AI浪潮下的知识生产范式变革
《光明日报》2026年4月10日
自20世纪中叶萌芽、于21世纪第二个十年爆发并席卷全球的人工智能革命，既是科技变革与产业革新，也深刻映射出人类知识创造模式正在经历一场深刻转变。这一演进历程，促进了"科学"向"知识"的本位回归，使其重返本应具备的整体性、关联性、开放性、多元性及包容性特质。
01
知识创造模式向复杂性科学演进
革命，意味着根本性且颠覆性的变革。人工智能科学技术历经八十年发展，可划分为两大阶段：前期阶段遵循符号逻辑路径，催生了计算机；后期阶段则转向联结主义方向，构建神经网络模型与机器学习算法，成功通过图灵测试。这一阶段的转换，不仅是方法论上的工具延伸，更是认识论层面的观念革新，彰显了知识创造模式的变迁。
符号逻辑作为人工智能的初始思想路线，其主张只要攻克自然语言处理即符号化难题，依托少量基本公理与定义，凭借计算机强大的运算与存储性能，通过数理逻辑及博弈论推演，便可演绎出全新定理与推论。然而该方法仅能解决小规模简易问题，一旦问题规模扩张、趋于复杂化，其搜索空间便呈指数级膨胀，完全无法应对现实世界的实际难题。联结主义则放弃了为机器灌输逻辑规则的思维，转而模拟人脑生物神经网络构造，以感知器替代神经元，以并行电子电路仿效神经元连接。人工神经元网络结构呈多层布局，因而得名"深度神经网络"。信息分布式存储于整个人工神经网络之中，每个人工神经元所保存的参数值即构成神经网络的"记忆"。伴随反向传播算法的问世，人们得以通过预训练微调非循环多层神经网络，模拟人脑开展"机器学习"，学习过程即调整每个人工神经元内保存参数值的过程。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、全局并行的深度神经网络，在整体观察与强化学习进程中自动提取图像的语义特征。初期可能仅识别出小块图形的组合语义特征，经反复训练便可逐步感知图形的整体组合特性，进而形成概念、意义，辨识规律并作出判断。这种机器"认知"近似于人类在实践中累积经验的过程，正因如此，有哲学者将人工智能称作"经验主义者"。2016年，"阿尔法狗"击败人类围棋选手并保持不败战绩，但其落子原理至今仍未被彻底阐释。以可解释性为目标的科学，自诞生以来首次面临难以解析的人工智能技术，这种"不可解释性"恰恰印证了经验主义知识创造模式的特性。
纵观人类文明进程，知识创造模式经历了从经验主义到科学主义的跨越，正朝着人机协同混合模式演进。早期知识根植于个体经验，狩猎技能、农耕经验、手工技艺以及天文地理、气候历法、为人处世等生产生存知识，经口耳相传与文字记载缓慢积淀，形成经验主义知识创造范式。自伽利略开创"实验+数学"的科学研究范式，至牛顿建立经典物理学体系，自然科学和社会科学学科群应运而生，知识创造步入"逻辑实证主义—假说演绎主义"阶段，客观实证、精确量化、分析归纳的知识创造方式逐步占据主流。爱因斯坦提出的狭义相对论与广义相对论，对物理学实现了深刻变革。而复杂性科学中非线性、混沌、涌现等理论的探索进展，以及量子力学"不确定性原理"的提出与确证，均进一步动摇了经典物理学决定论、还原论的根基。这些都为人工智能大模型与机器学习算法奠定了认识论基础。从形式上看，人工智能从海量数据中发掘规律、提炼知识的过程，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退。但这绝非对古代经验主义知识创造模式的简单重复，而是线性实证科学知识创造方式向非线性复杂科学知识创造方式的转型与螺旋式升华。
02
知识形态走向立体互联，全民共担
知识形态指知识呈现的存在形式、表现方式、结构特性与传播机制，其会随时代演进与人类认知能力提升而动态变化，这种变化集中体现为知识所依附的物质载体的演进。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。文字诞生后，知识被刻录于兽皮、青铜器、竹简等平面载体之上，得以固化与跨时空代际传承。纸张与印刷术的发明，进一步拓展了知识的传播广度与保存时长，并催生了近代科学，使零散碎片化留存的知识形态构建起系统化关联。计算机、互联网及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。伴随信息理论与计算机科学的建立，"数据—信息—知识"一体化的表达与传播机制得以确立，知识开始展现为可快速检索、流动交互的立体形态。数字时代的开源社区、在线协作平台，使知识创造成为全球参与者的协同活动，知识传播呈现出去中心化、实时性的特征。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的数据重组，这极大变革了知识的组织形式与结构特征。而镜像虚拟、数字孪生、元宇宙技术的综合运用，更是将知识的立体交互、快速迭代、协同共创推向全新境界，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多基于生产生活的经验归纳，依赖直觉、类比、具象化等思维方式，形成零碎、分散、易于遗失变异的地方性知识，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播散。知识创造掌控于少数统治阶层与精英学者手中，依赖师徒传承或特定阶层的教育播散，具有精英垄断的封闭形态。现代教育突破阶层壁垒，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、逻辑化演进，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"与"超链接式检索"，思维模式倾向于跨领域关联与快速整合信息，但也引发注意力碎片化与认知表层化的问题，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。
