本文来自《哲学动态》2026年第5期“人工智能的哲学研究”栏目

［摘要］生成式人工智能技术的加速迭代催生了知识生产的“生成神话”，导致“认知革命说”在学界盛行。但这种叙事遮蔽了生成式人工智能知识生产的内在限度。相较于表象层面的技术突破，生成式人工智能的物质基础与深层模型的认识论问题更应得到重视。从物质基础来看，现代计算机体系的离散架构从输入端制约了生成式人工智能对经验信息的全面把握。从认知模型来看，生成式人工智能在语义重构与参数爆炸中形成“统计形式”以模拟“先天形式”来处理经验数据。这种模型对经验数据的直接接受逻辑构成了当前技术路线下生成式人工智能的内在逻辑限度，即无法理解“人化自然”这一知识源泉在“实践形式”中呈现为“现实—潜能”的辩证结构。尽管现有研究正试图通过量子计算和范式融合突破既有缺陷，但并没有改写直接性接受逻辑，“实践形式”的关键作用仍未得到应有重视。对此，唯有遵循马克思主义“历史与逻辑相统一”的方法论，才能在技术迭代中把握人类知识生产的科学方向。

［关键词］生成式人工智能；认识论；实践形式；历史与逻辑相统一

生成式人工智能（Generative Artificial Intelligence，以下简称“GenAI”）是指利用从训练数据中学习到的模式与关系来生成新数据的机器学习架构。（参见Feuerriegel，et al.）现阶段，这项技术在写作、绘画、对话等领域表现出强大的内容生成能力，并参与到人类的知识生产过程中。目前学界关于GenAI知识生产的学术研究更多集中在人工智能生成“内容”与人类“知识”的关系上。（参见姜华；阮凯）这种研究路径的隐性前提是以人类知识的标准为AI生成内容划界。但是，随着GenAI内容生成能力的增强，这种外在的判别标准面临着失效的风险。与此相适应，GenAI也日益成为“神话”，似乎它正不断引发知识生产的“认知革命”。然而，对GenAI的认识不能停留在技术表象层面，而必须深入其认识论基础中。因而，只有站在认识论的高度，才能深化对GenAI知识生产本质的理解和把握。基于此，本文立足现代计算机物质基础的离散性架构，通过分析GenAI的技术范式及其技术结构的认识论基础，力图揭示当前技术路线下GenAI知识生产的逻辑限度与未来可能，以期为推动GenAI研究的深入发展提供一种认识论视角下的反思与镜鉴。

一 GenAI技术的物质基础限制：计算机语言的离散性本质

当前学界对GenAI的研究主要集中在它本身的技术能力与运行体系等方面，往往忽视了GenAI赖以运行的物质基础，即通过二进制表示信息的现代计算机。然而，恰恰是这一前提为我们理解和反思当代各类计算机技术的本质提供了重要视角。

二进制语言的特性在于将连续信息转化为离散信息，这种特性源于计算机底层的物理属性。在现代计算机体系中，最基本的信息单位是“比特”（bit），其本质是具有两种互斥状态的离散量，通常用二进制符号“0”和“1”来表征。在物理层面，这种二元性通过数字电路中的电压状态实现：当电压高于某一阈值时，计算机将其解释为“1”，低于该阈值时则解释为“0”。这种“非此即彼”的判定机制构成了计算机底层逻辑的基石——“离散性”（discreteness）。离散系统的核心特征在于其数据由可数的、独立的元素构成，且元素之间不存在连续的中间态。与之形成根本对立的概念是“连续性”（continuity），即在任意两个观测值之间都存在无限个中间状态。而人类的感知系统，如视觉、听觉、触觉，恰恰是以这种连续的方式接收外界信息。例如，在人类的听觉中，声音是一种波动的连续信号，而非一串离散的点。

“连续—离散”的转化模式会不可避免地造成损失。这一点也体现在人类的认识过程尤其是语言符号系统中。当书面文字刚出现时，柏拉图笔下的塔穆斯王（Thamus）就已洞见，文字作为离散符号系统，脱离了连续的人类记忆，使“智慧的真实”让位于“智慧的意见”。（参见柏拉图，第392页）黑格尔则进一步指明，“活生生的语言”已经离开由感官确定性得到的“无损”的世界，不再是内在的、整全的“意谓”，而是变成了具有抽象普遍性的“这一个”。（参见黑格尔，第63页）与人类认识过程会产生“损耗”一样，当连续信号在计算机中被离散化表示时，“信息损耗”也会不可避免地发生。离散化过程的第一步是“采样”（sampling），这一过程可以理解为在连续信号上以一定的间隔取点。尽管提高采样率能减少信息损失，但离散采样点必然导致相邻点之间连续变化的细节的缺失。离散化的第二个步骤是“量化”（quantization）。量化过程是将无限精度的模拟量映射为有限精度的数字值，而量化位数直接决定精度和损失程度。正如相同尺寸下，一张图片的像素点越多，细节也就保留更多。这种信息损失的本质是计算机系统对连续性强制实施的离散逼近。

