人工智能革命与知识生产转型

　　【构建中国哲学社会科学自主知识体系】　　

　　自20世纪中叶开始孕育、21世纪第二个十年爆发并席卷全球的人工智能革命，是一场科技革命、产业革命，也深刻反映了人类知识生产正在发生的转型。这一转型过程，推动了“科学”向“知识”的回归，即回归其应有的整体性、关联性、开放性、多元性和包容性状态。

知识生产方式向复杂性科学演进

　　革命，意味着带有根本性和颠覆性的变革。人工智能科学技术80年发展历程可分为两个阶段：前一阶段基于符号逻辑进路，产生了计算机；后一阶段转向联结主义进路，提出神经网络模型和机器学习算法，通过了图灵测试。阶段的转向，不仅是方法论层面的工具拓展，更是认识论层面的理念突破，体现了知识生产方式的转型。

　　符号逻辑是人工智能的早期思想路径，其认为只要解决了自然语言处理即符号化问题，基于少量基本公理和定义，借助计算机强大的计算和存储能力，通过数理逻辑和博弈论推演，即可演绎出新的定理与推论。但该方法仅适用于小规模简单问题，一旦问题规模扩大、呈现复杂化，其搜索空间规模呈指数级上升，根本无法解决现实世界实际问题。联结主义则摒弃了为机器输入逻辑规则的思路，转而模仿人脑生物神经网络结构，以感知器替代神经元，以并行电子电路模仿神经元连接。人工神经元网络结构呈多层分布，因而被称为“深度神经网络”。信息分布存储于整个人工神经网络中，每个人工神经元保存的参数值即神经网络的“记忆”。随着反向传播算法的提出，人们可以通过预训练微调非循环多层神经网络，模仿人脑进行“机器学习”，学习过程就是调整每个人工神经元中保存的参数值的过程。以人工智能视觉识别为例，系统不再依靠逐点逐行扫描图像内容，而是借助分布式存储、全局并行的深度神经网络，在整体观察强化学习过程中自动抽取图像的语义特征。一开始很可能只是一个一个小图块组合方式的语义特征，反复训练就可以开始慢慢感知到这个图形的组合特征，进而形成概念、意义，识别规律并做出判断。这种机器“认知”类似于人类在反复实践中积累经验的过程，正因如此，有哲学家将人工智能称为“经验主义者”。2016年，“阿尔法狗”战胜人类围棋选手并保持不败纪录，但其走棋落子的工作原理至今无法被完全解释。以可解释性为目标的科学，自诞生以来首次遭遇难以解释的人工智能技术，这种“不可解释性”也恰好印证了经验主义知识生产方式的特征。

　　回顾人类文明史，知识生产方式经历了从经验主义到科学主义的跃升，正朝向人机协同混合模式演进。早期知识基于个体经验，狩猎技巧、农耕经验、手工技艺以及天文地理、气候历法、为人处世等生产生活知识，经口口相传和文字记载缓慢累积，形成经验主义知识生产范式。自伽利略开启“实验+数学”的科学研究方法，至牛顿建构经典物理学体系，自然科学和社会科学学科群诞生，知识生产进入“逻辑实证主义—假说演绎主义”阶段，客观实证、精确量化、分析归纳的知识生产方式逐渐成为主流。爱因斯坦提出的狭义相对论和广义相对论，对物理学做出了深刻变革。而复杂性科学非线性、混沌、涌现等理论研究进展，以及量子力学“不确定性原理”的提出和确证，都进一步动摇了经典物理学决定论、还原论的支柱。这些都为人工智能大模型和机器学习算法奠定了认识论前提。从形式上看，人工智能从大量数据中发现规律、提取知识的过程，是一个由严密、精确的演绎推理转向整体、概率的归纳推理的过程，似乎是科学主义向经验主义的回归。但这绝非对古代经验主义知识生产方式的简单复归，而是线性实证科学知识生产方式向非线性复杂科学知识生产方式的转型和螺旋式上升。

