智能知识生产模式的本质特征和社会驱动*

刘日明 刘小涛

人工智能技术的应用，在许多方面给社会知识生产带来了巨大影响，包括知识生产的内容、知识生产的方法和过程、知识探索所处的社会情境、生产组织的方式、知识的奖励体制、知识的质量监控机制等。从影响的社会广度和深度来看，以人工智能技术的应用为特征的知识生产已经构成一种知识生产模式，即智能知识生产模式。这一模式必将产生越来越广泛和越来越重要的社会影响，因此，系统地描述、分析这一生产模式的特点，就成为迫切的理智要求和社会实践任务。

这里，我们尝试分析、比较传统知识生产模式和智能知识生产模式的一些重要差异，并援引人工智能哲学和科学知识社会学的理论资源，进一步讨论智能知识生产的特征和社会因素对智能知识生产的影响。因为这种模式的证实性证据非常丰富，而且仍然在迅速发展变化，所以要全面汇集材料进行分析就需要一个宏大的研究计划。作为初步的尝试，我们将满足于援引有限的材料来提出一些观察或判断，并简要提示一些需要深入讨论的方向。

论文的结构安排如下：首先，通过比较三种知识生产模式，我们尝试勾画智能知识生产模式的概念内涵和覆盖范围，阐明这一模式和两种传统知识生产模式之间的突出差异。其次，从冯·诺伊曼关于人脑语言和计算机语言具有不同的逻辑深度和计算深度的观察来看，我们建议为智能知识生产的特点提供更具深度的理解。再次，援引科学知识社会学的思想资源，特别是一些有人类学特征的进路的研究结果，我们希望表明，社会因素会一般性地影响知识生产的内容和组织方式，弥散、多元的智能知识生产模式会大规模地向各专业领域扩散，大规模的公众介入会使得智能知识生产的结果具有人类学特征，不过，其智能特征更敏感于社会政治经济因素。因此，对更容易受社会因素影响的智能知识生产，施加科学的决策约束程序尤其必要。

要预先说明的是，在术语上，我们将遵从科学知识社会学的通行用法，在最一般的意义上使用“知识”这一概念，它既包括科学知识，也包括人文学科和社会性知识。另外，这里所说的“模式”，是一种类似于库恩的“范式”概念的用法（而不是在“范例”这个较窄的意义上），它抽象地指一种目标、方法、程序、规范和价值的综合。①库恩：《科学革命的结构》，金吾伦、胡新和译，北京：北京大学出版社2003 年。

一、与传统知识生产模式的比较

20 世纪末，在颇负盛名的《知识生产的新模式》一书里，科学哲学家迈克尔·吉本斯等人勾勒了两种知识生产模式：模式1 为传统的以个体探究为主的生产模式；模式2 为政府干预、应用导向为特征的生产模式。根据吉本斯的分析，模式1 和模式2 的差别具体而清晰：

在模式1 中，设置和解决问题的情景主要由一个特定共同体的学术兴趣所主导。而模式2 中，知识处理则是在一种应用的情境中进行的。模式1 的知识生产是基于学科的，而模式2 则是跨学科的。模式1 以同质性为特征，而模式2 则是异质性的。在组织上，模式1是等级制的，而且倾向于维持这一形式，而模式2 则是非等级化的异质性的、多变的。两种模式也有不同的质量控制方式，与模式1 相比，模式2 的知识生产担当了更多社会责任且更加具有反思性。模式2 涵盖了范围更广的、临时性的、混杂的从业者，他们在一些由特定的、本土的语境所定义的问题上进行合作。②迈克尔· 吉本斯等：《知识生产的新模式：当代社会科学与研究的动力学》，陈洪捷、沈文钦等译，北京：北京大学出版社2011 年，第 3 页。

吉本斯的观察重点在于描画这两种模式的特征，并揭示这两种模式所呈现出的系统性差异，包括研究动机和研究过程的组织等。如果以典型案例来帮助阐释的话，显然，牛顿、爱因斯坦的物理学研究是模式1 的典型情形，而现代应用科学和工程科学，比如以曼哈顿计划为代表的化学工程或登月计划等航天工程，则是模式2 的典型情形。

