知识“可供性”：人机协同知识生产如何“双智驱动”

/知识“可供性”：人机协同知识生产如何“双智驱动”【摘要】使用生成式人工智能辅助学术科研与知识生产已成为常态。研究旨在探究如何在人机协同知识生产中有效发挥人类智能与人工智能的各自优势以及规避各自劣势，实现人工智能与人类智能的双向驱动(“双智驱动”)。研究认为，“双智驱动”呈现出三种样态：(1)“互补式”，即两者的功能相互叠加、补充；(2)“平衡式”，即两者相互适应、调整；(3)“跃升式”，即两者放大彼此的力量。人机协同知识生产中的“双智驱动”应表现出“跃升式”样态，发挥出“1+1＞2”的效能，才能真正生产创新性知识。研究发现，基于人工智能与人类智能的认知差异性分析，由于人类知识的隐性特征、GAI知识的离身性特征，人机协同知识生产中出现了知识“不可供性”的困境，阻碍了“双智驱动”的实现。为应对这一困境，应搭建人机协同的知识螺旋框架，推动隐性知识与显性知识的转化；并且激活人机协同的具身实践，推动具身技术与具身认知的融通。【关键词】人机协同知识生产；双智驱动；可供性；知识螺旋框架

一、引言 随着ChatGPT、DeepSeek等具有强大信息检索、分析、整合能力的生成式人工智能的兴起，科研人员使用其进行学术科研与知识生产成为常态。美国2023年的调研显示，高校有53％的学生使用ChatGPT撰写学术论文[1]。尽管人机协同知识生产①具有精准化、高效率、个性化的特点，但人们一方面面临技术依赖下的思维惰性[2]、学术写作能力的弱化[3]、数据隐私和知识产权的风险[4]；另一方面也面对着GAI知识②的适用性低[5]、可解释性不足[6]、“密闭”效应[7]、离身性[8]等困境。如何发挥人类智能与人工智能各自的优势及规避各自不足，实现两者的双向驱动(以下简称“双智驱动”)，是人工智能时代的重要课题。已有研究并未立足人类智能与人工智能的认知差异性进行分析，从而忽视了知识的“可供性”问题，导致无法充分回应这一课题。本研究旨在以人机协同知识生产的“双智驱动”为价值指向，并系统分析人类智能与人工智能的认知差异性，创新性地提出知识“不可供性”是抑制“双智驱动”的困境，并针对性地提出人机协同知识生产中“双智驱动”的基本取径。 二、时代呼吁人类智能与人工智能的双向驱动 人工智能一般可分为强人工智能与弱人工智能。强人工智能是具有强大自主行为能力、可开展类人智力行为的机器智能，弱人工智能是并非自主的、作为人类助手的机器智能。主流观点认为，强人工智能在可预见的未来暂时不会出现[9]，人工智能仅仅是对人类智能的部分增强与有限延展，人工智能是人类智能的产物与工具[10]。随着人工智能技术的发展，人们愈发认识到弱人工智能具备一定程度上的自主性和创造性，尽管其并非人类“主体”意义上的自主性和创造性。正如有学者指出，人工智能可以从学习单一任务开始，举一反三，逐步达到与环境动态交互的主动学习，实现自我进化[11]。因此，本研究讨论的人工智能为具有一定自主性、创造性的弱人工智能，如DeepSeek等生成式人工智能、智能机器人等。 (一)人工智能与人类智能的基本定位 关于人类智能与人工智能的定位，关键在于厘清两者各自的优劣势。沃尔什(WALSHT)提出，人类应该占据“机会金三角”中的一个或一个以上的角，以维持对人工智能的竞争力[12]。“机会金三角”分别指精通技术的极客、发明未来的人、创作人或工匠，强调人类的创造力，这是人类与人工智能“分庭抗礼”的关键。但是沃尔什的观点忽视了人类作为“主体”的情感性、文化性、历史性、实践性等特征。在人类智能的神经、心理、语言、思维和文化五个层级上，人工智能都只是在模仿人类智能，都无法达到人类智能的水平，尤其在语言、思维和文化层级上，人工智能远远不如人类智能[13]。