摘 要：基于海量數(shù)據(jù)與強(qiáng)大算法的多模態(tài)模型依賴(lài)復(fù)雜的結(jié)構(gòu)框架，在嵌入知識(shí)生成的過(guò)程中展現(xiàn)出跨域數(shù)據(jù)處理能力和持續(xù)輸出創(chuàng)新數(shù)據(jù)等核心特征。高度智能化的知識(shí)數(shù)據(jù)整理、自適應(yīng)多場(chǎng)景的知識(shí)表達(dá)與動(dòng)態(tài)協(xié)同聚合的知識(shí)共享等，推進(jìn)知識(shí)生成邏輯從既有信息理解向全新知識(shí)產(chǎn)出的轉(zhuǎn)變。然而，多模態(tài)模型逐漸暴露出缺乏合法可靠的知識(shí)數(shù)據(jù)源、透明可釋的生成過(guò)程以及高質(zhì)量?jī)?nèi)容輸出等諸多問(wèn)題。亟待通過(guò)搭建價(jià)值對(duì)齊的生成模型、提升可控生成的技術(shù)水平、完善人類(lèi)反饋提示策略、構(gòu)筑基于規(guī)則的管控體系等約束其更好地支撐知識(shí)生成，加速創(chuàng)新驅(qū)動(dòng)新質(zhì)生產(chǎn)力發(fā)展的進(jìn)程。

關(guān)鍵詞：多模態(tài)模型；知識(shí)生成；邏輯機(jī)理；路徑選擇；新質(zhì)生產(chǎn)力

中圖分類(lèi)號(hào)：G302 文獻(xiàn)標(biāo)識(shí)碼：Ａ DOI：10.11968/tsyqb.1003-6938.2024047

The Logic Mechanism and Path Selection of Knowledge Generation Supported by Multimodal Model

Abstract Multimodal models， which are based on vast data and powerful algorithms， rely on complex structural frameworks. They demonstrate core features such as cross-domain data processing capabilities and the continuous generation of innovative data when they are applied in the knowledge embedding process. The advanced intelligence in knowledge data organization， adaptive multi-scenario knowledge expression， and dynamically coordinated knowledge sharing collectively advance the logic of knowledge generation from understanding existing information to producing entirely new knowledge. However， these models are increasingly revealing issues such as the lack of legitimate and reliable knowledge data sources， opaque and unexplainable generation processes， and inadequate high-quality content output. These issues urgently need to be addressed by developing value-aligned generative models， enhancing controllable generation technologies， refining human feedback mechanisms， and establishing rule-based regulatory systems， to better support knowledge generation and accelerate the development of innovation-driven new forms of productivity.

Key words multimodal model; knowledge generation; logical mechanism; path selection; new quality productive forces

全球正在掀起第四次科技革命和產(chǎn)業(yè)變革的澎湃浪潮，“以大模型生成技術(shù)為核心，人工智能正在成為下一輪數(shù)字化發(fā)展的關(guān)鍵動(dòng)力”［1］。多模態(tài)架構(gòu)的高度智能化生成系統(tǒng)規(guī)?；掷m(xù)生產(chǎn)高質(zhì)量的知識(shí)內(nèi)容，通過(guò)聚合底層硬件、開(kāi)發(fā)程序和眾多應(yīng)用等構(gòu)筑知識(shí)涌現(xiàn)的活躍環(huán)境，推進(jìn)數(shù)據(jù)驅(qū)動(dòng)的多元知識(shí)跨界協(xié)同，持續(xù)促進(jìn)數(shù)實(shí)融合與科技創(chuàng)新，逐漸成為增強(qiáng)核心競(jìng)爭(zhēng)力的重要支撐。然而，眾多新興技術(shù)和智慧工具迅速融入當(dāng)代知識(shí)生成的全生命周期，日益暴露出缺乏合法可靠的知識(shí)數(shù)據(jù)源、透明可釋的生產(chǎn)過(guò)程、高質(zhì)量的內(nèi)容輸出以及穩(wěn)定價(jià)值觀的高效引領(lǐng)，亟待推進(jìn)生成模型的價(jià)值對(duì)齊與技術(shù)更新、完善人類(lèi)反饋提示策略、搭建基于規(guī)則的管控體系等，促進(jìn)以知識(shí)經(jīng)濟(jì)為特征的全新生產(chǎn)力蓬勃發(fā)展。

1 知識(shí)生成的過(guò)程解構(gòu)與障礙剖析

人類(lèi)社會(huì)從自然蒙昧邁向現(xiàn)代文明的螺旋式演化進(jìn)程中，支撐生產(chǎn)力發(fā)展、社會(huì)財(cái)富積累和個(gè)體世界觀塑造的關(guān)鍵動(dòng)能是“由無(wú)知到智慧”的持續(xù)知識(shí)進(jìn)步［2］。結(jié)繩記事、活字印刷、光子芯片等信息傳播工具的躍遷充分釋放被封閉禁錮的知識(shí)內(nèi)容，進(jìn)而重新定義科學(xué)探索、經(jīng)濟(jì)形態(tài)和社會(huì)結(jié)構(gòu)等。但是，知識(shí)生成過(guò)程亦長(zhǎng)期受制于緩慢推進(jìn)的生成秩序、難以轉(zhuǎn)化的隱性知識(shí)與地理界域范圍和知識(shí)主體交互狀態(tài)等多重因素。

1.1 知識(shí)生成的過(guò)程解構(gòu)

知識(shí)論源自柏拉圖對(duì)于“知識(shí)”的經(jīng)典定義，即知識(shí)是確證的真信念，“附加解釋的真實(shí)信念就是知識(shí)，未附解釋的信念不屬于知識(shí)的范圍”［3］。“確證”“真實(shí)”和“信念”等知識(shí)三要素在漫長(zhǎng)的歷史長(zhǎng)河中遭遇“蓋提爾悖論”［4］等嚴(yán)峻考驗(yàn)，進(jìn)而持續(xù)涌現(xiàn)改變確證條件、真實(shí)條件或信念條件的修補(bǔ)思路，如增設(shè)“真理追蹤”［5］等必備要素。雖然迄今尚未形成統(tǒng)一而明確的界定，維特根斯坦等學(xué)者甚至認(rèn)為無(wú)法正確予以定義，但學(xué)界普遍認(rèn)可知識(shí)是具有多層次意義的多元概念［6］?，F(xiàn)代社會(huì)中知識(shí)是能夠嵌入存儲(chǔ)庫(kù)、實(shí)踐、流程、工具和規(guī)范之中的經(jīng)驗(yàn)、框架、價(jià)值、情景等信息的組合［7］，主要用于指代認(rèn)知或識(shí)別某個(gè)主題中意識(shí)到的事物狀態(tài)，包括直接感知或感覺(jué)到事件、意識(shí)到事物的能力或意識(shí)到某些直接能夠?qū)蚨喾N行為的信息［8］?！吧伞眲t是指通過(guò)某種方式產(chǎn)生、創(chuàng)造或形成某種事物的過(guò)程，“以任何方式形成以前未見(jiàn)過(guò)的合成內(nèi)容并支持任何任務(wù)”［9］。