如何理解这两种知识生产模式的运作，吉本斯的分析富有启发意义。这两种模式已经获得许多研究者的认同。事实上，这两种模式有一定的共性，即相对而言是中心化的。比如，模式1 会形成所谓的“智力中心”，即以杰出的科学家（或维护某一研究范式的代表性科学家）为中心，而其他的知识生产者或相关生产过程都围绕这个中心展开。模式2 则会形成“需求中心”，即围绕位于中心的需求发出方（如政府的特定需要）来展开知识的生产，其典型案例就是曼哈顿计划。

以一定的抽象眼光看，吉本斯关于两种模式之间差异的讨论提供了一个参考系，有助于识别出当代一种新的知识生产模式，即以计算机、互联网和智能手机等信息基础设施的广泛利用和以“深度学习”算法等信息技术的应用为突出特征的智能知识生产模式，我们可以称之为模式3。这种知识生产模式的典型案例是基于大数据加工和机器学习算法的人工智能领域的一些进展。

在过去的十余年里，因为机器学习领域出现的一些新算法，人工智能的应用大大拓展。应用这些算法的系统既可以从输入的经验数据学习，也可以在任务执行的过程中自主学习来改善行为表现，在科学研究、医疗、弈棋、语言识别、产品推荐、诈骗识别等领域都有出色表现。以深度学习算法为例，除了阿尔法围棋（AlphaGo）的惊艳表现以外，这一算法在预测药物分子结构、图像识别、语音识别、自然语言理解等领域也取得了一些令人瞩目的成就。③Yann LeCun, Yoshua Bengio and Geoffrey Hinton, “Deep Learning”, Nature, Vol.521, 2015, pp.436-444.

从较宽泛的“知识生产”概念来看，“智能知识生产”的涵盖面还要广一些。它包括运用软件机器人进行辅助的科研活动，甚至个体天文爱好者用天文望远镜进行的观测、事故现场旁观者的影音录像以及日常观鸟爱好者的随手拍摄等。在这些智能设施、大数据和算法得到应用的领域，新的知识生产模式也得到充分体现。而且，从科学知识社会学的视角看，我们有足够充分的理由认为，在知识生产的情境、生产过程和知识的内容等方面，这一新模式都表现出一些独特的特征。

智能知识生产模式最突出的定义性特征是人工智能技术的应用使其具有了“智能”的特点。不管是阿尔法围棋的成绩，还是算法在预测药物分子结构上的应用，在这些知识生产活动中，算法和软件都以极高的效率完成了一些超出一般人类计算能力的任务。这个特点使之明显区别于依赖科学家的计算、推理等人类认知能力的传统知识生产模式。

这一新模式还有更多与传统知识生产模式不同的方面。比如，较之深受传统学科背景约束的知识生产，智能知识生产的问题情境和组织要更为灵活多样。智能知识生产活动需要解决的问题情境未必一定出于学科兴趣或科学家个人兴趣，也不是必须由政府主导决定。它可能出于某个单一的学科背景，也可能需要跨学科研究与合作；在组织形式上，它可以出于组织严密的垂直管理（比如某军工项目），也可以因企业甚至公众的参与而极为扁平和松散。①NASA 执行的“开普勒计划”（Kepler Mission）是公众参与大型科研计划的典型案例。参见谭力扬：《大数据中的算法化常规科学及其反常：以疑似“戴森球”的发现为例》，《自然辩证法通讯》2018 年第2 期。

同样以人们熟悉的阿尔法围棋为例来阐释。阿尔法围棋是谷歌（Google）旗下的Deepmind 公司团队开发的人工智能机器人。这种机器人的研发虽然有人工智能研究的动机，但并不纯粹出于学科兴趣；公司研发团队的组织形式区别于传统的科学家研究团队或者政府组织的项目团队。另外，研发结果的质量控制和评估主要根据应用情境中解决问题的能力来考量，并不或者说较少考虑它的学科价值。②就阿尔法围棋案例来说，这一点或许可以讨论，因为“深度学习”算法是机器学习领域的一个重要进步。

