人工智能为何尚未产生真正的知识 - 狗子28娱乐

当前，生成式人工智能凭借其强大的数据和算力，已能产出逻辑严谨、具有实际价值的信息，甚至在某些领域超越人类专家。然而，人工智能介入知识生产，引发了一个核心问题：其“智能输出”是否能称得上“知识”？更进一步，人工智能是否能够生成真正意义上的知识？随着大模型技术的不断进步，这一争议性话题正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局限性。

自大语言模型兴起以来，人们习惯于向人工智能提问、对话并获取答案。大语言模型常常引经据典、条分缕析，表现得言之有物，仿佛源源不断地输出“知识”。这不禁让人思考：人工智能提供的这些信息，是否构成真正的知识？要回答这个问题，我们首先需要理解，当我们说一个人“真正知道”某事时，我们究竟期待什么。

偶然的正确并非“知道”

哲学家提出了一个著名的难题：设想一个人看时间，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，该钟在12小时前就已停止走动，他只是碰巧在正确的时间看了它。尽管他拥有一个真实且有看似充分理由的信念（看了钟），但我们的直觉会认为，这不属于“知道”。这个人仅仅是运气好，猜对了。

这类问题被称为“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。这意味着，一个人的信念之所以为真，必须源于其认知能力的可靠运作，而非偶然的幸运。

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，还需要能够解释为什么温度计能测量温度、为何铁轨之间需要留有缝隙、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，并能从根本原理推导出其发展脉络。

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，并愿意为自己的回答承担责任。在这种意义上，运气之所以不能算作知识，是因为它绕过了证明和承担责任的过程。

第三，与现实的联系。知识不能脱离实际，它必须植根于亲身经历，或者能够接受现实的检验与修正。一个拒绝任何质疑的信念，即使内部逻辑一致，也不能被视为知识。

第四，一个在场的主体。知识需要由一个“知者”来持有、审视和维护，这个人需要能够明确地表达“我相信”。

中国传统文化同样强调“真知”的标准。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”，强调知识若不融入生活与实践，便算不得真知。

因此，真正的知识不仅仅是一段正确的内容，而是一个需要主体去持有、实践和承担的认知成就。它是“你”主动掌握的，而非“它”偶然吐出的。

人工智能生成的“知识”所缺失的要素

当前最先进的大语言模型，本质上是一个“下一个词预测器”。它们通过学习海量人类文本中的统计关联，推断在特定语境下最可能出现的词语。其优化目标是“可能性”，而非“真实性”。理解这一点，是理解人工智能局限性的关键。

首先，人工智能从不接受现实检验。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，新知识也正是在这种“被否定”的可能性中诞生。人工智能的生成机制只关注“如何说最像样”，而不关心“事情是否真的如此”。它不坚持任何命题，也不处于可被检验的位置。更深层次的问题在于意义的根源。语言哲学家曾探讨词语的意义来源：“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，将符号拉回现实世界。然而，对于仅通过“吃”文本模型来说，词语只连接着其他词语。当它写下“火”字时，背后并没有燃烧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”，实际上是我们使用者投射进去的，而非其内在拥有。危险在于，虽然书籍的“借用”一眼可辨，但人工智能能够主动回应、推理、追问，仿佛拥有真正理解的心灵，这使得其意义的空洞比任何媒介都更难被察觉。

其次，人工智能的“幻觉”并非偏差，而是其固有设定。知识至少包含“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，它们仅仅是基于“如何说最像样”来生成内容，而非基于“事情是否真实”。这解释了为什么大模型会产生“幻觉”，即以与说真话时相同的确定口吻，编造出虚假的引文、数据和事实。问题不在于其“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。对人工智能而言，真与假没有区别；利害关系和承诺也无从谈起。

第三，流利的“为什么”不等于真正的理解。近期的研究表明，大模型在内部确实学到了一些结构化表征，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仍存在巨大鸿沟。人工智能能够流利地解释“为什么”，但这未必是基于原理的推演，也可能仅仅是对人类积累的海量“为什么”的重新组织。真正的理解意味着洞察事物运行的根本原因，并在全新情境下做出判断。相关性的捕捉，终究不等同于理解的达成。它只是模仿了理解的外在表现，而未触及理解的本质。

第四，没有人格化的主体在承担这份知识。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，并能反思自身的可靠性。哲学家称之为“反思性的知识”，即不仅碰巧相信对了，还能审视自己相信的依据。而当前的人工智能没有这种自我。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”，在此凸显了其重要性：真正的知识总是与某种生活方式、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

有人可能会反驳：如果知识被定义为“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”？何况，随着多模态模型接入传感器和物理世界，“接地”和“具身”等反驳的效力也在减弱。我们必须承认，当前的人工智能已经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。

AlphaGo在围棋领域的表现以及人工智能在新材料发现中的应用，常被视为人工智能已进入知识“生成”环节的例证。不可否认，AlphaGo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。然而，这些工作触及的只是知识生产的素材，而非知识本身。它们与知识生产之间，还隔着人类共同体对其进行验证、解释和理论整合的关键环节。AlphaGo的“第37手”之所以成为围棋知识，并非源于人工智能的判断，而是人类棋手反复复盘后赋予的理解。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。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”承担判断风险。

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，而是被赋予了闭环能力：自动检索文献、提出假说、设计实验、在真实设备上运行、收集数据、分析结果，甚至自我修正被证伪的猜想。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。这似乎正在接近“接受现实检验”和“与实在接触”的门槛。然而，仔细审视，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得分超过人类博士平均水平，但当研究人员用虚构词汇替换试剂名称，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”之间的鸿沟依然存在。

这一对比，恰好让我们有机会明确本文判断的边界：这不是对“永远”的判决，而是对“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，它们远未获得作为“知者”去生产“真正知识”的资格。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，但还不是知识的生产者。它们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。它们只是将人类凝结在文字中的知识，以惊人的规模进行重组、检索和再表达。当前的人工智能，至多停留在张载所说的“见闻之知”层面，转述、重排人类的见闻，远未触及“德性所知”，更无法抵达王阳明“知行合一”中，通过亲身实践获得并反过来指导行动的“真知”。

归根结底，人工智能生成的内容，唯有结合人的理解，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担责的主体。而在当今的硅基世界，这样的主体尚未觉醒。