黄先海：人工智能驱动的知识生产：理论与政策

7月3日，2026中国数字经济发展和治理学术年会（以下简称“年会”）在清华大学举行。全球发展学院院长、浙江大学教授、原副校长黄先海发表题为《人工智能驱动的知识生产：理论与政策》的主旨演讲。本文根据黄先海教授现场发言内容整理。本文来源：清华服务经济与数字治理研究院

本账号接受投稿，投稿邮箱：jingjixuejiaquan@126.com

黄先海：人工智能驱动的知识生产：理论与政策

尊敬的各位学界同仁，各位嘉宾，大家下午好！

非常高兴有机会来做个分享和交流，这次跟大家分享的主题是《人工智能驱动的知识生产：理论与政策》，这一研究成果是我与吴屹帆博士合作完成的。众所周知，人工智能正在深刻影响我们的生产方式与生活方式，而它所触及的领域并不止步于此——知识的生产方式同样被卷入这场变革之中。人工智能究竟会给知识的生产方式带来什么影响，这种影响背后的作用机理又是什么，这些问题都需要我们进行深度剖析，而不能停留在表层的观察上。

围绕这一主题，我想跟大家分享四个方面的内容：第一，人工智能驱动型知识生产的几个前沿理论问题，也就是当前学界正在争论、尚待厘清的若干基础性议题；第二，尝试提出人工智能与知识增长之间的学理基础，回答人工智能究竟是怎样促进知识增长这一核心问题；第三，梳理AI for Science在世界各国的政策图景，看看主要国家在这一领域是如何布局的；第四，面向人工智能时代对中国科技政策作出展望，从学术层面提出一些有针对性的政策建议。

一、人工智能驱动型知识生产的几个前沿理论问题

首先，我们需要认识到，人工智能所带来的并不是一般意义上的工具性或方法性的改进，而是整个知识生产范式的一场大变革。这是理解后续所有问题的前提。

不妨举两个例子来说明这种范式层面的革命性变化。第一个例子来自生命科学领域。在过去将近三十年的时间里，生物学家主要依靠X射线晶体学、冷冻电镜等实验手段，历经艰辛，也仅仅完成了大约20万个蛋白质的三维结构解析。这是传统研究范式下积累了数十年的成果。然而在智能范式之下，情况发生了根本性的逆转——短短三年时间，人类就已经破解了1亿多个蛋白质的三维结构解析，正是通过AlphaFold这类人工智能系统取得了如此惊人的进展。从20万到1亿多，从三十年到三年，这种数量级和时间尺度上的巨大反差，恰恰揭示出这是一场范式革命性的大变革，而非简单的效率提升。

第二个例子来自数学领域。传统的数学研究，依靠的是人类的直觉去提出猜想，再通过人工演算、逻辑推演一步步完成证明，整个过程高度依赖研究者个人的洞察力与推理能力。而在人工智能介入之后，人工智能已经能够自主生成猜想，其中一部分甚至可以完成相应的推导乃至形式化证明。这样一来，数学研究的重心便悄然发生了转移——研究者的核心工作，从亲自提出猜想、亲自完成证明，转变为对人工智能所给出的推导过程加以引导和核验。当研究的起点、路径与重心都随之改变时，整套研究逻辑也就随之被重塑。从这两个例子可以清楚地看出，整个知识的生产方式或者说生产范式，确实正在经历一场革命性的变革。

其次，关于人工智能能力提升与知识产出之间的关联，学界目前尚存较大争议，其中诺贝尔经济学奖得主之间就形成了立场鲜明的两大派别。乐观派认为，如果人工智能能够实现创意生成的自动化，那么全要素生产率（TFP）将持续攀升，最终有望催生所谓的"经济奇点"，从而带来跨越式、颠覆性的变革；这是一种对前景极为看好的判断。悲观派则提出相反的看法，他们认为人工智能其实很难适配各类复杂工作，尤其是在知识生产这一高度依赖复杂判断的领域，未来十年人工智能对全要素生产率的拉动增幅甚至不足1%，前景相当消极。可以看到，两派观点几乎针锋相对。就目前而言，学界对这一问题并没有形成定论，谁是谁非仍需要通过不断地提出假设、展开推理并加以验证，才能逐步逼近答案。