特别值得强调的是，与传统知识生产模式相比，智能知识生产有弥散和多元的特点。这一特点表现在两个方面：一是知识来源的分散和多元化；二是知识生产者的分散和多元化。从知识来源的角度看，由于新型模式所依赖的人工智能技术，以及为该技术提供输入的大数据技术，其知识的来源（即数据）不但从量上而且从来源的途径类型上都有极大拓展，甚至还能接纳一些传统模式所排斥的来源。比如，它会接受并处理各种摄像器材上传的拍摄数据，特别是一些非官方和非专业的、片段式的拍摄数据，包括那些事故现场旁观者的影音录像、个体天文爱好者用家用天文望远镜进行的观测和拍摄、日常观鸟或野营爱好者的随手拍摄等。

从知识生产者的角度来看，其分散与多元化趋势也有明确体现。随着人工智能技术的推广与普遍使用，除了人类以及人类组织之外，任何一个存在人工智能制品的角落都可能进行知识生产，而且，这些生产会以传统的人类生产者难以预料的角度介入和渗透到既有的知识体系之中。比如，即使是在以人类驾驶者为主导的汽车驾驶过程中，当代的新型汽车很可能已经不再完全依赖人类来感知驾驶场景并进行相应的推理与决策，而是大量地运用人工智能与相关的信息收集、处理技术来提供辅助。而且，这样的人工智能处理元件现在已经普遍存在于人类制造与应用的绝大多数机械——特别是运用了电子技术的机械之中。这就使得知识生产的承载者不再是个别的科学家，或围绕着某些中心（如政府）运作的专家团队；一些性能足够强大但分散于民用设备中的人工智能装置足以完成同等的甚至质量更高的知识生产任务。

人工智能技术与分散、多元化的知识来源（即大数据技术提供的数据输入）相结合，将对某些专业领域甚至学科专业壁垒造成冲击效应。毕竟，阿尔法围棋的设计者未必需要特别高明的围棋知识；③Silver D, Schrittwieser J, Simonyan K, et al., “Mastering the Game of Go Without Human Knowledge”, Nature, Vol.550, 2017, pp.354-359.长于数据挖掘和分析的技术专家也可能未必熟悉数据所涉及的学科领域。也许，大学、研究机构等传统知识生产机构和政府部门、企业、民众之间的知识交互，会不断促进跨学科合作，在新知识生产模式里产生更多还不能预料的积极作用。

需要补充说明的是，智能知识生产模式和所谓的科学发现的“第四范式”有些区别。图灵奖得主蒂姆·格雷曾热烈地欢迎科学发现的“第四范式”，即数据密集型的科学发现范式。他主要从科学家如何获得科学发现这一视角，通过比较科学家的工作方式来区分四种范式。简言之，“第一范式”指诉诸经验观察和对现象的描述；“第二范式”则依赖于理论的概括和推理；“第三范式”是用计算机进行模拟试验；“第四范式”则着重于数据挖掘和处理。①Hey, T., Tansley, S., Tolle, K., “Jim Gray on Science: A Transformed Scientific Method”, Hey, T., Tansley S., Tolle, K. (eds), The Fourth Paradigm: Data-Intensive Scienti c Discovery, Washington: Microsoft Research, 2009, p.xviii.

作为方法论的多元论者，在意图上，我们不是想刻画个体科学家工作方式上的改变，而是要从知识社会学的角度，一般性地审视特定社会范围内突出的知识生产模式。换言之，格雷的区分主要是一个科学方法论区分；而对模式3 的刻画则是要识别当代很多重要的知识生产活动的知识社会学特征。相应地，模式3 在范围上较“第四范式”更为宽广，尽管着重数据挖掘和处理的“第四范式”确实是我们所说的智能知识模式中的突出情形。比如，不妨考虑一下阿尔法围棋，或者一个嵌入了功利主义原则的自动驾驶程序；②Luis Moniz Pereira, Ari Saptawijaya, Programming Machine Ethics, Switzerland: Springer International Publishing, 2016, pp.8-9.显然，在较严格的意义上，它们都不算科学发现，不过，在宽泛的涵义上，可以将它们视为智能知识生产活动的案例。

