知识的生成是推动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际应用价值的信息，甚至在某些专业领域超越人类专家的表现。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：这些“智能输出”是否能被视为“知识”？更进一步，人工智能是否能够真正意义上地创造知识？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迥异的文章，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、交流并获取答案。大语言模型常常引经据典，条理清晰，对答如流，似乎源源不断地输出着“知识”。这便引出了一个问题：人工智能提供给我们的信息，究竟能否称得上真正的知识？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”某件事时，我们对其抱有的期望是什么？

偶然的正确并非“知道”

哲学领域有一个著名的思想实验：假设一个人看时间，墙上的时钟显示3点，他相信当前是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——他看了时钟。但我们的直觉会毫不犹豫地认为：这并不能算作“知道”。这个人只是碰巧猜对了，仅此而已。

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，而非运气使然。

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：

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伸缩缝、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，并从原理层面推演出事物的来龙去脉。

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解释，并愿意为自己的答案负责。在这种意义上，运气不能算作知识，因为它绕开了说明和负责的环节。

第三，与现实的联系。知识不能脱离现实而存在，它要么植根于个人亲身经验，要么能够随时接受现实的检验和修正。一个拒绝任何反驳的信念，即使在内部逻辑上非常严谨，也不能被视为知识。

第四，一个在场的主体。知识需要一个“知者”以第一人称去持有、审视和维护这份信念，即一个能够坦然说出“我相信”的人。

回顾中国传统文化，对“真知”的标准也与此类似。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”则需要超越感官局限，通过身心修炼才能达到。王阳明进一步提出“知而不行，只是未知”，意即知识若不能融入生活实践，便不能算作真知。

由此可见，真正的知识不仅仅是一段正确的内容，而是一种需要主体去持有、践行和承担的认知成就。它是“你”亲手掌握的，而非仅仅是“它”偶然吐出的。

AI生成的“知识”所欠缺之处

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，来推断在给定语境下，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。知识需要与现实世界相关联。科学家提出的假说需要通过实验来验证，现实有权判定其错误，而新知识正是从这种“被否定”的可能性中诞生的。AI的处境则截然不同：其生成机制只关注“接下来说什么最像样”，而不关心“事情的真相究竟如何”。它从不坚持任何命题，也无法处于一个可被检验的位置。更深层次的缺陷隐藏在意义的根源。语言哲学中有一个经典问题：词语为何有意义？“苹果”之所以有含义，是因为我们见过、摸过、尝过苹果。词语与事物之间存在联系，将符号拉回现实世界。但对于仅仅通过“阅读”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，背后没有任何灼热的经验支撑。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：书籍中的“借用”痕迹容易辨别，但AI能够主动回应、推理、追问，如同一个真正理解的心灵，这使得其意义的空洞比任何媒介都更难察觉。

其次，“幻觉”并非偏差，而是其固有属性。根据我们之前的标准，知识至少包含“信念”，即主体对某事为真的认定和承诺。而目前的AI没有信念，它仅仅是依据“接下来怎么说最像样”来生成内容，而非基于“事情是否真实”。这解释了为何大模型会产生“幻觉”。AI会以说真话时相同的确定语气，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。对于AI而言，真与假没有区别；利害与承诺，更是无从谈起。

再次，流利的“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，仍然存在巨大的鸿沟。AI能够流利地解释“为什么”，但这可能只是将人类积累的海量“为什么”重新组织，而非从原理推导得出。而真正的理解，意味着洞察事物为何如此，并能在全新的情境下做出判断。捕捉相关性，最终不能等同于实现理解。它接近理解的外观，却未必触及理解的内核。

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“主体”。这个人拥有信念，为信念负责，并能反思自身的可信度。哲学家称之为“反思性的知识”，即不仅是碰巧相信对了，还能超越自身，审视自己为何可信。而当前的AI并不具备这样的自我。它不真正“相信”任何事物，也不“守护”任何事物，而是在每次对话中被唤醒，在对话结束后又归于沉寂。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。而目前的机器，却并非如此。

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。我们必须承认：当今的AI已成为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，确实参与了知识的发现。

例如，围棋领域的AlphaGo和新材料发现中的AI，常被用来证明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棋步，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：人类共同体对其进行验证、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，恰恰体现了“与现实接触”和“主体负责”的所在：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。这似乎已经开始逼近“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。一个发人深省的对照发生在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替换为虚构词汇，并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，流利的“为什么”与真正的理解之间，那道鸿沟依旧存在。

这个对照恰好为我们澄清判断的界限提供了机会：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，它们还远未获得作为“知者”去产生“真正知识”的资质。因此，我们可以做出这样的判断：今天的AI，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。它缺乏对现实负责的处境，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。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，远远够不上“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，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。