基于知識(shí)是有目的創(chuàng)造行為的產(chǎn)物［10］，“知識(shí)生成”（Knowledge Generation）一般用于表述不同環(huán)境下自個(gè)人和社群交互中傳遞的原始數(shù)據(jù)里提取信息以產(chǎn)生洞察力的過(guò)程，充分反映了人類(lèi)社會(huì)對(duì)于已經(jīng)創(chuàng)造和正在創(chuàng)造的知識(shí)內(nèi)容的關(guān)注［11］。其中，個(gè)人知識(shí)的形成基于配置重組背景信息并針對(duì)性收集核心信息。社群知識(shí)的創(chuàng)建則被視為具有集體意義的整合過(guò)程，是對(duì)于特定情境中碎片化知識(shí)內(nèi)容的協(xié)同優(yōu)化，需要完全理解并有效轉(zhuǎn)化所有互動(dòng)個(gè)體的個(gè)人知識(shí)［12］。各類(lèi)知識(shí)通過(guò)這一過(guò)程在單個(gè)社群內(nèi)部和不同社群之間廣泛傳播，加強(qiáng)整個(gè)社會(huì)對(duì)于主客觀世界的共性理解。

1.2 知識(shí)生成的障礙剖析

日新月異的社會(huì)發(fā)展與持續(xù)涌現(xiàn)的復(fù)雜問(wèn)題不斷加大高質(zhì)量知識(shí)生成的難度。如從數(shù)據(jù)加工處理到信息提煉規(guī)律、再到自知識(shí)中探尋原因以形成智慧的DIKW金字塔模型運(yùn)作中，緩慢推進(jìn)的生成秩序、多重束縛的復(fù)雜生態(tài)、難以轉(zhuǎn)化的隱性知識(shí)等嚴(yán)重阻礙全域構(gòu)筑共建共享的知識(shí)生成理想格局。

1.2.1 緩慢推進(jìn)的生成秩序

知識(shí)生產(chǎn)遵循相對(duì)穩(wěn)定且緩慢推進(jìn)的生成秩序，“一個(gè)創(chuàng)新力極強(qiáng)的學(xué)者要挑戰(zhàn)之前的主導(dǎo)傳統(tǒng)觀念需要準(zhǔn)備大量的經(jīng)驗(yàn)事實(shí)，并提出更具說(shuō)服力的結(jié)論”［13］。持續(xù)的知識(shí)生成一直是立足已有信息組合的突破性創(chuàng)新，往往需要花費(fèi)大量時(shí)間和精力深度分析關(guān)聯(lián)社群的多樣性、使用技術(shù)的復(fù)雜性與數(shù)據(jù)資源的零碎性。研究顯示，知識(shí)工作者將41%的時(shí)間花費(fèi)在知識(shí)數(shù)據(jù)源的獲取與整理上［14］，嚴(yán)重阻礙高質(zhì)量的知識(shí)產(chǎn)出。同時(shí)，人類(lèi)族群在知識(shí)代際更新中為了能夠高效處理信息資源，往往基于簡(jiǎn)單假設(shè)選擇識(shí)別和集中整理數(shù)據(jù)資料，容易輸出帶有偏見(jiàn)性或缺少實(shí)用性的知識(shí)內(nèi)容。加之大多數(shù)知識(shí)是少數(shù)已知事物的精細(xì)演化，“新知識(shí)供給不足，導(dǎo)致存量知識(shí)水準(zhǔn)停滯不前并由此帶來(lái)耗盡知識(shí)儲(chǔ)備的困境”［15］。

1.2.2 多重束縛的復(fù)雜生態(tài)

知識(shí)生成的全生命周期持續(xù)受到多重因素的深度束縛，至少包括外部經(jīng)濟(jì)環(huán)境和地理界域范圍、知識(shí)主體的學(xué)識(shí)積累和能力儲(chǔ)備以及個(gè)人和社群的交互關(guān)系等影響因素。知識(shí)數(shù)據(jù)源采集、知識(shí)主體經(jīng)驗(yàn)形成與外化表達(dá)以及社群知識(shí)傳播等既需要海量資金投入和高新技術(shù)支撐，又需要眾多具有合作精神、自我管理能力與較高知識(shí)水平的參與主體。各種類(lèi)型的社群組織和不同地理區(qū)域的內(nèi)外部知識(shí)歸納總結(jié)與轉(zhuǎn)化應(yīng)用還會(huì)受到有限的通訊條件、殊別的文化傳統(tǒng)與激烈的利益競(jìng)爭(zhēng)等的巨大束縛，亦會(huì)因?yàn)橹R(shí)主體自身的認(rèn)知局限或刻意的知識(shí)囤積而陷于難以規(guī)模化生成知識(shí)內(nèi)容的41506e2ed832c529f3f3098349a2c327艱難困境。

1.2.3 難以轉(zhuǎn)化的隱性知識(shí)

“人類(lèi)的知識(shí)有兩種。通常被描述為知識(shí)的，即以書(shū)面文字、圖表和數(shù)學(xué)公式加以表述的，只是一種類(lèi)型知識(shí)。而未被表述的知識(shí)，像我們?cè)谧瞿呈碌男袆?dòng)中所擁有的知識(shí)，是另一種知識(shí)”［16］。前者是能夠以語(yǔ)言、公式、圖表等符碼完整表述的科學(xué)法則、特定規(guī)則和其他信息等顯性知識(shí)，往往采用紙質(zhì)文獻(xiàn)或電子數(shù)據(jù)形式進(jìn)行規(guī)范化、系統(tǒng)化、格式化存儲(chǔ)分享；后者是依據(jù)不同情境而不斷調(diào)整的訣竅、技巧和直覺(jué)等隱性知識(shí)，往往無(wú)法用文字或公式進(jìn)行說(shuō)明且難以編撰傳遞和衡量?jī)r(jià)值。雖然源于實(shí)踐積累與總結(jié)反思的隱性知識(shí)是技術(shù)創(chuàng)新、團(tuán)隊(duì)協(xié)作與市場(chǎng)競(jìng)爭(zhēng)的重要助力，眾多專(zhuān)家參與的大規(guī)模梳理行動(dòng)卻難以全面獲取、沉淀和固化隱性知識(shí)。尤其在技術(shù)知識(shí)生成領(lǐng)域，隨著熟練技工的高齡化和勞動(dòng)人口減少，學(xué)徒制的隱性知識(shí)群化傳承愈加困難，逐漸成為社群領(lǐng)導(dǎo)者和政策制定者感到沮喪的根源［17］。

2 多模態(tài)模型嵌入知識(shí)生成的特征表達(dá)與場(chǎng)景應(yīng)用

生成式對(duì)抗網(wǎng)絡(luò)迅速成熟的時(shí)代背景下，高技術(shù)供給量的多模態(tài)模型不僅能夠通過(guò)圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等模擬人類(lèi)的視覺(jué)、聽(tīng)覺(jué)和決策能力，還能夠基于不同來(lái)源使用者遞歸反饋的提示策略，跨學(xué)科重塑知識(shí)生成的動(dòng)態(tài)結(jié)構(gòu)，支撐不同利益相關(guān)者有益的知識(shí)輸出［18］。