另外，将智能知识生产模式与模式1 和模式2 进行比较，容易让人误以为这是一种在各个方面都有别于前述两种知识生产模式的崭新模式。实际情况并非如此，它们并非在每个方面都截然不同。从研究兴趣或动机来讲，人工智能技术既可以应用于基于个人兴趣的某一特定学科领域，也可以应用于政府主导的、大型跨学科研究项目；从组织上讲，它可以在过度组织、等级制严格的组织结构中执行，也可以在扁平的、非等级制的合作过程中进行。

二、智能知识生产的特征

智能知识生产模式有自身的特点，这些特点对于理解信息技术时代的知识生产和质量控制尤其重要。关于智能知识的生产及智能知识的构成和评估，科学哲学家还没有获得共识。对智能知识生产模式的认识，在一定程度上依赖于如何对现象进行描述，以及如何识别现象的核心特征。

在计算机应用的早期阶段，冯·诺伊曼就提出了计算机语言和人脑语言有不同的“逻辑深度”和“计算深度”。其中，逻辑深度指的是为完成问题的求解过程所需要进行的初等运算的数目；计算深度则指的是计算机执行的串行运算的长度。③冯· 诺伊曼：《计算机与人脑》，甘子玉译，北京：北京大学出版社2010 年，第74—78 页。根据冯·诺伊曼的看法，正是计算机语言的特点，使得加工结果能获得极高的算术准确度和逻辑可靠性。与之相比，人脑系统使用的语言只有很小的逻辑深度和算术深度，“它在一个相当低的准确度水平上，进行非常复杂的工作”。④根据冯·诺伊曼的判断，人脑“只可能达到2 位至3 位十进制数字的准确度水平”。参见冯·诺伊曼：《计算机与人脑》，第74 页。

冯·诺伊曼的观察对于识别智能知识生产模式的本质特征起到了关键作用。首先，也是最重要的，智能知识生产模式的第一个特征是广泛利用计算机系统。给定计算机具有区别于人脑的逻辑深度和计算深度，这一知识生产模式的运作过程和结果都有不同于传统知识生产模式的地方。比如，计算机能迅速处理非常庞大的数据，而且进行逻辑运算的失误概率非常低（尽管不是零）。

随着计算机计算能力的提高，人脑和计算机之间在准确度和可靠性上的对比愈加分明。这在模式1 和模式3 的对比上有鲜明体现。传统模式的知识生产需要充分利用人脑的抽象推理能力和创造性能力，但科学家常常只需要进行很简单的数学计算或逻辑推理。虽然只要求很低的准确度，但研究者的个体特征、历史文化因素等非理性因素也会对知识生产过程产生影响。相较而言，在智能知识生产模式里，计算机的复杂计算过程几乎不能也不会被知识生产者完全理解；科学家的个体特征也不对计算过程的准确性产生任何积极或消极作用。更重要的是，计算机语言的准确性为信息（知识）的存储和传播提供了便捷渠道，各种信息基础设施的有效运作，使得智能社会里趋体系化的知识生产模式得以形成。不过，要注意的是，仅凭是否利用了计算机的强大计算能力，还不足以在第二种知识生产模式和第三种知识生产模式之间划出界限来；显然，在曼哈顿计划的执行过程中，正是计算机的强大计算能力使得一些实验计划得以进行。

其次，随着信息技术的发展和信息基础设施建设的升级，人们已习惯用“信息时代”来标识今天的时代特征。因此，智能知识生产模式的第二个特征，就是“信息时代”成为知识生产的突出社会环境；更具体地说，互联网等信息基础设施，以拍字节（petabytes）为单位的大数据，还有云计算的强大分布式计算能力等，都已成为特定领域知识生产的关键要素，促进了知识的生产和流通。