如果仅仅从“连续—离散”的转化模式及其损耗来看，人类智能与人工智能似乎具有相似的结构。从过程来看，计算机的离散化看似模仿了从感性到知性的认知跃迁，只不过有所损耗——人类也是如此。但是，人类的认知进路始于连续性信号，感官接收的信号虽已经过生理机制中介，但其显现方式仍保有连续性。与此相对，计算机的输入一开始就是离散的，比特系统的二元性从根本上限定了它对现实世界的建模方式。这意味着，当计算机对现实世界进行信息处理时，它不仅仅是“抽象化”或“符号化”现实，而且是在更基础的层面上，对连续性进行了强制性的离散化重构。换言之，人类的知性加工是一种对已有感性经验的抽象化，而在计算机中该过程则是反向进行的，即通过离散系统模拟连续现象。可以说，只要计算机的物理层仍以“比特”为基本单元，其所有层级（从布尔逻辑门到各类应用程序再到人工智能）都将继承离散特性。这就从根本上划定了计算机处理连续信息的边界——任何对现实世界的数字化表征，本质上都是通过可控精度的损失来实现近似建模。对于GenAI而言，这一限制意味着只要仍在现代计算机体系内，GenAI从其输入端开始就无法获取整全的经验信息。然而，人工智能的发展并未因此停滞，而是在这个离散的体系中不断寻找方法来实现“智能”。因此，在讨论GenAI的知识生产问题时，我们不能仅停留在对较为普遍的计算机体系离散性局限的认识上，还必须进一步深入当前GenAI所处的具体技术范式，追问其深层的认识论基础。

二  GenAI技术范式的认识论基础：函数作为先天形式的“拟象”

自20世纪60年代以来，人工智能研究就分化出两种范式：符号主义（symbolicism）与连接主义（connectionism）。（参见Boden，p.18）当前以大语言模型为代表的GenAI主要建立在连接主义范式之上。（参见冯志伟等）这一范式的基本定义是：“一个良定义的函数必然可以由一个神经网络来任意逼近。”（中国人工智能学会，第12页）更精确地说，连接主义是通过基于人工神经网络（ANNs）的机器学习方法来实现人工智能的技术范式，其高级形式“深度学习”之“深度”正是指深层神经网络。因此，人工神经网络架构也被描述为“GenAI强大内容生成能力的源泉”，而这种生成机制的不可解释性也被美化为“涌现式生成”[1]。然而，正如中国人工智能学会所强调的那样，“神经网络学习的不可解释性是这一模型的先天不足，而不是优点。如果对此没有清醒的认识，对科学和人类未来技术都有可能造成破坏性影响”（同上，第14页）。为此我们必须深入连接主义人工智能发展的计算模型与技术路线，对其内部机制加以考察，才能把握其在知识生产中的作用机制。

连接主义人工智能的计算模型可以追溯至冯诺依曼（J.von Neumann，又译作“诺意曼”）。他在1958年的《计算机与人脑》一书中就已经指出，人类神经网络与传统图灵机模型之间存在根本性差异：“神经系统所运用的记数系统，和我们熟悉的算术和数学系统根本不同。它不是一种准确的符号系统······它是一种另外的记数系统，消息的意义由消息的统计性质来传送。”（诺意曼，第58页）他试图表明，主导人类认知过程的并不是逻辑必然性而是统计规律性，后者才是人类神经网络区别于其他系统的关键。冯诺依曼由此预告了连接主义对“智能”的理解：智能并非由先天符号规则构成，而是通过经验学习形成的概率模式。这一假设的首次工程化尝试来自罗森布拉特（F.Rosenblatt）的感知机（perceptron）。感知机的发明被认为是连接主义人工智能发展的重要里程碑，它所采取的单层神经元架构确立了后续人工神经网络工程化方案的基础。

作为早期人工神经网络的奠基性模型，感知机的技术路线折射出对人类经验认知过程的形式化模拟企图。以苹果识别任务为例，当系统通过线性决策函数“w1x1+w2x2≥b→判定为苹果”（其中x1代表颜色，x2代表重量）来学习“颜色≥70%且重量≥120g”是标准苹果时，其技术路线是将人类感官认知中的特征关联性转化为可量化的权重关系。这种建模方式隐含着经验主义认识论假设：智能体通过从经验中归纳出特征权重并加以渐进调整，即可逼近人类的概念形成过程。但是，这一路线很快会遭遇某种限制。假设在这个思想实验中，“苹果”不仅包括“颜色鲜红且重量较大”的样本，也包括“颜色偏青但重量适中”的样本（其他为“非苹果”），那么系统所要学习的就不再是一条单一的经验规则，而是两组不同条件下的共同归属：一方面，颜色鲜红且重量较大者可被判定为苹果；另一方面，颜色偏青但重量适中者同样可被判定为苹果。问题在于，由于单层感知机只能构造一条直线作为决策边界，因此它无法同时满足这两种判定条件。而在上述四种组合中，属于“苹果”的两类样本与不属于“苹果”的两类样本恰好形成一种对角分布，因此无法被一条直线完全分开。这个简单的思想实验所复现的正是明斯基（M.Minsky）与派普特（S.Papert）在其著作《感知机》中提出的批判——感知机的局限在于线性决策无法处理“异或”（XOR）等线性不可分问题。（参见Minsky & Papert，p.265）

