人工智能究竟能否生產知識，光明日報理論版近期刊發的系列文章給出了不同回答。無論肯定還是否定，相關討論多把“知識”視為一個整體並作出總體判斷，較少區分不同知識活動在創新要求與確証方式上的差異。本文認為，人工智能已經參與知識生產，但其作用與邊界因知識類型而異﹔生成內容要成為知識，須經過相應的社會確証。從知識社會學視角考察不同知識活動對情境判斷、實踐經驗和社會確証的要求，有助於解釋人工智能為何在這些活動中發揮不同作用，並為討論人機分工、責任歸屬和日常使用中的內容核驗提供依據。

知識生產需要分類考察

知識的創新、傳播與應用彼此關聯，卻承擔不同的認知任務。把已有道理向更多人講清楚，可以擴大知識的社會影響﹔提出此前尚未形成的科學解釋，則可能改變人們對世界的認識。評判人工智能在知識生產中的作用，應區分知識傳遞的效率與知識創新的增量，並考察其在不同知識活動中承擔的任務。

不同知識活動之間的差異，可以從創新要求與確証方式兩個維度辨析。一個維度是創新要求，據此可區分事實性知識與創新性知識。事實性知識是指已經確立、可供傳播和應用的存量知識，其整理與復用重在准確和完整﹔創新性知識是指突破既有認知邊界、推動認識更新的增量知識，其提出與確証重在原創和可靠。另一個維度是確証方式，由此可區分日常知識與專業知識。日常知識主要在生活實踐和經驗交流中形成，其有效性通過實際運用、他人反饋與社群評價得到檢驗﹔專業知識則更多依照專門的方法與規范形成，結論應按本領域的標准接受檢驗和同行評議。

將上述兩個維度交叉，可得到四種知識的理想類型：事實性日常知識、事實性專業知識、創新性日常知識與創新性專業知識。生活中長期積累並得到社群認可的經驗，如料理家務技巧，屬於事實性日常知識﹔經過專業檢驗得到共同體確認的既有成果，如牛頓運動定律，屬於事實性專業知識﹔日常實踐中形成並經檢驗的新經驗辦法，如居民在社區治理中形成的新議事辦法，屬於創新性日常知識﹔通過專業研究形成並經檢驗的新發現新方法新解釋，如新材料特性的發現，屬於創新性專業知識。

知識類型不同，人工智能的參與方式與評價標准也有所區別。就事實性知識而言，人工智能主要承擔既有知識的復用工作。解釋生活常識時，可以快速整合信息，但要看生成內容是否准確、是否適合具體情境﹔整理專業成果時，可以提高資料梳理效率，但應准確呈現原有結論及其適用條件。就創新性知識而言，人工智能提出的新內容尚需檢驗。面對日常生活中的新問題時，可以提出可供參考的思路，其成效如何要在實踐中檢驗﹔參與專業研究時，可以提出假設、輔助論証，但結論是否可靠，必須接受專業檢驗。

能力邊界要到知識實踐中尋找

知識類型的區分表明，生成新內容與形成新知識間存在距離。理解這一距離，需比較內容生成與知識確立的不同邏輯。生成式人工智能依據從海量語料中習得的關聯與模式組織和生成內容，體現的是“算法擬合”的技術邏輯。知識的確立則有賴於實踐與互動中的証據檢驗與共同體認可，體現“社會建構”的社會邏輯。二者的差別在於，前者主要依循統計關聯生成內容，后者要求知識主張具備可靠的証據與充分的論証，並能在具體情境中成立。

生成依據與確証要求的差異，能夠解釋人工智能在復用已有知識與探索新知識時的不同表現。語料中沉澱著大量已經獲得確証的知識成果，復用這些既有知識時，人工智能可以借助已有的確証基礎，從而較易在資料整合與內容解釋中發揮效率優勢。提出新的認識，則需要為新的知識主張提供証據與論証﹔將既有知識用於新的情境，也需要重新檢驗其適用性。這些要求難以僅憑語料中的統計關聯來滿足。

算法擬合與社會建構雖然邏輯不同，在實際的知識活動中卻相互交織。算法的訓練材料、評價標准與使用目的受到社會條件影響，人工智能也能夠承擔社會建構中的部分工作。因此，考察其能力邊界，需要具體分析它能參與哪些環節，又能在多大程度上滿足各環節的要求。鑒於專業知識的確証程序較為制度化，下文以此為例，從問題選擇、証據形成與結論確立三個環節，分析這兩種邏輯的相互作用。