人类智能在情感交融、创新创造、价值判断、思维灵活性等方面具有不可替代的优势，但受智力与记忆能力的限制，在信息处理、执行任务的速度和成效方面不如人工智能。人工智能在信息搜集、数据处理、执行预定任务上具有高效性、精确性、个性化，而在情感交互、文化适应、人文关怀、创新创造上的表现不如人类智能。 因此，人类智能的独特性体现为价值创造者、意义赋予者、情感调节者，人工智能的独特性体现为个性化辅助者、任务执行者、虚拟交互者。两者的发展路向并非分割独立的，而是相互交织、互为支撑的。正如泰格马克(TEGMARKM)认为，随着人工智能的发展，人类的生命将可能步入“3.0版本”，即人类是自己命运的主人，不仅能设计自身软件，还能设计自身硬件[14]。生命3.0即人类智能与人工智能在“共生进化”中得以实现的一种生命形态。 概而述之，人类智能与人工智能有着各自的优劣势，两者相互促进、互为支撑。人类智能作为价值创造者、意义赋予者、情感调节者，为人工智能提供价值导向和方向指引。人工智能则帮助人类突破生理与环境条件的限制实现认知与实践的双重突破。但在现实中，人工智能对人类智能具有双重影响，即积极性与消极性并存。 (二)人工智能对人类智能的双重影响 一方面，人工智能有助于增强人类智能。第一，人工智能扩展人类的认知能力。人工智能具有强大的快速搜集、整合、分析信息的能力，为人类智能的发挥提供强大的认知支持。虚拟现实和增强现实等技术构建虚拟场景，让人类认知行为突破时空限制，扩展人类认知的广度与深度。人工智能帮助人类跳过信息检索、材料分类等低阶认知行为，为理解和迁移等高阶认知行为提供支撑。第二，人工智能增强人的感知能力。人类感知能力受生理结构与感官范围限制，但人工智能可以为人类打造具身性的感知场景，提升人类的感知体验。人工智能使人类的感知能力从物理限制中解放出来，为科学研究、生活实践、教育体验带来了更大的可能。第三，人工智能提升人类的创造能力。人工智能已具备一定的知识创新能力，如编程、画图、文学创作、视频生成等。人工智能具有严密的逻辑，能够为目标选择最佳路径，为人类创新提供工具支持，提高人类创新的效率[15]。 另一方面，人工智能也给人类智能留下隐患。第一，人工智能可能造成人类的“认知懒惰”。人类使用人工智能时难以逃避其所衍生的“服从性文化”，即“一切形式的文化生活被收至技能和技术的麾下”[16]，以至于人类逐渐“臣服”于人工智能而形成依赖性。对人工智能的依赖将导致人类陷入“认知懒惰”之中，即忽视自身认知能力的发展，将人类的记忆能力、分析能力、推理能力等“让位”于人工智能。同时，由于算法机制的存在，人工智能侧重于满足人类的个性化需求，其为人类提供的信息与材料将创造信息茧房效应，阻碍人类获取多元信息，抑制人类的批判能力与独立思考能力。第二，人工智能可能弱化人类的社会情感能力。人工智能转变了人类的交互形式，将原本嵌于生活实践的人人交互转为虚拟世界中的人机交互。人工智能无法理解人类生活实践中的文化性与情感性，无法充分回应人类在情绪、情感、身体语言、文化等维度的交互需求，长期的人机交互可能弱化人类的社会情感能力。正如有学者指出，“任何机器都不可能感觉到成功时的愉悦和电子管烧毁时的悲伤”[17]。第三，人工智能可能抑制人类的创造力。人类智能的创造性是外部社会和内在个体的统一[18]。创造力根源于社会实践所生成的丰富经验与个体内在智力活动的统一，两者缺一不可。倘若人类长期依托于人工智能而远离了社会实践中的丰富意义之物，那么，人们对于问题的思索将难以突破已有认知模式、思维框架、研究范式。