从人类智能反观这一技术路线的局限性，问题就变为：为何人类智能可以从经验中得到一个抽象的关联性范畴？这个问题曾经在休谟的著作中得到经典表述：“为什么根据了这种经验，我们就超出我们所经验过的那些过去的例子而推得任何结论呢？······即便在经验给我们指出它们的恒常结合以后，我们也不能凭自己的理性使自己相信，我们为什么把那种经验扩大到我们所曾观察过的那些特殊事例之外。”（休谟，第109页）在苹果判别思想实验中，感知机即使能够从训练数据中归纳出某种“恒常结合”，它所形成的也只是特征之间的线性联系。一旦概念要求把不同条件下成立的对象归入同一范畴，它就会暴露能力上的不足。这意味着，纯粹的经验归纳并不能自动产生对概念的普遍把握。它能够形成的是若干经验特征之间的稳定连接，却未必能够把握支撑这种连接的更高阶组合结构。在这里感知机所遇到的问题正是休谟曾经指明的，即如何跨越从“有限经验”到“普遍知识”的逻辑鸿沟？

基于人工神经网络的连接主义人工智能试图跨过“有限经验”与“普遍知识”之间的逻辑鸿沟，其工程学方案是在单层神经元模型的基础上增设一个“隐藏层”。在这种架构中，输入层负责接收诸如颜色和重量等基础特征，而隐藏层则通过对这些特征的重新编码与非线性变换，形成更高层次的中间表征，从而使原本在线性空间中不可分的样本获得新的可分结构。事实上，这种多层结构正是后来的多层感知机（multilayer perceptron），同时也是当今深度学习所广泛采用的基础神经网络架构之一。需要指出的是，“颜色—重量组合关系”并非直接体现在数据中，而是由隐藏层构建的认知框架，用以组织和诠释经验材料。这一机制在功能上与康德认识论中的“先天形式”具有一定的相似性，即人类依赖先天形式对感性知觉进行组织加工。正如康德所言：“比如，热总是跟随在太阳晒石头之后，因此，经验命题到此为止永远是偶然的。至于热必然来自石头被太阳所晒，这固然是经验判断（用因果性概念的办法）所包含的，不过这是经验所没有告诉我的；相反，经验之产生，首先是由于理智概念（因果性概念）加到知觉上去。”（康德，第72页）换言之，感知机在面对线性决策局限时的工程学改进，与康德依靠先天形式构建普遍知识来解决“休谟问题”的思路具有某种结构上的对应：为了从有限经验中获得普遍知识，必须揭示人类处理感性经验所依赖的先天认知结构，因为单纯从经验中通过归纳得出的结论并不具有普遍必然性。由此观之，多层感知机的认识论意义正在于以隐藏层模拟了先天形式在人类认知中的功能。

但是，这种功能性模拟并非真正地在机器中复现了人类认识过程中的先天形式，毋宁说只是一种表面上的对应。因为隐藏层所构建的认知框架本质上仍然源自人类既有的认知成果，其基础是人们明确标识出青苹果与红苹果均属于“苹果”这一类别的训练数据。多层感知机的任务实质上是从这种认知结果中“逆向推导”出人类是依靠“颜色—重量组合关系”这一抽象范畴进行苹果识别的。然而，这里通过逆向推导得出的统计规律（以函数形式表现）与人类认识过程中所运用的先天形式并无必然的关联。例如，假设多层感知机能成功地分辨黄瓜和香蕉，现在有一个绿色包装的零食，当它被多层感知机判别为“黄瓜”时，我们就会知道，模型其实是将包装颜色误读为果实属性。进言之，神经网络通过统计拟合生成的“认知框架”并不是对人类先天形式的内在复现，而是对其外在认知效果的操作性替代。这种模式接近鲍德里亚（J.Baudrillard）所说的“拟象”（simulacrum）概念，即一种看似极度真实但与其真实本源并无关联的图像或符号。（参见Baudrillard，p.6）在这个意义上，基于人工神经网络的连接主义人工智能最终得出的函数正是对人类先天形式的一种“拟象”：它看似通过大量数据的统计得出了符合人类认知结果的函数，从而实现了对先天形式的功能性模拟，究其根源却与先天形式本身并无必然关联，仅是一个符合训练数据的函数。因此，连接主义范式的根本矛盾在于，它试图通过统计工程逼近人类认知，却始终困于“拟象”与“真实”之间的裂隙。

三 GenAI技术的认识论结构：

基于统计形式的直接性架构

当代的GenAI仍旧属于连接主义范式。这意味着其最终得出的函数是一种对人类认识过程中先天形式的“拟象”。但是，当多层感知机由于其拟象性质出现“错位”时，在工程学上尚且能够追溯其根源并加以调整。然而，如今GenAI的“黑箱”特征则带来了完全不同的问题：“它形成了思维不完全透明的黑箱效应，即使设计者也不完全知道它是怎么想的，比如说不清楚它在什么时候和为什么会突然‘一本正经地胡说八道’。”（赵汀阳）这种从“拟象”到“黑箱”的演变成为透视当代GenAI知识生产的技术结构及其内在逻辑限度的重要线索。

