人工智能浪潮下的知识生产新变局

作者：石英

【构建中国哲学社会科学自主知识体系】

自20世纪中期开始酝酿、在21世纪第二个十年集中爆发并席卷世界的人工智能革命，既是一场科技与产业的深刻变革，也鲜明映照出人类知识生产正在经历结构性转型。这一转型推动“科学”重新回到“知识”的广阔框架之中，即回归其本应具备的整体性、关联性、开放性、多样性与包容性。

知识生产方式迈向复杂性科学

所谓革命，意味着具有根本性、颠覆性的深层变化。人工智能科学技术80余年的发展，大体经历了两个阶段：前一阶段遵循符号逻辑路径，催生了计算机；后一阶段转向联结主义路线，提出神经网络模型与机器学习算法，并通过了图灵测试。阶段转换不仅意味着方法论上的工具延展，更体现出认识论层面的观念突破，折射出知识生产方式的深刻转变。

符号逻辑是人工智能早期的核心思路，它认为只要攻克自然语言处理这一符号化难题，依托少量基本公理和定义，借助计算机强大的运算与存储能力，通过数理逻辑和博弈论推演，便能够演绎出新的定理和推论。然而，这种方法只适合处理小规模、简单化的问题，一旦问题规模扩张并趋于复杂，其搜索空间就会呈指数级膨胀，从而难以应对现实世界中的实际难题。联结主义则放弃了向机器预设逻辑规则的路径，转而模拟人脑生物神经网络结构，用感知器对应神经元，以并行电子电路模拟神经元之间的连接。人工神经网络呈现多层分布式结构，因此被称作“深度神经网络”。信息以分布式方式储存在整个网络之中，每个人工神经元所保存的参数值，构成了神经网络的“记忆”。随着反向传播算法的提出，人们得以通过预训练和微调非循环多层神经网络，模拟人脑开展“机器学习”，其学习过程本质上就是不断调整各个人工神经元参数值的过程。以人工智能视觉识别为例，系统不再依赖逐点逐行扫描图像内容，而是借助分布式存储和全局并行的深度神经网络，在整体观察与强化学习中自动提取图像语义特征。最初它识别的可能只是若干小图块组合方式所呈现的语义特征，经过反复训练后，便可逐步感知图形的组合规律，进一步形成概念和意义，识别模式并作出判断。这种机器“认知”与人类在反复实践中积累经验的过程颇为相似，因此有哲学家将人工智能称为“经验主义者”。2016年，“阿尔法狗”击败人类围棋选手并长期保持不败，但其落子决策的工作机理至今仍无法被完全阐明。以可解释性为目标的科学，自诞生以来第一次遭遇难以完全解释的人工智能技术，而这种“不可解释性”也恰恰印证了经验主义知识生产方式的特点。

纵观人类文明史，知识生产方式经历了从经验主义向科学主义的跃迁，如今正向人机协同的混合模式发展。早期知识主要建立在个体经验之上，狩猎技巧、农耕经验、手工技艺，以及天文地理、气候历法、处世之道等生产生活知识，依靠口耳相传与文字记录缓慢积累，逐渐形成经验主义知识生产范式。自伽利略开创“实验+数学”的科学研究路径，到牛顿建立经典物理学体系，自然科学和社会科学学科群随之诞生，知识生产由此进入“逻辑实证主义—假说演绎主义”阶段，客观实证、精确量化、分析归纳逐渐成为主流方式。爱因斯坦提出狭义相对论和广义相对论，深刻改变了物理学面貌。而复杂性科学在非线性、混沌、涌现等领域的推进，以及量子力学“不确定性原理”的提出与证实，又进一步动摇了经典物理学中决定论和还原论的支柱。这些都为人工智能大模型和机器学习算法提供了认识论前提。从形式上看，人工智能从海量数据中发现规律、提炼知识的过程，是由严密精确的演绎推理转向整体性、概率性的归纳推理，似乎表现为科学主义向经验主义的回摆。但这绝不是对古代经验主义知识生产方式的简单回归，而是线性实证科学知识生产向非线性复杂科学知识生产的转型与螺旋式提升。

