智能知識生產模式的本質特征和社會驅動*

劉日明 劉小濤

人工智能技術的應用，在許多方面給社會知識生產帶來了巨大影響，包括知識生產的內容、知識生產的方法和過程、知識探索所處的社會情境、生產組織的方式、知識的獎勵體制、知識的質量監控機制等。從影響的社會廣度和深度來看，以人工智能技術的應用為特征的知識生產已經構成一種知識生產模式，即智能知識生產模式。這一模式必將產生越來越廣泛和越來越重要的社會影響，因此，系統地描述、分析這一生產模式的特點，就成為迫切的理智要求和社會實踐任務。

這里，我們嘗試分析、比較傳統知識生產模式和智能知識生產模式的一些重要差異，并援引人工智能哲學和科學知識社會學的理論資源，進一步討論智能知識生產的特征和社會因素對智能知識生產的影響。因為這種模式的證實性證據非常豐富，而且仍然在迅速發展變化，所以要全面匯集材料進行分析就需要一個宏大的研究計劃。作為初步的嘗試，我們將滿足于援引有限的材料來提出一些觀察或判斷，并簡要提示一些需要深入討論的方向。

論文的結構安排如下：首先，通過比較三種知識生產模式，我們嘗試勾畫智能知識生產模式的概念內涵和覆蓋范圍，闡明這一模式和兩種傳統知識生產模式之間的突出差異。其次，從馮·諾伊曼關于人腦語言和計算機語言具有不同的邏輯深度和計算深度的觀察來看，我們建議為智能知識生產的特點提供更具深度的理解。再次，援引科學知識社會學的思想資源，特別是一些有人類學特征的進路的研究結果，我們希望表明，社會因素會一般性地影響知識生產的內容和組織方式，彌散、多元的智能知識生產模式會大規模地向各專業領域擴散，大規模的公眾介入會使得智能知識生產的結果具有人類學特征，不過，其智能特征更敏感于社會政治經濟因素。因此，對更容易受社會因素影響的智能知識生產，施加科學的決策約束程序尤其必要。

要預先說明的是，在術語上，我們將遵從科學知識社會學的通行用法，在最一般的意義上使用“知識”這一概念，它既包括科學知識，也包括人文學科和社會性知識。另外，這里所說的“模式”，是一種類似于庫恩的“范式”概念的用法（而不是在“范例”這個較窄的意義上），它抽象地指一種目標、方法、程序、規范和價值的綜合。①庫恩：《科學革命的結構》，金吾倫、胡新和譯，北京：北京大學出版社2003 年。

一、與傳統知識生產模式的比較

20 世紀末，在頗負盛名的《知識生產的新模式》一書里，科學哲學家邁克爾·吉本斯等人勾勒了兩種知識生產模式：模式1 為傳統的以個體探究為主的生產模式；模式2 為政府干預、應用導向為特征的生產模式。根據吉本斯的分析，模式1 和模式2 的差別具體而清晰：

在模式1 中，設置和解決問題的情景主要由一個特定共同體的學術興趣所主導。而模式2 中，知識處理則是在一種應用的情境中進行的。模式1 的知識生產是基于學科的，而模式2 則是跨學科的。模式1 以同質性為特征，而模式2 則是異質性的。在組織上，模式1是等級制的，而且傾向于維持這一形式，而模式2 則是非等級化的異質性的、多變的。兩種模式也有不同的質量控制方式，與模式1 相比，模式2 的知識生產擔當了更多社會責任且更加具有反思性。模式2 涵蓋了范圍更廣的、臨時性的、混雜的從業者，他們在一些由特定的、本土的語境所定義的問題上進行合作。②邁克爾· 吉本斯等：《知識生產的新模式：當代社會科學與研究的動力學》，陳洪捷、沈文欽等譯，北京：北京大學出版社2011 年，第 3 頁。

吉本斯的觀察重點在于描畫這兩種模式的特征，并揭示這兩種模式所呈現出的系統性差異，包括研究動機和研究過程的組織等。如果以典型案例來幫助闡釋的話，顯然，牛頓、愛因斯坦的物理學研究是模式1 的典型情形，而現代應用科學和工程科學，比如以曼哈頓計劃為代表的化學工程或登月計劃等航天工程，則是模式2 的典型情形。