知识形态迈向立体交互

　　知识形态是指知识呈现的存在方式、表现形式、结构特征与传播机制，其会随时代变迁和人类认知能力进步而动态演变，这种演变突出表现为知识所依附的物质载体的变化。原始形态的知识，如神话、歌谣、经验口诀等，以个体的人及其语言与记忆为载体。文字出现后，知识被记录于兽皮、青铜器、竹简等平面载体之上，得以固化和跨时空代际传递。纸张、印刷术的出现，进一步增强了知识的传播范围与保存周期，并催生了近代科学，使零散碎片化留存的知识形态形成系统化关联。计算机、互联网和多元数字媒介的出现，如数据库、电子书、在线课程等，则承载了数据化的知识形态。

　　知识形态的数据化始于人工智能的研发。随着信息理论和计算机科学的创立，“数据—信息—知识”一体化的表达和传播机制得以建立，知识开始呈现为可快速检索、流动交互的立体形态。数字时代的开源社区、在线协作平台，使知识生产成为全球参与者的协同行为，知识传播呈现出去中心化、实时性的特点。生成式人工智能从语言大模型到多模态大模型的发展，本质上是机器学习算法驱动下的数据重组，这极大改变了知识的组织形式和结构特征。而镜像虚拟、数字孪生、元宇宙技术的综合应用，更是将知识的立体交互、快速迭代、协同共创推至全新高度，传统平面、静态的知识形态几乎被彻底颠覆。

　　远古时期的口传知识形态大都基于生产生活的经验总结，依赖直觉、类比、具象化等思维，形成零碎、分散、容易遗漏变异的地方性知识，呈现出不成体系、极不稳定的知识形态。文字与书籍时代初期，知识固化为文本，得以在一定时空范围内传承传播。知识生产掌握在少数统治者和精英学者手中，依赖师徒传承或特定阶层的教育传播，具有精英垄断的封闭形态。现代教育突破阶层限制，期刊传媒使知识实现大众共享，知识传播加速，推动人类思维向理性化、逻辑化发展，形成了强调分类、归纳、演绎的系统化、学科化知识形态。人工智能时代，人类认知方式转向“个性化推荐”和“超链接式检索”，思维模式倾向跨领域关联与快速整合信息，但也带来注意力碎片化和认知浅层化的问题，这一时期的知识形态呈现网状关联、快速流动且碎片化的特征。

　　知识形态的演变，本质上是人类认知能力、技术工具与社会发展需求三者互动互构的结果。其不仅改变了知识的生产、传播和使用方式，也从经济结构、文化传承、社会阶层、思维模式等多个维度深刻重塑了人类社会与文化的样貌。早在20世纪中叶，法国哲学家福柯就曾提出“知识即权力”，认为知识形态的演变直接影响权力的分配。在人工智能时代，掌握数据、算法等核心知识资源的主体（如科技企业、掌握数据的政府部门），其影响力远超传统权力主体，“算法权力”等成为新的权力形态。权力的本质向“知识权力”倾斜，同时也引发诸如隐私保护、算法公平性等新的社会议题。

　　还应看到，世界不同地域、不同民族在历史上形成了相对独立且较为稳定的知识构成、文化传统与文明谱系。人工智能时代，数字网络化的知识形态彻底打破了地理边界，人工智能翻译不断突破语言障碍，实现了知识的跨国实时流动，也加剧了不同思想和价值观的碰撞与融合，全球文化同质化和地方性知识边缘化趋势日益突出，对多元文明带来冲击。因此，本土文化保护和自主知识体系构建的重要性愈益凸显。

知识类型加速交叉融合

　　人工智能既是计算机科学的一个分支，也是一种求解复杂问题的新范式，凝聚了多学科知识。就机器学习大模型的开发而言，人工神经网络集成电路芯片以量子物理学、信息科学、神经生理学、脑科学等为知识基础；语言大模型不仅依赖于数学统计学，更有语言文字学、逻辑学、认知科学等哲学社会科学学科的深度参与。与人类历史上任何其他技术相比，人工智能是哲学社会科学参与程度最深、社会科学知识含量最高的技术科学。

　　18、19世纪自然科学与社会科学学科群的兴起，是知识演进史上的重大转折。中文“科学”取“分科之学”之意，知识被分门别类形成数学、天文学、物理学、化学、生物学等独立学科，每个学科有各自的概念、定理与研究方法，形成严谨的层级结构。由国家、大学或企业主导的专门化、标准化、规范化、规模化的科学研究，成为知识生产的主要形式。20世纪的知识增长，则呈现出既高度分化又高度综合的特点，学科交叉不断催生新的知识增长点。进入21世纪，2018年我国教育部提出建设新工科、新医科、新农科、新文科（以下简称“四新”）的高等教育改革，这一理念与人工智能革命爆发几乎完全同步。