知识形态走向立体互动

知识形态是知识存在和呈现的方式，涵盖其表现形式、结构特征与传播机制，并会伴随时代变化与人类认知能力提升而持续演进。这种演进尤为集中地体现在知识所依附的物质载体变化上。知识的原初形态，如神话、歌谣、经验口诀等，主要以个体及其语言和记忆为载体。文字诞生后，知识被记录在兽皮、青铜器、竹简等平面媒介之上，从而实现固化，并能够跨越时空进行代际传承。纸张和印刷术的出现，进一步扩大了知识的传播范围与保存时长，并催生了近代科学，使原本零散碎片化留存的知识形态逐步形成系统化关联。此后，计算机、互联网以及多样化数字媒介相继出现，如数据库、电子书、在线课程等，又承载起数据化的知识形态。

知识形态的数据化起步于人工智能的研发过程。随着信息理论和计算机科学的创立，“数据—信息—知识”一体化的表达与传播机制逐步建立，知识开始呈现为可快速检索、流动交互的立体结构。数字时代的开源社区与在线协作平台，使知识生产变成全球参与者共同协作的活动，知识传播也因此呈现去中心化和实时化特征。生成式人工智能从语言大模型发展到多模态大模型，本质上是机器学习算法推动下的数据重组，这极大改变了知识的组织方式和结构形态。而镜像虚拟、数字孪生、元宇宙等技术的综合应用，则把知识的立体交互、快速迭代与协同共创推进到新的高度，传统平面化、静态化的知识形态几乎被彻底改写。

远古时期的口传知识形态大多建立在生产生活经验总结之上，依赖直觉、类比和具象化思维，因此形成了零散、分布分散、容易遗漏和变异的地方性知识，呈现出不成系统、极不稳定的知识样态。到了文字与书籍时代初期，知识被固定为文本，从而得以在一定时空范围内保存和传播。此时知识生产主要掌握在少数统治者与精英学者手中，依靠师徒承继或特定阶层教育进行传递，表现出精英垄断式的封闭形态。现代教育打破了阶层限制，期刊与传媒推动知识实现更广泛共享，知识传播明显加快，带动人类思维朝理性化、逻辑化发展，形成强调分类、归纳和演绎的系统化、学科化知识形态。进入人工智能时代，人类认知方式更多转向“个性化推荐”与“超链接式检索”，思维模式日益偏向跨领域关联和信息快速整合，但也带来了注意力碎片化和认知浅表化的问题，这一时期的知识形态因而呈现出网状关联、快速流动并趋于碎片化的特征。

知识形态的演变，本质上是人类认知能力、技术工具和社会发展需求三者相互作用、共同建构的结果。它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、社会阶层与思维模式等多个层面深刻重塑了人类社会与文化面貌。早在20世纪中叶，法国哲学家福柯就提出“知识即权力”，指出知识形态的变化会直接影响权力分配。到了人工智能时代，掌握数据、算法等核心知识资源的主体，如科技企业和拥有数据的政府部门，其影响力已远超传统权力主体，“算法权力”等新型权力形态不断出现。权力的本质正进一步向“知识权力”倾斜，同时也引发了隐私保护、算法公平等新的社会议题。

还要看到，世界不同地区、不同民族在历史演进中形成了相对独立且较为稳定的知识结构、文化传统与文明谱系。进入人工智能时代，数字网络化知识形态彻底冲破地理边界，人工智能翻译不断跨越语言障碍，推动知识实现跨国实时流动，同时也加剧了不同思想与价值观之间的碰撞和融合，全球文化同质化以及地方性知识被边缘化的趋势日益明显，对多元文明造成冲击。因此，保护本土文化和构建自主知识体系的重要性愈发凸显。