如何理解這兩種知識生產模式的運作，吉本斯的分析富有啟發意義。這兩種模式已經獲得許多研究者的認同。事實上，這兩種模式有一定的共性，即相對而言是中心化的。比如，模式1 會形成所謂的“智力中心”，即以杰出的科學家（或維護某一研究范式的代表性科學家）為中心，而其他的知識生產者或相關生產過程都圍繞這個中心展開。模式2 則會形成“需求中心”，即圍繞位于中心的需求發出方（如政府的特定需要）來展開知識的生產，其典型案例就是曼哈頓計劃。

以一定的抽象眼光看，吉本斯關于兩種模式之間差異的討論提供了一個參考系，有助于識別出當代一種新的知識生產模式，即以計算機、互聯網和智能手機等信息基礎設施的廣泛利用和以“深度學習”算法等信息技術的應用為突出特征的智能知識生產模式，我們可以稱之為模式3。這種知識生產模式的典型案例是基于大數據加工和機器學習算法的人工智能領域的一些進展。

在過去的十余年里，因為機器學習領域出現的一些新算法，人工智能的應用大大拓展。應用這些算法的系統既可以從輸入的經驗數據學習，也可以在任務執行的過程中自主學習來改善行為表現，在科學研究、醫療、弈棋、語言識別、產品推薦、詐騙識別等領域都有出色表現。以深度學習算法為例，除了阿爾法圍棋（AlphaGo）的驚艷表現以外，這一算法在預測藥物分子結構、圖像識別、語音識別、自然語言理解等領域也取得了一些令人矚目的成就。③Yann LeCun, Yoshua Bengio and Geoffrey Hinton, “Deep Learning”, Nature, Vol.521, 2015, pp.436-444.

從較寬泛的“知識生產”概念來看，“智能知識生產”的涵蓋面還要廣一些。它包括運用軟件機器人進行輔助的科研活動，甚至個體天文愛好者用天文望遠鏡進行的觀測、事故現場旁觀者的影音錄像以及日常觀鳥愛好者的隨手拍攝等。在這些智能設施、大數據和算法得到應用的領域，新的知識生產模式也得到充分體現。而且，從科學知識社會學的視角看，我們有足夠充分的理由認為，在知識生產的情境、生產過程和知識的內容等方面，這一新模式都表現出一些獨特的特征。

智能知識生產模式最突出的定義性特征是人工智能技術的應用使其具有了“智能”的特點。不管是阿爾法圍棋的成績，還是算法在預測藥物分子結構上的應用，在這些知識生產活動中，算法和軟件都以極高的效率完成了一些超出一般人類計算能力的任務。這個特點使之明顯區別于依賴科學家的計算、推理等人類認知能力的傳統知識生產模式。

這一新模式還有更多與傳統知識生產模式不同的方面。比如，較之深受傳統學科背景約束的知識生產，智能知識生產的問題情境和組織要更為靈活多樣。智能知識生產活動需要解決的問題情境未必一定出于學科興趣或科學家個人興趣，也不是必須由政府主導決定。它可能出于某個單一的學科背景，也可能需要跨學科研究與合作；在組織形式上，它可以出于組織嚴密的垂直管理（比如某軍工項目），也可以因企業甚至公眾的參與而極為扁平和松散。①NASA 執行的“開普勒計劃”（Kepler Mission）是公眾參與大型科研計劃的典型案例。參見譚力揚：《大數據中的算法化常規科學及其反常：以疑似“戴森球”的發現為例》，《自然辯證法通訊》2018 年第2 期。

