人工智能，尤其是大语言模型与机器学习系统的迅猛发展，正在深刻改变知识生产的结构。与其将这一发展理解为对人类认知的替代，一种更具解释力的观点认为，未来将呈现为人类与人工智能之间的协同体系。笔者主张，这一转变不仅是一种技术进步，更是一种认识论层面的结构性重构：知识不再由单一主体通过线性推理产生，而是在多主体互动中，通过候选生成、筛选与解释的循环过程形成。更进一步地说，人工智能的引入并未改变推理的目标，却改变了推理的组织方式。在这一框架下，人工智能主要承担结构探索与候选生成的功能，而人类则负责理解、判断与意义赋予。通过对数学与科学实践的考察可以表明，人机协同已经成为现实，并正在重塑推理的基本结构。
这一转变在陶哲轩（Terence Tao）的相关论述中表现得尤为突出。他指出，人工智能最重要的影响，并不在于单个任务的自动化，而在于新的集体推理形式的出现。传统上由个体或小规模团队完成的知识生产，正逐渐转变为嵌入复杂互动网络中的分布式过程。在这一过程中，推理不再沿着单一路径展开，而是通过多路径探索与持续筛选逐步收敛。人工智能通过扩大探索空间、加速试错过程以及促进认知协调，使这一结构成为可能。与此同时，人工智能领域的重要研究者也逐渐趋于一致判断。德米斯·哈萨比斯（Demis Hassabis）将人工智能视为推动科学发现的通用引擎，而山姆·奥特曼（Sam Altman）则将其描述为人类推理的辅助系统。即便是更为谨慎的观点，如杰弗里·辛顿（Geoffrey Hinton），也承认短期内最现实的发展路径在于人与机器的互补关系。这一共识的哲学意义在于，它迫使我们放弃将智能理解为单一能力的传统观念。
当前的人工智能系统在数据处理与模式识别方面具有压倒性优势，但在概念创新、长程推理以及意义评估方面仍依赖人类判断。因此，人机协同并非简单的功能分工，而是一种结构性的重组：推理过程被分解为若干相互关联的阶段，不同阶段由不同主体承担，知识则在这些阶段之间的循环互动中生成。由此，知识不再是单一主体的产物，而是一种分布式认知结构的结果。这一结构性的转变，构成人工智能时代认识论上的根本变化。
上述认识论结构并非抽象设想，而是已经在数学与科学实践中获得具体体现。数学由于其严格的正确性标准，提供了尤为清晰的案例。形式化证明助手（如Lean）的发展，是这一转型的核心表现。Lean 是近年来广泛应用的形式化证明系统（主要发展于2010年代后期），它使数学论证能够以完全形式化的语言表达，并由计算机逐步验证其正确性。这一技术并未消除人类的作用，而是重构了数学工作的内部结构：人类负责问题设定与整体理解，机器承担细节验证与形式推理。由此，证明过程被分解为“构思—展开—验证”等多个阶段，其中不同阶段的认知负担被重新分配，从而缓解了长期存在的验证瓶颈。
这一协同模式已经进入研究前沿，陶哲轩等人的工作表明，形式化系统已开始用于表达与验证当代研究成果。同时，DeepMind开发的系统在2023—2025年间已能够处理接近奥林匹克水平的问题，将非形式推理转化为严格的逻辑结构。这些成果表明，机器不仅能够执行既定推理步骤，还能够参与到推理路径的生成之中。
大规模协作进一步强化了这一趋势。由高尔斯（Timothy Gowers）发起的Polymath Project表明，复杂问题可以通过开放式、多主体协同解决。在这一模式中，知识的产生依赖于持续的意见整合与路径修正，而非单一推导过程。随着自动化推理工具的引入，这一结构进一步演化为人机共同参与的动态系统。类似的结构在科学研究中同样显现。DeepMind开发的 AlphaFold显著提升了对于蛋白质结构的预测能力。然而，其真正意义并不在于替代实验或理论解释，而在于将预测过程嵌入科学研究的整体流程之中，从而改变假设生成与验证之间的关系。
更具决定性意义的，是理论物理学家布伦纳（Michael P. Brenner）等人2026年的研究。在该研究中，人工智能系统通过神经—符号混合架构，在问题求解过程中生成并比较多种解析方法，而非仅仅输出单一答案。这意味着，人工智能不仅参与结果的生成，而且进入了“方法空间”的探索。在这一过程中，不同方法之间的竞争与选择成为知识产生的关键环节，而人类则负责对这些方法进行理论解释与整合。这一案例表明，科学发现的结构已经发生变化。知识的产生不再是从单一路径推导出结论，而是在多种可能方法之间进行系统探索，并通过持续筛选与整合逐步确立结果。由此，推理过程呈现出一种循环结构：候选生成、路径比较与理论解释相互交织。人工智能在其中承担探索与生成功能，而人类则负责理解与判断。
因此，无论在数学还是科学中，知识生产都表现为一种分布式认知结构。在这一结构中，认知活动被分布于不同主体之间，而知识则在这些主体之间的互动中逐步形成。人工智能的作用，不在于取代人类，而在于改变这一互动结构的形式与范围。
人机协同不仅改变实践方式，也重构知识的认识论基础。首先，可靠性问题变得尤为突出。人工智能系统可能生成高度可信却错误的结果，这使得传统依赖直觉与经验的验证方式不再充分。因此，新的验证机制成为必要条件。在数学中，这表现为形式化证明系统的引入；在科学中，则体现为更加严格的实验与交叉验证。其次，可解释性问题对“理解”的地位提出挑战。在某些情形下，形式正确性可以替代直观理解，但这种替代是有限的。特别是在理论科学中，解释不仅是附加价值，而且是知识本身的重要组成部分。因此，人机协同必须在形式正确性与理论理解之间维持张力，而非简单以一方取代另一方。此外，过度依赖人工智能的风险亦不可忽视。随着系统能力增强，人类可能逐渐失去独立判断与批判能力。因此，人机协同的关键不在于最大化自动化程度，而在于维持一种结构性平衡：人工智能提供探索能力，而人类保持对意义与规范的控制。
这一转型还具有制度性后果。专家的概念需要重新界定：研究者不仅需要掌握知识，还需要具备使用与评估人工智能系统的能力。同时，知识生产的基础设施也必须随之调整，以支持开放协作与统一验证标准。
总之，人工智能带来的变化，并不主要体现在效率的提升，而在于知识生成机制的重构。正如陶哲轩所强调的，关键不在于人或机器的优劣，而在于两者如何在统一结构中协同运作。在这一结构中，知识不再是静态结果，而是一个在生成、筛选与解释之间不断循环的动态过程。人机协同不仅扩展了认知能力，也改变了知识的存在方式。这一转变构成了人工智能时代最深刻的认识论意义。
石伟军（西安电子科技大学哲学系副教授）
（本文系国家社科基金项目“弗雷格《算术的基本规律》翻译和研究”（23BZX068）阶段性成果）
