【光明学术笔谈】

　　作者：谷成城 翟锦程（山西大学哲学学院副教授、南开大学哲学院教授）

　　大语言模型因缺乏传统意义上的预设知识库与显性推理规则，人们大多质疑其生成内容是否可被认定为“知识”，这直接触发了人工智能领域的“知识论危机”。然而，大语言模型在跨语言理解、交互对话与常识推理等复杂任务中，展现出对人类认知模式的惊人“逼近”能力。这一深层的矛盾迫使我们追问：在智能时代，“知识”的本质是否需要被重新界定？从海量经验材料中生成可信结论，应当依循怎样的认知规则？

　　中国古典“推类”思想为其提供了启发性认知框架。推类与大语言模型在认知机制上具有深刻的相似性，能够为大语言模型的认知能力及知识生成机制提供有力支撑；同时，推类所蕴含的高阶认知能力，能弥补大语言模型在语境把握与价值判断上的关键不足，为化解其知识论危机提供可能路径。

　　推类与大语言模型的认知相似性

　　作为中国传统的推理论证方式，推类在“万物同理、天人同构”的世界观下，通过辨析物类关系，构建起“依类而推”的关联性归纳认知。大语言模型则通过统计不同语义单元在海量文本中共同出现的概率，结合不同的场景和语境，对下一个语义单元出现的概率进行排序，并从中选择最优解，本质上也是一种基于统计关联的归纳过程。可见，二者在认知的底层逻辑方面呈现出结构性相似：均不依赖显性的演绎规则，而是通过对经验中关联模式的把握进行推断。

　　物类关系构成了推类的理论基础。古人根据经验观察将万物各归其类，体现了从特殊到一般的抽象归纳过程。从一般属性看，万物可分阴、阳两类，且具有对立统一关系；从特定的共同属性看，万物均可归入金、木、水、火、土五类，且具有相生相克关系；从特殊属性来看，不同事物可以依据“有以同”的标准划入不同的子类。推类正是对这一理论的实践运用：通过“以类取”，获得对事物的整体认知；通过“以类予”，实现不同类事物间的跨类推理。这一过程不仅生成了新的知识，也会持续反馈和修正既有的分类框架，从而实现从零散直观经验到系统理性知识的认知升华。正是通过推类这一融合认知与实践的推理论证方式，中国古人构建起一套完整且长期指导生产实践的传统知识体系。

　　大语言模型的运作机制与之形成呼应：它将自然语言转化为离散符号，通过嵌入技术将语义关联映射到高维向量空间，借助向量间的相似度计算与概率建模，完成新内容的生成与预测。当训练数据的规模、多样性及模型参数规模突破特定阈值时，模型将涌现出类人的认知能力，使其可以高效完成零样本或少样本的复杂推理任务。本质上，这种涌现的认知能力源于对海量语言数据的深度习得，由此构建起对语义关联、结构模式与语境约束的直觉性把握，形成一种隐性的、关联式的知识表征。

　　但是，大语言模型基于统计关联和概率预测所生成的内容，因其“知其然而不知其所以然”的内隐推理机制，难以在传统知识论框架下被认可为知识。这促使我们必须重新审视智能时代“知识”的本质，因为其不仅关乎人类知识论的边界，也决定着我们能否真正将大语言模型发展为人类认知的协作伙伴。

　　“亲知”与“为知”：人工智能知识论的演进方向

　　知识论始终是哲学的核心议题。从柏拉图认定知识是“得到辩护的真信念”，到近代理性主义与经验主义的争论，再到当代将知识定义为“命题的逻辑一致性”“具有可证性的命题”“解决问题的工具”等，知识论始终围绕“确定性”“合理性”“合法性”等标准展开，经历了从追问“知识本质”到探讨“如何获得与运用知识”的问题域演进。然而，以大语言模型为代表的生成式人工智能正在更新知识生产模式，传统知识论缺乏足够的解释力：其一，传统认知框架以人为主体、物理世界为客体，知识是世界的“镜像”。但人工智能的认知范式是无主体的，也无法同物理世界直接接轨，与传统的主客二分的认知范式截然不同；其二，传统知识论追求“真”，而大语言模型追求最优解。传统知识论流派均无法为其提供无缺陷的知识确证方案；其三，西方传统知识论将知识的本质界定为“推理”或“经验”的做法，无法为大语言模型的“涌现”认知提供有力解释。当西方传统知识论难以解释大语言模型的认知机制时，在认知方式上与之具有深层相似性的中国逻辑思想中的“推类”，或可为理解与建构人工智能的认知基础提供关键的理论路径。

