近年来，人工智能的发展引发了一个值得认真讨论的问题：AI究竟只是帮助人类完成检索、计算、写作和分析的工具，还是已经在某种意义上参与了知识生产？一种常见看法认为，AI没有人的意识、情感和生命体验，因此不可能真正理解世界，也就谈不上生产知识。这种看法强调了人与机器之间的重要差异，却也容易把知识的判准过度收缩到人类主观体验之内。

　　问题的关键，并不在于AI是否“像人一样思考”，而在于我们如何理解知识生产本身。现代知识生产从来不只是个体经验的直接表达，而是在工具、方法、证据、模型和共同体规范中形成的认知成果。更恰当的说法是：人工智能正在成为知识生产链条中的生成性力量。它未必以人的方式理解世界，却已经开始推动人类重新审视什么可以被看见、什么值得被研究、什么能够成为知识。

　　讨论AI能否参与知识生产，首先要澄清一个前提：知识的有效性是否必须建立在类似人类的主观体验之上。人的知识当然离不开经验、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，凡是不具有人类体验的系统，就完全不能参与知识形成。

　　从认识论上看，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，并能够在一定共同体中接受检验、修正和讨论。不同学科的知识形态并不相同：自然科学更重视规律、预测和实验验证，社会科学更重视机制、情境和因果说明，人文学科更重视意义、文本和历史解释。但无论哪一种知识，都不能只以个体主观体验为唯一标准。知识之所以成为知识，正在于它能够超出个人感受，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依靠直接体验。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理解；统计模型不会感受社会痛苦，却能揭示人口、疾病、贫困和流动背后的结构性关系。现代知识生产本就依赖仪器、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，又具有新的特征。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，并把这些模式转化为预测、分类、假说和解释线索。也就是说，AI正在从“处理既有知识”进入“生成认知对象”的环节。

　　因此，判断AI是否参与知识生产，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的知识生产意义。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生产的边界。

　　人工智能成为知识生产中的生成性力量，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进入知识生产，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已经进入知识生产链条中的生成环节。

　　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生产，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。

　　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的知识生产功能，已经难以解释正在发生的知识实践。

　　承认AI正在成为知识生产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时代的知识生产，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正在成为知识生产的新力量。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U8国际U8集团、前沿交叉学科研究院教授）