同樣以人們熟悉的阿爾法圍棋為例來闡釋。阿爾法圍棋是谷歌（Google）旗下的Deepmind 公司團隊開發的人工智能機器人。這種機器人的研發雖然有人工智能研究的動機，但并不純粹出于學科興趣；公司研發團隊的組織形式區別于傳統的科學家研究團隊或者政府組織的項目團隊。另外，研發結果的質量控制和評估主要根據應用情境中解決問題的能力來考量，并不或者說較少考慮它的學科價值。②就阿爾法圍棋案例來說，這一點或許可以討論，因為“深度學習”算法是機器學習領域的一個重要進步。

特別值得強調的是，與傳統知識生產模式相比，智能知識生產有彌散和多元的特點。這一特點表現在兩個方面：一是知識來源的分散和多元化；二是知識生產者的分散和多元化。從知識來源的角度看，由于新型模式所依賴的人工智能技術，以及為該技術提供輸入的大數據技術，其知識的來源（即數據）不但從量上而且從來源的途徑類型上都有極大拓展，甚至還能接納一些傳統模式所排斥的來源。比如，它會接受并處理各種攝像器材上傳的拍攝數據，特別是一些非官方和非專業的、片段式的拍攝數據，包括那些事故現場旁觀者的影音錄像、個體天文愛好者用家用天文望遠鏡進行的觀測和拍攝、日常觀鳥或野營愛好者的隨手拍攝等。

從知識生產者的角度來看，其分散與多元化趨勢也有明確體現。隨著人工智能技術的推廣與普遍使用，除了人類以及人類組織之外，任何一個存在人工智能制品的角落都可能進行知識生產，而且，這些生產會以傳統的人類生產者難以預料的角度介入和滲透到既有的知識體系之中。比如，即使是在以人類駕駛者為主導的汽車駕駛過程中，當代的新型汽車很可能已經不再完全依賴人類來感知駕駛場景并進行相應的推理與決策，而是大量地運用人工智能與相關的信息收集、處理技術來提供輔助。而且，這樣的人工智能處理元件現在已經普遍存在于人類制造與應用的絕大多數機械——特別是運用了電子技術的機械之中。這就使得知識生產的承載者不再是個別的科學家，或圍繞著某些中心（如政府）運作的專家團隊；一些性能足夠強大但分散于民用設備中的人工智能裝置足以完成同等的甚至質量更高的知識生產任務。

人工智能技術與分散、多元化的知識來源（即大數據技術提供的數據輸入）相結合，將對某些專業領域甚至學科專業壁壘造成沖擊效應。畢竟，阿爾法圍棋的設計者未必需要特別高明的圍棋知識；③Silver D, Schrittwieser J, Simonyan K, et al., “Mastering the Game of Go Without Human Knowledge”, Nature, Vol.550, 2017, pp.354-359.長于數據挖掘和分析的技術專家也可能未必熟悉數據所涉及的學科領域。也許，大學、研究機構等傳統知識生產機構和政府部門、企業、民眾之間的知識交互，會不斷促進跨學科合作，在新知識生產模式里產生更多還不能預料的積極作用。

需要補充說明的是，智能知識生產模式和所謂的科學發現的“第四范式”有些區別。圖靈獎得主蒂姆·格雷曾熱烈地歡迎科學發現的“第四范式”，即數據密集型的科學發現范式。他主要從科學家如何獲得科學發現這一視角，通過比較科學家的工作方式來區分四種范式。簡言之，“第一范式”指訴諸經驗觀察和對現象的描述；“第二范式”則依賴于理論的概括和推理；“第三范式”是用計算機進行模擬試驗；“第四范式”則著重于數據挖掘和處理。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.

作為方法論的多元論者，在意圖上，我們不是想刻畫個體科學家工作方式上的改變，而是要從知識社會學的角度，一般性地審視特定社會范圍內突出的知識生產模式。換言之，格雷的區分主要是一個科學方法論區分；而對模式3 的刻畫則是要識別當代很多重要的知識生產活動的知識社會學特征。相應地，模式3 在范圍上較“第四范式”更為寬廣，盡管著重數據挖掘和處理的“第四范式”確實是我們所說的智能知識模式中的突出情形。比如，不妨考慮一下阿爾法圍棋，或者一個嵌入了功利主義原則的自動駕駛程序；②Luis Moniz Pereira, Ari Saptawijaya, Programming Machine Ethics, Switzerland: Springer International Publishing, 2016, pp.8-9.顯然，在較嚴格的意義上，它們都不算科學發現，不過，在寬泛的涵義上，可以將它們視為智能知識生產活動的案例。