信息时代的大数据，研究人员常将其特点归纳为“4V”，即规模性（volum e）、多样性（variety）、高速性（velocity）和价值（value）。①马世龙、乌尼日其其格、李小平：《大数据与深度学习综述》，《智能系统学报》2016 年第6 期。大数据的这些特点被认为改变了科学研究的范式。②Hey, T., Tansley, S., Tolle, K., “Jim Gray on Science: A Transformed Scientific Method”, Hey, T., Tansley S., Tolle, K. (eds.),The Fourth Paradigm: Data-Intensive Scienti c Discovery, Washington: Microsoft Research, 2009, p.xviii.随着各学科获取的数据越来越多，科研人员对庞大数据的分析和处理必然依赖于高性能的计算机和特定的算法，于是，数据挖掘、机器学习等技术手段逐步成为获得结果的通用研究手段。

相应地，智能知识生产模式的第三个特征就是算法等核心技术在知识生产中的突出作用。知识如何形成，一直是科学知识社会学的核心议题。着眼于智能知识生产，不妨说，正是诸如“深度学习”这样的能自主学习的算法，使得模式3 凸显成为独特的生产模式；尽管机器学习的成就并不局限于某一种算法。

最后，从知识生产的社会组织来看，如前所述，因为计算机、智能手机等信息基础设施的广泛应用，知识生产越来越呈现出弥散性、多元性和迅速增长的特点。特别是，在知识和数据具有商业价值的背景下，知识生产不再只局限于个体或者政府组织的探索活动，它们往往在一个更广阔的、不限学科的社会经济情境中被创造出来。特别是，因为对经济利益或其他兴趣的追求，传统知识生产体制之外的个人、公司或企业等主体也以饱满的热情追逐着从数据中挖掘出来的有价值的信息。

不妨以动物行为研究为例，来比较模式3 和模式1 的差异。早期的动物行为学家和达尔文一样，以长期的实地观察来赢得人们的尊重。他们的知识创造基于个人的辛勤工作和创造力，有时候也依赖于碰巧观察到某类有趣的动物或动物行为。然而，随着智能手机等信息基础设施的广泛分布，社会知识生产主体越来越弥散，偶然、碰巧的观察的重要性在下降，因为有许多人在有意或无意地观察并记录有趣的动物行为，从而参与了知识生产。不管你是想了解白蚁蚁丘的结构，还是想获得对蚂蚁死亡漩涡的直接观感，智能手机之类的发达的信息基础设施和便捷的搜索渠道都能提供方便。

三、来自科学知识社会学的启发

人工智能产生的许多哲学问题（主要是认识论问题和伦理问题），特别是像人工智能的可解释性问题，数据歧视、认知不公、隐私保护等伦理问题，已得到较深入研究。③成素梅：《智能化社会的十大哲学挑战》，《探索与争鸣》2017 年第10 期；廖备水：《论新一代人工智能与逻辑学的交叉研究》，《中国社会科学》2022 年第3 期。相对而言，社会因素对智能知识生产模式的影响，还没有获得充分理解。接下来，我们主要从两个方面进行讨论：一是社会因素对智能知识生产的内容的影响；二是社会因素对智能知识生产活动的组织方式的影响。

科学知识社会学的研究已经表明，科学知识的内容与产出科学知识的社会因素和社会结构之间有紧密关联。这种关联表现在三个维度：其一，特定时期的社会热点议题和政治经济结构与科学理论的内容可能有很强的相关性，④Bloor, D., Knowledge and Social Imagery, London: Routledge & Kegan Paul, 1976.虽然研究者对这种联系的性质和强度有不同见解。其二，根据库恩及其追随者的看法，在既有证据不能充分决定理论选择的情况下，社会因素往往会成为理论选择的重要决定因素。⑤托马斯·库恩：《客观性、价值判断和理论选择》，张志林主编：《当代哲学经典·科学哲学卷》，北京：北京师范大学出版社2014 年。其三，有些研究者对知识生产的人类学特征做了细致考察，根据他们的建议，知识生产是建构性的（而不是描述性的），因为知识生产活动总有科学家的决策负载（decision-laden），常常是特定时空中的社会协商的结果，而不完全取决于个体决策的逻辑。⑥Karin D. Knorr-Cetina, The Manufacture of Knowledge: An Essay on the Constructivist and Contextual Nature of Science, Oxford:Pergamon Press, 1981, p.152.