2.1 多模態(tài)模型的運(yùn)作方式

前沿?cái)?shù)字技術(shù)落地各行各業(yè)的關(guān)鍵時(shí)期，超線性發(fā)展的智能應(yīng)用從模擬人腦運(yùn)作和專(zhuān)注特定任務(wù)的機(jī)器翻譯迭代到基于多層注意力機(jī)制靈活處理復(fù)雜任務(wù)的多模態(tài)模型。相比單一模態(tài)的大規(guī)模語(yǔ)言模型，跨模態(tài)融合的智能化綜合模型能夠同時(shí)處理并生成包括文本、圖像、音視頻和策略在內(nèi)的多種形式的內(nèi)容。這類(lèi)模型在具象生成全新內(nèi)容的過(guò)程中，不僅能夠積極拓展輸入數(shù)據(jù)的形式，提升信息密度和人機(jī)交互效率，增強(qiáng)模型推理過(guò)程的魯棒性，還可能通過(guò)工程化的作業(yè)模式顯著降低自主生成內(nèi)容的時(shí)間成本和錯(cuò)誤率。因此，跨模態(tài)智能模型有望廣泛應(yīng)用于智能交互、文檔自動(dòng)化生成、知識(shí)管理等培育未來(lái)產(chǎn)業(yè)的關(guān)鍵領(lǐng)域，充分挖掘和利用多源異構(gòu)數(shù)據(jù)的價(jià)值。通過(guò)人工智能技術(shù)創(chuàng)新和數(shù)據(jù)驅(qū)動(dòng)的生產(chǎn)要素協(xié)同優(yōu)化，促進(jìn)生產(chǎn)力條件的變革［19］，助力新質(zhì)生產(chǎn)力的形成和新動(dòng)能的持續(xù)發(fā)展。如Stable Diffusion①、DeepBrain②、GliaStudio③等遵循大模型生產(chǎn)邏輯自主生成視覺(jué)上與真實(shí)世界相似的產(chǎn)品圖像或逼真的視頻內(nèi)容，積極再造產(chǎn)業(yè)數(shù)智化的復(fù)雜流程，全面改善傳統(tǒng)數(shù)字內(nèi)容線性生產(chǎn)的諸多弊端。又如DeepMusic④、LLaMA⑤、文心一言⑥等有效優(yōu)化知識(shí)感知、認(rèn)知和決策機(jī)制，改善人類(lèi)社會(huì)所有判斷相關(guān)的工作流程，提升使用數(shù)字內(nèi)容的各個(gè)行業(yè)的創(chuàng)新績(jī)效。

2.2 多模態(tài)模型嵌入知識(shí)生成的特征表達(dá)

2.2.1 展現(xiàn)跨域知識(shí)產(chǎn)出能力

基于多模態(tài)模型的知識(shí)生成范式是顛覆傳統(tǒng)的知識(shí)內(nèi)容生產(chǎn)機(jī)制，不僅具備跨域分析能力與強(qiáng)大推理能力，還憑借遠(yuǎn)勝于傳統(tǒng)智能工具的溝通能力與模擬能力等輔助提升知識(shí)主體的創(chuàng)造力［20］，不僅改變了傳統(tǒng)小模型下各類(lèi)知識(shí)生成需要高級(jí)定制的業(yè)務(wù)模式，還大力推進(jìn)跨模態(tài)的智能檢索、文圖互生的智能描述以及基于自然語(yǔ)言指導(dǎo)的智能體視覺(jué)導(dǎo)航等綜合性知識(shí)生產(chǎn)任務(wù)，逐漸成為改善文案寫(xiě)作、圖像生成、代碼編寫(xiě)等各類(lèi)知識(shí)產(chǎn)出場(chǎng)域中自動(dòng)決策與整體效率的創(chuàng)新工具［21］。智能生成系統(tǒng)借助場(chǎng)景助手、問(wèn)答機(jī)器、智慧助理等直觀系統(tǒng)接口，提供智能決策支持，推動(dòng)復(fù)雜任務(wù)中情境知識(shí)的應(yīng)用，促進(jìn)整個(gè)社會(huì)公平獲取和有序共享知識(shí)資源。如浙江大學(xué)等13所高校應(yīng)用的“智海-三樂(lè)”教育垂直大模型集成了搜索引擎、計(jì)算模型和本地知識(shí)庫(kù)等功能，可以提供富有創(chuàng)造力的學(xué)習(xí)輔導(dǎo)、教學(xué)評(píng)估和試題生成等［22］。

2.2.2 實(shí)現(xiàn)海量知識(shí)持續(xù)輸出

多模態(tài)模型改變了傳統(tǒng)人工智能技術(shù)應(yīng)用主要側(cè)重于分析和辨識(shí)現(xiàn)有數(shù)據(jù)的局限性，通過(guò)預(yù)訓(xùn)練大規(guī)模的輸入數(shù)據(jù)并不斷調(diào)整和優(yōu)化模型參數(shù)，基于多步推理的思維鏈增強(qiáng)模型的運(yùn)算效率與規(guī)范化程度。它能夠持續(xù)輸出具備一定心智性能的高質(zhì)量文本、圖像、音視頻內(nèi)容，擴(kuò)展大規(guī)模神經(jīng)網(wǎng)絡(luò)模型的價(jià)值空間，大幅降低知識(shí)生產(chǎn)的技術(shù)門(mén)檻。如訊飛教育數(shù)字基座上搭載的星火大模型V2.0具備較強(qiáng)的通用代碼能力與多模態(tài)能力，不僅能夠持續(xù)記錄和個(gè)性化評(píng)估學(xué)生的知識(shí)掌握狀況與新知識(shí)學(xué)習(xí)情況，還能夠通過(guò)“一鍵對(duì)話式生成”在精準(zhǔn)辨識(shí)學(xué)校個(gè)性化需求的基礎(chǔ)上，快捷生成具有針對(duì)性、合理性和安全性的“數(shù)聯(lián)、物聯(lián)、智聯(lián)”為一體的教育管理應(yīng)用系統(tǒng)［23］。又如ChatGPT①、MidJourney②、Eleven Labs③等綜合應(yīng)用多種新興技術(shù)訓(xùn)練未標(biāo)注的大規(guī)模文本語(yǔ)料庫(kù)和高分辨率圖像數(shù)據(jù)庫(kù)，實(shí)現(xiàn)了多模態(tài)融合以及對(duì)于人類(lèi)指令的響應(yīng)，涌現(xiàn)完成高質(zhì)量的知識(shí)輸出。

2.2.3 拓展隱性知識(shí)共享途徑

多模態(tài)模型支撐的知識(shí)生成生態(tài)系統(tǒng)能夠更好地編碼、創(chuàng)新和共享隱性知識(shí)，通過(guò)類(lèi)比分析和假設(shè)推理等提取隱性知識(shí)并轉(zhuǎn)化為顯性知識(shí)。盡管隱性知識(shí)的共享能顯著提高組織的知識(shí)庫(kù)水平，但知識(shí)主體在技能操作和認(rèn)知洞察方面的巨大機(jī)會(huì)成本、聲譽(yù)成本和交易成本造成了其固有的專(zhuān)有性和壟斷傾向。出于對(duì)共享后的公平性、合理性及價(jià)值實(shí)現(xiàn)率的悲觀預(yù)期，知識(shí)主體可能會(huì)選擇秘密囤積知識(shí)，拒絕隱性知識(shí)的顯性轉(zhuǎn)換。然而，基于多模態(tài)模型的知識(shí)生成機(jī)制有能力構(gòu)建獎(jiǎng)勵(lì)知識(shí)貢獻(xiàn)者的方案、群體激勵(lì)機(jī)制與互動(dòng)傳播體系。這些機(jī)制能夠有效促進(jìn)隱性知識(shí)的外化和高效的合作傳遞。如區(qū)塊鏈技術(shù)支撐的知識(shí)社區(qū)能夠集聚領(lǐng)域?qū)＜?，?guī)模化地顯性專(zhuān)家大腦中的專(zhuān)業(yè)知識(shí)，并將其納入知識(shí)庫(kù)中進(jìn)行存儲(chǔ)和管理。

2.2.4 依賴(lài)復(fù)雜技術(shù)支撐結(jié)構(gòu)