另外，將智能知識生產模式與模式1 和模式2 進行比較，容易讓人誤以為這是一種在各個方面都有別于前述兩種知識生產模式的嶄新模式。實際情況并非如此，它們并非在每個方面都截然不同。從研究興趣或動機來講，人工智能技術既可以應用于基于個人興趣的某一特定學科領域，也可以應用于政府主導的、大型跨學科研究項目；從組織上講，它可以在過度組織、等級制嚴格的組織結構中執行，也可以在扁平的、非等級制的合作過程中進行。

二、智能知識生產的特征

智能知識生產模式有自身的特點，這些特點對于理解信息技術時代的知識生產和質量控制尤其重要。關于智能知識的生產及智能知識的構成和評估，科學哲學家還沒有獲得共識。對智能知識生產模式的認識，在一定程度上依賴于如何對現象進行描述，以及如何識別現象的核心特征。

在計算機應用的早期階段，馮·諾伊曼就提出了計算機語言和人腦語言有不同的“邏輯深度”和“計算深度”。其中，邏輯深度指的是為完成問題的求解過程所需要進行的初等運算的數目；計算深度則指的是計算機執行的串行運算的長度。③馮· 諾伊曼：《計算機與人腦》，甘子玉譯，北京：北京大學出版社2010 年，第74—78 頁。根據馮·諾伊曼的看法，正是計算機語言的特點，使得加工結果能獲得極高的算術準確度和邏輯可靠性。與之相比，人腦系統使用的語言只有很小的邏輯深度和算術深度，“它在一個相當低的準確度水平上，進行非常復雜的工作”。④根據馮·諾伊曼的判斷，人腦“只可能達到2 位至3 位十進制數字的準確度水平”。參見馮·諾伊曼：《計算機與人腦》，第74 頁。

馮·諾伊曼的觀察對于識別智能知識生產模式的本質特征起到了關鍵作用。首先，也是最重要的，智能知識生產模式的第一個特征是廣泛利用計算機系統。給定計算機具有區別于人腦的邏輯深度和計算深度，這一知識生產模式的運作過程和結果都有不同于傳統知識生產模式的地方。比如，計算機能迅速處理非常龐大的數據，而且進行邏輯運算的失誤概率非常低（盡管不是零）。

隨著計算機計算能力的提高，人腦和計算機之間在準確度和可靠性上的對比愈加分明。這在模式1 和模式3 的對比上有鮮明體現。傳統模式的知識生產需要充分利用人腦的抽象推理能力和創造性能力，但科學家常常只需要進行很簡單的數學計算或邏輯推理。雖然只要求很低的準確度，但研究者的個體特征、歷史文化因素等非理性因素也會對知識生產過程產生影響。相較而言，在智能知識生產模式里，計算機的復雜計算過程幾乎不能也不會被知識生產者完全理解；科學家的個體特征也不對計算過程的準確性產生任何積極或消極作用。更重要的是，計算機語言的準確性為信息（知識）的存儲和傳播提供了便捷渠道，各種信息基礎設施的有效運作，使得智能社會里趨體系化的知識生產模式得以形成。不過，要注意的是，僅憑是否利用了計算機的強大計算能力，還不足以在第二種知識生產模式和第三種知識生產模式之間劃出界限來；顯然，在曼哈頓計劃的執行過程中，正是計算機的強大計算能力使得一些實驗計劃得以進行。

其次，隨著信息技術的發展和信息基礎設施建設的升級，人們已習慣用“信息時代”來標識今天的時代特征。因此，智能知識生產模式的第二個特征，就是“信息時代”成為知識生產的突出社會環境；更具體地說，互聯網等信息基礎設施，以拍字節（petabytes）為單位的大數據，還有云計算的強大分布式計算能力等，都已成為特定領域知識生產的關鍵要素，促進了知識的生產和流通。

