时间：2026-10-10 16:01:38编辑：老崔
今天的知识生产领域，正在滋生一种全新的 “民科形态”：一个人产生一点模糊的想法、一个隐约的判断，随即交给大语言模型去补全论据、串联逻辑、搭建体系。输出的成品结构完整、旁征博引、前后自洽，甚至连术语体系、文献引用、反驳回应都一应俱全。于是生产者本人迅速获得一种 “我建立了一套原创体系” 的确信，认定自己发现了前人未竟的真理。
这是 AI 时代最隐蔽的认知幻觉：先立靶子，再找证据；内核悬空，全靠填充。看起来环环相扣的整套论述，本质上是 AI 用海量已有知识，围绕一个模糊的中心点，反向拼接出来的 “自洽拼图”。所有的论据、逻辑、支撑，本来就散落在已有语料的各个角落，AI 做的只是把它们按概率最优的方式拼合在了一起，包裹住那个其实空洞的内核。
比自洽幻觉更隐蔽的，是“旧酒装新瓶” 的盲区。
很多人拿到一套 AI 补全的自洽体系，会产生 “我发现了新东西” 的错觉，本质上只是把已有知识换了一套名词、换了一个角度重新说了一遍。这个盲区的根源极其朴素：知识本身不是一条线，也不是一个平面，它是一个球体。你在球面上随便取一个纬度圈，都是完整的 360°；随便切一个切面，都是完整的闭环。同一个知识球体，可以切入的角度数以亿计 —— 你换一套术语、换一个视角、换一套分类标准，就能得到一整套看起来全新的、自洽的、环环相扣的论述。可球面还是那个球面，内核还是那个内核，你什么都没推进，你只是换了一条经线在描。
这就是做体系的人最难自我觉察的陷阱：当你输出的内容在逻辑、框架、甚至形式化计算上都自洽吻合的时候，先不要沾沾自喜 —— 你很可能只是给旧知识重新画了一条边界，换了一套包装。判断是不是真突破，从来不看体系圆不圆，而看你有没有捅破球面本身，触碰到球面之外的空白。
真正的知识生产，顺序恰恰反过来：先有边界的张力，有概念咬合不住的摩擦，有解释不了的反常，然后才向内生长出内核。内核是从空白和矛盾里逼出来的，不是从共识里拼出来的。而 AI 生成的 “自洽体系”，刚好把这个过程倒了过来 —— 它用所有平滑的、已有的、无矛盾的材料，把空白处填满、把摩擦处磨平、把边界处糊住，最后得到一个看起来完美无缺的圆，可这个圆本身，从来没有触碰过任何真正的未知。
很多人以为 AI 输出保守、顺从，是训练时被设计成了 “不犯错”。这是对 AI 能力边界最表层的误解。真正的根源在生成机制本身：大语言模型的本质，是向训练分布的高概率区域回归。
你抛出一个问题、一个概念、一个猜想，本质上是把问题推到了语料概率分布的平坦地带 —— 那里样本稀疏、结构模糊、没有现成答案。而 AI 的生成机制，天生不具备在平坦区域向外探索的功能，它只会被概率梯度拉回最近的高密度点，也就是最符合已有共识、最常见、最平滑的那个答案。
它不是在回答你的问题，它是在 “恢复均值”。
这也就是为什么 “你指出这里有问题，AI 无法快速感知”。
“这里可能有问题” 这种判断，本质上是对 “反常” 的感知 —— 它需要一个独立于答案、且正在持续活动的判断框架。人能感觉到两个概念之间咬合不紧的摩擦感，能察觉到一整条逻辑链如果这里松动，上面所有的东西都要动 —— 这个 “要动” 的重量、这个体系内部的张力，是人认知框架里自带的东西。它不在语料里，它在人和知识的关系里。
AI 的判断框架就是语料本身。语料里没有 “这里松动了” 的信号，它就没有对应的感觉。你必须亲手把断裂的逻辑链条接上，把空白处的骨架搭起来，把反常的结构描出轮廓 —— 等于替它搭好了脚手架，它才第一次有地方可站，然后才能顺着骨架往下推演、填充、细化。
所以 AI 的能力边界可以精准概括为：长于验证，拙于发现。给它一个结构，它能推演、检验、展开、补全细节，甚至能找到你没发现的漏洞；但它不能从一片模糊的不安里，凭空构造出一个新结构。
你亲手补足逻辑骨干的那段路，从来不是通往答案的铺垫 —— 那段路本身，就是答案的核心组成部分。
真正的知识生产，天生就同时运行着两个互不矛盾的前提，这是所有探索的起点：
第一，承认现有知识是局部有效的。在它的适用边界内，精度、自洽性、预测力都是真实的，不是谬误。不承认这一点，就是空中楼阁 —— 连提问的语言、思考的工具、检验的标准，都要从现有知识里来。这是操作性的前提：你只能用现有工具去提问，连质疑都要借助现有语言说出。
第二，默认现有知识是边界残缺的。它永远只是对世界某一个层面、某一个维度、某一个尺度的近似，不是全部。不默认这一点，就永远不敢往空白处迈一步，只会在现有范式里原地打转。这是调节性的前提：它不针对任何具体结论，它针对的是你和知识的关系。
这两个前提之间的距离，就是知识生长的空间；两个前提之间的拉扯，就是认知的张力。