雖然多模態(tài)模型有序運(yùn)作中通過(guò)底層的生成對(duì)抗網(wǎng)絡(luò)大幅簡(jiǎn)化知識(shí)場(chǎng)景應(yīng)用難度，使得智能工具部署群體由數(shù)據(jù)科學(xué)家或算法工程師等高端人才拓展到普通知識(shí)主體。然而，為了在多變的應(yīng)用場(chǎng)景中提升知識(shí)生成的效率，必須依賴(lài)于海量數(shù)據(jù)、高效算法以及模型調(diào)參等持續(xù)支撐，亦必須基于人類(lèi)反饋的提示策略生成知識(shí)內(nèi)容。如從原始實(shí)驗(yàn)數(shù)據(jù)中汲取語(yǔ)料資源并進(jìn)行回溯驗(yàn)證的大量自然科學(xué)知識(shí)的生成過(guò)程，必須通過(guò)復(fù)雜的機(jī)器學(xué)習(xí)算法進(jìn)行多維度的特征分解，逐漸消除不適宜的數(shù)據(jù)依賴(lài)與數(shù)據(jù)冗余，降低不同國(guó)家和文化背景對(duì)數(shù)據(jù)知識(shí)庫(kù)精度的負(fù)面影響。

2.3 多模態(tài)模型嵌入知識(shí)生成的場(chǎng)景應(yīng)用

多模態(tài)模型“以不同程度的自主性生成復(fù)雜的文本、圖像、音頻或視頻等內(nèi)容”［24］，是能夠嵌入知識(shí)獲取、知識(shí)整理、知識(shí)表達(dá)、知識(shí)共享等知識(shí)生成全生命周期各個(gè)階段的增強(qiáng)型創(chuàng)新工具。

2.3.1 多模態(tài)模型是知識(shí)獲取的探索工具

突出的設(shè)計(jì)思維是知識(shí)生成的重要前提，顛覆性創(chuàng)新活動(dòng)往往源于長(zhǎng)期的自我經(jīng)驗(yàn)總結(jié)或集體經(jīng)驗(yàn)共享。知識(shí)問(wèn)題的深入探索需要充分利用現(xiàn)有的海量知識(shí)內(nèi)容迸發(fā)出零星的創(chuàng)新火花。人類(lèi)族群在知識(shí)發(fā)現(xiàn)的過(guò)程中常常遭遇難以解決的復(fù)雜任務(wù)，初步具備類(lèi)人推理規(guī)劃能力的下一代人工智能網(wǎng)絡(luò)架構(gòu)有效協(xié)助知識(shí)主體開(kāi)展繁瑣冗長(zhǎng)的觀察分析與數(shù)據(jù)辨識(shí)［25］，通過(guò)生成式人機(jī)交互系統(tǒng)與混合專(zhuān)家網(wǎng)絡(luò)促進(jìn)使用者更好地捕捉多源內(nèi)容和多方交流中潛藏的關(guān)鍵問(wèn)題的復(fù)雜特性，大幅降低整個(gè)社會(huì)追求知識(shí)發(fā)現(xiàn)的高昂成本，大力拓展支持獨(dú)創(chuàng)性與洞察力的知識(shí)模型適配價(jià)值鏈，全面支撐數(shù)據(jù)主導(dǎo)下任務(wù)驅(qū)動(dòng)的負(fù)責(zé)任的全方位知識(shí)探索。如沃森智能機(jī)器人就經(jīng)歷了系統(tǒng)性地發(fā)掘“令人驚訝的創(chuàng)新菜肴”的密集訓(xùn)練［26］。

2.3.2 多模態(tài)模型是知識(shí)數(shù)據(jù)源的整理工具

多模態(tài)模型通過(guò)預(yù)訓(xùn)練的自監(jiān)督認(rèn)知邏輯自主學(xué)習(xí)知識(shí)數(shù)據(jù)庫(kù)，綜合調(diào)用海量專(zhuān)業(yè)工具以捕獲復(fù)雜的科學(xué)概念、識(shí)別各類(lèi)功能應(yīng)用中未曾獲得注意的相似性、提升精準(zhǔn)解決復(fù)雜整理任務(wù)的能力，通過(guò)流程改善和組織改革輔助提高知識(shí)數(shù)據(jù)整理效率并降低運(yùn)行成本，助力充分釋放全社會(huì)的知識(shí)生成能力。如ChatGPT基于大規(guī)模知識(shí)數(shù)據(jù)預(yù)訓(xùn)練與海量參數(shù)自主微調(diào)而整合輸出的大量文獻(xiàn)摘要，能夠通過(guò)人類(lèi)審稿者和抄襲檢測(cè)系統(tǒng)的雙重審核［27］。

2.3.3 多模態(tài)模型是知識(shí)表達(dá)的編碼工具

多模態(tài)模型從超大規(guī)模的原始數(shù)據(jù)庫(kù)中學(xué)習(xí)知識(shí)交互涌現(xiàn)規(guī)律，積極改進(jìn)多模態(tài)參數(shù)空間編碼規(guī)則，并利用指令微調(diào)擴(kuò)展模型任務(wù)的泛化外推能力，幫助知識(shí)主體更好地進(jìn)行內(nèi)容表述，“使得人們能夠創(chuàng)造性地表達(dá)自己”［28］。事實(shí)上，自然語(yǔ)言處理是人工智能皇冠上的明珠，能夠幫助計(jì)算機(jī)理解、解釋和處理人類(lèi)語(yǔ)言［29］。以SeamlessM4T為代表的人工智能翻譯大模型通過(guò)思維鏈、問(wèn)題描述和結(jié)構(gòu)模板等生成遵循人類(lèi)指令要求的多模式任務(wù)輸出，具備強(qiáng)大的文本到語(yǔ)音、語(yǔ)音到文本、文本到文本和語(yǔ)音到語(yǔ)音的翻譯能力，能夠?yàn)橥庹Z(yǔ)技能較為薄弱的知識(shí)主體提供更多的平等機(jī)會(huì)，采用復(fù)雜的表達(dá)風(fēng)格將創(chuàng)作成果傳播給更為廣泛的受眾。如“以中文為核心的多模態(tài)預(yù)訓(xùn)練閩南話語(yǔ)言模型”以閩南地區(qū)閩南話為基準(zhǔn)音，融合我國(guó)臺(tái)灣地區(qū)等多地語(yǔ)音并支持多種模態(tài)輸入，可以實(shí)現(xiàn)對(duì)不同形式的閩南話信息的處理和翻譯，對(duì)于維護(hù)我國(guó)語(yǔ)言文化多樣性、挖掘兩岸歷史文化共性、助力兩岸融合發(fā)展具有重要意義［30］。

2.3.4 多模態(tài)模型是知識(shí)共享的轉(zhuǎn)移工具

知識(shí)共享是信息、經(jīng)驗(yàn)和技能從擁有特定知識(shí)的主體轉(zhuǎn)移到需要知識(shí)的主體的動(dòng)態(tài)過(guò)程［31］。知識(shí)擁有者立足一定載體，將需要分享的知識(shí)內(nèi)容進(jìn)行顯性轉(zhuǎn)化并借助多種模態(tài)傳遞給知識(shí)需求者。需求者結(jié)合自身現(xiàn)有經(jīng)驗(yàn)、知識(shí)和價(jià)值標(biāo)準(zhǔn)將獲得的顯性知識(shí)轉(zhuǎn)化為自身的隱性知識(shí)①。整個(gè)過(guò)程中復(fù)用而不消耗的知識(shí)不斷累積并實(shí)現(xiàn)增值，尤其是社群成員積極進(jìn)行知識(shí)分享，“與其他組織成員分享知識(shí)會(huì)讓我感覺(jué)有價(jià)值”［32］，卻也面臨著跨領(lǐng)域、跨地區(qū)、跨層次的知識(shí)共享易受時(shí)間、空間、精力和理解力等多方限制的難題。多模態(tài)模型憑借快速迭代的復(fù)雜算法與人機(jī)交互技術(shù)，深度挖掘知識(shí)擁有者與知識(shí)需求者之間的薄弱關(guān)聯(lián)，通過(guò)場(chǎng)景感知與精準(zhǔn)推薦等，提高同一方向的知識(shí)主體共建共享社群數(shù)據(jù)庫(kù)的整體水平與協(xié)調(diào)程度，優(yōu)化知識(shí)共享空間與知識(shí)傳遞環(huán)節(jié)，構(gòu)筑能夠激發(fā)個(gè)人知識(shí)分享意愿的多元高效的知識(shí)分享路徑，在很大程度上突破知識(shí)共享的時(shí)空障礙，逐步開(kāi)啟持續(xù)知識(shí)共享的新紀(jì)元。