信息時代的大數據，研究人員常將其特點歸納為“4V”，即規模性（volum e）、多樣性（variety）、高速性（velocity）和價值（value）。①馬世龍、烏尼日其其格、李小平：《大數據與深度學習綜述》，《智能系統學報》2016 年第6 期。大數據的這些特點被認為改變了科學研究的范式。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.隨著各學科獲取的數據越來越多，科研人員對龐大數據的分析和處理必然依賴于高性能的計算機和特定的算法，于是，數據挖掘、機器學習等技術手段逐步成為獲得結果的通用研究手段。

相應地，智能知識生產模式的第三個特征就是算法等核心技術在知識生產中的突出作用。知識如何形成，一直是科學知識社會學的核心議題。著眼于智能知識生產，不妨說，正是諸如“深度學習”這樣的能自主學習的算法，使得模式3 凸顯成為獨特的生產模式；盡管機器學習的成就并不局限于某一種算法。

最后，從知識生產的社會組織來看，如前所述，因為計算機、智能手機等信息基礎設施的廣泛應用，知識生產越來越呈現出彌散性、多元性和迅速增長的特點。特別是，在知識和數據具有商業價值的背景下，知識生產不再只局限于個體或者政府組織的探索活動，它們往往在一個更廣闊的、不限學科的社會經濟情境中被創造出來。特別是，因為對經濟利益或其他興趣的追求，傳統知識生產體制之外的個人、公司或企業等主體也以飽滿的熱情追逐著從數據中挖掘出來的有價值的信息。

不妨以動物行為研究為例，來比較模式3 和模式1 的差異。早期的動物行為學家和達爾文一樣，以長期的實地觀察來贏得人們的尊重。他們的知識創造基于個人的辛勤工作和創造力，有時候也依賴于碰巧觀察到某類有趣的動物或動物行為。然而，隨著智能手機等信息基礎設施的廣泛分布，社會知識生產主體越來越彌散，偶然、碰巧的觀察的重要性在下降，因為有許多人在有意或無意地觀察并記錄有趣的動物行為，從而參與了知識生產。不管你是想了解白蟻蟻丘的結構，還是想獲得對螞蟻死亡漩渦的直接觀感，智能手機之類的發達的信息基礎設施和便捷的搜索渠道都能提供方便。

三、來自科學知識社會學的啟發

人工智能產生的許多哲學問題（主要是認識論問題和倫理問題），特別是像人工智能的可解釋性問題，數據歧視、認知不公、隱私保護等倫理問題，已得到較深入研究。③成素梅：《智能化社會的十大哲學挑戰》，《探索與爭鳴》2017 年第10 期；廖備水：《論新一代人工智能與邏輯學的交叉研究》，《中國社會科學》2022 年第3 期。相對而言，社會因素對智能知識生產模式的影響，還沒有獲得充分理解。接下來，我們主要從兩個方面進行討論：一是社會因素對智能知識生產的內容的影響；二是社會因素對智能知識生產活動的組織方式的影響。

科學知識社會學的研究已經表明，科學知識的內容與產出科學知識的社會因素和社會結構之間有緊密關聯。這種關聯表現在三個維度：其一，特定時期的社會熱點議題和政治經濟結構與科學理論的內容可能有很強的相關性，④Bloor, D., Knowledge and Social Imagery, London: Routledge & Kegan Paul, 1976.雖然研究者對這種聯系的性質和強度有不同見解。其二，根據庫恩及其追隨者的看法，在既有證據不能充分決定理論選擇的情況下，社會因素往往會成為理論選擇的重要決定因素。⑤托馬斯·庫恩：《客觀性、價值判斷和理論選擇》，張志林主編：《當代哲學經典·科學哲學卷》，北京：北京師范大學出版社2014 年。其三，有些研究者對知識生產的人類學特征做了細致考察，根據他們的建議，知識生產是建構性的（而不是描述性的），因為知識生產活動總有科學家的決策負載（decision-laden），常常是特定時空中的社會協商的結果，而不完全取決于個體決策的邏輯。⑥Karin D. Knorr-Cetina, The Manufacture of Knowledge: An Essay on the Constructivist and Contextual Nature of Science, Oxford:Pergamon Press, 1981, p.152.

