智能治理｜陈浩：AI正崛起为知识创造的新驱动力

近些年来，人工智能的进步带来了一个值得深入探讨的议题：AI到底是仅仅作为协助人类进行检索、计算、写作与分析的辅助工具，还是在某种程度上已经涉足知识创造的过程？一种普遍观点认为，AI缺乏人类的意识、情感和生命体验，因此无法真正理解世界，更谈不上创造知识。这种观点强调了人与机器间的本质差异，但也容易将知识的评判标准过度局限于人类主观感受的范畴。

问题的核心，不在于AI是否“像人类一样思考”，而在于我们如何界定知识创造本身。现代知识创造从来不是单纯个体经验的直接表达，而是在工具、方法、证据、模型以及共同体规范中形成的认知成果。更为恰当的说法是：人工智能正逐渐成为知识创造链条中的生成性力量。它未必以人类的方式理解世界，却已经开始推动人类重新审视什么可以被发现、什么值得被研究、什么能够成为知识。

01

知识判定标准不应局限于主观体验

探讨AI能否参与知识创造，首先需要明确一个前提：知识的有效性是否必须建立在类似人类的主观体验之上。人类的知识自然离不开经验、身体、语言和社会生活。尤其在伦理、审美、历史理解等领域，人类的处境和体验具有不可替代的重要性。但这并不意味着，凡是不具备人类体验的系统，就完全无法参与知识的形成。

从认识论角度看，知识并不等同于一时的感觉、判断或意见。一个判断要成为知识，通常需要理由、证据和方法的支持，并能够在特定共同体中接受检验、修正和讨论。不同学科的知识形态各不相同：自然科学更注重规律、预测和实验验证，社会科学更注重机制、情境和因果说明，人文学科更注重意义、文本和历史解释。但无论哪种知识，都不能仅以个体主观体验为唯一标准。知识之所以成为知识，正在于它能够超越个人感受，进入可论证、可交流、可检验的公共过程。

事实上，人类认识世界从来不只是依赖直接体验。显微镜没有生命体验，却打开了微观世界；望远镜没有主观意识，却改变了人类对宇宙的认知；统计模型无法感受社会痛苦，却能揭示人口、疾病、贫困和流动背后的结构性关系。现代知识创造本就依赖仪器、模型、算法、数据库和计算模拟等中介。它们并不以人类的方式“体验”世界，却深刻改变了人类能够知道什么、如何知道以及如何证成知识。

人工智能与这些认知中介一脉相承，又具备新的特征。它不只是延伸感官、加快计算或存储信息，更能在大规模、高维度、非直观的数据空间中发现模式，并将这些模式转化为预测、分类、假说和解释线索。也就是说，AI正从“处理既有知识”进入“生成认知对象”的环节。

因此，判断AI是否参与知识创造，不宜只问它有没有人的感觉和意图，而应追问：它是否揭示了此前难以看见的关系？是否能够提出可检验的问题？是否能够经过共同体讨论转化为稳定知识？是否能够改进人类对自然、社会和自身的理解？如果在一些领域这些问题能够得到肯定回答，就不能简单否认AI的知识创造意义。这并不是降低知识标准，而是扩展了标准。知识不能只以机器输出为准，但也不应只以人的主观体验为准。现代知识的可靠性，更多来自证据、方法、解释、验证和共同体审查。AI的出现，要求我们在新的技术条件下重新理解知识创造的边界。

02

AI已进入知识生成环节

人工智能成为知识创造中的生成性力量，可以从围棋和材料科学两个领域得到较为直观的说明。

围棋长期被视为高度依赖经验、直觉和审美判断的领域，棋手通过棋谱、布局、定式、手筋和长期对局积累对“好棋”的理解。以AlphaGo为代表的围棋智能系统，最初因战胜世界顶尖棋手而为公众所知，但它真正值得讨论的地方，不只是赢得比赛，而是改变了围棋共同体理解“好棋”的方式。这类系统早期确实学习了人类棋谱，但真正的突破来自强化学习和自我对弈。它在规则确定的棋盘空间中反复探索，逐渐形成了许多人类棋手未曾充分认识的判断。