　　作为中国古代唯一一部成体系的逻辑学著作，《墨经》系统构建了“推类”知识论基础，为我们审视大语言模型的认知机制提供了极具启发的参照系。从知识本质看，认知能力是生命体具备的要素，即“生，刑与知处也”。但对于缺乏生命与感官系统的大语言模型，我们并不能否认其在特定条件下涌现出的“认知能力”。从知识阶段看，“知”经历了从“接”到“明”的跃升。人与具体事物接触获得感性认识，通过心灵的分析、整理和论述，达到理性认识，从而使认知显著而透彻。《墨经》专门创造了新字“𢜔”（同“智”）来指代这种“明知”。大语言模型虽无心灵，但其算法通过海量数据的统计分析实现“涌现”，本质上可被视为一种“明知”过程。一旦实现此种认知跃迁，模型便能够进行少样本乃至零样本的学习与推理。从知识来源看，海量数据库对应的是其卓越的“闻知”（别人传授所得）能力。模型根据习得的“模式”进行知识迁移，在海量数据和算力的支持下“涌现”出“认知能力”，这一过程相当于“说知”（推理所得）。尽管大语言模型无法直接获得“亲知”（实践所得）能力，但通过提示和微调，可将实践性知识以“二手亲知”的形式反馈给模型，进而增强其认知的准确度与深度。从知识层次看，基于对语言符号的分析，大语言模型可以达到甚至超越人的“名知”（对概念的认知），但因缺乏“具身”无法获得“实知”（对物理对象的认知）与“合知”（对名实相合的认知）。墨家将“为知”（对知行合一的认知）视为认知的最高境界。《墨经》有言，“为，穷知而县于欲也”，意指人须基于自身的需求与意愿，在实践中穷尽知识、阐明事理，方能真正实现知识的运用。大语言模型并无动机和欲望，因此对知识的把握不可能到达“为知”的层面。

　　从《墨经》中可见中国传统知识论的整体取向：它不仅追求“求真”的理性智慧，更融合了“求治”“求善”的实践导向。从“知行合一”的视角审视，生成式人工智能的知识获取路径本身具有合理性，但其缺失的具身认知能力与真正的知行合一能力，正是中西方知识论的关键分野。因此，以推类知识论为理论指引、推动大语言模型技术向“亲知”与“为知”的认知层次演进，这应成为人工智能大语言模型发展的核心方向。

　　“具身—自反—价值”的认知协同

　　人工智能大语言模型正在更新人类的知识生产范式。我们应从中国传统知识论视角出发，将知识的生成与运用根植于人类的实践活动，以弥补其在认知能力上的关键不足，推动其走向“求真”“求治”“求善”相统一的知识建构。

　　首先，破解人工智能“亲知”“实知”“合知”的匮乏问题。当知识生成脱离物理对象时，就容易生产出表面合理但实质错误的内容。当前人工智能基于人类的反馈并对生成内容进行修正的普遍解决方案，存在先天不足：缺乏实际的“身体”无法同物理世界接触，不具有意向性，因而不能理解物理定律与人类意图，最终导致生成看似合理但实际无法践行的结论，造成“徒劳无功”的认知偏差。破解这一困境的有效方式在于推进具身化路径。例如通过“脑机接口”等交互技术，赋予人工智能“亲知”能力，在与物理世界的持续互动中逐步建构“实知”与“合知”。这不仅能让人工智能的知识体系扎根于物理世界的客观规律，更可使其承载起协调人与世界、贯通理论与实践的智慧，从而迈向真正意义上的认知完整。

　　其次，依托推类的谬误审查理论，建立知识的校验机制。《墨经》指出，运用推类须注意语言的歧义性、类别的差异性以及因果的多样性，否则会造成结论“流而离本”。当前大语言模型的生成依赖统计关联的“快思考”，虽引入“思维链”技术试图使其“慢思考”，却未能根本消除幻觉。因此，可尝试融合“快”与“慢”的认知机制：构建基于“言多方、殊类、异故”的审查框架，通过知识图谱引入、上下文回溯、因果建模等方法，对生成内容进行语义一致性、类别合理性与因果可靠性的二次校验。这实质是为模型赋予一定的知识自反能力，从而系统性地抑制幻觉产生。

　　最后，借助推类的道德评价标准，搭建价值理性的内生框架。由于不具备“为知”能力，大语言模型在知识的生成与运用中缺乏实践与价值的引导，致使其缺乏“内省”能力与“责任意识”。为加强人工智能伦理安全监管，当前科技工作者尝试通过人工数据筛选、建立奖励模型等方法进行干预，然而，力量和效果仍较为有限。推类的道德评价标准可为大语言模型生成“向善”的知识提供借鉴。其一，强调论证主体须具德性，将道德正当性置于纯粹逻辑真值之上；其二，要求“依类而推”中的“类”本身符合伦理映射，如五行与五伦、五常的对应；其三，确保论据选择与结论生成皆不偏离道德规范。这意味着，推类在推理的每一环节均设立了价值审查机制，使其结论始终贴合伦理标准与社会期许。借鉴推类思想，可通过引入德性知识图谱、构建正反向结合的价值敏感奖励模型等技术手段，在大语言模型生成的全过程中系统嵌入伦理约束。这有助于推动人工智能的认知范式超越纯粹的工具理性局限，逐步实现工具理性与价值理性在实践中的辩证统一。

　　总之，当前大语言模型的知识建构仍处于“无具身”“无自反”“无价值”的表层模拟阶段，仅能作为知识生成与整合的辅助工具。人工智能不是要取代人类，而是要与人类深度协作。只有将人类独有的具身认知能力与人工智能结合，通过技术手段建立知识自反机制以及价值导向和约束机制，才能构建一个“具身—自反—价值”的人机知识协同体。

　　人工智能技术的发展不应仅追求算力与参数的线性增长，还可尝试从中国传统的归纳智慧中汲取源泉，以逐步突破其工具性局限，并成为人类构建知识体系的强大协作者。推类不仅是理解传统认知方式的钥匙，更可能是下一代人工智能实现认知跃迁的重要思想资源。

　　《光明日报》（2026年03月02日 15版）