這些不同維度的考慮對于理解智能知識生產的內容有不同程度的助益。首先，布魯爾的重要洞察在于，特定時期的社會因素、政治經濟因素影響科學理論的內容。對于智能知識生產來說，情形也是如此。在傳統的生產模式里，知識創造的動力在很大程度上來源于理解自然和人類社會的求知欲。這種求知欲的驅動力仍然在傳統的知識生產機制內起作用，不過，在更廣泛的社會范圍里，智能知識生產模式顯然更敏感于社會、政治、經濟關注的焦點問題，比如醫療、生育、生物技術、環境等社會公共議題。

以近幾年新冠肺炎疫情這一最突出的社會現象為例。在抗擊新型冠狀病毒肺炎疫情的過程中，人工智能已廣泛應用于臨床醫學各領域，包擴放射影像診斷、疾病預測、疾病追蹤和藥物研發等。比如，人工智能可以快速從規模龐大的分子結構數據庫中篩選出潛在藥物，極大地降低了藥物研發周期和成本，在藥物研發領域有巨大潛力。再如，在輔助診斷方面，在人工智能的幫助下，放射科醫生診斷COVID-19 的平均精確度從85%提升到了90%。①劉思遠、張麗軍、劉雷：《人工智能在抗擊新型冠狀病毒肺炎疫情中的應用》，《中國醫學物理學雜志》2020 年第8 期。顯然，新冠肺炎疫情這一全球性公共衛生危機，已使得疫情防治成為近三年來知識生產最密集的研究領域之一。

其次，慮及人工智能的某些特征，庫恩的提醒有其認識論價值。深度學習等具備主動學習能力的算法，以及一些軟件機器人，早已經深度參與知識生產活動。新冠肺炎疫情防治工作中存在許多證據不充分決定的情形，并沒有一個客觀的公共準則表或算法能代替人類的決策。比如，目前還沒有足夠好的治療特效藥物，大部分藥物臨床試驗的療效不佳；有時候胸部CT 掃描結果不足以幫助醫生做出精確判斷；傳染病模型的預測結果會有比較大的誤差等。在數據量極大且運算速度可以起作用的地方，人工智能提供了幫助。比如，谷歌Deepmind 公司開發的AlphaFold 深度學習系統快速預測了新型冠狀病毒（COVID-19）的蛋白質結構，大大縮短了疫苗設計所需要的時間。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，至少目前看來，許多問題能否解決在本質上并非取決于數據大小或計算速度，人工智能的作用還極為有限。庫恩式的洞察，即心理因素、社會因素可以對相關理論選擇起決定作用，仍然是理解某些理論選擇的基礎模型。

再次，從人類學進路來看，我們也可以獲得一些重要的啟示。盡管運用智能技術獲得的知識，本質是基于具有不同算術深度和邏輯深度的語言所產出的知識結果，計算機的強大計算能力和深度學習等算法處理大數據的能力使得智能知識生產模式的產出結果有一些非人的特點。但是，它們仍然在一些重要方面具有值得強調的人類學特征。特別是，如果人類學分析進路是對的，那么科學知識的客觀性在本質上就是社會性。從知識“制造”的過程來看，科學家的目的和決策，科學家之間的信息溝通與交流，幾乎總是會使知識生產的結果具有人類決策負載。從知識生產結果的質量控制和評估來看，智能知識生產的輸出結果的重要性也總是體現或反映了人類的興趣或關切。例如，某個醫療診斷是否應該被采納，某種特定療效的藥物是否應該用于臨床，裝備了某種敏感于倫理原則的自動駕駛程序是否可以準予應用，等等。③白惠仁：《自動駕駛汽車的“道德”困境》，《科學學研究》2019 年第1 期。

