人类必须承认，人工智能正在改写知识生产的规则

当一篇结构严谨的人类人工学术论文可在数秒内自动生成，当跨语言文献梳理不再耗费数月光阴，必须人类必须正视一个事实：人工智能已实质性介入知识生产，承认产并展现出超越人类传统能力、智能正改甚至重构知识生产规则的写知潜力。面对这一浪潮，识生社会舆论呈现两极分化：一方视其为洪水猛兽，规则担忧思维退化与学术失范；另一方则将其奉为万能钥匙，人类人工却陷入过度依赖与创作边界模糊的必须困境。这折射出一个深层命题：在AI介入下，承认产知识生产的智能正改本质发生了何种异变？驾驭这一力量，不能仅停留于简单的写知“利弊”二元判断，而需从哲学高度审视这场认知革命。识生

技术异化：当“理解”不再是规则知识生成的前提

从历史唯物主义视角审视，知识生产并非孤立的人类人工精神活动，而是植根于特定物质基础、技术手段与社会条件的实践过程。正如马克思所言：“随着科学的进步，基本教育、知识等等，阅读、书写、计算以及商业知识和语言知识等等，就会越来越迅速地、越容易地、越普遍地、越便宜地再生产出来。”知识生产的加速与普及，必然依托于社会生产力与科技的跃升，并深深嵌入社会实践之中。人工智能正是在这一脉络中，重塑了现代知识生产的技术特征。

1. 生成机制的断裂：从“理解”到“预测”

在知识生成环节，人工智能无需具备主观性的“理解”。与人类通过意义阐释、逻辑判断来构建知识不同，AI主要依托海量训练数据与算法模型，通过预测“下一个字符或词语的概率”来生成连贯文本。这一机制直接冲击了传统认识论中“理解-判断-知识”的结构预设。

经典认识论认为，知识形成以人的理解能力和实践活动为前提。然而，AI的实践证明，至少在技术层面，知识内容的生成可以脱离“理解”而独立存在。从马克思主义认识论来看，真正的认识仍依赖实践与理解的中介，未经“理解”检验的知识无法自动保证真理性和价值。但不可否认，这种“去理解化”的生成方式，已成为当代学习与研究中不可忽视的技术基础设施。

2. 记忆与调用的外化：突破个体理智的边界

在“记忆”与“调用”环节，AI显著拓展了知识生产的能力边界。依托大规模数据训练，AI使人类长期积累的知识不再受制于个体大脑的记忆容量与调取效率，而是转化为可随时调用、反复使用的技术资源。

相关知识一旦纳入模型训练，便不再依赖主体的回忆与再现，而是作为稳定存在的技术性资源，在不同情境中被即时调动与重组。传统哲学将认识能力限定于有限主体的理智活动，记忆与理解的边界构成了知识生产的内在限制。AI则使知识的保存与调用在技术层面脱离了个体理智的直接约束，将原本属于主体内部的能力转化为外在的、可持续利用的技术条件，从而重塑了知识生产的能力结构。

3. 表达形态的多模态化：超越文本中心主义

在“输出”环节，AI推动了多模态知识形态的兴起，促使知识表达从以文字为中心，转向文字、图像、声音、数据模型等多种形式的协同呈现。这使得许多难以完全文字化的实践经验与操作性知识，得以以更契合其特性的方式被表达和传播。

知识长期偏重文本化，并非因为知识本质只能以文字存在，而是受限于既有媒介条件。多模态输出在技术层面扩展了知识的可表达性，客观上打破了知识呈现形态的边界，使隐性知识显性化、复杂知识可视化成为可能。