同时，人工智能的“智慧”输出往往带有某种“真理”性质，容易让个体陷溺于其中而逐渐丧失批判意识。正如索耶指出，“创造性更可能产生于你拒绝惯例时”[19]。 (三)人工智能与人类智能的双向驱动 面对人工智能对人类智能的双重影响，如何扩大其积极影响、抑制其消极影响，实现两者的和谐共生，是数智时代的重要课题。有研究指出，人类智能与人工智能呈现双向耦合与互动关系[20]，实现两者的良性互动是未来教育的必然趋势。这种关系可理解为：人工智能与人类智能的双向驱动(简称“双智驱动”)，即人工智能与人类智能在交互实践中的双向赋能与共同生长。 “双智驱动”一般呈现出三种层级的具体表现。第一种是“互补”形态，即两者分别完成某项任务的不同环节，呈现出功能叠加、互补的态势，如机器处理数据、人类利用相关结果进行决策[21]。第二种是“平衡”形态，即两者根据任务的动态性与复杂性随时灵活调整与适应，如自适应调整、双向反馈。第三种是“跃升”形态，即放大彼此的智能、推动彼此的协同进化，从而完成创造性较高的任务，如知识共创、科技创新[22]。这三种形态分别对应了要处理的三种不同任务：第一种是各种依靠数据诊断的决策，如患者状况诊断、学生成绩诊断等；第二种是具有一定复杂性的任务，这种任务要求在过程中保持灵活性，如智能辅助驾驶、智能辅助教学等；第三种是创造性和创新性较强的任务，这种任务要求人工智能与人类智能发挥出“1+1＞2”的效能，如人机协同知识生产、人机协同科技创新等。“双智驱动”意味着从“机器增强人类”到“人类与机器相互赋能”的认识论和实践论转向，其核心要义是人工智能与人类智能实现互补式、平衡式、跃升式的协同共生，赋能社会各行业各领域的深度变革。 以人机协同知识生产为例，“双智驱动”意味着人类智能与人工智能的交互实践发挥出“1+1＞2”的效能，人类智能作为“引导者”“反思者”“价值判断者”增强人工智能的感知能力、认知能力、生成能力，人工智能则作为“个性化辅助者”“数据处理者”“知识生产者”增强人类智能的想象力、判断力、创造力和学习力。 三、“不可供性”：人机协同知识生产中“双智驱动”的困境 “双智驱动”是人机协同知识生产中实现高质量产出的价值指向。遗憾的是，“双智驱动”面临着人工智能与人类智能的认知差异性所带来的系列挑战。在人机协同知识生产过程中，“双智驱动”面临着知识“不可供性”的现实阻碍。由于人机协同知识生产中，生成式人工智能是主要工具，下面讨论的人工智能主要是指生成式人工智能。 (一)人工智能与人类智能的认知差异性 在人机协同知识生产时，可将人工智能理解为一种“弱认知主体”，即具有一定的认知能力，但缺乏人的主体性。人工智能作为由人类创造的算法系统，本质上是人类思维的延展，但两者在认知条件/知识探究、认知机制/知识生成、认知检验/知识确证上都表现出根本差异。具体见表1。 人工智能依赖于人类主动输入的数据或知识以及预设的算法模型，但人类智能发生认知则是通过感知系统和先验知识与经验。根本上来看，人工智能的认知发生其实是被动的，是被人类主导的。换言之，人工智能存在一个根本前提，即依托于人类给予的某种数据、知识、问题，没有人类的信息输入就没有人工智能的知识输出。在这个意义上，“双智驱动”其实是人类为自己赋能，赋能结果的好坏根本上是由人类自己所决定的。比如，在人机协同知识生产时，人类提出问题和输入知识的质量，直接决定了人工智能生成信息的质量。这就是我们讨论人机对话时，“提示词”如此重要的原因。 人工智能通过大语言模型、思维链、知识图谱、神经符号系统等机器学习技术完成从数据的输入到知识的输出。大语言模型是语言建模任务的基本构建块，可对输入的数据和信息进行语义理解[23]。