知识形态的演进，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产物。其不仅变革了知识的创造、传播与运用方式，也从经济结构、文化传承、社会阶层、思维模式等多个层面深刻重塑了人类社会与文化的面貌。早在20世纪中叶，法国哲学者福柯便提出"知识即权力"，认为知识形态的变迁直接影响权力的配置。在人工智能时代，掌控数据、算法等核心知识资源的主体（如科技企业、掌握数据的政府组织），其影响力远超传统权力主体，"算法权力"等成为新兴的权力形态。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。
还应注意到，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固的知识构成、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冲破了地理疆界，人工智能翻译持续突破语言障碍，实现了知识的跨国实时流动，也加剧了不同思想与价值观的碰撞与融合，全球文化同质化与地方性知识边缘化趋势日益显著，对多元文明构成冲击。因此，本土文化保护与自主知识体系构建的重要性愈发凸显。
03
知识门类加快跨界融合
人工智能既是计算机科学的分支，也是一种求解复杂问题的新范式，汇聚了多学科知识。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、脑科学等为知识根基；语言大模型不仅依托于数学统计学，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介入。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，每个学科拥有各自的概念、定理与研究方法，形成严谨的层级架构。由国家、大学或企业主导的专门化、标准化、规范化、规模化的科学研究，成为知识创造的主要形态。20世纪的知识增长，则呈现出既高度分化又高度综合的特征，学科交叉持续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，也筑起了"科学"的壁垒，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"，极易陷入"只见树木不见森林"的盲人摸象式知识创造的死胡同。人工智能革命的爆发，本身就是突破传统"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盛。生成式人工智能工具（如文献分析、自动翻译）的应用，降低了专业壁垒，使非专家也能参与知识创造，"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世纪的知识创造正全面走向综合整合。
世间并非仅有科学。在人类文明史中，科学的出现仅是近几百年的事。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创造更为深刻的意义。
04
知识创造效率跃升背后暗藏风险
人工智能革命极大提升了物质与精神产品的创造效率，其本质是人工智能辅助科学研究（AI4S、AI4SS）大幅压缩了知识创造所需的时间。长期以来，科学发现主要依赖科学家的大胆假设、反复试验、分析比较、谨慎验证，这一过程需要处理与分析海量数据。传统的人工方法耗时耗力且易出差错。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、全视野推理方面具备显著优势，能够高效分析处理数据，发现潜在规律，预测未来走向。譬如，在天文学研究中，人工智能可自动分析每日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，人工智能可快速分析历史气候数据、地球与大气物理数据，构建气候模型，更为精准地预测未来短期与中长期气候变化；在化学实验中，人工智能可预测不同化学反应发生的可能性，优化实验流程，减少试错环节；在材料科学领域，人工智能可从大量材料数据中提取材料特性与性能的关系，筛选出最具潜力的材料。