3 多模態(tài)模型嵌入知識(shí)生成的制約因素

大模型時(shí)代知識(shí)可控生成的全生命周期中，智能工具通過(guò)自主培養(yǎng)的預(yù)測(cè)分析能力識(shí)別各種未知模態(tài)，采取全新方式連接復(fù)雜變量以助力知識(shí)主體篩選社群數(shù)據(jù)、發(fā)掘隱性關(guān)聯(lián)并引導(dǎo)生成有意義的新知識(shí)。但溯源困難的知識(shí)數(shù)據(jù)與缺乏透明度的生成過(guò)程等，導(dǎo)致輸出內(nèi)容在邏輯性、精準(zhǔn)性、真實(shí)性、原創(chuàng)性等方面逐漸暴露出一定缺漏且工具生成的檢測(cè)難度日益上升。同時(shí)，社群成員過(guò)度依賴(lài)智能化生成工具可能會(huì)削弱其批判性思維能力與表達(dá)能力。

3.1 缺乏合法可靠的知識(shí)數(shù)據(jù)源

多模態(tài)模型的生成過(guò)程依賴(lài)大規(guī)模數(shù)據(jù)集與高性能算力，相應(yīng)的模型升級(jí)需要將及時(shí)更新的訓(xùn)練數(shù)據(jù)集迅速應(yīng)用到學(xué)習(xí)過(guò)程中以避免推理錯(cuò)誤。原始數(shù)據(jù)溯源困難、巨量數(shù)據(jù)缺乏合法來(lái)源與頻繁發(fā)生的機(jī)器幻覺(jué)等嚴(yán)重影響廣大潛在使用者的參與熱情，不利于支撐高產(chǎn)出的知識(shí)生成。如谷歌的T5模型基于大規(guī)模數(shù)據(jù)集和多任務(wù)學(xué)習(xí)技術(shù)進(jìn)行出色的“預(yù)訓(xùn)練-微調(diào)”，卻在不同的自監(jiān)督和有監(jiān)督任務(wù)中表現(xiàn)不一，尤其是當(dāng)數(shù)據(jù)集質(zhì)量不高或數(shù)據(jù)來(lái)源不明確時(shí)，模型的推理結(jié)果常常出現(xiàn)偏差［33］。又如斯蒂芬·史華茲律師（Steven Schwartz）在提交法院的訴訟文件中引用了ChatGPT生成的6個(gè)虛構(gòu)判例，不僅被處以5000美元罰金，還引發(fā)了業(yè)界對(duì)于生成式人工智能可信度的巨大憂思［34］。

同時(shí)，具有遞歸特征的知識(shí)體系處于持續(xù)變化狀態(tài)，嵌入知識(shí)生成全生命周期的智能工具立足巨量知識(shí)數(shù)據(jù)庫(kù)和億萬(wàn)參數(shù)助力生成式知識(shí)創(chuàng)新與知識(shí)共享的過(guò)程中，缺乏及時(shí)有效地響應(yīng)知識(shí)數(shù)據(jù)變化的途徑，海量訓(xùn)練數(shù)據(jù)中可能嵌入眾多陳舊過(guò)時(shí)或不正確的認(rèn)識(shí)。眾多知識(shí)主體擔(dān)憂多模態(tài)模型“在沒(méi)有同意、沒(méi)有信用和沒(méi)有補(bǔ)償?shù)那闆r下輸入大量受版權(quán)保護(hù)的作品”［35］。如眾多藝術(shù)家起訴Midjourney、Stably AI、DeviantArt等盜用數(shù)十億張受版權(quán)保護(hù)的作品訓(xùn)練圖像生成工具［36］。

3.2 缺乏透明可釋的生成過(guò)程

長(zhǎng)期以來(lái)，懷疑精神、謹(jǐn)慎態(tài)度與科學(xué)方法是生成有益知識(shí)結(jié)果的先決條件。理想的知識(shí)生成完整生命周期是可溯源、可解釋與可預(yù)測(cè)的整體流程。如黑洞成像、經(jīng)濟(jì)預(yù)測(cè)模型、流行病學(xué)隨訪等從研究設(shè)想、數(shù)據(jù)采集到分析評(píng)估和結(jié)果應(yīng)用等均需完整清晰的過(guò)程記錄。情境驅(qū)動(dòng)知識(shí)生成的迭代發(fā)展模式下，知識(shí)主體通常是具有較強(qiáng)社會(huì)責(zé)任感的變革推動(dòng)者。實(shí)際上，能夠承擔(dān)知識(shí)工作的社會(huì)主體一般都具有突出的文獻(xiàn)背景識(shí)別能力與知識(shí)貢獻(xiàn)評(píng)估能力。如行業(yè)專(zhuān)家與學(xué)術(shù)研究者需要能夠迅速識(shí)別與主題相關(guān)的高質(zhì)量文獻(xiàn)。

然而，多模態(tài)模型系統(tǒng)在生成高度逼真地模仿人類(lèi)創(chuàng)造力的復(fù)雜內(nèi)容的過(guò)程中，采用不透明、無(wú)邊界且不可解釋的參數(shù)模型。實(shí)踐中展示最終輸出內(nèi)容而不體現(xiàn)背后復(fù)雜選擇的生成模式，導(dǎo)致預(yù)訓(xùn)練的海量數(shù)據(jù)、規(guī)?；乃惴ㄔO(shè)計(jì)與巨量參數(shù)微調(diào)中可能存在疏漏偏頗，不僅輸出的知識(shí)內(nèi)容顯示出一定的局限性，還導(dǎo)致知識(shí)主體難以證實(shí)知識(shí)生成的真實(shí)性、合規(guī)性與合理性。如基于Stable Diffusion的AI模型Lensa根據(jù)用戶自拍照生成的數(shù)字肖像展現(xiàn)出較強(qiáng)的種族偏見(jiàn)和性別歧視，充分反映出模型內(nèi)容生成的局限性及其背后復(fù)雜選擇的不可解釋性［37］。

3.3 缺乏質(zhì)量過(guò)硬的內(nèi)容輸出

多模態(tài)模型在訓(xùn)練數(shù)據(jù)錯(cuò)漏偏頗、理解推理參數(shù)不足、監(jiān)管檢測(cè)不到位和人為惡意干預(yù)之下，常常按照流暢正確的語(yǔ)法規(guī)則自動(dòng)生成不可靠或非事實(shí)的知識(shí)輸出，甚至生成具有攻擊性或不適當(dāng)偏見(jiàn)的知識(shí)內(nèi)容，尤其是對(duì)于需要強(qiáng)大創(chuàng)造力的任務(wù)，多模態(tài)模型的生成內(nèi)容可能與人類(lèi)創(chuàng)造內(nèi)容存在較大差距。