思维链对复杂问题进行分步拆解和推理，处理一系列算术、常识和符号推理任务[24]。知识图谱以结构化格式捕获大量事实，为推理提供了可靠的知识来源，是提高大语言模型任务处理质量的重要基础[25]。神经符号系统通过深度学习和符号组件的耦合来解决复杂的问题，提高人工智能的推理和学习能力[26]。根本上说，人工智能是以逻辑能力、推理能力和学习能力等类人理性完成认知的发生，是基于数据驱动、算法优化、交互反馈的涌现智能。但人类认知的发生，不仅依靠于理性的绝对力量，更是神经认知、心理认知、语言认知、思维认知、具身认知、文化认知的统一。 人工智能生成的知识需要验证以确保其可靠性。当前主流的验证手段包括概率预测、链式推理和基准测试。概率预测是指通过预设算法和规则训练大量数据来快速预测可能答案，更多地处理结构化的问题。链式推理是指基于链性思维，逐步推理问题的每个步骤，产生具有创新性的结果，更多地处理非结构化的问题。基准测试是通过标准化的横向对比，通过不确定性量化、置信度校准来确定知识的可靠性[27]。人类确证知识的可靠性和有用性，历史上存在多种思路，如基础主义、一致主义、内在主义、外在主义等，但都存在一定缺陷。1963年，盖梯尔(GETTIEREL)证明了“确证的真信念”不能构成知识的充要条件，学术界主流观点开始强调“真信念+X”(X指代其他辅助条件下)共同构成了知识的定义[28]。所以，有学者提出一种广义可靠主义的知识确证论，即强调“基础可靠、主体可靠、过程可靠、结果可靠、应用可靠的辩证统一”[29]。换言之，人类对知识的确证是真信念加上其他条件可靠性共同作用的结果。 立足人工智能与人类智能的认知差异性，在人机协同知识生产中，实现“双智驱动”的关键在于两个方面。一方面，人类智能对人工智能发挥赋能作用的关键在于人类能否提供刺激人工智能发生认知的有效知识或数据。另一方面，人工智能对人类智能发挥赋能作用的关键在于人工智能生产的GAI知识能否适应人类认知的特性，成为人类认知的一部分。换言之，人机协同知识生产中“双智驱动”的关键在于人工智能与人类智能双向知识供给的流畅性问题。 但遗憾的是，人机协同知识生产时存在知识的“不可供性”。要理解这一概念，需要先了解什么是“可供性”。美国心理学家吉布森(GIBSONJ)提出了“可供性”(Affordance)的概念，意指“人知觉到的事物内容，是此事物提供给人的一个行为可能，而不是客观展现的事物性质，而事物提供这种行为可能与相应的行为发生之间的共生状态就被称为可供性”[30]。“不可供性”则意指认知主体进行认知时，认知对象(知识或事物)无法促进认知主体的行为可能与相应的行为发生之间的共生状态。一方面，由于人类认知具有隐性特征，无法充分激活人工智能的认知优势，限制了人类智能对人工智能的赋能作用。另一方面，由于GAI知识具有离身性，人类无法有效确证GAI知识以及将其内化至自己的认知结构之中，阻碍了人工智能对人类智能的赋能作用。值得一提的是，“不可供性”并非意味着绝对的无效性，而是指“可供性”的流畅性问题，背后蕴藏的是“可供—不可供”间的张力结构。 (二)人类知识的“不可供性”：人类智能驱动人工智能时的困境 由于人类认知并不是完全显性的，人类所提供的知识往往具有“不可供性”限制了人类智能对人工智能的赋能作用。人类知识的“不可供性”突出表现为知识的隐性特征，即默会性、个体性、非理性、情境性、文化性、偶然性的隐性知识无法被充分编码，即使被编码也难以被人工智能充分理解。 “人类的知识是通过隐性知识和显性知识之间的社会互动而创造和扩展的。这种交互被称为‘知识转化’。‘知识转化’主要存在四种模式，分别是社会化、外显化、组合化、内隐化。”