知识类型加快交叉融通

人工智能既是计算机科学的重要分支，也是一种解决复杂问题的新型范式，凝聚了多学科知识成果。以机器学习大模型的开发为例，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、脑科学等为基础；语言大模型不仅依赖数学统计学，还深度吸纳语言文字学、逻辑学、认知科学等哲学社会科学学科成果。与人类历史上其他技术相比，人工智能是哲学社会科学参与最深、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，是知识演化史上的重大转折。中文中的“科学”本有“分科之学”之义，知识被分类整理为数学、天文学、物理学、化学、生物学等独立学科，每个学科都拥有自身的概念体系、定理结构与研究方法，逐步形成严密的层级架构。由国家、大学或企业主导的专门化、标准化、规范化、规模化科学研究，成为知识生产的主要方式。进入20世纪，知识增长表现出高度分化与高度综合并存的特征，学科交叉持续催生新的知识增长点。到了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的爆发几乎同步展开。

我们可以看到，知识细分在不断深化研究的同时，也抬高了“科学”的门槛，使“科学”在人类知识体系中占据了至高位置。过度细分的专业如果自我封闭、筑起“小院高墙”，就很容易陷入“只见树木、不见森林”的盲人摸象式知识生产困境。人工智能革命本身，正是突破传统“科学”边界、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、社会系统模拟等，需要多学科协同合作，从而进一步推动自然科学、社会科学与人文学科的跨学科研究兴起。生成式人工智能工具，如文献分析、自动翻译等的应用，也降低了专业门槛，使非专家同样能够参与知识生产，“大众学术”由此兴起，并促使“科学”与其他知识形式，如人文和艺术，展开更为平等的对话。这意味着，21世纪的知识生产正全面迈向综合整合。

世界并不只有科学。在整个人类文明史中，科学的出现只是近几百年的事情。相比之下，“知识”所涵盖的人类经验与认知更为广泛，也远比“科学”更具包容性。人工智能推动不同学科彼此交叉、知识结构加速整合，使知识重新获得其应有的整体性、关联性、开放性、多样性和包容性。这也许正是人工智能革命对于人类知识生产更为深远的意义所在。

知识生产效率激增之下也有隐忧

人工智能革命极大提高了物质产品和精神产品的生产效率，其本质在于人工智能辅助科学研究（AI4S、AI4SS）显著压缩了知识生产所需时间。长期以来，科学发现主要依赖科学家的大胆设想、反复实验、分析比较与谨慎求证，而这一过程往往需要处理和分析海量数据。传统人工方法不仅费时费力，也容易出现差错。相比之下，AI4S在实验设计、流程优化、数据处理、模式识别和预测分析，尤其是在高维复杂、全视野推理方面具有显著优势，能够高效分析数据、发现潜在规律并预测未来趋势。比如，在天文学研究中，人工智能可以自动处理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，它能够迅速分析历史气候数据以及地球和大气物理数据，建立气候模型，从而更准确地预判未来短期和中长期气候变化；在化学实验中，人工智能能够预测不同化学反应发生的概率，优化实验流程，减少试错成本；在材料科学领域，人工智能则可从大量材料数据中提取材料特性与性能之间的关系，筛选出最具潜力的新材料。

但必须说明的是，人工智能的应用虽然能够显著提高知识生产效率，却不能仅凭自身生成原创性新知识。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意义上的数据关系提取，是对不超出机器学习范围的既有信息进行“重组”或“深加工”，属于“有中生有”，而不是“无中生有”。人工智能在围棋上几乎战无不胜，但它无法发明围棋这种游戏；人工智能在吟诗作画、撰文和设计等方面，虽然可以在韵律、意境上表现不俗，在色彩、构图上展现独特风格，但这些所谓“创新”实际上依然沿着既定“套路”展开，甚至可视为“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，难以完成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发式增长的同时，其惯常“撒谎”、产生“幻觉”，以及制造“伪知识”、垃圾知识等问题，也带来了不小困扰。例如，人工智能对某些问题给出的回答由于逻辑自洽而显得颇具权威，但其真实性和准确性却难以评估；人工智能还会迎合使用者意图来组织答案，即使在辩论中给出貌似对立的观点，本质上仍是顺着使用者的意思加以编排，这是因为它并不真正“理解”自身生成的内容。人们寄望于在大模型开发阶段实现“价值对齐”，即通过算法与参数调节，引导和规范人工智能系统输出，使其尽可能符合人类价值观和整体利益。但显然，这也只是一个能够不断逼近、却难以彻底实现的理想目标。我们为了辨别真假、清理垃圾信息所耗费的时间与精力，在很大程度上又抵消了人工智能带来的效率提升。基于此，全面提升公众人工智能素养，已经成为智能社会建设的迫切任务。人工智能素养大致可分为技术认知、工具应用和伦理评估三个层面。技术认知，是指对人工智能基本属性与功能形成初步理解；工具应用，是指能够在不同场景中熟练借助人工智能工具解决实际问题；伦理评估，则要求人们具备批判性分析智能工具输出结果的能力，能够识别其潜在偏见与风险，并依据伦理原则和价值规范，合理选择并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构