这些不同维度的考虑对于理解智能知识生产的内容有不同程度的助益。首先，布鲁尔的重要洞察在于，特定时期的社会因素、政治经济因素影响科学理论的内容。对于智能知识生产来说，情形也是如此。在传统的生产模式里，知识创造的动力在很大程度上来源于理解自然和人类社会的求知欲。这种求知欲的驱动力仍然在传统的知识生产机制内起作用，不过，在更广泛的社会范围里，智能知识生产模式显然更敏感于社会、政治、经济关注的焦点问题，比如医疗、生育、生物技术、环境等社会公共议题。

以近几年新冠肺炎疫情这一最突出的社会现象为例。在抗击新型冠状病毒肺炎疫情的过程中，人工智能已广泛应用于临床医学各领域，包扩放射影像诊断、疾病预测、疾病追踪和药物研发等。比如，人工智能可以快速从规模庞大的分子结构数据库中筛选出潜在药物，极大地降低了药物研发周期和成本，在药物研发领域有巨大潜力。再如，在辅助诊断方面，在人工智能的帮助下，放射科医生诊断COVID-19 的平均精确度从85%提升到了90%。①刘思远、张丽军、刘雷：《人工智能在抗击新型冠状病毒肺炎疫情中的应用》，《中国医学物理学杂志》2020 年第8 期。显然，新冠肺炎疫情这一全球性公共卫生危机，已使得疫情防治成为近三年来知识生产最密集的研究领域之一。

其次，虑及人工智能的某些特征，库恩的提醒有其认识论价值。深度学习等具备主动学习能力的算法，以及一些软件机器人，早已经深度参与知识生产活动。新冠肺炎疫情防治工作中存在许多证据不充分决定的情形，并没有一个客观的公共准则表或算法能代替人类的决策。比如，目前还没有足够好的治疗特效药物，大部分药物临床试验的疗效不佳；有时候胸部CT 扫描结果不足以帮助医生做出精确判断；传染病模型的预测结果会有比较大的误差等。在数据量极大且运算速度可以起作用的地方，人工智能提供了帮助。比如，谷歌Deepmind 公司开发的AlphaFold 深度学习系统快速预测了新型冠状病毒（COVID-19）的蛋白质结构，大大缩短了疫苗设计所需要的时间。②Alimadadi A, Aryal S, Manandhar I, et al., “Artificial Intelligence and Machine Learning to Fight COVID-19”, Physiol Genomics,2020, Vol.52, Iss.4, pp.200-202.然而，至少目前看来，许多问题能否解决在本质上并非取决于数据大小或计算速度，人工智能的作用还极为有限。库恩式的洞察，即心理因素、社会因素可以对相关理论选择起决定作用，仍然是理解某些理论选择的基础模型。

再次，从人类学进路来看，我们也可以获得一些重要的启示。尽管运用智能技术获得的知识，本质是基于具有不同算术深度和逻辑深度的语言所产出的知识结果，计算机的强大计算能力和深度学习等算法处理大数据的能力使得智能知识生产模式的产出结果有一些非人的特点。但是，它们仍然在一些重要方面具有值得强调的人类学特征。特别是，如果人类学分析进路是对的，那么科学知识的客观性在本质上就是社会性。从知识“制造”的过程来看，科学家的目的和决策，科学家之间的信息沟通与交流，几乎总是会使知识生产的结果具有人类决策负载。从知识生产结果的质量控制和评估来看，智能知识生产的输出结果的重要性也总是体现或反映了人类的兴趣或关切。例如，某个医疗诊断是否应该被采纳，某种特定疗效的药物是否应该用于临床，装备了某种敏感于伦理原则的自动驾驶程序是否可以准予应用，等等。③白惠仁：《自动驾驶汽车的“道德”困境》，《科学学研究》2019 年第1 期。