在GenAI研究的语境中，“黑箱”实际上指的正是一种不具备完全可解释性的函数。GenAI的基本逻辑是，从训练数据当中找到输入（x）与输出（y）之间的对应关系，并用一个函数f表示出来，当输入x后依据函数f输出y。可以说，所谓“模型”本质上就是一个函数，其中输入与输出都是可见的，而“黑箱”指的正是从输入到输出的这个过程是部分或全部不可解释的。这就再次印证了作为函数的模型与先天形式之间的关系：在人类认知中，先天形式作为中介，将感性经验转化为认知输出；而在GenAI中，函数f则承担了类似的作用，只不过其内在运作过程对人类来说难以解释。

“黑箱”生成的第一步被称为“嵌入”（embedding），它将词汇从离散符号转化为连续向量，从而丢失了符号本身的直接可读性。“‘嵌入’的核心是将离散对象（如文字、图像甚至整个文档）映射到连续向量空间中的点。‘嵌入’的主要目的是将非数字数据转换成神经网络可以处理的格式。”（Raschka，p.19）在嵌入过程中，一段文本首先被分词算法（tokenizer）分解为一个个词元（token），紧接着根据词汇表将特定标记映射为唯一对应的词元标识符（token ID）。直到这步为止，语言还没有变成人类无法理解的形式，每个词元标识符组合所对应的词汇仍旧可被逆向确定。关键在于将词元标识符转化为嵌入向量的这一步。在这一步中，如果嵌入维度是三维，那么词元标识符则转化为［x,y,z］形式的向量，n个词元标识符就组成一个n*3的矩阵。在这里我们基本就可以知道大语言模型是如何“理解”人类语言的，即将语言转化为连续的向量空间的点，而相似的概念（例如同属不同种的生物）在向量空间中的位置接近。但问题在于，在DeepSeekV3模型（671B版本）中，这里的维度是7168。这意味着，每个词元标识符映射为一个具有7168个维度的高维空间中的一个向量，而如果一句话有n个词元标识符，就组成一个n*7168的矩阵。对于如此巨大的维度，我们可以将之粗略理解为，模型以7168维的高维向量表示来编码语言信息。在这里，单个维度不具备独立解释性，语义信息分散在多个维度中。虽然这种高维空间中的几何变换（如向量加减）可以表达复杂语义关系，但这与人类的认知框架存在维度鸿沟。

进一步来说，嵌入机制所导致的对应关系失效根源于自然语言与人工语言的区别。自然语言是人类赖以交流的语言，是在长期社会历史实践中形成的。与自然语言相对，人工语言是指由符号表和规则定义的符号串集合，常用于数学证明、程序设计和逻辑推理当中，其目的是确保逻辑的精确性和演绎的一致性。机器要“理解”自然语言，就必须将自然语言转为人工语言，使之能以一定的数学形式严密而规整地表示出来。（参见冯志伟）然而，正是自然语言向人工语言的转化导致语言符号与概念意义之间的割裂。诚然，基于深度学习技术的自然语言处理已经在一定程度上摆脱了早期符号主义范式的刚性对应，即不再依赖预设的人工符号系统，而是通过对大规模语料的概率分布建模来“学习”语言模式。但是，这种进步并不意味着真正解决了自然语言理解的本质问题。大语言模型的“幻觉”现象就是明证——即使排除“使用错误训练数据”与“为了奖励而说谎”等原因所造成的幻觉，大语言模型仍旧会生成看似合理、流畅但实际上不正确、无依据甚至自相矛盾的虚构内容。（参见Farquhar，et al.）其更深层的技术背景在于，大语言模型首先被训练为对语言形式进行概率预测的系统，就其训练数据而言，模型所接触到的只是形式，而非意义本身（参见Bender，et al., p.615），因而其输出可以呈现出表面的连贯性与合理性，却并不以对事实或世界的真实把握为前提。这种现象表明，大语言模型内部所实现的依然是将自然语言编码为高维向量空间中的人工语言表达，其所谓的“理解”是对自然语言的统计模拟，而非真正的语义把握。