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，在面对不同使用者时往往表现出“遇强则强、遇弱则弱”的特点，科研效率能否提升，完全取决于使用人工智能工具的人。其所形成的创新知识增量，归根到底仍是人在主导之下“人机协同”的结果。换言之，人工智能的角色与地位始终只是工具或助手，知识生产的主体依旧是人。

然而，在人工智能被拟人化“科普”甚至被神话式宣传的语境中，人类作为知识生产唯一主体的地位正在不断被弱化。有学者甚至将人机协作关系理解为“双主体”。这种误读既不符合事实，也不合逻辑。在“人机互动”“人机协同”“人机共生”的过程中，发出指令、设计算法的人永远是主动的一方，无论机器多么自动化、自适应，其终究处于被动位置。一旦接受将人机关系视为平行甚至颠倒的观念，就必然会助长盲目乐观或无端恐惧的社会心理，久而久之将潜移默化地抑制甚至消解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、可数据化的事实）极大挤压了缄默知识（个体经验与直觉）的空间。过度依赖数据库检索而不是深入思辨，批判性思维能力以及跨领域知识整合能力都将明显弱化。因此，对人工智能参与知识生产，始终应保持“工具清醒”，有必要进一步比较人工智能与人的智能。

人的智能是生命体所呈现出的智能，而人工智能则是非生命机器所具备的功能。生命体与非生命体之间，横亘着一道无法逾越的边界。生命起源和意识本质，至今仍是人类尚未彻底解开的科学难题。作为生命体的人，天然拥有自我意识和主观意志，人的智能是先天禀赋与后天学习共同作用的结果。人的学习大致可以分为模仿、理解、创造三个层次。人只需较少信息便能够作出推理与判断；而机器不具备自我意识，机器学习本质上是算法驱动下的数据关系分析和概率推理，需要海量数据支撑，大模型越庞大，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，既无法真正理解内容，更谈不上创造与创新。

人工智能领域有一个著名的“莫拉维克悖论”：那些普通人感觉困难、复杂的问题，比如高阶复杂计算、多变量逻辑推演，人工智能往往容易处理，只需较少算力；而那些在普通人看来十分简单的问题，如模仿人的无意识动作或本能感知，人工智能反而难以解决，需要极其庞大的运算能力。这一现象恰恰凸显了人类智能与机器智能之间的本质区别。人的智能并不仅仅表现为逻辑推理能力，其先天禀赋还包括自由想象力与直觉判断力，并拥有同理心和共情能力，这些正是人类创造力最原始的动力和源泉。人还会疲惫、遗忘、突发奇想、情绪波动，而这些看似“缺点”的特征，恰恰构成了人工智能永远无法达到的感性能力。“莫拉维克悖论”启示我们：人工智能与人的智能之间，不应是对立和替代关系，而应是各展所长、彼此补充的关系。

人工智能的终极意义，在于扩展而非取代人类价值。人工智能能够替代的只是某些“工作”，而不是“人”本身。它把人从技术难度大、重复性强的劳动中解放出来，为人的自由而全面发展创造新的契机，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写作论文所引发的检测与反检测博弈，可能会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，则预示着人工智能时代的教育应是一种“全人教育”，必须更加重视对人类独有的情感体验、共情能力、审美能力、想象力和创新力的保护与培养。总而言之，人工智能既是人类知识生产的成果，也是人类知识生产的工具。人工智能参与知识生产的过程，本身就是人机互动、相互建构，并重塑知识生产者的过程。