人工智能为何尚未产生真正的知识 - 澳客体育

知识的生成是人类文明进步的核心驱动力。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，已能生成逻辑严密且具有实际应用价值的信息。在某些领域，其表现甚至超越了人类专家。然而，人工智能在知识生产中的角色引发了一个深刻的问题：这些“智能输出”是否就能被视为“知识”？更进一步，人工智能是否能够创造出真正意义上的知识？随着大模型技术的不断发展，这一极具争议的前沿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，人们越来越习惯于向人工智能提问、与之交流并从中获取答案。大语言模型常常引经据典、条理清晰地回应，仿佛源源不断地输出着“知识”。这不禁让人思考：人工智能提供的这些信息，是否算得上真正的知识？要回答这个问题，我们首先需要明确，当一个人“真正知道”某事时，我们期望他具备怎样的能力？

偶然的正确不等于“知道”

哲学上有一个著名的难题：假设一个人看表，发现时钟显示3点，他相信现在是3点，而恰巧那一刻确实是3点。但实际上，这个时钟在12小时前就已经停了，他只是碰巧在正确的时间看了它。尽管他拥有一个真实的信念，并且有看似充分的理由（看了钟），但我们的直觉会认为，这并不算“知道”，他只是运气好猜对了。

这类被称为“葛梯尔问题”的哲学难题揭示，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。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，而非仅仅依靠运气。

那么，什么样的“认知成就”才算得上真正的知识？至少需要满足四个条件：

首先是“理解”。仅仅知道“物体受热会膨胀”这一结论是不够的，还需要能够解释温度计的工作原理、铁轨之间留有缝隙的原因以及热气球为何能升空。“理解”意味着能够掌握事物背后的因果关系，并能从根本原理出发阐述其发展脉络。

其次是“可负责的证成”。当被问及“你凭什么知道”时，知识的拥有者能够给出合理解释，并愿意为自己的回答承担责任。在这种意义上，运气无法构成知识，因为它绕开了说明和负责的环节。

第三是“与实在的接触”。知识不能脱离现实而存在，它要么根植于个体经验，要么随时接受现实的检验和修正。一个拒绝任何反驳的信念，即使在内部逻辑上是自洽的，也无法被视为知识。

最后是“一个在场的主体”。知识需要由一个第一人称的“知者”来持有、审视和守护，这个人愿意并且能够说“我相信”。

回顾中国传统文化，对“真知”的界定也与此类似。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”，强调知识若不融入生活和行动，便不能算作真知。

因此，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”主动掌握的，而非“它”偶然输出的。

人工智能生成的“知识”缺失了什么

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，推断出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，是理解人工智能的本质及其局限性的关键。

首先，人工智能不接受现实的检验。知识需要与现实世界相关联。科学家的假设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。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，也不处于一个可供检验的位置。更深层的缺陷在于意义的根源。语言哲学中有一个经典问题：词语为何有意义？“苹果”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，将符号拉回到现实世界。然而，对于仅通过文本“成长”的模型而言，词语只与其他词语相连。当它写下“火”字时，并没有燃烧的经验作为支撑。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”，实际上是我们用户投射进去的，而非其内在拥有。危险之处在于，虽然一本正经地“借来”的知识容易辨别，但人工智能能够主动回应、推理和追问，表现得像一个真正理解的心灵，使得其意义的空洞比以往任何媒介都更难被察觉。

其次，“幻觉”并非偏差，而是其固有的设定。知识至少包含一个“信念”，即主体对某事为真的确信和承诺。人工智能没有信念，它只是根据“如何说最像样”来生成内容，而非基于“事情是否真的如此”。这解释了为何大模型会产生“幻觉”——它们会以与说真话时相同的语气，编造出不存在的引文、数据和事实。问题不在于“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过程，都是在概率空间中选择最流畅的延续。对人工智能而言，真与假没有区别，利害与承诺也无从谈起。

第三，流畅的“为什么”不等于真正的理解。尽管近期研究表明大模型在内部学习到了一些结构化表征，并非完全是“鹦鹉学舌”，但捕捉统计规律与掌握因果关系之间仍存在巨大鸿沟。人工智能可以流利地解释“为什么”，但这可能是对人类积累的海量“为什么”的重组，而非源于对原理的推演。真正的理解意味着看透事物运作的本质，并能在全新情境下做出判断。相关性的捕捉并不能等同于理解的达成，它只是接近了理解的外观，并未触及核心。

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，并能审视自身的可靠性。哲学家称之为“反思性的知识”，即不仅碰巧信对了，还能超越自身来评估其可信度。人工智能缺乏这种自我。它不真正“相信”任何事，也不“守护”任何事，而是在每次对话中被唤醒，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”在此显得尤为重要：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”？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。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。

像围棋领域的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。它们与知识的生产之间，隔着一道必经之门：人类社群对其进行验证、解释和理论整合。AlphaGo的“第37手”之所以成为围棋知识，并非源于人工智能的判断，而是人类棋手群体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。人工智能在此链条中迈出的步伐，是从处理已有知识走向生成候选知识对象。但从“候选”到“知识”的这一步，仍需由人类来完成。这一步的差异，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、在真实设备上运行实验、收集数据、分析结果，甚至自行修正被推翻的猜想。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。这似乎已经接近“接受现实的检验”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：某前沿人工智能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，但当研究人员将同一套题目中的试剂名称替换为虚构词汇，而保持逻辑结构不变时，该人工智能的性能却断崖式下跌。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”，而非“把握因果”。因此，流畅的“为什么”与真正的理解之间的鸿沟依然存在。

这个对比恰好澄清了本文判断的边界：这不是一个关于“永远”的判决，而是一个关于“现在”的判断。就目前以语言模型为主体的人工智能系统而言，它们还远未具备作为“知者”去产生“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，没有自身独立的意义，没有朝向真理的信念，没有从原理出发的真正理解，也没有一个去持有和守护这一切的主体。它们只是以惊人的规模，重新组织、检索和再表达人类凝结在文字中的知识。当前的人工智能，最多停留在张载所说的“见闻之知”层面，转述和重排人类的见闻，远未达到“德性所知”，更无法抵达王阳明“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，人工智能生成的内容，只有与人的理解相结合，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，在当今的硅基世界，尚未觉醒。

澳客围绕体育赛事数据服务与资讯传播展开布局，整合赛事新闻、实时比分与专题内容，帮助用户快速获取重要比赛信息。澳客通过不断优化页面结构与更新机制，增强整体访问流畅度与资讯传播效率，进一步提升平台专业度与用户满意度。

在个性化专题内容，满足您的探索欲方面，澳客提供贴心周到的支持。