ARTICLE · 1247724
AI时代,数据、信息、知识、智慧各发生了什么变化?
AI时代,数据、信息、知识、智慧各发生了什么变化?我们每天接收的东西很多：热搜、短视频、群消息、体检报告、课程笔记、专家观点。 但一个常见的困惑是：看了很多，还是不会判断；知道不少，遇事仍然犹豫。 这时候，DIKW模型仍然可以当作一个理解工具：数据—信息—知识—智慧。拉塞尔·艾可夫在1989年的文章《From Data to Wisdom》中把它系统提出来。它不是鄙视链，而是提醒我们：不同层的东西，作用不同。 AI没有推翻这个框架，但它改写了每一层的条件，尤其是中间几层的“加工工序”。把AI放进来之后，四层各自发生了一些变化。 原来数据是原始记录，中性、待加工。36.8℃、70kg、8000步，单个数字本身没有太多意义。 AI时代的问题不是数据不够，而是数据池里混进了AI自己生产的内容。模型在包含自身合成样本的数据上反复训练，可能强化错误、降低多样性，出现所谓“模型崩溃”；合成内容混入训练数据，也可能形成污染链条。数据还是数据，但它的可靠性前提变了：输入端第一次需要“防污染”，而不只是“做整理”。 这不是说普通人的日常数据都被污染了，而是说AI时代的数据可靠性多了一道工序；对普通人，对应的就是来源意识。 传统DIKW里，信息是人给数据加上语境和结构。连续三天体温从36.5℃升到37.8℃，这个月体重比上月增加2kg——有了对比和分类，数据才变成信息。 现在AI可以瞬间把数据变成摘要、图表、报告，信息生产的成本趋近于零。代价是：你收到的“信息”里，有相当一部分本身就是AI生成的，来源不再清晰。信息层的问题，从“怎么整理”变成了“怎么鉴别”。 过去知识主要储存在人脑和书本里。现在一部分知识被形式化、可校验地放进了机器侧，AI可以直接调用。MIT经济学家大卫·奥托讨论过一种风险：AI未必首先表现为大规模失业，更直接的是部分专业知识和判断力的贬值。知识获取被“平权”之后，“知道得多”本身不再构成突出优势，稀缺的是在信息洪流中辨别方向的能力。 但知识并没有全部被拿走。哲学家波兰尼提醒过，知识里有一块是“默会”的，扎根于身体经验和实践，很难被完全形式化。AI可以复述关于骑自行车的所有物理公式，却无法拥有一点“双脚离地、保持平衡”的身体理解。可编码的知识被AI接管并贬值，不可编码的那部分，反而更清晰地显出了自己的位置。 原来智慧被放在DIKW顶端，像是知识的自然升华。AI时代，这一点反而更清楚了：AI可以生成无数方案，但哪个方案不该用、哪个后果不可逆、哪个边界不能碰，仍然需要人来判断。 有学者在讨论AI代理时提出：能力累积不等于智慧，只有当“约束性意识”跟上能力增长时，能力才转化为智慧。郑永年的说法更直白：AI擅长产出“形而下”的知识，效率远超人类；但“形而上”的和介于两者之间的知识，仍然属于人类的智能和智慧范畴。智慧层的变化是：它从一个“更高的知识阶段”，变成了一个“不能被外包的判断位置”。 把这些变化放在一起，会看到一个不对称的结构： AI把数据到信息、信息到知识的中间加工变得极其高效，甚至过剩；但它没有、也难以接管两端的判断——源头的“这个数据可不可信”，终点的“这个方案该不该用”。 原来的DIKW是一个向上的阶梯，人在每一层都参与加工。AI时代的DIKW更像一个两头收紧、中间膨胀的结构：中间层被AI填满，两端的判断反而变得更吃重。 对普通人来说，不必把“成为有智慧的人”当成任务。可以试试几件小事： 这个数字怎么采集的？统计口径是什么？有没有可能是合成内容？对普通人来说，数据层的“防污染”不是去清洗模型，而是对任何“原始记录”多问一句来源。 信息不再稀缺，可信的信息才稀缺。看原始出处、交叉比对、分辨AI生成痕迹，比收藏更多摘要更有用。 AI能替你总结，但替不了你把一个知识放进具体情境里试一次。默会知识不会从阅读中长出来，只会从实践中长出来。杜威把反思性思维看成一个完整过程：感觉到疑难、观察情况、提出假设、推理，再到行动中检验。知识用过一次，才会知道自己哪里没懂。 一个没有标准答案的选择、一个涉及他人后果的决定、一个信息不全但必须行动的处境——这些时刻的不适感，恰恰是判断力还在工作的信号。奥托的判断方向是：当知识获取变容易，判断力会变得更稀缺。 记录一次选择：当时依据什么信息？用了什么知识？结果如何？下次会改什么？智慧往往不是从“知道更多”里长出来的，而是从“回头看”里慢慢长出来的。 伯特兰·罗素有一个大意如此的观察：人类在知识上的积累远远快于智慧上的增长。有人还打过比方：知识是建筑材料，但建成什么样的大厦，取决于智慧。 AI把DIKW的中间层铺成了高速公路。 但高速公路不负责告诉你从哪里出发、到哪里停下。 数据可以喂养模型，信息可以被生成，知识可以被调用，但“该不该、值不值得、后果是什么”——这个问题，仍然得有人来回答。