以作為生成式智能技術(shù)窄域應(yīng)用范例的ChatGPT為代表，采用的擬人化聊天模式是統(tǒng)計(jì)模型根據(jù)頻率更新加權(quán)參數(shù)的結(jié)果，在科學(xué)技術(shù)領(lǐng)域常會(huì)給出語(yǔ)句流暢卻存在邏輯錯(cuò)誤或缺乏科學(xué)依據(jù)的答案。如研究人員向其提問(wèn)抑郁癥患者的復(fù)發(fā)率時(shí)，“ChatGPT捏造了一個(gè)令人信服的回復(fù)，其中包含一些事實(shí)錯(cuò)誤、虛假陳述和錯(cuò)誤數(shù)據(jù)”［38］。這意味著模型能夠生成符合語(yǔ)法解構(gòu)的內(nèi)容，卻缺乏人類(lèi)族群對(duì)于疑難問(wèn)題的深刻理解、情感表達(dá)與思維創(chuàng)新等。又如基于48萬(wàn)篇科學(xué)論文預(yù)訓(xùn)練的大模型Galactica宣稱(chēng)能夠分析學(xué)術(shù)論文、解決數(shù)學(xué)問(wèn)題和編寫(xiě)科學(xué)代碼，卻在上線三天后就因?qū)W術(shù)界發(fā)現(xiàn)其在誤解科學(xué)知識(shí)的基礎(chǔ)上生成錯(cuò)誤知識(shí)內(nèi)容而被迫下架［39］。此外，多模態(tài)模型缺乏稀疏現(xiàn)象分析能力。通過(guò)識(shí)別以往研究中出現(xiàn)的模式產(chǎn)生洞察力，可能固化知識(shí)產(chǎn)出的復(fù)雜范式，難以可靠地為不常見(jiàn)或研究稀少的現(xiàn)象生成準(zhǔn)確內(nèi)容，不僅難以為全新的知識(shí)發(fā)現(xiàn)提供助力，還有可能限制知識(shí)主體的創(chuàng)新思維，導(dǎo)致那些激進(jìn)的想法、非常規(guī)的觀點(diǎn)和不尋常的寫(xiě)作風(fēng)格逐漸泯滅。

3.4 缺乏穩(wěn)定價(jià)值觀的高效引領(lǐng)

人類(lèi)社會(huì)有序運(yùn)作中不斷暴露的各類(lèi)問(wèn)題往往源于個(gè)體差異引發(fā)的諸多沖突。傳統(tǒng)知識(shí)情境中，新知識(shí)生成有選擇地加強(qiáng)個(gè)人產(chǎn)出知識(shí)與社群現(xiàn)有知識(shí)之間的緊密聯(lián)系，通過(guò)社群內(nèi)部顯性知識(shí)與隱性知識(shí)的多維互動(dòng)促進(jìn)動(dòng)態(tài)創(chuàng)建適當(dāng)?shù)募w知識(shí)［40］。后數(shù)字時(shí)代中，廣泛應(yīng)用的多模態(tài)模型卻在一定程度上削弱了知識(shí)主體的能動(dòng)性，導(dǎo)致知識(shí)擁有者喪失了一些認(rèn)知技能和隱性知識(shí)生產(chǎn)能力，亦無(wú)法通過(guò)共同實(shí)踐和經(jīng)驗(yàn)共享將難以轉(zhuǎn)移的個(gè)人創(chuàng)建知識(shí)隱性傳遞給知識(shí)需求者。如以學(xué)習(xí)為導(dǎo)向的生成式人機(jī)交互有可能會(huì)降低知識(shí)主體的辨識(shí)、反思和創(chuàng)造力。亟待在多模態(tài)模型輔助知識(shí)生成的全流程實(shí)現(xiàn)穩(wěn)定價(jià)值觀的介入和引導(dǎo)，持續(xù)推進(jìn)個(gè)人顯性知識(shí)和隱性知識(shí)的外化組合，促使知識(shí)主體通過(guò)有意識(shí)（自我導(dǎo)向）和遵循規(guī)范（超我導(dǎo)向）的實(shí)踐活動(dòng)建立和完善新知識(shí)社區(qū)。

4 多模態(tài)模型嵌入知識(shí)生成的發(fā)展路徑

迄今為止，全球尚未形成訓(xùn)練一個(gè)強(qiáng)大而無(wú)害的可靠、可信、可操作的多模態(tài)模型支撐知識(shí)生成系統(tǒng)的具體方案。有必要通過(guò)技術(shù)開(kāi)發(fā)提高生成模型的安全性、準(zhǔn)確性、透明性、穩(wěn)健性、可解釋性，基于擴(kuò)展監(jiān)督和面向過(guò)程的安全評(píng)估等提升生成智能的競(jìng)爭(zhēng)力和生產(chǎn)力。

4.1 構(gòu)筑價(jià)值對(duì)齊的生成模型

多模態(tài)模型在搭建知識(shí)生成的邏輯結(jié)構(gòu)時(shí)并不具備客觀公正的判斷能力，而是基于海量數(shù)據(jù)統(tǒng)計(jì)給出最優(yōu)解答，難以避免大模型智能涌現(xiàn)中爆發(fā)的機(jī)器幻覺(jué)與知識(shí)謬誤，無(wú)法確保生成內(nèi)容與人類(lèi)操作者的真實(shí)意圖和倫理法規(guī)相一致。

生成式多模態(tài)模型與人類(lèi)族群智能協(xié)作過(guò)程中的價(jià)值對(duì)齊是極大規(guī)模的安全自主知識(shí)生成的關(guān)鍵支撐。相應(yīng)的包容性表現(xiàn)在訓(xùn)練數(shù)據(jù)、海量參數(shù)與運(yùn)轉(zhuǎn)流程等秉持透明、誠(chéng)信、公允、向善、正義等共同價(jià)值理念，維護(hù)人類(lèi)尊嚴(yán)、保障參與隱私、促進(jìn)社會(huì)福祉，增強(qiáng)知識(shí)主體的能動(dòng)性與自我實(shí)現(xiàn)能力，并在不侵蝕個(gè)人自決權(quán)的情況下培養(yǎng)社群凝聚力。如OpenAI、DeepMind等AI巨頭建立了價(jià)值對(duì)齊解決團(tuán)隊(duì)，嘗試通過(guò)“基于人類(lèi)反饋的強(qiáng)化學(xué)習(xí)（RLHF）”“合作逆強(qiáng)化學(xué)習(xí)（CIRL）”“有監(jiān)督的精調(diào)（SFT）”等技術(shù)手段將通用倫理原則轉(zhuǎn)化為現(xiàn)實(shí)可操作的技術(shù)路徑，避免智能化的知識(shí)生成執(zhí)行路線發(fā)生扭曲［41］。

4.2 提升可控生成的技術(shù)水平

智能時(shí)代中多模態(tài)模型輔助開(kāi)展可控知識(shí)生成的核心動(dòng)力是相關(guān)技術(shù)迭代發(fā)展。如結(jié)合CLIP技術(shù)的DALL-E模型能夠理解和匹配文本與圖像之間的交互關(guān)系；谷歌通過(guò)改進(jìn)Imagen模型的訓(xùn)練過(guò)程和原始數(shù)據(jù)集，提升其對(duì)文本描述的理解能力，進(jìn)而實(shí)現(xiàn)從復(fù)雜文本生成高質(zhì)量圖像的巨大突破。

