By Geoffrey Chen
在人工智能与信息技术高度融合的背景下，有必要重新界定“信息”与“知识”的边界。这里的区分不再依赖传统的层级模型，而是从系统结构、黑盒性质以及它们嵌入人类行为的方式来理解。
信息可以被界定为一种可封装的符号结构。它既是传统计算系统的处理对象，也是其处理结果。它的核心特征是确定性。给定相同输入，在既定规则下，可以得到可重复的输出。例如，在数据库中查询某个客户的账户余额，只要数据未被修改，查询结果就是固定的。又比如气象系统根据既定模型计算出“今天降水概率30%”，这个结果一旦生成，在同样条件下重复计算不会出现本质变化。信息因此可以被封装为相对独立的黑盒。对普通用户而言，它的内部算法不可见，但在工程逻辑上原则上是可解释的。人类无需持续干预其内部机制，只需通过接口调用即可。信息嵌入人类行为的方式是工具性的。你查看天气预报，然后决定是否带伞；你读取银行余额，然后决定是否消费。信息提供支持，但不参与决策结构本身，也不会因为你的使用而改变内部规则。它是稳定共识的沉淀。
知识在这里不被理解为符号的集合，而是系统在运行过程中表现出来的预测能力或决策能力。它不是静态封装的对象，而是一种运行中的能力结构。在人工智能系统中，这种能力不以显性的规则形式存在，而以概率分布的形式存在。输出不是严格确定的，而是在统计意义上成立的。例如，当你问人工智能“今天这种天气适不适合我这种心情去公园”，它不会调用一条固定规则，而是根据语境、历史数据以及语言模式生成一个回应。即便问题相同，回答也可能略有不同。模型参数在某一时刻是确定的数学结构，但输出行为呈现概率波动。知识因此表现为在具体语境中生成的结果，而不是预先封装好的答案。
两者都表现为黑盒，但性质不同。信息的黑盒是封闭且确定的。接口定义明确后，其内部不可见性不会影响结果的可靠性。人与信息系统的关系是指令式的，你发出查询，它返回结果。人工智能形态下的知识黑盒则是结构稳定但行为波动的。你无法直接干预模型内部的权重连接，却必须通过提示、反馈和反复提问来引导输出方向。例如在写作时，你给出一个段落，让系统润色；你觉得语气偏离，就再次提示调整。系统并未改变内部结构，但在交互过程中不断生成新的表达路径。控制不再体现在对内部逻辑的掌握，而体现在对输出分布的外部校准。
这种差异最终体现在它们嵌入人类行为的深度。信息以工具形态嵌入行为过程。它像一张地图或一把尺子，提供参考坐标，但不参与路径选择本身。知识在人工智能形态下则以共演化方式嵌入。人类提出问题，系统生成回应，人类根据回应修正问题，系统再生成新的结果。行为路径在这个循环中被共同塑造。比如程序员使用传统编译器时，编译器只是根据语法规则给出错误提示；而当程序员使用人工智能辅助编程时，系统不仅指出错误，还主动提出替代实现方案，甚至改变原本的设计思路。此时，系统不再只是执行工具，而参与了思维过程。
因此，可以说信息是静态共识的封装形态，是确定性结构；知识在人工智能时代则是动态共识的生成形态，是概率运行结构。前者完成任务后保持稳定，后者只有在持续交互中才获得实际意义。对知识的掌握不再等同于占有某种符号内容，而表现为在互动中不断校准和引导这种概率黑盒的能力。这种从静态封装到动态交互的转向，改变了人类在认知结构中的位置。
补充：
本文也解释了为什么在《认知主体之后》中，我没有为这种“无主体的知识”创造一个新的概念，而仍然沿用“知识”这个词。虽然它的生成条件发生了改变，但它嵌入人类行为的方式并没有改变。它仍然进入决策过程，参与判断结构，影响行动路径。从功能上看，它仍然承担着我们一贯称之为“知识”的角色。
因此，问题不在于更换术语，而在于修正认识论的前提。传统认识论以人类主体作为知识成立的必要条件，而在人工智能时代，知识的运作已经不再以主体的理解或信念为前提。它可以在没有“知道者”的情况下生成结果并发挥认知效力。
在《认知主体之后》中，我所做的不是发明一个新名词来回避这种变化，而是正面承认这种新型知识仍然是知识，同时指出其存在条件已经脱离主体。真正需要调整的不是词汇，而是知识概念背后的主体中心结构。
了解 Geoffrey Chen 的更多信息
订阅后即可通过电子邮件收到最新文章。