李世石与AlphaGo对局中的“第37手”常被视为标志性时刻。这是一手当时许多职业棋手并不看好甚至感到意外的棋，后来却被证明具有战略价值。此后，职业围棋训练普遍转向AI复盘、胜率判断和变化图研究，一些传统定式被重新评价，新的“AI定式”“AI布局”不断出现。这不是简单的计算加速，而是围棋知识体系的调整：什么是急所，什么是厚薄，什么是全局效率，什么样的局部损失可以换来更大的整体收益，都被AI重新打开。这说明，AI可以在特定规则空间中生成实践性和策略性知识，它未必像人类棋手那样体验胜负、竞技和审美，却能够通过自我博弈发现新的有效模式，并促使人类修正既有判断。换言之，AI并非只是复现人类已掌握的棋理，而是在既定规则之内拓展了人类对棋理的认识。

另一个更具科学代表性的领域，是AI参与新材料发现。材料是现代科技和产业发展的基础，从高性能电池、半导体器件、航空航天材料到催化剂和生物医用材料，都离不开对材料结构、性能和制备条件的深入认识。过去寻找一种新材料，往往需要研究者依靠理论推导、经验判断和大量实验，在庞大的元素组合、结构类型和工艺参数空间中反复试错。近年来，机器学习和生成式模型开始被用于材料性能预测、候选结构筛选和生成、实验路径优化，使研究者能够在巨大可能空间中更有针对性地发现值得验证的材料组合。

这类进展的意义，不只是“提高实验效率”，更深层的变化在于，它改变了科学发现中“候选对象”生成的方式。过去，许多可能具有特殊性能的材料，因为组合空间过大、实验成本过高而难以进入研究视野；今天，AI可以根据已有数据和模型推断，提出一批具有潜在价值的候选材料，再由研究者通过实验进行验证、修正和解释。换言之，AI并未替代材料科学家的理论判断和实验验证，而是把一部分过去难以穷尽的可能性转化为可筛选、可比较、可检验的研究对象，推动科学发现形成“模型预测—实验验证—理论解释”相互衔接的新循环。

更值得注意的是，近一两年已有研究尝试让多个人工智能体分工协作，模拟科研团队中的不同角色，承担文献检索、假设提出、方案设计、工具调用、结果分析和报告生成等任务。虽然这类探索还处在发展过程中，也需要严格验证，但已显示出一个趋势：AI进入知识创造，并不只是给出一个答案，而是开始嵌入问题提出、路径设计和结果生成的连续链条。

从围棋智能系统到新材料发现，再到多智能体科研协作的探索，可以看到，AI的作用已经超出辅助性劳动的范围。它能够在复杂空间中发现人类尚未掌握的模式，并把这些模式转化为新的判断标准、研究路径和知识资源。正是在这个意义上，AI已经进入知识创造链条中的生成环节。

03

AI扩展了可知世界

AI的生成性力量并不只体现在自然科学或规则明确的领域，它也正在扩展社会科学和人文学科的可观察范围，只是其作用方式有所不同。在社会科学中，许多重要问题并不缺少材料，而是受限于处理大规模复杂材料的条件和方法。公共舆论、政策文本、社交媒体、新闻报道、裁判文书、企业公告、访谈资料等，都蕴含着丰富的社会信息。过去，一个研究者很难系统阅读和比较如此庞大的材料；今天，AI可以帮助研究者识别其中的话语变化、情绪结构、群体身份、议题扩散和制度用语的转变。例如，在研究公共议题时，AI可以帮助发现某些词语如何从边缘表达进入主流讨论，某类情绪如何与特定事件相互关联，不同群体如何使用不同叙事来理解同一问题。这些发现不必然直接构成结论，却能够为社会科学研究提供重要的机制线索。它们提示研究者：哪些现象值得解释，哪些变量可能相关，哪些群体差异需要进一步调查，哪些制度背景不能忽视。