應(yīng)用于多任務(wù)、多語(yǔ)言和多領(lǐng)域通用場(chǎng)景的大模型自互聯(lián)網(wǎng)采集的海量預(yù)訓(xùn)練數(shù)據(jù)可能包含大量偏頗、偽造或過(guò)時(shí)信息，導(dǎo)致生成的知識(shí)內(nèi)容出現(xiàn)自我矛盾、與輸入或公認(rèn)事實(shí)出現(xiàn)沖突等，不僅需要加強(qiáng)知識(shí)數(shù)據(jù)源采樣的監(jiān)管保障并提升指令微調(diào)數(shù)據(jù)的質(zhì)量，還需要積極改進(jìn)推理階段的解碼策略。如推理時(shí)間干預(yù)方法（Inference-Time Intervention，ITI）基于模型探針技術(shù)自主學(xué)習(xí)與實(shí)時(shí)輸出潛在向量，進(jìn)而使用這些向量在模型推理階段將原有激活值調(diào)整到正確的方向上，能夠有效增強(qiáng)生成內(nèi)容的真實(shí)性［42］。

4.3 完善人類(lèi)反饋提示策略

多模態(tài)模型支撐知識(shí)生成過(guò)程中頻繁發(fā)生的事實(shí)錯(cuò)誤、表述幻覺(jué)或任務(wù)沖突等，往往源于常見(jiàn)的人類(lèi)反饋生成策略無(wú)法準(zhǔn)確及時(shí)地引導(dǎo)出模型內(nèi)部已有的針對(duì)當(dāng)前問(wèn)題的正確答復(fù)或者無(wú)法及時(shí)糾正模型錯(cuò)誤，尤其是復(fù)雜的推理任務(wù)需要高質(zhì)量的提示策略。此外，雖然部分大模型在提示任務(wù)迭代中已經(jīng)展示出零樣本能力，但零樣本設(shè)置在復(fù)雜任務(wù)上表現(xiàn)欠佳使其結(jié)合小樣本呈現(xiàn)出自一致性的思維鏈推理方式中獲得一定成長(zhǎng)空間的態(tài)勢(shì)，卻仍然需要耗費(fèi)巨量資源依據(jù)輸入數(shù)據(jù)和上下文關(guān)聯(lián)性設(shè)計(jì)提示指令示例樣本。亟待在多模態(tài)模型的技術(shù)開(kāi)發(fā)和管理團(tuán)隊(duì)中加強(qiáng)、嵌入和促進(jìn)性別多樣性、公平性和包容性，仔細(xì)規(guī)劃和執(zhí)行訓(xùn)練數(shù)據(jù)集，建立知識(shí)生成提示策略的評(píng)估標(biāo)準(zhǔn)、內(nèi)容與方式，確保質(zhì)疑信號(hào)發(fā)出后智能化交互系統(tǒng)會(huì)立馬予以更正，進(jìn)而輸出正確的知識(shí)內(nèi)容。

4.4 構(gòu)筑基于規(guī)則的管控體系

雖然多模態(tài)模型是人工智能技術(shù)落地應(yīng)用的跨時(shí)代發(fā)展，迅速開(kāi)啟了知識(shí)生成的新紀(jì)元，卻也在廣域應(yīng)用中暴露出阻礙知識(shí)持續(xù)有益生成的各種疑難問(wèn)題。

美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院發(fā)布的《人工智能風(fēng)險(xiǎn)管理框架》指出，風(fēng)險(xiǎn)源于訓(xùn)練模型的數(shù)據(jù)質(zhì)量、真實(shí)性、可靠性以及人類(lèi)設(shè)計(jì)師和開(kāi)發(fā)人員如何糾正模型［43］。我國(guó)通過(guò)《虛擬現(xiàn)實(shí)與行業(yè)應(yīng)用融合發(fā)展行動(dòng)計(jì)劃》《關(guān)于加快場(chǎng)景創(chuàng)新與人工智能高水平應(yīng)用促進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展的指導(dǎo)意見(jiàn)》《“十四五”數(shù)字經(jīng)濟(jì)發(fā)展規(guī)劃》等表明了支撐多模態(tài)模型健康有序發(fā)展的積極態(tài)度。同時(shí)，我國(guó)政府試圖通過(guò)《生成式人工智能服務(wù)管理暫行辦法》建立和完善基于規(guī)則的生成式大模型管控體系，通過(guò)負(fù)責(zé)任且合乎道德的政策規(guī)范、法律法規(guī)、標(biāo)準(zhǔn)體系、業(yè)務(wù)守則、風(fēng)險(xiǎn)評(píng)估、合規(guī)審計(jì)、內(nèi)部控制與用戶報(bào)告制度等，妥善解決生成式知識(shí)生產(chǎn)過(guò)程中問(wèn)題反饋的偏見(jiàn)和錯(cuò)誤、保護(hù)用戶隱私與生成內(nèi)容和流程的公平性和可釋性，助力多模態(tài)模型更好地支持知識(shí)生成。

5 結(jié)語(yǔ)

人類(lèi)是亙古文明中唯一的智慧族群，知識(shí)生成是人類(lèi)獨(dú)特性的集中體現(xiàn)，多模態(tài)模型則是當(dāng)代知識(shí)生成的重要支撐工具。面對(duì)科技創(chuàng)新驅(qū)動(dòng)高質(zhì)量發(fā)展的數(shù)字時(shí)代新趨勢(shì)，充分發(fā)揮多模態(tài)模型支撐知識(shí)生成的巨大效用亦需要進(jìn)一步夯實(shí)萬(wàn)物互聯(lián)的設(shè)施基礎(chǔ)、加速融合數(shù)字經(jīng)濟(jì)與實(shí)體經(jīng)濟(jì)、持續(xù)培養(yǎng)通用智能技術(shù)應(yīng)用人才、不斷完善數(shù)字安全治理體系等。

參考文獻(xiàn)：

［1］ 2023騰訊全球數(shù)字生態(tài)大會(huì)正式召開(kāi)，數(shù)智融合助力實(shí)體經(jīng)濟(jì)更高質(zhì)量發(fā)展［EB/OL］.［2024-07-05］.http：//tech.cnr.cn/techph/20230908/t20230908_526412513.shtml.

［2］ Bereiter C，Scardamalia M.Knowledge Building：Theory，Pedagogy，and Technology［J］.Cambridge Handbook of the Learning Sciences，2006：97-118.

［3］ ［希］柏拉圖.柏拉圖全集：第二卷［M］.王曉朝，譯.北京：人民出版社，2002：737.

［4］ Edmund Gettier.Is Justified True Belief Knowledge？［EB/OL］.［2024-07-04］.https：//fitelson.org/proseminar/getier.pdf.

［5］ Nikolai Bachter.Nozick’s Truth-Tracking Theory［EB/OL］.［2024-07-04］.https：//philnotesblog.wordpress.com/2017/03/18/Nozicks-tracking-theory/.

［6］ Gottschalk Mazouz.Internet and the flow of knowledge［J］.Philosophy of the Information Society，2007（2）：41-58.

［7］ Linda Argote.Organizational Learning Research：Past，Present and Future［J］.Management Learning，2011，42（4）：349-446.

［8］ Chalmers David.The Conscious Mind：in Search of a Fundamental Theory［M］.Oxford：Oxford University Press，1997：225.

［9］ Francisco Jose Garcia，Andrea Vazquez Ingelmo.What Do We Mean by GenAI？A Systematic Mapping of the Evolution，Trends，and Techniques Involved in Generative AI［EB/OL］.［2024-07-04］.https：//ror.org/02f40zc51.

［10］ Carl Bereiter，Marlene Scardamalia.Knowledge Building and Knowledge Creation：One Concept，Two Hills to Climb［EB/OL］.［2024-07-04］.https：//link.springer.com/chapter/10.1007/978-981-287-047-6_3.

［11］ Jacob Brix.Improving Individual Knowledge Construction and Re-construction in the Context of Radical Innovation［J］.International Journal of Innovation and Learning，2014，15（2）：192-209.