再次，一个绕不开的问题是：在知识生产智能化的过程中，政府究竟应当有何作为？主流经济学框架的核心逻辑其实相当清晰——当市场发生失灵时，政府就应当主动介入、发挥调控作用。那么在智能化知识生产的场景下，市场失灵主要体现在哪些层面呢？我认为主要有两大层面。其一，智能化科研存在着算力这一隐性门槛。当前国内的算力供给缺口十分突出，而算力供给的不足会直接制约整体的知识生产能力，这一短板仅靠市场自身难以补齐，需要政府出手。其二，我国的原始数据储备体量其实相当可观，但问题在于数据封闭、流通不畅，真正可以用于科研的有效、高质量数据反而十分稀缺，这同样是一种市场供给不足的失灵。除了算力门槛与数据门槛之外，人才门槛、平台工具门槛等也普遍存在，这些障碍都有赖政府来加以破局。

最后，还必须正视一个严峻的现实：当前依靠人工智能开展知识生产，正在加剧科学的可信性危机，具体表现为三大突出难题。第一是弱可解释性。人工智能往往直接输出一个结论，却难以提供得到该结论的推导过程，研究者因此无法在机理层面对其展开分析，只知其然而不知其所以然。第二是弱可复现性。可重复性本是科学研究的核心准则，然而不少依托大数据、人工智能得到的研究结论却难以完整复现——数据只要稍有变动，结果便可能大相径庭，这就动摇了结论的可靠根基。第三是科研诚信风险。大数据当中往往夹杂着大量噪声数据，再加上人工智能本身容易产生内容层面的"幻觉"，二者叠加，极易导致研究结论失真。上述多重挑战都亟待应对，政府应当在相关领域积极发挥作用；同时，这三大问题本身也具备进一步深入开展学理研究的价值。

二、人工智能与知识增长之间的学理基础

在第二个方面，我想尝试提出一点创新性的贡献，即从经济学的角度出发，建构一个刻画人工智能与知识增长之间关系的函数。

先来引入基本思路。传统的科研范式，是先提出假说，再开展验证：研究者依托现有知识去提炼出科学问题，并对其加以检验；一旦检验获得通过，便能够推动知识实现迭代，进而在此基础上开展下一阶段的研究。这是一套标准的、为学界所熟知的研究流程。而在人工智能参与进来之后，情况有所不同——在"已有知识"和"待解决问题"之间，新增了一段由人工智能所承担的区间，我们把这部分内容称作"准知识"。之所以将其定义为准知识，是因为人工智能虽然能够直接输出结果，却往往无法给出相应的解释，这类内容仍然需要人类作进一步的阐释、论证与甄别。换言之，准知识尚未经过充分的推敲，如果不加分辨地直接全盘采纳，是存在风险的，其中大量结论都有待人类去解读、深挖与研判。因此，准知识虽然对知识生产具有重要价值，却不能不经处理就直接投入使用，它是介于原料与成品之间的一种中间状态。

在此背景下，我们尝试构建一个简易方程，用以刻画不同阶段的知识生产模式，具体区分前人工智能时代，以及人工智能发展的初期、中期与高级阶段所呈现出的动态变化。在这一模型中，我们重点识别出了两个影响知识生产的关键因素。第一个因素记为α，它代表知识生产的成本收益比。在现实中，有些知识的获取需要投入极高的成本，换来的增量收益却十分有限；也存在另一种情形，即只需投入较低的成本就能实现知识的大幅增长。α所刻画的，正是这样一种投入与产出之间的取舍关系。第二个因素记为β，它代表基础学理层面解释性工作的贡献程度，用以衡量人类针对复杂难题、尤其是那些依赖人工去开展阐释和深度挖掘的问题所投入的努力水平。这一模型总体上表明：一方面，人工智能能够助推人类知识总量的增长，这一点是毋庸置疑的；但另一方面，在整个发展过程中，人工智能所产出的内容，仍然需要人类知识与之相匹配、并对其展开深度挖掘，二者缺一不可。

基于α与β的相互作用，知识增长可以呈现出三种不同的路径。第一种称为"腾空型"，指的是知识增速在人工智能发展的中级阶段持续高于基准水平，其对应的腾空区间处于Z1与Z2之间。如果以代表常规情形的45度斜线作为参照，那么在这一区间内，知识增速会出现阶段性的快速跃升，明显高出常态，这便是第一种模式。第二种称为"鱼跃型"，即在特定区间内短期实现高于常态的知识增长，但随后增速便会回落，如同鱼跃出水又复归水面，呈现出先扬后抑的特征。第三种称为"深潜型"，它同样对应中间区间，但表现恰恰相反——此时知识增长水平显著低于45度基准线，处于相对低迷的状态。以上三类知识增长路径究竟会走向哪一种，归根结底都是由α与β二者之间的相互关系所决定的。