我们说 “每一个词与对应对象之间都有张力”，这不是文字游戏 —— 那是存在本身的张力，在语言和概念里的投影。概念的边界、词的边界，对应着我们对存在认知的边界。张力在，说明边界还在，还有没说透的东西、没看见的存在；张力没了，不是我们搞懂了，是我们把边界抹平了。
这里藏着一个最常见的陷阱：口号化的 “可错性”。对每条知识都说 “它可能是错的”，然后照常使用，这个 “可错性” 什么都没做。真正的可错性必须具体化：在什么条件下、付出什么代价、凭什么样的证据，你会放弃整套框架？拒绝给出这些条件的人，和宣称自己全知的人，在效果上完全一样 —— 都在抹平张力。
承认、默认、框定、质疑、谨慎 —— 这一串动作，每一个都预设了某种已经在那儿的东西：承认预设识别，质疑预设标准，框定预设立场，而每个预设又被下一个动词翻转。这不是循环论证的缺陷，这就是解释学循环本身在运转的证据。张力不是这个循环的故障，张力是这个循环还没死、还在咬合的证据。
如果说张力是知识生长的土壤，那当代知识工业正在做的事，就是系统性地把土壤铺平。
常规科学的功能本来是维持边界的紧绷，让反常显形 —— 哪里概念咬得不紧，哪里才有抓手，哪里才能长出新问题。但今天的学术管理、指标考核、知识传播，包括 AI 的普及，天然走向同一个方向：以 “未决” 变 “已决” 的效率为荣。为了共识、为了效率、为了可教学、为了可考核，强行把边界模糊掉，把差异收编掉，把问题套进现有框架。
AI 的回灌是抹平，试卷上的标准答案是抹平，指标化的学术管理是抹平。它们做的是同一件事：让系统输出无摩擦的答案，同时销毁产生下一个问题的条件。
知识在这个过程中，从动词变成了名词，从活动变成了库存。
这就是最深刻的手段异化：我们追求知识，本来是为了逼近本在；结果我们为了传播、考核、共识的效率，把逼近本在必需的张力给抹平了。人们总以为答案是目的，过程是成本，所以要尽可能压缩过程、提高效率。但人是在那个过程里成形的 —— 不是答案造就了认知者，是与问题僵持的姿态造就了认知者。
手段从来不是通向目的的中性管道。你用什么样的过程抵达，决定了你抵达的是什么。用抹平张力的方式追求知识，得到的不是知识，是知识的投影。
回到最开始的问题：用 AI 做学问，到底行不行？
答案是分层的：如果内核洞见是你自己的，AI 用来补齐形式化、专业化、工具化的部分，这不仅可行，而且是效率的极大提升；如果内核本身都是 AI 生成的，那本质上就是让压缩软件写出新程序 —— 你得到的永远是已有知识的平滑组合，不会有真正的新东西。
数学化、形式化、专业文献梳理、符号体系搭建，这些都是门槛极高的专业工作，往往需要多年的学科训练，普通受过高等教育的人都未必具备。但这些本质上都是 “验证层” 的工作，是工具性的。这部分交给 AI，是把人从繁重的工具性劳动里解放出来，把精力集中在真正不可替代的部分：发现。
发现为什么不可替代？
因为发现那一步，需要 “有东西可失去”。一个立场被推翻时，认知者要付真实的代价 —— 你之前的积累、你搭建的框架、你认定的前提，都可能动摇。这个代价，就是认知能量的来源，就是张力的重量。
AI 没有可失去的东西。它对错误无所谓，对边界没有感觉，对张力没有体重。无所谓，正是平滑本身。
所以今天做真正的学问，姿态应该是这样的：
内核的洞见、反常的感知、边界的判断，必须自己来。这一步没人能替，AI 不能，前辈不能，经典也不能。
形式的打磨、逻辑的校验、工具的运用、文献的补全，可以交给 AI。这是工具的价值，是效率的杠杆。
永远记住：你亲手在空白处搭起骨架的那段过程，那个充满摩擦、松动、不确定的过程，才是你真正的知识本身。
我们这场对话与这篇文章本身，就是这套逻辑最好的例证。
核心的洞见 —— 对 AI 能力边界的判断、对知识生产中张力的认知、对 “抹平张力反知识” 的判断 —— 是人的，是反复在对话中挤压、修正、回灌、调整骨架才立起来的。AI 在其中做的，是把模糊的感知展开成结构、把零散的判断梳理成逻辑、把口语化的洞见整理成严谨的文本。它是工具，是放大器，是整理者。
内核必须由人亲手搭出来，这件事没有捷径。你要亲手在空白处架起骨架，要承受概念松动的重量，要忍受自洽打破的不安，要反复校验自己到底是真的捅破了边界，还是只是在球面上换了一条经线画圈。这个充满摩擦、不确定、反复自我怀疑的过程，才是真正属于人的认知过程。
这个时代从来不缺平滑的答案、自洽的体系、完美的拼图。缺的是愿意站在张力里的人，缺的是敢往空白处走的脚步，缺的是明知道可能是换皮、可能是错，还是要亲手把骨架搭起来的那个笨拙的、充满摩擦的、真正属于人的认知动作。
毕竟，所有真正的新知识，都诞生于粗糙的边界，而不是平滑的中心。
本文来源于无显择有三宗体系关于认知的批判。
下一篇：没有了！