［12］ Ikujiro Nonaka，Georg Krogh.Perspective-Tacit Knowledge and Knowledge Conversion：Controversy and Advancement in Organizational Knowledge Creation Theory［J］.Organization Science，2020，20（3）：635-652.

［13］ 高奇琦.知識(shí)革命還是知識(shí)墮化——ChatGPT與知識(shí)生成秩序［J］.中國(guó)社會(huì)科學(xué)評(píng)價(jià)，2023（2）：8-13.

［14］ Julian Birkinshaw，Jordan Cohen.Make Time for the Work that Matters［J］.Harvard Business Review，2013，9：2-5.

［15］ 李俠.知識(shí)積累率與技術(shù)迭代不充分是創(chuàng)新乏力的根源［J］.科學(xué)與社會(huì)，2023（2）：28-33.

［16］ Polanyi M.The tacit dimension［J］.Knowledge in organisations.Routledge，2009：135-146.

［17］ Muhammad Shujahat，Maria jose Sousa，Saddam Hussain，et al.Translating the Impact of Knowledge Management Processes into Knowledge-based Innovation：The Neglected and Mediating Role of Knowledge-worker Productivity［J］.Journal of Business Research，2019，94：442-450.

［18］ Maryam Alavi，Dorothy Leidner.Review：Knowledge Management and Knowledge Management Systems：Conceptual Foundations and Research Issues［J］.MIS Quarterly，2001，42：107-136.

［19］ 謝建邦.新時(shí)代新質(zhì)生產(chǎn)力的理論邏輯、實(shí)踐規(guī)律與形成路徑［J］.閱江學(xué)刊，2024（1）：1-13.

［20］ Luke Tredinnick，Claire Laybats.Black-box Creativity and Generative Artificial Intelligence［J］.Business Information Review，2023，40（3）：98-102.

［21］ Jie Gui，Zhenan Sun，Yonggang Wen，et al.A Review on Generative Adversarial Networks：Algorithms Theory and Applications［J］.IEEE Transactions Knowledge and Data Engineering，2023，35（4）：3313-3332.

［22］ 浙江大學(xué)發(fā)布“智海-三樂(lè)”教育大模型，已接入阿里云靈積平［EB/OL］.［2024-07-04］.https：//baijiahao.baidu.com/s？id=1774923602483372702&wfr=spider&for=pc.

［23］ 羅亦丹.大模型+教育競(jìng)逐新賽道，科大訊飛率先交出答卷［EB/OL］.［2024-07-04］.https：//www.bjnews.com.cn/detail/16925

85714129174.html.

［24］ Draft Compromise Amendments on the Draft Report［EB/OL］.［2024-07-04］.https：//www.europarl.europa.eu/meetdocs/2014_

2019/plmrep/COMMITTEES/CJ40/DV/2023/05-11/ConsolidatedCA_IMCOLIBE_AI_ACT_EN.pdf.

［25］ Olivier Toubia，Oded Netzer.Idea Generation，Creativity，and Prototypicality［EB/OL］.［2024-07-04］.https：//pubsonline.informs.org/doi/10.1287/mksc.2016.0994.

［26］ IBM，Institue of Culinary Education.Cognitive Cooking with Chef Watson：Recipes for Innovation from IBM & the Institute of Culinary Education［M］.Chicago：Sourcebooks Wonderland，2015：6.

［27］ Holly Else.Abstract Written by ChatGPT Fool Scientists［EB/OL］.［2024-07-04］.https：//www.nature.com/articles/d41586-

023-00056-7.

［28］ Dall E2［EB/OL］.［2024-07-04］.https：//openai.com/dall-e-2.

［29］ Raven Pack.Video：Why Natural Language Processing is the Crown Jewel of A I［EB/OL］.［2024-07-04］.https：//www.ravenpack.com/blog/natural-language-processing-ai.

［30］ 閩南話語(yǔ)言模型等多項(xiàng)成果在廈門(mén)發(fā)布［EB/OL］.［2024-07-04］.http：//news.sohu.com/a/721192006_123753.

［31］ Pamela Hinds，Michael Patterson，Jeffrey Pfefer.Bothered by Abstraction：the Effect of Expertise on Knowledge Transfer and Subsequent Novice Performance［J］.Journal of Applied Psychology，2002，86（6）：1232-1243.

［32］ Gee Bock，Robert Zmud，Young Kim，et al.Behavioral Intention Formation in Knowledge Sharing：Examining the Roles of Extrinsic Motivators，Social-Psychological Forces，and Organizational Climate［J］.MIS Quarterly，2005，29：87-111.

［33］ Chris Mauck.Beware of Unreliable Data in Model Evaluation：A LLM Prompt Selection case study with Flan-T5［EB/OL］.［2024-06-17］.https：//towardsdatascience.com/beware-of-unreliable-data-in-model-evaluation-a-llm-prompt-selection-case-study-with-flan-t5-88cfd469d058.

［34］ This US Lawyer Used ChatGPT to Research a Legal Brief with Embarrassing Results［EB/OL］.［2024-06-04］.https：//www.unsw.edu.au/news/2023/06/this-us-lawyer-used-chatgpt-to-research-a-legal-brief-with-embar.

［35］ Blake Brittain.Lawsuits Accuse AI Content Creators of Misusing Copyrighted Work［EB/OL］.［2024-07-04］.https：//www.reuters.com/legal/transactional/lawsuits-accuse-ai-content-creators-misusing-copyrighted-work-2023-01-17/.

［36］ Torey Akers.DeviantArt and Midjourney Deny Wrongdoing in Copyright Infringement Lawsuit over in AI Image Generators［N］.The Art Newspaper，2024-05-11（5）.

［37］ OpenAI的模型更傾向生成男性圖像？研究發(fā)現(xiàn)AI模型均存在性別偏見(jiàn)［EB/OL］.［2024-03-24］.https：//baijiahao.baidu.com/s？id=1761215023084701448&wfr=spider&for=pc.

［38］ Renana Peres，Martin Schreier，David Schweidel，et al.On ChatGPT and Beyond：How Generative Artificial Intelligence may Affect Research，Teaching ，and Practice［J］.International Journal of Research in Marketing，2023，40（2）：269-275.

［39］ Will Douglas Heaven.Galactica was Supposed to Help Scientists.Instead，it Mindlessly Spat out Biased and Incorrect Nonsense［EB/OL］.［2024-07-04］.https：//www.technologyreview.com/2022/11/18/1063487/meta-large-language-model-ai-only-survived-three-days-gpt-3-science/.

［40］ Ikujiro Nonaka.A Dynamic Theory of Organizational Knowledge Creation［J］.Organization Science，1994，5（1）：14-37.

［41］ Eliza Strickland.OpenAI’s Moonshot：Solving the AI Alignment Problem The ChatGPT Maker Imagines Superintelligent AI without Existential Risks［EB/OL］.［2024-06-31］.https：//spectrum.ieee.org/the-alignment-problem-openai.

［42］ Kenneth Li，Oam Patel，F(xiàn)ernanda Viegas，et al.Inference-Time Intervention：Eliciting Truthful Answers from a Language Model［EB/OL］.［2024-07-04］.https：//arxiv.org/abs/2306.03341.

［43］ AI Risk Management Framework［EB/OL］.［2024-07-04］.https：//www.nist.gov/itl/ai-risk-management-framework.

作者簡(jiǎn)介：張立明，重慶安全技術(shù)職業(yè)學(xué)院副教授；冉政，重慶安全技術(shù)職業(yè)學(xué)院副教授；張容，成都醫(yī)學(xué)院圖書(shū)館副研究館員。