“黑箱”生成的第二步就是构造一个拥有巨量参数的“拟合函数”，并通过反向传播算法与梯度下降来实现对这个函数的调整。在完成对语言的高维向量重构后，大语言模型的任务便是从数据中找出“统计规律”，并用一个函数来加以表征。换句话说，模型需要从这些离散的点中拟合出一个函数，从而刻画数据中的内在趋势，使得在输入新的x时能够得到符合训练数据的输出y。从上文对人工神经网络的分析可知，一个拥有两个变量的、用以判断物体是否为苹果的感知机，最终得出的函数可以写为：y（x）=w₁x₁+w₂x₂-b。神经元模型从数据中得到了这些参数，从而构造出一个拟合函数。这个拟合函数意味着，机器通过“学习”得出，人类智能是通过颜色与重量及其权重去判断一个物是否为苹果的。这里的问题是，我们该如何衡量这个拟合函数是否表征出数据当中的规律？关键在于这个拟合函数的输出是否符合训练数据（x有明确对应的y）。用以衡量这个拟合函数与实际这些数据点的差距的函数就是损失函数，损失函数越低意味着拟合函数越精准地把握到数据中的“规律”。当我们通过损失函数知道这个拟合函数的“优劣”后，接下来的步骤就是去调整这些参数从而使得损失函数最低——如果只有三个参数则这一任务是非常简单的。但是，在当前GenAI的人工神经网络中，参数数量往往极为庞大。如在DeepSeek-V3模型中，参数容量是6710亿，即该模型本质上是一个包含6710亿个参数的函数，其在训练阶段的核心任务即在于调整这些参数，使得整体损失最小化。当前主流的解决方案是采用“梯度下降”方法，而找到调整方向的关键在于“反向传播算法”。简言之，梯度下降通过计算损失函数相对于模型参数的梯度反方向更新参数，从而降低损失；而反向传播则是逐层计算各参数对最终输出的贡献（梯度）。已有研究表明，初始模型的微小扰动就可能导致最终模型行为的显著分化，而每个训练样本对参数的影响也呈现出指数级衰减。更为关键的是，在大语言模型完成自监督预训练后，还需借助奖励函数引导模型学习人类偏好，而这些偏好对参数的影响机制却难以追踪，因为它们最终扩散到了大量参数之中。简而言之，此时模型所代表的函数不再是纯粹的数据驱动映射，而是承载了多层不可观测的历史沉积——正如地质学中的沉积岩是数十亿次地质运动叠加的结果一样，任何试图剥离单层信息的做法都将破坏整体结构。

反向传播算法与梯度下降方法不仅在工程学上造就了当代GenAI的“黑箱”，也在深层次上引发了一场关于“黑箱”的认识论变革。我们已经看到，深度神经网络所学习到的是在语言数据中显现的统计规律。从其在“输入—输出”过程中的作用来看，这个规律可以被视为对“人类如何处理经验材料并将其转化为输出”的那个“先天形式”的近似建模。换句话说，它提出了一种不同于康德的解释路径，即认知架构本身也可以通过经验（数据）进行参数化的建模与重塑。这是经验主义认识论的一种“机器式胜利”，它假设了那些用以处理五花八门的经验材料的“先天形式”，实际上只不过是在x1、x2之前的w，即权重。而这些权重看似有着上千亿的规模，但机器仍旧能够对其加以调整。这一系列实践在认识论上提出了挑战：在多大程度上，我们可以通过数据驱动的建模来模拟人类认知中被认为是“先天”的处理框架，即“形式”？虽然深度学习为我们提供了一种新的经验主义解释路径，但我们也必须明确，机器所学习到的函数仅仅是一种对特定经验材料的统计学解释。同时，我们也尚不确定这一函数是否能完全“拟合”人类认知中的“形式”，因为迄今为止人类对人工神经网络的具体运作机制的理解依然有限。更重要的是，“拟合”并不等同于“一致”，从自然语言与人工语言的本质差异来讲，当自然语言被转化为“语言数据”时，它必然经历分词编码过程，从而在一定程度上造成了对语言原始存在基础的简化和偏离。这意味着，深度学习只是对已有自然语言中的规律作“事后”的统计学分析，而“形式”则是“自然语言”形成的前提。在这个意义上，我们并不能武断地将人类神经网络等同于“形式”，更不能确定“形式”与人工神经网络的一致性。但可以肯定的是，深度学习为我们提供了一种后天的、经验主义式的解释路径，模拟了人类如何处理感性经验，并将之转化为具体认知结果的过程。

然而，这并不意味着可以使用人类知识的“真实性”或“客观性”标准去衡量GenAI知识生产“黑箱”的限度。基于大语言模型的基本原理，我们可以认为，GenAI最终捕捉到的规律只是一种统计相关性。用于描述这种统计相关性的函数实际上构成了对应于人类先天形式的另一种可调整的“统计形式”，即通过统计得到处理经验输入的规律，以模拟人类处理经验所运用的“形式”。在这种模型中，人类认知所运用的“形式”被反向拆解为上千亿个参数，任何被输入GenAI的经验材料都会与这些参数进行交互，从而产生输出。由此，当代哲学家与人工智能专家面临着类似的困境：哲学难以逾越“主体—客体”相关性的问题——客体在意识中仅以“时间—空间”形式显现，而这一给定性本身无法被反思。与此同时，人工智能专家也无法精确解释一个拥有上千亿参数的GenAI究竟如何得出输出，只能确认其发现了潜藏在经验数据中、人类直观上难以理解的规律。在这个意义上，当我们试图用“可信度”和“规范性”等人类知识的标准去衡量人工智能的内容生产时，是否也需要反思，人类知识究竟是真的具有与客观存在相关的“真实性”或“客观性”，还是也如统计工程得出的规律一般，是“由主体间的——即它应能被科学家团体中的任何成员证实——来保证的”（梅亚苏，第33页）？概言之，当人类智能本身亦是一种“黑箱”时[2]，以人类知识的标准宣判GenAI知识生产的边界既不合理，也难以维系。正因如此，对GenAI真正限度的探讨应当摆脱外在的“符合”思维，进一步深入其内在的认识论架构当中。