　　我们看到，知识细分在深化研究的同时，也垒起了“科学”的门槛，形成了“科学”在人类知识体系中至高无上的地位。过度细分的专业若画地为牢筑起“小院高墙”，很容易陷入“只见树木不见森林”的盲人摸象式知识生产的死胡同。人工智能革命的爆发，本身就是打破传统“科学”界限，推动多学科交叉融合的典型成果。人工智能驱动的复杂问题研究（如脑科学、社会系统模拟）需要多学科协作，进一步推动了自然科学、社会科学、人文学科跨学科交叉研究的兴起。生成式人工智能工具（如文献分析、自动翻译）的应用，降低了专业门槛，使非专家也能参与知识生产，“大众学术”兴起，同时促使“科学”与其他知识形式（如人文、艺术）平等对话。这意味着，21世纪的知识生产正全面走向综合整合。

　　世间并非只有科学。在人类文明史里，科学的出现只是近几百年的事。相较而言，“知识”涵盖更广义的人类经验与认知，远比“科学”更具包容性。人工智能推动不同学科交叉融合、知识结构综合整合，使知识重获其应有的整体性、关联性、开放性、多元性与包容性。这或许是人工智能革命对人类知识生产更为深刻的意义。

知识生产效率激增下亦存隐忧

　　人工智能革命极大提升了物质和精神产品的生产效率，其本质是人工智能辅助科学研究（AI4S、AI4SS）大幅缩短了知识生产所需的时间。一直以来，科学发现主要依赖科学家的大胆猜想、反复实验、分析比较、小心求证，这一过程需要处理和分析大量数据。传统的人工方法耗时费力且容易出错。而AI4S在实验设计、流程优化、数据处理、模式识别、预测分析尤其是在高维复杂、全视野推理方面具有显著优势，能够高效分析处理数据，发现潜在规律，预测未来趋势。譬如，在天文学研究中，人工智能可以自动分析每天产生的海量观测数据，识别未知天体或宇宙现象；在气象预测中，人工智能可以快速分析历史气候数据、地球和大气物理数据，建立气候模型，更为准确地预测未来短期和中长期气候变化；在化学实验中，人工智能可以预测不同化学反应发生的可能性，优化实验流程，减少试错过程；在材料科学领域，人工智能可以从大量材料数据中提取出材料特性与性能的关系，筛选出最有潜力的材料。

　　必须指出的是，人工智能应用虽能极大提升知识生产效率，但单独依靠人工智能不能产生原创性新知识。人工智能的工作原理是贝叶斯概率推理，其本质是对已有信息进行统计学意义的数据关系萃取，是对不超出机器学习内容的已有信息的“重组”或“深加工”，属于“有中生有”而非“无中生有”。人工智能下围棋战无不胜，但无法发明围棋这类游戏；人工智能在吟诗作画、写文章、做设计方面，虽可以在韵律、意境上表现不俗，在色彩、构图上展现独特风格，但这些“创新”实际上都遵循既定“套路”，甚至是“高科技抄袭”。在科研领域，人工智能辅助研究只能在“常规科学”范式框架内提升效率，难以实现超越既有范式的革命性突破。

　　与此同时，人工智能在推动知识数量爆炸式增长的同时，其习惯性“撒谎”、产生“幻觉”，以及生产“伪知识”、垃圾知识等问题也带来很大困扰。例如，人工智能对某些问题的回答因逻辑自洽而貌似权威，但其是否真实准确却难以评估；人工智能还会迎合使用者的意图回答问题，即使在辩论中给出看似相反的观点，实际上仍是顺着使用者的意思编排而成，这是因其并不真正“理解”所生成的内容。人们寄希望于在大模型开发阶段实现“价值对齐”，即通过算法和参数调整，引导和规范人工智能系统的输出结果，使其最大限度符合人类价值观与利益。但显然这也是一个只能不断接近、难以完全实现的理想目标。我们为区分真假和清理垃圾所耗费的时间精力，在很大程度上抵消了人工智能所带来的效率提升。基于此，全面提升公众人工智能素养，已成为智能社会建设的当务之急。人工智能素养可分为技术认知、工具应用和伦理评估三个维度。技术认知是指对人工智能基本属性与功能有初步了解；工具应用是指具备在不同场景中熟练使用人工智能工具解决问题的能力；伦理评估则要求能够批判性地评估智能工具的输出结果，识别其潜在偏见和风险，并能基于伦理准则和价值规范，合理选择和运用智能技术参与社会建构。