首先，研究問題的形成包含對認知價值的判斷。庫恩指出，常規科學在范式框架內解謎，范式為科學共同體的問題選擇與成果評價提供共同標准。一個問題是否值得研究，與社會需求、資源配置以及研究者的處境相關聯。人工智能可以發現研究線索、提出候選問題，但選取何種問題、賦予何種意義，還需要結合現實需要與學術積累作出判斷。

其次，証據形成與解釋依賴具體實踐。例如，社會科學田野訪談中的沉默究竟意味著認同、顧慮還是其他，要放回互動關系中判斷﹔自然科學實驗中的異常究竟意味著操作失誤還是值得追蹤的新發現，要結合操作條件辨析。人工智能能幫助識別模式和比較不同解釋，但文本中留下的記錄未必包含作出判斷所需的全部信息。調查、實驗與經驗交流的作用，就在於不斷補充情境信息、檢驗解釋，並使研究方向隨新証據調整。

最后，結論確立需要與主張相適應的証據和論証。人工智能可以幫助組織論証、核查材料，甚至預判可能的反駁，在知識確証中承擔部分任務，但論述完整尚不足以確立知識主張。例如，OpenAI最近公布一批由人工智能生成的數學研究文稿，並為其中部分証明提供可由計算機驗証的形式化版本。即便如此，人工智能所証明的命題是否准確對應原問題，仍需數學專家進一步評議。

可見，人工智能能參與知識生產的多個環節，但問題價值的取舍、具體情境的判斷與結論的確立，還有賴於實踐參與和共同體審查。

知識供給的擴大須與核驗能力相匹配

評價人工智能在知識生產中的作用，還應將視野從科學前沿拓展到廣泛的日常知識活動。人工智能在重新組織分散的日常經驗與信息的同時，通過通俗問答將專業知識帶入日常生活，改變了常識獲取、經驗傳遞和問題解釋方式，知識供給由此擴大，獲取門檻降低。但知識供給擴大后，相應的核驗條件與能力未必跟得上。即使是經過確証的專業知識，在人工智能問答中也要結合具體情境檢驗其適用性。例如，使用者通過智能體應用詢問身體不適等問題時，可能會想當然地採納建議，忽略其前提條件。此時，若將核驗責任過多交給使用者，可能造成責任與能力的錯位，使不同群體在核驗能力與資源上的差距轉化為新的知識不平等。

核驗條件與能力的不足，會放大人工智能介入知識生產的風險。一種風險是未經確証的內容被當作知識傳播。這類內容一旦進入公共空間，又未經甄別即被納入新的訓練語料，錯誤便可能反復傳播、累積。另一種風險是長尾知識的隱沒。地方性知識、少數群體經驗與小語種知識資源，如果缺少數字記錄或在訓練語料中覆蓋不足，就更難在生成內容中得到充分呈現。當訓練與評價更多圍繞主流語言和常見情境展開時，模型給出的通用答案便可能忽略特定地方的生活經驗與實際條件，知識與表達的多樣性也隨之受到影響。

因此，對人工智能參與知識生產的治理，應著眼於使知識供給與核驗能力相匹配，並按知識類型與使用后果明確核驗要求。標明內容由人工智能生成，只能提示其生成方式，不能代替對真實性與適用性的判斷。對於日常知識，重在來源核對與適用性判斷﹔對於涉及健康、農業、法律等專業知識的問答，要提示適用條件、標明依據，並提供專業咨詢與轉介渠道﹔對於創新性專業知識，則須接受証據審查、邏輯檢驗與同行評價。核驗要落到實處，還需明確相應的責任歸屬。由誰核驗、誰決定採用、誰承擔責任，應當與各方實際的核驗能力及決策權限相稱。其中，平台與應用機構應承擔相應的質量保障、風險提示和糾錯責任，為使用者核對信息、尋求專業支持提供便利。

總之，回答人工智能能否生產知識，不宜停留於“能”或“不能”的總體判斷，而應區分知識類型，考察其在知識生產中的作用與邊界。在既有知識的整理、解釋與傳播中，它已顯示出明顯的效率優勢﹔在新知識形成中，它可以在部分環節作出貢獻，但生成內容須經相應的確証才能成為知識。人機分工與責任安排，應以具體知識活動的創新要求與確証方式為依據。人工智能越善於生成，社會越需要分清哪些內容已有確証可用，哪些內容的確証尚待完成。

（作者：楊江華，系西安交通大學人文社會科學學院教授、數字社會研究中心主任）