 四  GenAI生成的逻辑限度：

劳动辩证法的“实践形式”

从“拟象”到“黑箱”，GenAI及其前身的认识论架构始终是“经验（数据）输入—先天形式（统计形式）—知识（内容）输出”。这个架构预设了，人类智能在知识生成时所应用的“形式”完全可被统计学“规律”替代。这个架构的关键在于，它始终围绕“如其所是”的经验展开。换言之，GenAI并不对经验本身施加真正的改变，而是力图在现有的数据分布中找到规律，并尽可能保持预测的一致性。通过各种技术手段优化算法的目标，就是最小化偏离这些已知分布的误差。因此，这种技术路径看似能够高效地生成相似风格、相似内容的文本，但其从本质上仍无法跨越经验本身的给定性。概言之，当前GenAI的认识论架构将人类智能工具性地理解为“输入—输出”模式。但是这种智能构架并非人类智能，而是各种动物智能都具有的一种基本架构。对于动物来说，它们也通过感官看到了“果实”（经验输入），并通过一定的神经结构来输出“吃”“喝”等行为。按照GenAI的认识论架构，动物的这种神经结构也是一种“函数”，但这种“函数”只是一种对现有环境的被动反应。在这个意义上，GenAI与动物智能在认识论层面共享同一种直接性的“接受逻辑”：对输入的经验进行被动反应。

但人类智能不同于其他动物智能的原因并不仅仅在于人类拥有更强的输入硬件（感官）或更复杂的处理软件（函数结构），而在于人与自然的特殊关系。正如恩格斯所言，人类和动物都会对周围环境施加影响，但是“动物仅仅利用外部自然界，简单地通过自身的存在在自然界中引起变化；而人则通过他所作出的改变来使自然界为自己的目的服务，来支配自然界。这便是人同其他动物的最终的本质的差别，而造成这一差别的又是劳动”（《马克思恩格斯全集》第26卷，第769页）。可见，人类智能区别于动物智能的关键就在于，人类对自然界并非直接接受，而是通过劳动实现否定性的生成。因此，探讨人类智能知识生产与GenAI知识生产之间的本质差异，就必须深入人与自然的关系当中。

在自然界，人类知识的前提是自然界在其自身运动中具有潜能。在极端的唯理论落幕后，没有任何一个人能够反驳这一点，即人类的知识不是来源于“虚空”，而是来源于现实世界的生成。从这一点来看，GenAI所接受的经验世界甚至与动物智能不同。因为动物智能所面对的是时刻处在矛盾运动中的世界，而GenAI所接受的只是过去了的经验世界的数据。正如卡尔凯迪（G.Carchedi）所言，计算机无法处理矛盾或潜在性，它只能处理已实现的知识而不能创造新知识，而通过直觉从无形的潜在性中生成新知识，这是人类独有的创造力。（参见Carchedi）因此，从自然界本身的矛盾运动中来看，GenAI的知识生产从它的对象开始就已经远离了人类智能。

对于人类来说，人类知识来源于在“人化自然”中所体现的劳动的否定性生成。虽然“自在自然”有其自身的运动，但仍旧是直接性的“自然形式”，这种自然“对人来说也是无”。（参见《马克思恩格斯文集》第1卷，第220页）正如马克思所说：“当物按人的方式同人发生关系时，我才能在实践上按人的方式同物发生关系。”（同上，第190页）这里正切中马克思所说的“人化自然”概念。人类知识的来源并非与人类实践无涉的自然，而是在人与自然之关系中显现出的潜能，离开了自然或者使得自然呈现出“为人的潜能”的人的实践活动，这个潜能是不可能成为现实的。换句话说，人类知识生产不再是纯粹的认识形式问题，而转化为实践问题。对应于使得经验能够转化为知识的“先天形式”，这种使世界显现为潜能与现实的矛盾运动的“形式”可以被暂时称为“实践形式”。

然而，这个“实践形式”绝不是“先天”的类似卡尔凯迪所说的“直觉”等东西，而是人类在与自然界长期的、对象性的互动中逐步发展出来的活动结构。“不仅五官感觉，而且连所谓精神感觉、实践感觉（意志、爱等等），一句话，人的感觉、感觉的人性，都是由于它的对象的存在，由于人化的自然界，才产生出来的。五官感觉的形成是迄今为止全部世界历史的产物。”（同上，第191页）更具体地说，这种“实践形式”是人类智力发展的产物。正因为语言和劳动的结合，人才有能力把自然物的潜能加以概念化、对象化，并在社会生产过程中改变其自然形式。在这个意义上，马克思所说的“人化自然”并不仅是将自然当作工具使用，更是在人与自然的互动中产生新的社会形式和知识形态。正是在这样的对象性、感性、社会历史性活动中，才形成了使世界显现为从“潜能”到“现实”之矛盾运动的社会性“实践形式”。

