推类：破解大语言模型知识难题的新路径

大语言模型因缺乏传统意义上的预设知识库与显性推理规则，人们大多质疑其生成内容是否可被认定为“知识”，这直接触发了人工智能领域的“知识论危机”。然而，大语言模型在跨语言理解、交互对话与常识推理等复杂任务中，展现出对人类认知模式的惊人“逼近”能力。这一深层的矛盾迫使我们追问：在智能时代，“知识”的本质是否需要被重新界定？从海量经验材料中生成可信结论，应当依循怎样的认知规则？

中国古典“推类”思想为其提供了启发性认知框架。推类与大语言模型在认知机制上具有深刻的相似性，能够为大语言模型的认知能力及知识生成机制提供有力支撑；同时，推类所蕴含的高阶认知能力，能弥补大语言模型在语境把握与价值判断上的关键不足，为化解其知识论危机提供可能路径。

推类与大语言模型的认知相似性

作为中国传统的推理论证方式，推类在“万物同理、天人同构”的世界观下，通过辨析物类关系，构建起“依类而推”的关联性归纳认知。大语言模型则通过统计不同语义单元在海量文本中共同出现的概率，结合不同的场景和语境，对下一个语义单元出现的概率进行排序，并从中选择最优解，本质上也是一种基于统计关联的归纳过程。可见，二者在认知的底层逻辑方面呈现出结构性相似：均不依赖显性的演绎规则，而是通过对经验中关联模式的把握进行推断。

物类关系构成了推类的理论基础。古人根据经验观察将万物各归其类，体现了从特殊到一般的抽象归纳过程。从一般属性看，万物可分阴、阳两类，且具有对立统一关系；从特定的共同属性看，万物均可归入金、木、水、火、土五类，且具有相生相克关系；从特殊属性来看，不同事物可以依据“有以同”的标准划入不同的子类。推类正是对这一理论的实践运用：通过“以类取”，获得对事物的整体认知；通过“以类予”，实现不同类事物间的跨类推理。这一过程不仅生成了新的知识，也会持续反馈和修正既有的分类框架，从而实现从零散直观经验到系统理性知识的认知升华。正是通过推类这一融合认知与实践的推理论证方式，中国古人构建起一套完整且长期指导生产实践的传统知识体系。

大语言模型的运作机制与之形成呼应：它将自然语言转化为离散符号，通过嵌入技术将语义关联映射到高维向量空间，借助向量间的相似度计算与概率建模，完成新内容的生成与预测。当训练数据的规模、多样性及模型参数规模突破特定阈值时，模型将涌现出类人的认知能力，使其可以高效完成零样本或少样本的复杂推理任务。本质上，这种涌现的认知能力源于对海量语言数据的深度习得，由此构建起对语义关联、结构模式与语境约束的直觉性把握，形成一种隐性的、关联式的知识表征。

但是，大语言模型基于统计关联和概率预测所生成的内容，因其“知其然而不知其所以然”的内隐推理机制，难以在传统知识论框架下被认可为知识。这促使我们必须重新审视智能时代“知识”的本质，因为其不仅关乎人类知识论的边界，也决定着我们能否真正将大语言模型发展为人类认知的协作伙伴。

“亲知”与“为知”：人工智能知识论的演进方向

知识论始终是哲学的核心议题。从柏拉图认定知识是“得到辩护的真信念”，到近代理性主义与经验主义的争论，再到当代将知识定义为“命题的逻辑一致性”“具有可证性的命题”“解决问题的工具”等，知识论始终围绕“确定性”“合理性”“合法性”等标准展开，经历了从追问“知识本质”到探讨“如何获得与运用知识”的问题域演进。然而，以大语言模型为代表的生成式人工智能正在更新知识生产模式，传统知识论缺乏足够的解释力：其一，传统认知框架以人为主体、物理世界为客体，知识是世界的“镜像”。但人工智能的认知范式是无主体的，也无法同物理世界直接接轨，与传统的主客二分的认知范式截然不同；其二，传统知识论追求“真”，而大语言模型追求最优解。传统知识论流派均无法为其提供无缺陷的知识确证方案；其三，西方传统知识论将知识的本质界定为“推理”或“经验”的做法，无法为大语言模型的“涌现”认知提供有力解释。当西方传统知识论难以解释大语言模型的认知机制时，在认知方式上与之具有深层相似性的中国逻辑思想中的“推类”，或可为理解与建构人工智能的认知基础提供关键的理论路径。

作为中国古代唯一一部成体系的逻辑学著作，《墨经》系统构建了“推类”知识论基础，为我们审视大语言模型的认知机制提供了极具启发的参照系。从知识本质看，认知能力是生命体具备的要素，即“生，刑与知处也”。但对于缺乏生命与感官系统的大语言模型，我们并不能否认其在特定条件下涌现出的“认知能力”。从知识阶段看，“知”经历了从“接”到“明”的跃升。人与具体事物接触获得感性认识，通过心灵的分析、整理和论述，达到理性认识，从而使认知显著而透彻。《墨经》专门创造了新字“

责任编辑：王梓辰

文章来源：http://www.71.cn/2026/0618/1285344.shtml