在2026中国数字经济发展和治理学术年会上的主旨演讲

在 2026 中国数字经济发展和治理学术年会上 的主旨演讲 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 AIforScience 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。