知识生产不能旁落机器之手

　　【学术争鸣】

　　人工智能的快速迭代发展，正在重塑人类的知识生产格局。《光明日报》连续刊发的几篇文章，为方兴未艾的人工智能知识生产问题设定了若干极具张力的锚点。有学者聚焦知识生产本身，强调人工智能正在成为知识生产链条中的生成性力量，“它未必以人的方式理解世界，却已经开始推动人类重新审视什么可以被看见、什么值得被研究、什么能够成为知识”；亦有学者坚守知识的古典门槛，认为“AI生成的内容，唯有结合人的理解，才能真正长成知识”。这些观点之争，表面指向人工智能的能力边界，实则牵涉几个更为根本的问题：当人工智能深度嵌入人类的认知实践时，“知识”的定义是否必然随之改变？人工智能能否自主进行知识生产？人类能否将知识生产的任务交给人工智能？笔者的回答是否定的。

“生的”信息与“熟的”知识

　　要回答人工智能能否生产知识，我们首先需要清楚人工智能如何表达知识。从人工智能的发展史来看，人工智能收纳与表达知识的方法，总体上经历了从早期专家系统向知识图谱的开发与演进。

　　早期专家系统的基本设想是用计算机符号表示人类大脑中的知识，并通过推理模仿人脑对知识进行处理。其规则是明确的，但严重依赖人的干预，这极大限制了知识库的规模与质量，造成知识表达与获取方面的诸多困难。知识图谱则努力避免早期专家系统的短板：一方面，知识图谱采用更加规范而标准的概念模型、本体术语和语法格式来建模和描述数据；另一方面，知识图谱通过语义链接增强数据之间的关联。就知识来源而言，知识图谱包括文本、结构化数据库、多媒体数据、传感器数据和人工众包等；就知识表达而言，知识图谱是一种大规模语义网络，包含实体、概念及其之间的各种语义关系。

　　就此而言，人工智能表达知识属于“有中生有”，而非真正意义上的“无中生有”。换言之，人工智能所表达的“知识”，实质上是为新知识的生产提供“信息”。英国历史学家彼得·伯克指出，我们可以把信息想象成“生的”，而知识则是“煮熟的”，知识的生成是一个“系统化”的过程，在这个过程中，包含信息的事物被一步步发现、分析、“制作”或者“加工”。也就是说，人工智能所提供的，是一种“准知识”，与成熟的知识有一定距离。

　　从“生的”信息到“熟的”知识，表明知识并不是在被提出的那一刻就已产生，而是在被理解、被验证、被整合的过程中生成的。人工智能在知识生产链条中承担的，是“提出候选”这一环节，而这一环节在知识生成中所占的认知权重，远小于“理解与验证”的环节。可见，人工智能改变的是人类“获取信息”的方式，而知识是“赋予信息以意义”的活动。正如显微镜可以呈现肉眼不可见的微观结构，这只是信息；只有当科学家将这些信息纳入理论框架、与已有知识相整合、解释其因果机制时，信息才转化为知识。

　　再者，知识的可信度不仅依赖于结论本身的真值，更依赖于结论得以确立的、可公开检验的过程。当我们声称“地球绕太阳转”时，我们不仅可以给出理由，还可以追溯这个知识的来源——我们是在课本上学到的，课本的知识来自天文学家的观测与计算，而天文学家的结论来自哥白尼、开普勒、牛顿等一系列可追溯的认知贡献者。人工智能的“黑箱”输出恰恰在这一过程维度上存在根本性欠缺。因此，无论其输出的内容看起来多么“像”知识，它在认识论上仍只能被归为有待人类验证的信息。

人类是知识生产的主体

　　人类的知识具有建构性，它并非独立于人类的客观镜像，而是人类理解世界的产物。正如钟表是由人类创造的，当我们判断时间上的公约时，依靠的是人类自身的知识观念；离开人类，钟表只是七零八碎的机械器具。一言以蔽之，知识的生成离不开人的主观能动性，只有以人类经验为主体的知识才是真正的知识。而生成式人工智能本质上是对人类已经完成建构的知识成果进行拆解、整合与重新呈现，本身并不具备主动切入未知情境、开展知识建构的主观动机与能力。

　　首先，知识的源头只能是人类，人工智能无法脱离人类设定的框架自主生成指向未知领域的疑问，更无法带着主观认知的目的开展探索性的实践活动，也就不可能真正完成“从0到1”的知识发现。有研究人员利用一个计算机辅助的分子遗传学实验室，让生成式人工智能扮演科学家，去尝试独立完成一项“诺贝尔奖级”的分子遗传学科学发现。结果是，在提出假设的源头上，人工智能无法生成真正原生态的假说，更不具备人类在看到异常实验结果时灵光一现的“顿悟”能力。可以说，人类知识生产的核心，从来都不是对既有内容的排列组合，而是在具体的实践情境中回应新的问题、整合新的经验，最终建构出能够解释新现象、解决新问题的全新知识，这一过程从始至终离不开人类作为认知主体的参与。