知识生产主体在人机互动中重塑

　　人工智能参与知识生产，是否改变了人作为知识生产者的主体地位？答案应当是否定的。人工智能辅助科研，面对不同使用者时，其“遇强则强、遇弱则弱”，科研效率的提升完全取决于使用人工智能工具的人。其产生的创新知识增量，归根结底是在人主导下的“人机协同”的结果。也就是说，人工智能的作用和地位只是工具或助手，知识生产主体依然是人。

　　然而，在人工智能被拟人化“科普”甚至神话宣传的氛围中，人类作为知识生产唯一主体的地位正不断弱化。有学者将人机协作关系视为“双主体”。这种误读既不符合事实也不符合逻辑。在“人机互动”“人机协同”“人机共生”过程中，发出指令、设计算法的人永远是主动一方，无论多么自动化、自适应的机器，终究是被动的一方。一旦接受将人机关系平行甚或颠倒的观念，必然助长盲目乐观或莫名恐惧的社会心理，长此以往将潜移默化抑制乃至消融人类的创新创造能力。人工智能驱动的知识生产以效率和规模为导向，显性知识（可编码、数据化的事实）极大挤压了缄默知识（个体经验与直觉）的生存空间。依赖数据库检索而非深度思辨，批判性思维能力和跨领域知识整合能力将会显著弱化。因此，对于人工智能参与知识生产，始终应当保持“工具清醒”，有必要对人工智能与人的智能进一步加以比较。

　　人的智能是生命体所展现的智能，人工智能则是非生命体机器的功能。生命体和非生命体之间，有着一条不可逾越的界限。生命的起源与意识的本质，是人类迄今还未能完全解决的科学难题。作为生命体的人，天然具有自我意识和主观意志，人的智能是先天禀赋和后天学习共同作用的结果。人的学习可分为模仿、理解、创造三个层次。人只需要较少的信息即可做出推理判断；而机器没有自我意识，机器学习实质是算法驱动的数据关系分析与概率推理，需要海量数据，大模型越大所需数据越多。机器学习仅相当于人类学习中最初级的模仿阶段，无法实现对内容的真正理解，更谈不上创造与创新。

　　人工智能领域有一个“莫拉维克悖论”：普通人感到困难和复杂的问题，如高阶复杂的计算、多变量逻辑推演，人工智能易解，只需要很少的算力；而普通人看起来十分简单的问题，如模仿人的无意识动作或本能感知，人工智能反倒难解，需要极大的运算能力。这一现象，凸显了人类智能与机器智能之间的本质差异。人的智能不仅体现为逻辑推理能力，其先天禀赋还包括自由想象力与直觉判断力，有同理心和共情能力，这些是人类创造力的原始动力与源泉。人还会疲倦、遗忘、心血来潮、情绪化，这些“缺点”恰恰构成了人工智能永远无法企及的感性能力。“莫拉维克悖论”启示我们：人工智能与人的智能不应是对立替代的关系，而应是各取所长、相互补充的关系。

　　人工智能的终极意义在于扩展而非替代人类价值。人工智能所能替代的只是“工作”，而不是“人”本身。人工智能将人从技术难度高、重复性强的工作中解放出来，为人的自由全面发展创造契机，同时也对知识生产者提出了转型要求。比如，由期刊拒绝人工智能论文写作引发的检测与反检测博弈，或将倒逼科研成果与人才评价体系改革；高等教育“四新”理念的提出，预示着人工智能时代的教育应当是“全人教育”，必须更加注重人所独有的情感感受、共情能力、审美能力、想象力和创新力的保护与培养。总之，人工智能是人类知识生产的产物，也是人类知识生产的工具。人工智能参与知识生产的过程，正是人机互动互构、重塑知识生产者的过程。

　　（作者：石英，系西北农林科技大学人文社会发展学院讲座教授）