由此进一步，我们所致力于探寻的，是能够实现全社会知识增速最大化的政策安排。为此，可以借助一张"α-β政策相位图"来展开分析。在这张图中，纵轴代表α，也就是知识生产的成本收益比。α的数值不宜过高，应当逐步回落，但也无需一路降至零——过犹不及。依据相关的推演与验证，当α取值为0.25时，全社会的知识劳动生产率恰好能够达到最优水平，这为政策调节提供了一个可参照的目标区间。再看β，其调节则应分阶段进行：在初期，应侧重于投入基础研究以及各类解释性工作，为后续发展打好底子；而当发展到一定阶段之后，就需要大幅增加基础研究相关阐释工作的投入，唯有如此，才能推动实现实质性的知识突破。上述这些规律，都可以借由α-β政策相位图予以清晰的阐释。

三、AI for Science的各国政策图景

第三个方面，我想梳理一下全球范围内人工智能用于科学研究的政策图景，看看主要经济体各自的布局。

首先来看美国的相关举措。美国建立起了国家人工智能研究资源体系，在算力供给、面向重大科学问题的定向赋能、以及公私协同的普惠创新机制等多个层面，搭建起了一整套较为完整的制度安排。值得一提的是，以往我们普遍认为，我国在人工智能领域的投入规模与国外大体相当；但事实上，当前美国、韩国、日本在人工智能领域的投入都要高于我国。这一点应当引起我们的高度警醒。也就是说，我们原先自认为投入体量已经相当可观，可实际的投入水平却不及美国、日本和韩国，这一差距很值得我们认真借鉴与深刻反思。

再看英国。英国在前期的相关投入规模较为有限，但当下在政策层面的投入力度已经显著加大，相关项目的投入动辄以"亿"为单位来计量，其中不少项目的投入甚至超过了1亿英镑，力度不可谓不大。至于欧盟，虽然起步相对滞后，但在现阶段追赶的势头相当强劲，正在持续加大资源投入，试图迎头赶上。综合来看，美西方多国都在持续加码这一领域的战略布局，这在客观上对我国形成了一种倒逼，也带来了实实在在的外部竞争压力，反过来促使我们必须进一步强化在相关领域的投入。

四、人工智能时代的中国科技政策展望

最后，结合本项研究，我想对未来的科学研究作出一些政策展望，总的方向是推动科研迈向更加开放、更具可解释性的发展道路。

那么具体应当如何推进呢？依据本文所构建的简易模型，首要任务是逐步降低α，也就是降低知识生产的成本收益比。而要实现这一目标，就必须先厘清政府的作用边界：有一部分工作完全可以交由企业和市场自主完成，政府不必越俎代庖；与此同时，也确实存在三项重点任务，亟需政府主动作为。其一，构建分级普惠的国家级算力供给体系。算力是人工智能时代的新型基础设施，这类基础设施的建设有赖于政府加大投入，才能为全社会的知识生产提供底层支撑。其二，打造开放共享的数据工具生态。这一方向虽然长期以来一直被倡导，但落地推进的力度仍显不足，当前政府可供统筹利用的数据资源依然存在较大缺口，需要切实地推动数据的开放与共享。其三，培育并扶持智能化创新人才，进一步强化政府层面的相关扶持力度。以上这三项举措，最终的落脚点都在于降低α。

模型还引申出一项隐含的政策导向，那就是要着力提升β，为此需要重点抓好几项关键工作。第一，持续加大对基础研究的支持力度。当前在整体研发经费当中，投入到基础研究的绝对规模仍然偏低，而面向高校的基础研究投入同样存在明显的缺口，这一状况有待改善。第二，推进可解释人工智能的技术攻关。现阶段的人工智能虽然能够直接输出结论，却缺少相应的推导与解释，这已经成为一个亟需突破的瓶颈；只有攻克这一难题，才能真正实现可信的知识增长。第三，健全科研验证与治理体系，着力治理人工智能普遍存在的"幻觉"等数据问题。这类问题会深刻影响科研成果的真实性与精准度，是绕不过去、必须破解的一环。上述各项工作，都需要政府加以统筹推进，方能形成合力。

总而言之，人工智能正在对知识生产带来一场革命性的变革；但要想让这场变革真正服务于人类，就需要政府紧紧围绕α与β这两大维度持续发力、有效作为。唯有如此，人工智能时代的知识生产才能够充分释放其活力，同时又能够保障较高的科学性与真理性。也只有做到这一点，人工智能才算是真正地服务于人类。谢谢大家！■

扫描二维码参加线上研讨