　　其次，知识的生产和确证是负责任的主体履行社会和科学契约的专属实践，不具备反思能力的人工智能无力担此职分。有研究者从知识论的本质出发，将知识区分为“作为产品的知识”和“作为地位的知识”，指出人工智能充其量只能生成前者（一种符合工具的输出），而绝对不是“知者（Knowers）”，因为其完全缺乏“认知责任感”和主体性。由于人工智能缺乏对现实世界的物理体验与社会感知，它无法验证自己输出的“概率组合”是否符合客观真理，这导致生成式人工智能严重的“知识幻觉”问题。只有通过人类的理性批判、实验验证与逻辑交叉比对，这些“合成物”才能被转化为真正的知识。

　　最后，人工智能无力承担知识在社会功能层面所要求的责任担当与信任维系。知识兼具描述性维度与规范性、功能性维度，前者关乎真理，后者关乎社会再生产。当我们接受某一知识时，意味着不仅承认其内容是真实的，也将其作为指导实践和推进知识再生产的依据。也就是说，我们信赖知识的提供者，及其为所持断言承担辩护与纠错的责任。质言之，知识的归属，同时构成一种信任的授予与责任的指派。一份由人工智能生成的诊断报告，即使准确率很高，最终也必须由主治医生签字确认，以其职业声誉和伦理承诺背书，才能建立信任链条。人工智能无法承担这种规范性功能，它不会因为给出了错误答案而感到歉疚，不会因自身断言引发不良后果而被有效追责。一个不能承担责任的观点主张，在社会功能的意义上不能被称为“知识”。

　　由此可见，人工智能在知识生产中扮演的是“高效助手”而非“独立主体”的角色，它拓展了人类处理信息的边界，但始终无法替代人类在知识源头、知识确证与知识责任等维度上的核心地位。真正的知识，只能是人类在世界中探索并为之负责的智慧结晶。

知识生产要面向未知世界

　　人类的知识生产是一个主动刺破未知迷雾的过程。面向未知世界、拓展人类的认知边界，是人类知识生产最本质、最核心的特征。与之形成鲜明对照的是，生成式人工智能的所有输出都是基于人类已经生产出来的历史语料和既有数据，是面向已知的。这种面向已知的“信息”输出，在给人类带来诸多便利的同时，也潜藏着深层的“知识”危机——过于关注普遍的知识，往往会带来视野的偏狭化。有研究表明，人工智能会“反噬”人类整体知识生态。2025年发表于国际机器学习大会的一项研究指出，大语言模型的训练会与人类用户之间形成一个反馈回路，模型从数据中学习人类信念，用生成内容强化这些信念，再吸收被强化的信念，继而再次反馈给用户。这一过程类似于“回音室”，会固化用户既有价值观和信念，导致人类思想多样性的丧失。研究者通过分析数百万次ChatGPT真实交互数据，发现在每次新模型版本发布后，用户讨论概念的多样性都会出现显著而持续的下降。这表明，随着人工智能接管信息获取管道，它会拉平信息价值，导致人类社会的知识分布均质化，产生“知识塌陷”。人工智能不仅不能独立生产高质量的新知识，反而会让整个人类传统知识体系的活力和多元性走向衰退。

　　知识有“显性知识”与“默会知识”的差异，尽管有差异，但也只是主体间性的差异，与人工智能的间性不同。就后者而言，这些“神遇”难以在工具性的器物那里发生。庖丁和轮扁之“只可意会不可言传”之道只能是人类的专属。不久前发生的安徽农民采用AI提供的除草方案导致农作物绝收的事件即表明，人工智能可以熟练地调用和拼接既有知识碎片，却无法像一位有经验的农人那样，依据具体的土壤、气候、作物生长状态等做出情境化的判断。实际上，人工智能只能在“显性知识”层面进行非线性的交叉组合。而真正的知识生产，依赖于人类将人工智能生成的零散信息放入自己长期的经验和直觉中进行“批判性内化”与再解读。抽离人类的隐性知识积累，人工智能生成的代码或文本就只是一堆冰冷的字符，无法转化为真正能够解决现实复杂问题的社会知识。但人类在认知科学时存在一种类似视觉盲点的奇特现象，这种认知盲点使我们难以察觉某些原本显而易见的事实，无形中影响对经验证据的准确理解，并深刻塑造着对现代科学的整体认知。当人类知识生产日益依赖并嵌入以“计算”为核心范式的人工智能时，人类直接经验消失的风险会不断加剧。

　　人类的知识生产，永远要面向未知世界。面对技术狂飙，我们要坚决破除智能迷思。《说文解字》对“智”与“慧”有这样的词源辨析：智，同知，基本内涵是读书认字，侧重于对外在事理的认知、辨识与表达；慧，同儇，基本涵义是慧根的聪明、通透与敏锐，侧重于源自心灵深处的觉察力、判断力与主体性，从而引申为在人类事务的经验上见多识广并富有主见。对此，即使现代学者也感同身受：“智力，并不就是智慧。”“一种不明智的智力”常常被误解为“智慧”。数智时代，人类应时刻保持一份自主的清醒。无论技术如何更新迭代，知识及其体系的构建者始终都是人类，知识与知识生产从来都不会、未来也不能旁落于机器之手。

　　（作者：张宝明，系河南大学人文社会科学高等研究院、历史文化学院教授）