[31]社会化是指从隐性知识到得以显现和表征的过程，外显化是指从隐性知识到显性知识的转化过程，组合化是指从一种显性知识到另一种显性知识的转化过程，内隐化是指从显性知识到隐性知识的转化过程。由于隐性知识无法被人工智能充分理解，人工智能的知识生产主要是组合化的形式，即显性知识到另一种显性知识的转化。因而严格来说，人类知识的“不可供性”其实是人类隐性知识的“不可供性”，这根源于两者认知的差异性。 隐性知识的“不可供性”易造成人工智能生产的知识是“无知识的知识”或“非知识的知识”。斯蒂格勒(STIEGLERB)指出，“无知识的知识”是关于不确实的存在的不确实的知识，这种知识在不断地丧失或者被掩蔽，是一种未完成的知识的完成[32]。“非知识的知识”是指代具性(技术)以及代具性造成存在的在自身之外的存在、出离、死亡性和时间[32]。斯蒂格勒是从技术与时间的关系讨论中提出了这两个概念，前者揭示了知识的不确实性和未完成性，后者揭示了知识远离了人作为“此在”的各种存在属性。人机协同知识生产中，当人工智能有且只能根据人类提供的显性知识进行知识生产，而无法关注人类认知的隐性特征时，其最终生产出的知识对人类认知的隐性特征而言，则是不确实的、未完成的、远离“存在”的。正如有学者指出，“人工智能参与的知识生产就是一种基于知识库和规则事实逻辑的集体知识系统”[33]，“这种知识实则是一种三阶知识，是通过词语的重组而呈现出来的表述之新，并非原始创新的文本创新或阐释创新”[34]。由于隐性知识的“不可供性”，人工智能生产的知识无法具备真正意义上的创新性，无法与人类认知的隐性特征相勾连，从而实现两者的双向驱动。如果用斯蒂格勒的话来说，这可以称之为“此在本身的技术出离”[32]。 (三)GAI知识的“不可供性”：人工智能驱动人类智能时的困境 人机协同知识生产中，人工智能驱动人类智能需要满足两个条件：一是GAI知识被人类确证为可靠、有效的，二是可靠、有效的GAI知识可融入人类已有的认知结构。前者是知识的确证问题，后者是知识的内化问题。但是在人机协同知识生产的过程中，GAI知识的“不可供性”既限制了知识的确证，也阻碍了知识的内化。这导致人机协同知识生产时，人工智能无法有效驱动人类智能的应用和发展。GAI知识的“不可供性”突出表现为离身性特征，致使GAI知识无法促进人类认知的行为可能与相应行为发生之间的共生状态。 其一，知识离身性限制了人类对GAI知识的确证。从广义可靠主义确证论出发，人类确证GAI知识至少需要基础可靠性、主体可靠性、过程可靠性。但由于GAI知识的离身性，这三者的可靠性都备受质疑。就基础可靠性而言，人类需要将知识的来源与感官或神经相连接，才能确证其可靠性。克拉克(CLARKA)指出，人类确证知识依赖于一个自我维持的循环因果系统，“在此系统中，行动持续选择新的感官输入，并在过程中整合环境结构与机遇。其本质是通过行动选择优化感官输入，在动态交互中实现高效认知与行为调节的智能系统”[35]。但GAI知识是离身的，无法与人类的感官相联系，人类也就无法确证知识的基础可靠性。就主体可靠性而言，人类确证知识需要对生产知识的主体保持信任。人工智能在数据、算法以及内容上表现出一定的人工智能偏差，引发了相应的信任危机[36]。人机信任危机的根源在于GAI知识及其生产主体都是“非人的”，与人类的具身性相异，无法被具身性的人完全信任。就过程可靠性而言，人类确证知识需要确定知识生产过程的可靠性，如人类具身感知到过程中的因果联系。但由于“算法黑箱”的存在，人类无法充分把握GAI知识的生产过程，人类的感知系统无法与这一过程有效连接。正如有学者指出，“人类和人工智能可能无法理解另一个实体想要做什么或实现什么，从而导致沟通不畅、错误和不信任”[37]。