科学知识社会学的研究还表明，科学生产活动的组织方式受许多社会因素的影响和制约。在近代很长一段时间里，随着现代大学的兴起和扩张，知识生产主要由身处大学或研究机构的科研人员承担，而其产出结果的质量控制一般由学术共同体或其他合法机构（比如期刊和出版社）通过同行评议的方式来掌握。随着智能知识生产模式的出现，知识生产的动力机制、组织方式和质量控制等问题已逐步凸显为需要重新认识的议题。

由于大学教育的普及，民众的知识素养普遍提高，越来越多受过高等教育、有能力从事知识生产的人员流入政府部门、企业、专业团体或其他社会组织。随着科学态度从大学向社会的不断外溢，在互联网及其他社交软件的帮助下，人们对知识生产活动的关注度日益高涨，也有越来越强的参与意识和社会问责意识。在一定程度上，因为电子通信、智能技术的普遍应用，以及公众的广泛参与，知识生产已经形成一个弥散分布于整个智能化社会的体系。这一体系既包括现代大学和研究机构，也包括企业的实验室、研究团队、其他类型的机构或研究中心，甚至还包括某些业余社会个体。在这一体系里，参与知识生产的场所的数量已经远远超出传统大学或科研机构的数量，而且，知识在传统知识生产机构和社会之间的流通或获取也愈趋便捷。体系里的组织和交流，比如成果的发表或传播，有时候会绕过略显僵化的传统体制，它们未必会在传统学术期刊发表，也未必经过严格的同行评议。比如，维基百科、百度学术、知乎等网络资源平台就表现出这样的特点。

就动力机制而言，纯粹的求知欲仍然在发挥作用，不过，智能知识生产模式的驱动机制更为复杂。相对而言，它较少受传统的学科兴趣驱动，而对特定时期突出的社会、政治、经济问题更敏感。出于商业利益的驱动或国际竞争的考虑，公司、企业的研发团队往往成为更有能力承担研究任务的主体；谷歌的阿尔法围棋研究团队、科大讯飞的自然语言处理研究团队，是这类知识生产主体的典型代表。在组织形式上，智能生产模式里的知识生产往往不再是独立的研究活动。①由位于日内瓦的欧洲核研究组织（CERN）的实验室指导的一个粒子物理学研究项目，研究成员包括100 多家研究机构和2000余名物理学家。参见Christine M. Hine, New Infrastructures for Knowledge Production: Understanding E-science, Information Science Publishing, 2006, p.VI。科学家日复一日的重复实验，或者哲学家的反思和推理，这种传统的知识生产主体形象已经只存在于有限的范围内。智能知识生产模式的组织，相对要灵活得多，既可以通过项目制来进行组织，也可以是像维基百科那样的大众匿名贡献。

由于社会公众教育程度和社会开放程度的提高，人们不仅热情地关注、支持某些议题的研究，也反对、声讨某些越轨或有悖伦理的研究，以这样的方式，越来越多的人实质性地参与了研究目标的设定或者研究的伦理标准的设定。因而，智能知识生产模式的质量控制，往往不再是取决于少数科学家或技术专家的事情；相较而言，知识生产越来越受更大范围的多种因素影响，需要社会中的不同利益相关方的协商和谈判。同时，人们普遍认识到，计算机不同于人脑。计算机的运作本身有其限制，比如，不能处理规范性问题或规则出错的情形，智能知识的产出过程的“黑箱”特性，也还有超出人类认知能力把握的方面。在特定情境下，尤其是知识生产有重要社会后果的情境下，对知识产出结果的质量评估需要人力干预和质量控制，尤其要施加社会民主化约束以防止社会风险。在无人驾驶、医疗服务、环境问题，以及其他重要的智能知识应用领域，社会民主决策程序的引入都非常必要。值得一提的是，在知识生产的质量控制上，软件机器人表现出强大功能，比如，由维吉尔·格里菲斯（Virgil Griffith）开发的维基扫描器（Wikiscanner）软件，就对维护维基百科词条内容的质量起到了重要作用；它能通过提高维基百科的透明度来防止一些恶意的篡改或编辑。