科學知識社會學的研究還表明，科學生產活動的組織方式受許多社會因素的影響和制約。在近代很長一段時間里，隨著現代大學的興起和擴張，知識生產主要由身處大學或研究機構的科研人員承擔，而其產出結果的質量控制一般由學術共同體或其他合法機構（比如期刊和出版社）通過同行評議的方式來掌握。隨著智能知識生產模式的出現，知識生產的動力機制、組織方式和質量控制等問題已逐步凸顯為需要重新認識的議題。

由于大學教育的普及，民眾的知識素養普遍提高，越來越多受過高等教育、有能力從事知識生產的人員流入政府部門、企業、專業團體或其他社會組織。隨著科學態度從大學向社會的不斷外溢，在互聯網及其他社交軟件的幫助下，人們對知識生產活動的關注度日益高漲，也有越來越強的參與意識和社會問責意識。在一定程度上，因為電子通信、智能技術的普遍應用，以及公眾的廣泛參與，知識生產已經形成一個彌散分布于整個智能化社會的體系。這一體系既包括現代大學和研究機構，也包括企業的實驗室、研究團隊、其他類型的機構或研究中心，甚至還包括某些業余社會個體。在這一體系里，參與知識生產的場所的數量已經遠遠超出傳統大學或科研機構的數量，而且，知識在傳統知識生產機構和社會之間的流通或獲取也愈趨便捷。體系里的組織和交流，比如成果的發表或傳播，有時候會繞過略顯僵化的傳統體制，它們未必會在傳統學術期刊發表，也未必經過嚴格的同行評議。比如，維基百科、百度學術、知乎等網絡資源平臺就表現出這樣的特點。

就動力機制而言，純粹的求知欲仍然在發揮作用，不過，智能知識生產模式的驅動機制更為復雜。相對而言，它較少受傳統的學科興趣驅動，而對特定時期突出的社會、政治、經濟問題更敏感。出于商業利益的驅動或國際競爭的考慮，公司、企業的研發團隊往往成為更有能力承擔研究任務的主體；谷歌的阿爾法圍棋研究團隊、科大訊飛的自然語言處理研究團隊，是這類知識生產主體的典型代表。在組織形式上，智能生產模式里的知識生產往往不再是獨立的研究活動。①由位于日內瓦的歐洲核研究組織（CERN）的實驗室指導的一個粒子物理學研究項目，研究成員包括100 多家研究機構和2000余名物理學家。參見Christine M. Hine, New Infrastructures for Knowledge Production: Understanding E-science, Information Science Publishing, 2006, p.VI。科學家日復一日的重復實驗，或者哲學家的反思和推理，這種傳統的知識生產主體形象已經只存在于有限的范圍內。智能知識生產模式的組織，相對要靈活得多，既可以通過項目制來進行組織，也可以是像維基百科那樣的大眾匿名貢獻。

由于社會公眾教育程度和社會開放程度的提高，人們不僅熱情地關注、支持某些議題的研究，也反對、聲討某些越軌或有悖倫理的研究，以這樣的方式，越來越多的人實質性地參與了研究目標的設定或者研究的倫理標準的設定。因而，智能知識生產模式的質量控制，往往不再是取決于少數科學家或技術專家的事情；相較而言，知識生產越來越受更大范圍的多種因素影響，需要社會中的不同利益相關方的協商和談判。同時，人們普遍認識到，計算機不同于人腦。計算機的運作本身有其限制，比如，不能處理規范性問題或規則出錯的情形，智能知識的產出過程的“黑箱”特性，也還有超出人類認知能力把握的方面。在特定情境下，尤其是知識生產有重要社會后果的情境下，對知識產出結果的質量評估需要人力干預和質量控制，尤其要施加社會民主化約束以防止社會風險。在無人駕駛、醫療服務、環境問題，以及其他重要的智能知識應用領域，社會民主決策程序的引入都非常必要。值得一提的是，在知識生產的質量控制上，軟件機器人表現出強大功能，比如，由維吉爾·格里菲斯（Virgil Griffith）開發的維基掃描器（Wikiscanner）軟件，就對維護維基百科詞條內容的質量起到了重要作用；它能通過提高維基百科的透明度來防止一些惡意的篡改或編輯。

