人工智能为何尚未产生真正的知识 - 旺财28官网

知识的生产是推动人类文明进步的核心动力。当下，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价值的信息，甚至在某些领域超越了人类专家的水平。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：这些“智能输出”是否能被视为“知识”？更进一步问，人工智能是否能够产生真正意义上的知识？随着大模型技术的不断突破，这一极具争议的前沿话题日益受到学界的广泛关注。本文将探讨人工智能在知识生产方面的现状与局限。

自大语言模型兴起以来，人们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：人工智能提供的这些信息，是否属于真正意义上的知识？要回答这个问题，首先需要明确，当一个人被认为“真正知道”某事时，我们究竟期待什么。

偶然的正确不等于“知道”

哲学上有一个著名的难题：设想一个人看表，墙上的钟显示3点，他相信现在是3点，而恰好那一刻确实是3点。然而，这个钟在12小时前就已经停止了，他只是幸运地在正确的时间看了它一眼。尽管他拥有一个真实的信念，并且看似有充分的理由——他看了钟，但我们的直觉会毫不犹豫地认为：这不属于“知道”。这个人仅仅是碰巧猜对了。

这类难题在哲学上被称为“葛梯尔问题”。它揭示了一个道理：真正的知识不是一个恰好正确的答案，而是一种认知上的成就。你的信念之所以正确，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”才算得上是知识呢？真正符合“知识”定义的，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量温度、铁轨为何需要留有缝隙、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，并从原理层面推导出事情的来龙去脉。

第二，可负责的证成。当被问及“你为何知道”时，知识的拥有者能够给出合理的解释，并愿意为自己的答案负责。从这个角度看，运气不被视为知识，因为它绕开了这种说明的责任。

第三，与现实的联系。知识不能脱离实际，它要么根植于亲身经验，要么能够经受现实的检验和修正。一个拒绝任何质疑的信念，即使其内部逻辑自洽，也无法被认为是知识。

第四，一个在场的主体。知识需要由一个“知者”来持有、审视和维护，这个人是能够坚定地说出“我相信”的个体。

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”，前者仅是感官积累的信息，后者则需要穿透感官的局限，通过身心的修炼才能达到。王阳明更是强调“知而不行，只是未知”，意即知识若不能融入生活和行动，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信息，而是一种需要主体去持有、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。

人工智能生产的“知识”所缺失的

现在将目光转向当前的人工智能。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，来推断在特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，是认识人工智能局限的关键——它令人惊叹，但根本上存在缺失和限制。

首先，人工智能从不接受现实的检验。知识需要与现实世界相关联。科学家的假说需要通过实验验证，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。人工智能的处境则截然不同：其生成机制只关注“接下来怎么说最像样”，而忽略“事情是否真的如此”。它从不坚持任何命题，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。语言哲学中的一个经典问题是：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联系，将符号拉回到现实世界。但对于完全依赖文本“喂养”的模型来说，词语仅仅与其他词语相连。当它写下“火”字时，背后没有任何灼热的经验支持。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”，实际上是我们用户投射进去的，而非其内在拥有的。危险之处在于：一本“借来”的书很容易被辨别，但人工智能能够主动回应、推理、追问，如同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，而是其固有的运作方式。回顾前文的标准：知识至少应包含“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，它只是基于“接下来怎么说最像样”来生成内容，而非基于“事情是否真实”。这就解释了令用户最恼火的“幻觉”问题。人工智能会以说真话时同样笃定的口吻，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。对于人工智能而言，真与假没有区别；利害与承诺，根本无从谈起。

再次，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”，这一点不应被轻易否定。但捕捉统计规律与把握因果关系之间，仍然存在一道深沟。人工智能能够流畅地解释一连串“为什么”，但这未必是从原理推导而来，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，意味着洞察事物为何如此，并能在全新情境下做出判断。捕捉相关性，终究不能等同于理解的达成。它只是接近了理解的外观，但未必触及了理解的核心。

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，并能够反观自身是否可靠。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，掂量自己为何可信。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”，在此展现了其全部分量：真正的知识总是与某种生活、某种行动、某种责任紧密相连。而当今的机器，并非如此。

人工智能目前只是工具，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。我们还必须公正地承认：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，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棋步，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，仅仅是知识生产的素材，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，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，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完成全流程，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。听起来，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，仅保持逻辑结构不变时，AI的性能出现了断崖式下跌。它答对的，是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”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。就眼下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“真正的知识”的资质。因此，我们可以做出如下判断：当今的人工智能，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。当今的人工智能，至多停留在张载所言的“见闻之知”的层面，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”。

说到底，人工智能生成的内容，唯有与人的理解相结合，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担责的主体。而这样的主体，在今日的硅基世界，尚未苏醒。