GenAI之所以在逻辑上无法实现这一“实践形式”，并不仅仅因为它缺少大脑或身体。具身批判对于在人类知识生产中身体与客观世界的交互作用的研究有其局限，即通常只涉及对环境的感知与理解。即使一些具身技术涉及对自然环境的改变，它本身仍旧是一种直接性的“接受逻辑”。这是因为其函数形式的本质就是接受既有数据，寻找其中可预测的规律，实现对样本内分布的再现或重组。这里的逻辑限度不是外在且偶然的技术瓶颈，而是内在于其认识论前提的必然结果。任何以经验数据为输入、以统计推断为核心的系统，都只能在“如其所是”的范围内进行排列组合。缺少否定性就意味着缺少从潜能到现实的生成性跃迁，也就意味着缺少真正的知识生产。与此相对，真正的人类知识生产并不是在经验中简单寻找统计学模式，而是在实践中将潜能显现为现实、将自然形式转化为社会形式。

因此，我们必须明确区分“统计形式”和“实践形式”。前者指的是机器学习模型中通过统计优化形成的参数化结构——一种由后天归纳得出的以函数表现的“形式”，它确实可以处理经验输入并实现复杂的模式拟合。而后者是一种社会历史性生成的活动结构，它不仅接受经验，还能否定、改造、重塑经验，使潜能成为现实。在这一意义上，GenAI所实现的只是对既有经验材料中统计规律的被动应用，而无法生成全新的知识。

可见，感性经验在离散性思维中的“损耗”与劳动辩证法中的“实践形式”构成了建基于现代计算机体系之上的GenAI知识生产的两道边界。前者从输入端表明，现代计算机的离散性本质决定了，任何连续的信息都只有被表征为离散性信息，才能在计算机中得到处理，而这就意味着必然有对“中间值”的损耗。而后者则从转化机制表明，真正的知识生产需要的不仅是直接性的处理经验数据并模拟“先天形式”功能的一组函数，更是需要使得经验世界以否定性的形式呈现出其潜能的“实践形式”。如果没有这种“形式”，当前技术路线下的GenAI所做的只是对直接接受的经验数据进行重新组合。至此，当前GenAI知识生产的“神话”已然破灭。毕竟人类对植物的认识不可能仅仅停留在其自然形式阶段，必须通过“实践形式”发现“可为人所种植”这种潜在的社会形式，认识才算真正完成。

但是，严肃的哲学反思绝不能忽视科学技术的发展及其方向，“现有”绝不意味着“永恒”。我们可以看到，当前技术的前沿发展恰好印证了其认识论基础与逻辑限度。从现代计算机体系的离散性这一限度来说，一种突破方案是神经形态计算。神经形态计算通过模仿生物神经系统的工作机制（如大脑的脉冲神经元网络），设计出类脑芯片（如清华大学的异构融合类脑计算“天机芯”与类脑互补视觉芯片“天眸芯”）。其核心是脉冲神经网络（SNN），以异步、事件驱动的方式处理信息，在连续时间中以脉冲/事件的方式传递信息，而非传统架构的离散时钟周期同步计算。这样一来，神经形态计算就降低了传统帧式采样、同步更新所带来的时延、冗余与部分信息损耗。这也从另一个角度印证了离散性范式已经成为当前计算机科学发展的重要限制。从这一技术前沿来看，假如将人工智能移植到这种“底座”上来，或许有望减少从连续性到离散性转化的“损耗”，人工智能也就能够更加贴近来自现实世界的连续性信息。

与此同时，针对当前连接主义范式所采取的神经网络架构的缺陷，研究者也在尝试通过“范式融合”来弥补纯粹统计模型的不足。谷歌公司“深脑”（Deepmind）团队已经意识到，形式语言的关键优势在于，涉及数学推理的证明可以被形式化地验证其正确性。然而，它们在机器学习中的应用此前受限于可用的人类编写数据量，相比之下，基于自然语言的方法尽管能够访问数量级更多的数据，但可能会产生看似合理实则错误的中间推理步骤和最终解决方案。（参见AlphaProof and AlphaGeometry teams）同样地，马尔库斯（G.Marcus）和雷纳德（D.Lenat）也试图将符号主义人工智能与大语言模型融合起来，“把理性主义方法与经验主义方法结合起来，就有可能实现人机融合的人工智能”（冯志伟、张灯柯）。可以说，这种“连接—符号”混合范式提高了模型的推理可靠性，减少了纯粹统计模型中常见的虚假推断和中间步骤谬误。然而，这类技术进展更多是在既有范式内部的突破，而非对GenAI“逻辑限度”的根本跨越。因为从本质上看，无论是融合符号模块还是引入强化学习算法，最终仍然植根于“既有逻辑”与“既有数据”。换言之，这种系统对于经验数据的处理仍是直接的“接受逻辑”。“范式融合”的意义在于融合已接受数据的处理方式，即融合连接主义的统计方法与符号主义的规则方法。因此，这些改进的确缓解了“黑箱”问题，提高了解释性或事实一致性，却并未突破GenAI对经验的直接接受逻辑这一限度。