范式转型：跨学科协作与反思性深化

生产力与科技的发展奠定了AI参与知识生产的基础。进一步辨析，AI参与的知识生产与传统模式有何本质差异？其独特优势体现在以下三个维度：

1. 知识整合能力的跃升：打破学科壁垒

随着知识总量的爆炸式增长，以亚里士多德为代表的“百科全书式”学者已退出历史舞台，取而代之的是高度专业化的研究者。传统人类知识生产受限于个体经验与学科壁垒，而AI在整合处理大规模知识方面具备显著优势。它能够以前所未有的效率掌握跨学科知识，推动跨领域、跨学科的知识融合与创新，弥补人类认知带宽的局限。

2. 协作实践的重塑：知识生产的民主化

从社会认识论角度看，知识生产本质上是社会协作的结果。AI有效降低了知识生产的参与门槛，使非专业群体和基层实践者得以进入知识生产过程。马克思曾指出，在资本主义社会中，“知识和劳动彼此分离，于是知识作为资本或富人的奢侈品同劳动相对立”。而在AI时代，知识生产不再仅是少数专家的特权，而是演变为一种人机协作下的社会协作实践。这种变化有助于打破知识垄断，推动更广泛主体参与知识共创。

3. 反思维度的扩展：从“求真”到“求效”

在传统知识生产中，人主要反思自身的认识活动与知识产品；而在人机共创条件下，反思对象被扩展至“人类能否更好地使用AI生产知识”。这一反思具有双重引领性：
* 生产力层面：通过辨别、反思并修正AI的“幻觉”与错误，提升AI作为知识生产工具的技术水平。
* 生产关系层面：探索人机共创的具体分工协作模式，优化知识生产的社会结构。

因此，AI必然要求人类加深反思，在确证人类主体地位的同时，推动技术与知识生产实践的未来发展。

实践路径：在检验中释放AI的知识生产潜能

潜能不会自动转化为现实。根据历史唯物主义对社会现实客观性的强调，技术本身不直接决定社会现实，关键在于技术如何嵌入具体的制度结构和社会实践。激发AI知识生产潜能，核心不在于“多用技术”，而在于“用对方向”，构建清晰、合理、可持续的实践路径。

1. 强化客观性：构建可信的知识生成机制

AI生成内容不以认识论意义上的客观性与真实性为直接目标，而是倾向于在统计意义上实现表达相似性。因此，必须通过制度化和技术手段约束与校正生成结果：
* 引入检索增强生成（RAG）：促使AI在生成内容时主动查阅可靠外部资料，减少凭空捏造。
* 强化“拒绝回答”训练：在训练数据中纳入大量无法回答或事实错误的示例，使模型学会承认知识的不完备性。
只有在完善模型训练、验证机制和责任界定的基础上，AI生成的内容才能为知识生产奠定必要的客观前提。

2. 严守价值边界：防范意识形态风险

AI作为高度社会化的技术，其知识生产不可能处于价值真空中。算法选择、数据来源与应用场景均体现特定价值取向。激发AI潜能，必须牢牢把握伦理与价值边界，特别防范意识形态风险。只有将AI知识生产纳入清晰的价值规范，才能确保其服务于公共利益和社会发展，而非成为生产垃圾信息与错误内容的消极工具。

3. 服务理论建构：助力自主知识体系形成

知识生产具有鲜明的时代性与社会指向性。AI潜能的真正发挥，不在于生产碎片化信息，而在于服务于系统性理论积累。随着AI技术发展，应将其纳入中国自主知识体系建设的宏观框架，围绕中国现实问题、实践经验与发展道路展开，推动理论创新与实践探索的良性互动。

4. 回归现实实践：在应用中检验与修正

任何知识生产都必须回到现实实践中接受检验。AI的知识生产，只有在同现实问题的深度结合中，才能不断修正偏差、提升质量。从农田病虫害识别到城市交通监控，从医疗影像辅助诊断到工业参数优化，这些具体场景既是AI运用知识生产能力的平台，也是其过滤“幻觉”与偏见的滤网。只有让AI深入复杂、动态的现实实践，才能避免其产物沦为空中楼阁，从而更好地推进认识与实践的共同发展。

（作者单位：复旦大学马克思主义研究院）

(责任编辑：热点)