下一个词。其优化目标是“可能性”，而非“真实性”。理解了这一点，就抓住了理解AI的关键——它既令人惊叹，又从根本上存在缺失和局限。

首先，AI从不接受现实的检验。知识需要与现实相关联。科学家的假说需要实验验证，现实有权判定其错误，而新知识恰恰在这种“被否定”的可能性中诞生。AI的情况截然不同：它的生成机制只关注“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，也不处于一个可被检验的位置。一个更隐蔽的缺陷隐藏在意义的根源。语言哲学有个经典问题：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。词语与事物之间有一根线，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，背后并没有任何灼热的经验作为支撑。哲学家称这种空洞的意义为“派生的意向性”。模型看似头头是道的“理解”，全是我们使用者投射进去的，而非其内在持有。危险之处在于：一本“借来”的书很容易辨别，但AI会主动回应、推理、追问，活像一个真正理解的心灵，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，而是其出厂设置。回溯我们设定的标准：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AI没有信念，它仅仅依靠“接下来怎么说最像样”，而非“事情是否真实”。这就解释了最令用户恼火的问题——大模型的“幻觉”。AI会用与说真话时一模一样的确定语气，编造出根本不存在的引文、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。对AI而言，真与假没有区别；利害与承诺，也无从谈起。

第三，流畅的“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”，这一点不可轻易否定。但捕捉统计规律与掌握因果关系之间，还存在一道鸿沟。AI能流畅地列出一长串“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，意味着看透事物为何如此，并能在全新情境下做出判断。相关性的捕捉，终究不等于理解的达成。它只是逼近了理解的外在表现，未必触及理解的本质。

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“谁”。这个人拥有信念，为信念负责，还能反思自身的可靠性。哲学家称之为“反思性的知识”，即不仅是碰巧相信对了，还能站在自身之上，衡量自己为何可信。而当前的AI没有这样的自我。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。而今天的机器，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连接，“接地”和“具身”等反驳的效力也在减弱。我们还必须公正地承认：今天的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，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AI，是目前常被用来证明AI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。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，依靠的不是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、因果解释和理论重构，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，恰恰体现在“与现实接触”和“主体负责”之处：只有作为主体的人站在可受检验的位置上，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上跑通全流程，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那道坎，依然横亘在那里。

这个对比，恰好让我们有机会澄清本文判断的界限：这不是一个关于“永远”的判决，而是一个关于“当下”的判断。就目前这类以语言模型为主体的人工智能系统而言，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：今天的AI，是知识内容卓越的加工者和传递者，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。今天的AI，最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。