必须指出的是，人工智能应用虽能极大提升知识创造效率，但单纯依靠人工智能无法产生原创性新知识。人工智能的运行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上的数据关系提炼，是对不超出机器学习范畴的已有信息的"重组"或"深加工"，属于"有中生有"而非"无中生有"。人工智能下围棋所向披靡，但无法创造围棋这类游戏；人工智能在吟诗作画、撰写文章、进行设计方面，虽能在韵律、意境上表现不俗，在色彩、构图上展现独特风格，但这些"创新"实际上均遵循既定"套路"，甚至是"高科技剽窃"。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"，以及制造"伪知识"、垃圾知识等问题也引发严重困扰。例如，人工智能对某些问题的回答因逻辑自洽而看似权威，但其是否真实准确却难以评判；人工智能还会迎合使用者的意图作答，即便在辩论中摆出看似对立的观点，实际上仍是顺着使用者的思路编排而成，这是因其并未真正"理解"所生成的内容。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整，引导与规范人工智能系统的输出结果，使其最大限度契合人类价值观与利益。但显然这也是一个只能无限接近、难以彻底达成的理想目标。我们为甄别真伪与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紧迫任务。人工智能素养可分为技术认知、工具应用与伦理评估三个层面。技术认知指对人工智能基本属性与功能具备初步认知；工具应用指具备在不同情境中熟练运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，识别其潜在偏见与风险，并能基于伦理准则与价值规范，合理选择并运用智能技术参与社会构建。
05
知识创造主体于人机协同中重构
人工智能参与知识创造，是否改变了人作为知识创造者的主体地位？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运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"的成果。也就是说，人工智能的作用与地位仅是工具或助手，知识创造主体依然是人。
然而，在人工智能被拟人化"科普"甚至神化宣传的氛围中，人类作为知识创造唯一主体的地位正持续削弱。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方，无论多么自动化、自适应的机器，终究是被动方。一旦接受将人机关系平行乃至倒置的观念，必然助长盲目乐观或莫名恐慌的社会心理，长此以往将潜移默化地抑制乃至消解人类的创新创造能力。人工智能驱动的知识创造以效率与规模为指向，显性知识（可编码、数据化的事实）极大压缩了缄默知识（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，批判性思维能力与跨领域知识整合能力将会显著衰退。因此，对于人工智能参与知识创造，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。生命体与非生命体之间，存在着一条不可逾越的界限。生命的起源与意识的本质，是人类至今尚未完全破解的科学谜题。作为生命体的人，天然具备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塑造的结果。人的学习可分为模仿、理解、创造三个层级。人仅需少量信息便可完成推理判断；而机器缺乏自我意识，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，模型越大所需数据越多。机器学习仅相当于人类学习中最基础的模仿阶段，无法实现对内容的真正理解，更遑论创造与创新。
人工智能领域存在一个"莫拉维克悖论"：普通人认为困难复杂的问题，如高阶复杂计算、多变量逻辑推演，人工智能易于解决，仅需少量算力；而普通人看来极为简单的问题，如模仿人的无意识动作或本能感知，人工智能反而难以攻克，需要巨大运算能力。这一现象，凸显了人类智能与机器智能之间的本质差别。人的智能不仅表现为逻辑推理能力，其先天禀赋还涵盖自由想象力与直觉判断力，具备同理心与共情能力，这些是人类创造力的原始动力与源泉。人还会疲劳、遗忘、突发奇想、情绪化，这些"缺陷"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。
人工智能的终极价值在于拓展而非替代人类价值。人工智能所能替代的仅是"工作"，而非"人"本身。人工智能将人从技术要求高、重复性强的劳作中解放出来，为人的自由全面发展创造机遇，同时也对知识创造者提出了转型要求。譬如，由期刊拒收人工智能代写论文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革新；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体验、共情能力、审美能力、想象力与创新力的保护与培育。总之，人工智能是人类知识创造的产物，也是人类知识创造的工具。人工智能参与知识创造的过程，正是人机互动互构、重塑知识创造者的过程。
（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）