另一個相對被忽視但特別值得討論的問題，是探索社會干預促進智能知識生產的機制和措施。詹姆士·布朗對社會干預促進科學的途徑做了討論。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，知識生產模式的轉變要求科技政策的轉變，即要從“為適應科學發展而制定政策”轉向“為技術創新而制定政策”。③邁克爾· 吉本斯等：《知識生產的新模式：當代社會科學與研究的動力學》，第138 頁。鑒于智能知識生產模式的特點，也迫切需要社會科技政策做出相應的前瞻性考慮。

在智能知識生產模式里，主要的生產機構有相互滲透、跨界融合的特點。一方面，大學和研究機構仍然是穩定的傳統研究力量；另一方面，市場主導的公司、企業還有其他一些社會個體也在持續發揮作用。尤其值得注意的是，因為商業利潤的吸引力，企業和跨國公司等市場主體有特別強烈的知識創新動力，已經或正在成為主要的知識生產機構。從知識生產的組織特點看，智能知識生產模式能更好激勵、促進穩定的機構和靈活的組織之間進行合作的制度和措施，應該成為當下和未來的科技政策制定的核心考慮。傳統的嚴格單位管理的科技管理措施和科技政策有可能對智能知識生產模式的產出造成限制，特別是限制了專業人才和技術專家的活動范圍，或許新的生產模式要求新的、更動態化的組織模式和制度化模式。鑒于此，我國國務院2017 年印發的《新一代人工智能發展規劃》要求：“以提升新一代人工智能科技創新能力為主攻方向……構筑知識群、技術群、產業群互動融合和人才、制度、文化相互支撐的生態系統。”①《新一代人工智能發展規劃》，《科技導報》2018 年第17 期。經過數年建設，在人工智能人才團隊建設、人工智能學科建設、產學研一體化的政策建設、培育智能經濟等方面，我國已經取得明顯進展。不過，目前來看，如何協調產業政策、創新政策與社會政策，將激勵和規制相結合，建立“開放協同的知識創新體系”，以最大限度地釋放智能模式下的社會知識創新活力，仍然還是要持續探索的問題。

結 語

在當代的知識生產中，以學術共同體的學術興趣主導的知識生產模式和國家主導的跨學科攻關模式都在發揮重要作用。在這兩種知識生產模式之外，還有一類特殊的知識生產情形，它利用了智能設備、互聯網等信息基礎設施和當代計算機的強大計算能力，特別是利用了基于前者獲得的大數據和一些新型算法。這種知識生產模式正在改變一些傳統的科研手段和工作范式，深刻塑造著現代社會和未來技術文明。

“新的技術人類文明類型”是現代社會歷史性生成的結果，“無法脫離由商業、技術工業與資本文明共同提供的現實的與經驗的基礎”。②劉日明：《馬克思的未來社會與新文明類型》，《哲學動態》2022 年第1 期。從當代知識生產的現實基礎和社會因素來看，智能知識生產模式的動機對社會實踐和社會生活的重要關切敏感。正如智能駕駛、軍事技術、醫療、環境、認知模擬等特別重要的社會生活領域或技術應用領域，驅動著智能知識生產。智能知識生產的組織，一般來說，越來越不依賴于科學家個體，而往往是科學家團隊合作科研和決策的結果，因為相關問題的知識創新需要的知識背景和技術條件幾乎總是超出科學家個體的掌握程度。公眾教育程度的提高、科學態度的外溢、信息基礎設施的進步等因素，使得科研工作逐漸成為公眾越來越關注的活動，客觀上也要求擴大社會公眾對智能知識生產結果的評估和監督。

如果從更廣闊的背景來探討知識生產模式和社會因素之間的互動，那么會產生更多重要的、值得深入討論的問題。比如，如何在未來的國際競爭中，通過依賴于新知識生產的技術創新來實現競爭優勢；如何有效發揮人工智能科技體系的作用和智能知識生產模式的效能，并將其更廣泛地利用于各個領域的知識生產等；這一類問題還迫切需要加以研究。