因此人类也无法确证GAI知识的过程可靠性。 其二，知识离身性阻碍了人类对GAI知识的内化。关于知识的内化过程，具身性理论认为，人类的具身性感受和刺激是知识得以内化、认知得以发生的关键因素。罗斯(ROTHWM)指出，“在建构主义认知图景之外，存在对我们日常生活与经验至关重要的现象——感受性(Passibility)、被触动性(Affectedness)与激情(Passion)。这些现象不仅是人类存在的核心，更是学习得以可能的前提条件”[38]。GAI知识在虚拟网络平台中被生产出来，具有“去身体化、去情景化、身体主体间脱离”[38]的特点，其生产过程与人类的身体缺乏视觉之外的感知交互。这导致无法充分激发身体的感知系统和神经系统在知识内化过程中的作用，弱化人工智能对人类智能的赋能作用。 四、朝向“双智驱动”的人机协同知识生产取径 面对知识的“不可供性”，人机协同知识生产中“双智驱动”的关键在于，转化人类的隐性知识和缓释GAI知识的离身性，从而提升知识的“可供性”。 (一)搭建人机协同的知识螺旋，推动隐性知识与显性知识的转化 野中郁次郎创建了经由社会化、外显化、组合化、内隐化的知识螺旋框架[31]，这一框架讨论了组织知识创造的基本逻辑，揭示了显性知识与隐性知识相互转化的基本过程。显性知识与隐性知识的转化，恰恰是人机协同知识生产时需要解决的关键问题。同时，人机协同知识生产同样可以理解为一个知识创造的组织。以野中郁次郎的知识螺旋为基础框架，可搭建人机协同的知识螺旋框架，推动隐性知识与显性知识的转化，提升知识的“可供性”，如图1所示。 图1人机协同的知识螺旋框架 在社会化阶段，个体在共同体中共享隐性知识，如关于某个问题的直觉思维或难以表达的思考与感悟，通过“头脑风暴”等方法创造出共同认可的针对某一问题的分析框架或心理模型。这一阶段，需要与专家—高知识建构者或实践者—高知识建构者的协同建构[39]，从而确证和放大隐性知识的存在以及问题的探索方向。在外显化阶段，需要将隐性知识转化为显性概念，主要通过隐喻、类比、想象、模型等方式生成外显化的概念。这个过程不仅需要显性知识库的加入，也需要发挥人工智能的优势以辅助外显化概念的生成和验证。在组合化阶段，人工智能基于外显概念生成相应的GAI知识，并由人类智能对其进行验证和确认。在内隐化阶段，个体将被确证为有效的、可靠的GAI知识以应用或“做中学”的方式内化到个体的隐性知识库中。当面对的问题较为复杂时，这个流程需要以螺旋式的方式，促进知识生产和问题解决的螺旋式上升。同时，其中需要引入五个基本条件，分别是情境、意图、动机、自主、元认知。情境是指推动发现和共享隐性知识、激活元认知能力的情境。意图是指需明确人机协同知识生产的终极目标与分解目标。动机是指人机协同中应维持较强的自我效能感。自主是指在人机交互中保持自主判断、思考与行动。元认知是指在“思考中思考”，推动人机交互中个体认知过程、信念、结果的自我修正与完善，以更好地提出问题和确证知识。 值得一提的是，该知识螺旋框架适用于个体致力于创造并具有一定原创性的知识时，尤其是个体的初始状态属于混沌态时，即显性知识与隐性知识相互交织的情况下。如人机协同进行常识性问答、量化数据分析以生产确定性知识时，则仅对应这一框架中的组合化阶段，只需要人类智能的验证，而不涉及人类的隐性知识转化为显性知识。根据这一知识螺旋框架，也可以反向解释为何我们说人工智能生成的知识属于三阶知识。因为人机协同知识生产的过程不涉及隐性知识与显性知识的转化和创造，也就无法谈起知识的创造与创新。在这个意义上，只有当人工智能与人类智能协同，激活并放大人类智能