在人文学科中，AI的价值也不是替代文学批评家、历史学家或哲学家，而是改变材料组织和问题发现的方式。文学研究可以借助AI比较大量作品中的主题、意象、叙事结构和风格变化；历史研究可以借助AI从档案、报刊、书信、方志和判决文书中抽取人物、地点、事件和关系；思想史研究可以借助AI追踪一个概念在不同时期、不同语境中的用法变化。这些工作并不等于完成解释，却能使过去分散、隐蔽、难以穷尽的关联重新变得可见。

这意味着，AI不只提升效率，还扩展了“可知世界”的边界。它使更多自然结构、社会模式和文化关联进入可分析、可比较、可讨论的知识过程。过去难以看见的关系，今天可能通过算法被提示出来；过去难以组织的材料，今天可能被重新排列为问题网络；过去依赖个别经验才能捕捉的趋势，今天可能在大规模材料中呈现出来。

当然，社会机制和文化意义不能由算法自动裁决。AI可以发现社会文本中的模式，却不能单独判断这些模式背后的制度逻辑；AI可以提出文学和历史材料中的关联，却不能自动完成语境化解释；AI可以生成哲学论证的摘要和反例，却不能替代人的规范判断。社会科学和人文学科中的知识创造，仍然离不开理论、历史、价值和解释共同体。因此，AI在这些领域更像是机制线索和意义关联的发现器，而不是最终结论的裁判者。它扩展了人类提出问题的能力，也要求人类以更高水平承担解释责任。

04

迈向人机共构的知识未来

人工智能带来的深层变化，不在于它能更快完成既有任务，而在于它开始改变什么可以被看见、什么值得被研究、什么能够成为知识。它没有人类式主观体验，但这并不妨碍它在一定条件下生成可检验、可运用、可讨论的认知成果。以是否具有人类体验作为唯一标准来否认AI的知识创造功能，已经难以解释正在发生的知识实践。

承认AI正在成为知识创造链条中的生成性力量，并不意味着把真理交给机器。恰恰相反，AI越能生成模式、结构和假说，人类越需要加强验证、解释和规范。未来的关键，不是在人与机器之间作简单取舍，而是在算法发现、经验验证、理论解释和公共讨论之间建立新的连接。

AI时代的知识创造，既不是人的退场，也不是机器的独白，而是人类在新的智能条件下重新组织理解世界、解释社会和反思自身的方式。AI正在成为知识创造的新力量。正视这一点，才能更加主动地建设开放、可靠、负责任的人机共构知识体系。

（作者：陈浩，系南开大学社会学院、前沿交叉学科研究院教授，《光明日报》2026-07-10理论版）

准确把握人工智能发展前沿与竞争格局

余晓晖 中国信息通信研究院院长、党委副书记

进入新时代，党中央高度重视人工智能发展，习近平总书记对人工智能作出一系列重要指示批示，两次主持中央政治局集体学习并发表重要讲话，强调人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。党的二十届四中全会提出全面实施“人工智能+”行动，要求抢占人工智能产业应用制高点，全方位赋能千行百业。准确把握人工智能发展前沿和竞争格局，推动人工智能高质量发展和全方位赋能，是打造新质生产力、满足人民美好生活需要的内在要求，也是在百年变局中赢得战略主动、实现中华民族伟大复兴的必然之举。

一、当前人工智能发展的新趋势新特点

人工智能技术构想由来已久，在近70载的跌宕起伏中，已历经逻辑推理、专家系统、深度学习等重要阶段。缘于算法、数据、算力全链条突破，近年来人工智能各方面能力快速提升，在部分领域达到“类人”甚至“超人”的水平。可以说，此轮人工智能发展在速度、社会渗透力与跨界带动作用上均呈现出前所未有的态势，具体表现为三个方面。