未来GenAI的发展或许能够突破离散性范式的限制，从而建立起一个完整的“连续经验—统计形式—内容输出”的认识论架构。但是，只要没有在思维上摆脱直接的接受逻辑，在认识论上开始对“实践形式”作用的追问，在工程学上复现这种“实践形式”的“拟象”，GenAI就无法触及知识生产的根源。不仅如此，对GenAI的认识论考察也倒逼我们重新思考历史唯物主义的当代意义：从经验出发暴力破解人类智能的“先天形式”或许已经走到了其内在逻辑限度的尽头，而潜藏在历史唯物主义劳动辩证法中的“实践形式”或许才是人工智能发展的未来。尤其值得进一步关注的是，在资本主义的意识形态中占据主流地位的正是这种直接的态度，即将人类智能与人工智能等同视为一种“输入—智能黑箱—输出”的固定模式，却忽略了人类智能中关键的否定性层面。这再次表明，马克思主义面对人工智能时不会“失语”，更不会“胡言乱语”，它依然在历史与逻辑相统一的方法中，在劳动辩证法的洞见中，在科学与意识形态的关系中保持着时代的生命力。

注释

[1]所谓“涌现”是指人工神经网络在训练过程中出现了“出乎意料”的能力。但“涌现”依赖模型的复杂性，而这种复杂性又是不可解释的“黑箱”问题的根源。在这个意义上，“涌现”与“黑箱”是一体两面的。

[2]最近的实证研究也指出，人类的决策实际上也是一种“黑箱”。通常认为，人类对人类决策者的理解程度较高的现象来源于“解释深度错觉”。（参见Bonezzi，et al.）

参考文献

柏拉图，2015年：《柏拉图四书》，刘小枫编译，北京：生活·读书·新知三联书店。

冯志伟，2010年：《自然语言处理的形式模型》，合肥：中国科学技术大学出版社。

冯志伟、张灯柯，2024年：《语言模型与人工智能》，载《外语研究》第1期。

黑格尔，2017年：《精神现象学（句读本）》，邓晓芒译，北京：人民出版社。

姜华，2023年：《从辛弃疾到GPT：人工智能对人类知识生产格局的重塑及其效应》，载《南京社会科学》第4期。

康德，1978年：《任何一种能够作为科学出现的未来形而上学导论》，庞景仁译，北京：商务印书馆。

《马克思恩格斯全集》第26卷，2014年，北京：人民出版社。

《马克思恩格斯文集》第1卷，2009年，北京：人民出版社。

梅亚苏，2018年：《有限性之后：论偶然性的必然性》，吴燕译，郑州：河南大学出版社。

诺意曼，1965年：《计算机与人脑》，甘子玉译，北京：商务印书馆。

阮凯，2024年：《人工智能知识生产的核心争议与深层局限的哲学反思》，载《自然辩证法研究》第3期。

休谟，2016年：《人性论》，关文运译，北京：商务印书馆。

赵汀阳，2023年：《GPT推进哲学问题了吗》，载《探索与争鸣》第3期。

中国人工智能学会，2023年：《中国人工智能系列白皮书：人工智能原理》，北京：中国人工智能学会。

AlphaProof and AlphaGeometry teams, 2024, “AI Achieves Silver-Medal Standard Solving International Mathematical Olympiad Problems”,URL=<https://deepmind.google/discover/blog/ai-solves-imo-problems-at-silver-medal-level/>.

Baudrillard, J., 1994, Simulacra and Simulation, S. F. Glaser (trans.), Ann Arbor: University of Michigan Press.

Bender, E. M., Gebru, T., McMillan-Major, A., and Shmitchell, S., 2021, “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”, in ACM (eds.), Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency,NY: ACM.

Boden, M., 2016, AI: Its Nature and Future, Oxford: Oxford University Press.

Bonezzi, A., Ostinelli, M., and Melzner, J., 2022, “The Human Black-Box: The Illusion of Understanding Human Better than Algorithmic Decision-Making”, in Journal of Experimental Psychology: General 151(9).

Carchedi, G., 2024, “Beating the Untrodden Paths: Computers, Artificial Intelligence and Quanta in Marxist Theory”, in Historical Materialism 32(2).

Farquhar, S., Kossen, J., Kuhn, L., and Gal, Y., 2024, “Detecting Hallucinations in Large Language Models Using Semantic Entropy”, in Nature 630.

Feuerriegel, S., Hartmann, J., Janiesch, C., and Zschech, P., 2024, “Generative AI”, in Business & Information Systems Engineering 66(1).

Minsky, M.& Papert, S., 1988, Perceptrons: An Introduction to Computational Geometry, Cambridge: The MIT Press.

Raschka, S., 2025, Build a Large Language Model (From Scratch),NY: Manning Publications Co..