人工智能看似无所不知：一秒调出术语谱系，写出工整综述。于是有了推论：它已掌握人类几乎全部文字记录，离"发现新知识"只差一步。

　　这里有个隐藏的跳跃：掌握已有知识与生成新知识，不是同一件事的两种程度，而是两种性质不同的活动。AI是知识的高效压缩器，却不是知识的发生器：它能穷尽已有记录的组合，却无法越过记录去确认一个新的事实。而这类判断要成立，几乎都必须回到现实世界，用实验确证。

　　一、重组不等于发现

　　大模型的"博学"本质是概率和压缩：把文本、图像、数据编码进参数，强项是检索、插值、类比、重组。它改变的是表达形式，而发现增加的是对世界的描述。模型能生成"某种合金在极低温下可能超导"，语言上很新，知识上还不算：只是假说，直到有人把它做出来、测出来。更根本的是，数字世界是现实世界一个有损的低维投影，传感、量化、呈现每一步都在降维，AI的上限由此被限定。

　　二、六类知识的分水岭

　　准确描述物理世界至少需要六类知识。物体、状态、动力学、功能、目标、行为这六类知识，获取方式各不相同。越能靠"读记录"获得的，AI越强；越必须靠"动手做"获得的，AI越弱。分水岭是动力学知识——它只问"为什么"，指向因果机制，而机制不是相关性。模型学得到"按按钮，灯就亮"，学不到"电流如何让灯丝发光"。同理，AI能读指标，读不懂"胸口发闷"里的迟疑：信息进入数字世界时就丢了。

　　三、认知过程的四重损耗

　　损耗有四重。转译：量化丢掉的常不是噪声，而是决定行为的粗糙度、残余应力。模糊信息不可编码：纹样的家族含义、"乾隆年制"背后的权力隐喻、丧亲之痛，意义不是可测量属性；AI能处理被指标化的痛苦，不是痛苦本身。采样不全：语料只是"被记录下来的世界"，模型遂把"没见过"当成"不重要"。最后是只有相关没有因果：越界即断崖。

　　于是结论很硬：新知识恰在数据的稀疏边缘，也就是AI 最不可靠处。用更多数据、更大模型自动产出新知，逻辑上自相矛盾。

　　四、新知识几乎都要实验验证

　　知识生产有固定链条：提问、构造假说、推出可观测预测、构造一个此前不存在的条件、观测、排除竞争解释、成为事实。AI前两步极强，第三步起无能为力：这一步不是多采数据，而是创造自然界不会主动呈现的状态。自然界只展示当下的样子，从不展示反事实；反事实必须被制造，需要仪器与能承担失败的人。

　　三重不可替代随之浮现。干预性：爱因斯坦1916年就推出引力波，直到2015年LIGO探测到信号才成为事实，隔了九十九年：算出来与确认，中间隔着实验。具身性：校准、制样、辨噪是写不进文本的默会知识，模型得到的只是结论汇编，不是得出结论的能力。责任：控哪个变量、多大效应算显著，依赖判断，且必须有人确认。

　　AlphaFold预测出两亿多个蛋白结构，确证仍靠晶体学与冷冻电镜；新药三期临床绕不过；材料计算筛出上万候选，能否稳定循环两千次仍要烧炉子、看电镜。例外是数学：形式系统内可自证，但不描述现实世界。

　　五、三种反驳

　　具身智能自己做实验？那只是加速实验：机器人是执行者不是确证者，"验证什么"仍由人给定。AI已发现新材料？要分"发现候选"与"发现事实"，后者为零。会发现人类无法理解的规律？知识须可检验、可复现，否则只是某台机器上的一次拟合。

　　AI让"知道"变便宜，却几乎没让"确认"变便宜；它越普及，"知道"越廉价，"确认"越昂贵。个人层面，背诵、检索、综述在贬值，提问、设计实验、判断可信度在升值。组织层面，只买算力不建实验室，会得到候选如山、验证通道极窄的局面：数据与实验须配比投入，后者却最易被削减。治理层面，评价体系要保护"慢"的那一半——复现、长期观测、仪器能力，它们不出彩，却是知识增量的真正闸门。

　　数字世界可以穷尽我们对世界的描述，却无法替我们触摸世界。新知识不是被计算出来的，是被问出来、做出来、验出来的。