一是人工智能技术创新正从“被动训练”向“自主进化”方向演进，迭代速度快速提升。在发展初期，人工智能模型参数小、算力更新慢，迭代周期以年为单位，经典的目标检测模型升级跨度为两年。随着算法框架的不断优化和算力的大幅提升，人工智能的迭代速度实现指数级跃升。据中国信息通信研究院监测统计，2024年以来，顶尖模型的迭代周期已从数月压缩至数周，模型参数从百万级、亿级飙升至万亿级，推理与训练能力持续大幅提升。这种极速迭代的节奏，彻底重构了行业竞争格局。国内头部科技企业与科研团队的技术追赶速度显著加快，往往能在1—2个迭代周期内完成关键技术的追平与超越，这正是本轮人工智能革命区别于历史上任何一次技术变革的重要特征。

二是智能原生成为“AI+”新内核，赋能应用加快向现实生产力转化。“十五五”时期，我国将进入人工智能全面赋能高质量发展新阶段，人工智能深度渗透经济社会各领域，在生产生活中将扮演“共生伙伴”的重要角色，进而重构生产要素配置模式、重塑产业分工体系、优化经济运行效率，成为我国经济发展的重要增长极。以工业为例，我国拥有联合国产业分类中的所有工业门类，催生大量对人工智能的个性化、场景化应用需求，为人工智能提供了“用武之地”。两者“双向奔赴”，既推动我国工业的转型升级，也通过工业场景的大规模深度应用和高质量数据沉淀反哺人工智能技术的迭代创新，加速人工智能新的“智能涌现”。人工智能正在通过“原生”方式重构企业战略规划、运行架构、业务流程和产品服务，使少数人管理监督成百上千的智能体，完成原来数十人甚至上百人团队的工作，不断催生“一人企业”等颠覆式的新模式新业态，成为智能经济新的增长引擎。

我国拥有全球最丰富的应用场景资源，人工智能与工业、医疗、交通、金融等领域深度融合，涌现出大量探索性应用。图为2026年4月14日拍摄的人形机器人“精灵 G2”在龙旗科技南昌平板制造工厂，以3C精密制造产线“正式员工”身份，完成高速流水线精密上下料、人机协同全流程作业。 智元机器人供图 毛颖旻/摄

三是人工智能技术正在全维度重构人类生产生活，但双刃剑属性日益凸显。从智能眼镜实时翻译、数字人提供咨询服务，到工业领域人形机器人进厂“实习”，从事装配、搬运、分拣、巡检劳动，人工智能正从“会聊天”转向“会干活”，走进生产生活的方方面面。从生产端到消费端，从物理空间到数字空间，人工智能不仅正在重塑生产方式和生活方式，更深刻改变着社会结构、价值观念与伦理准则。放眼世界，人工智能已成为全球与区域多边机制的核心议题，联合国、金砖、东盟、上合等国际组织均通过发布领导人宣言或联合声明，凝聚人工智能发展与治理共识。与此同时，人工智能带来的安全治理问题不容忽视。今年年初风靡全球的智能体应用“小龙虾”，在带来全新体验的同时，也暴露出可能存在的权限边界模糊、敏感信息泄露、易遭受提示词注入以及供应链投毒攻击等问题，并进一步加剧了就业替代等社会性担忧。

总的来看，此轮人工智能打破了传统线性发展模式，形成了有别于传统产业的四个内在发展规律，承载着技术革新的全新逻辑。

一是规模扩张与效率突破形成持续张力。整体上看，高投入、高收益的规模定律仍在生效，但模型性能随投入规模增长发生边际收益递减，效率创新的重要性逐渐凸显，如DeepSeek采用开源模式工程化创新，实现了低成本媲美顶尖模型的效果。同时，效率突破带来的算力成本下降也引发一个悖论：主流模型推理词元输出成本在过去三年下降99%，成本的极度收敛反而刺激了更广泛的使用场景和更高的收入产出，形成技术迭代推动应用普及的正向循环。

二是全栈软硬件协同是竞争力的真正