另一个相对被忽视但特别值得讨论的问题，是探索社会干预促进智能知识生产的机制和措施。詹姆士·布朗对社会干预促进科学的途径做了讨论。②Jams Robert Brown, “Social Factors in Science”, in A Companian to the Philosophy of Science, W. H. Newton-smith (eds.), Blackwell Publishers Inc, 2000, pp.442-443.吉本斯也曾呼吁，知识生产模式的转变要求科技政策的转变，即要从“为适应科学发展而制定政策”转向“为技术创新而制定政策”。③迈克尔· 吉本斯等：《知识生产的新模式：当代社会科学与研究的动力学》，第138 页。鉴于智能知识生产模式的特点，也迫切需要社会科技政策做出相应的前瞻性考虑。

在智能知识生产模式里，主要的生产机构有相互渗透、跨界融合的特点。一方面，大学和研究机构仍然是稳定的传统研究力量；另一方面，市场主导的公司、企业还有其他一些社会个体也在持续发挥作用。尤其值得注意的是，因为商业利润的吸引力，企业和跨国公司等市场主体有特别强烈的知识创新动力，已经或正在成为主要的知识生产机构。从知识生产的组织特点看，智能知识生产模式能更好激励、促进稳定的机构和灵活的组织之间进行合作的制度和措施，应该成为当下和未来的科技政策制定的核心考虑。传统的严格单位管理的科技管理措施和科技政策有可能对智能知识生产模式的产出造成限制，特别是限制了专业人才和技术专家的活动范围，或许新的生产模式要求新的、更动态化的组织模式和制度化模式。鉴于此，我国国务院2017 年印发的《新一代人工智能发展规划》要求：“以提升新一代人工智能科技创新能力为主攻方向……构筑知识群、技术群、产业群互动融合和人才、制度、文化相互支撑的生态系统。”①《新一代人工智能发展规划》，《科技导报》2018 年第17 期。经过数年建设，在人工智能人才团队建设、人工智能学科建设、产学研一体化的政策建设、培育智能经济等方面，我国已经取得明显进展。不过，目前来看，如何协调产业政策、创新政策与社会政策，将激励和规制相结合，建立“开放协同的知识创新体系”，以最大限度地释放智能模式下的社会知识创新活力，仍然还是要持续探索的问题。

结 语

在当代的知识生产中，以学术共同体的学术兴趣主导的知识生产模式和国家主导的跨学科攻关模式都在发挥重要作用。在这两种知识生产模式之外，还有一类特殊的知识生产情形，它利用了智能设备、互联网等信息基础设施和当代计算机的强大计算能力，特别是利用了基于前者获得的大数据和一些新型算法。这种知识生产模式正在改变一些传统的科研手段和工作范式，深刻塑造着现代社会和未来技术文明。

“新的技术人类文明类型”是现代社会历史性生成的结果，“无法脱离由商业、技术工业与资本文明共同提供的现实的与经验的基础”。②刘日明：《马克思的未来社会与新文明类型》，《哲学动态》2022 年第1 期。从当代知识生产的现实基础和社会因素来看，智能知识生产模式的动机对社会实践和社会生活的重要关切敏感。正如智能驾驶、军事技术、医疗、环境、认知模拟等特别重要的社会生活领域或技术应用领域，驱动着智能知识生产。智能知识生产的组织，一般来说，越来越不依赖于科学家个体，而往往是科学家团队合作科研和决策的结果，因为相关问题的知识创新需要的知识背景和技术条件几乎总是超出科学家个体的掌握程度。公众教育程度的提高、科学态度的外溢、信息基础设施的进步等因素，使得科研工作逐渐成为公众越来越关注的活动，客观上也要求扩大社会公众对智能知识生产结果的评估和监督。

如果从更广阔的背景来探讨知识生产模式和社会因素之间的互动，那么会产生更多重要的、值得深入讨论的问题。比如，如何在未来的国际竞争中，通过依赖于新知识生产的技术创新来实现竞争优势；如何有效发挥人工智能科技体系的作用和智能知识生产模式的效能，并将其更广泛地利用于各个领域的知识生产等；这一类问题还迫切需要加以研究。