原创 常识分娩革命 人AI双环常识共创模式

传统知识管理领域的有名学者提出的知识创造模型或者组织学习模型，关注点紧张是知识属性、知识创造主体、知识创造手段（个体学习的单环学习、双环学习和多环学习、团队学习、组织学习和组织间学习）和知识创造过程。

下面以“知识创造理论之父”野中郁次郎提出的“SECI组织知识创造模型”为例来剖析传统组织知识创造的特点。
野中郁次郎与他的互助者通过大量的案例研究得出，日本企业的知识创造是一个由内而外的、以人为中央的集体知识创造过程。
他认为组织知识创造本色便是显性知识和隐性知识不断在个体、团队、组织和组织间转化的过程。

知识创造的输入要素有数据（Data）、信息（Information）、知识（Knowledge）和聪慧（Wisdom），排序在后的要素比前面的要素多了某些特质。
数据是指离散伶仃、不干系的事实、笔墨、数字、图像和符号等。
例如，对付80，我们只能判断这是一个数字。
信息是指凭借人的认知能力和履历对数据进行选择、评价、组织和剖析的结果。
例如，对付速率80公里/小时，我们知道这是一个比人走路快得多的速率。
知识是人类基于数据及信息进行的逻辑推理。
知识是有一定情景的信息，以及对若何利用它的理解。
例如，汽车在高速公路上以80公里/小时提高，基于知识我们可以判断，这辆汽车因此正常的速率行驶。
野中郁次郎认为知识与崇奉、承诺、行动和意义有关，而聪慧不仅包含如何利用知识，还包含了什么时候利用，它代表了一种更高层次的理解和运用。
野中郁次郎提出领导者要长于运用实践聪慧而不仅仅是聪慧。
实践聪慧能够帮助领导者审时度势作出明智的决策，因时制宜采纳适宜的行动。

范例的知识属性有显性和隐性两种。
英国科学家迈克尔·波兰尼（Michael Polanyi）认为人类懂的比能说出来的多很多，因此，相对显性知识，他提出了隐性知识这个观点。
显性知识是能够用笔墨、数字或者图像等进行清晰表述的知识，它可定义、易获取、易沟通。
隐性知识是只可融会难以言传的知识，它根植于个体的履历、判断、遐想、创意和心智模式。
隐性知识又可细分为认知隐性知识和技巧隐性知识两种类型。
认知隐性知识是指存储在人类心智模式内的抽象不雅观念、判断和直觉。
技巧隐性知识是指须要通过不断的练习才能得到的技能。
个体，不断实践、反复试错、总结领悟，终极得到的隐性知识才是最强有力的知识。
野中郁次郎认为挖掘隐性知识，也便是员工头脑中的想法、直觉和灵感，是知识创造的关键。

野中郁次郎认为知识创造的主体是个体和团队。
个体是知识创造的来源。
通过对话、谈论、分享、不雅观察，个体创造的知识在团队层面被扩大化和固化下来成为团队知识。
如果没有个体的主动和团队内部的互动，组织是无法进行知识创造的。
个体是组织知识创造的起始点，而团队为个体间的对话和互动供应了共享环境，团队在组织知识创造中起中央角色的浸染。

“SECI模型”将组织知识创造过程划分成四个阶段，包括个体隐性知识转化为另一个体隐性知识的社会化阶段（Socialization），个体隐性知识转化为团队显性知识的外显化阶段（Externalization），团队显性知识转化为组织显性知识的组合化阶段（Combination），以及组织显性知识转化为个体隐性知识的内隐化阶（Internalization）。

在社会化阶段，团队成员之间通过分享经历和心智模式产生共情，实现隐性知识向隐性知识的转化。
这类知识又被称为共情知识。
在外显化阶段，团队成员之间通过故意义的对话和集体反思，借助比喻、类比的手段，将个体的隐性知识转化为团队显性知识。
这类知识每每是在观点创造的过程中产生的，因此又被称为观点性知识。
在组合化阶段，团队新创知识与组织既有知识进行链接，新创知识固化到组织的产品、做事和流程中，因此这类知识又被称为系统性知识。
在内隐化阶段，个体通过干中学，将组织显性知识以共享心智模式或者技能诀窍的形式转化为自己的隐性知识。
这类知识又被称为操作性知识。

组织知识转化的四个阶段依次进行，构成了一个从团队成员间共享隐性知识到创造观点、验证观点、建立原型，终极实现跨层转移知识的完全知识创造过程。
这一知识创造过程不断循环往来来往，使得企业的知识螺旋上升。

“SECI模型”中四个不同阶段，实现知识转化的场所是不一样的，可以是物理空间、虚拟空间或精神空间，也可以是这些空间的组合。

在社会化阶段，个体间分享履历、情绪、心智模式的场所，可以是物理空间，如师傅带徒弟、在岗培训（On the Job-Training，OJT）等；可以是虚拟空间，如可供谈论的在线社区、论坛等；也可以是精神空间，如团队培植活动、漫谈会等。
在外显化阶段，知识创造是通过个体间的对话和集体反思实现的，对话场所可以是面对面互换的物理空间，也可以是远程互换的虚拟空间（视频会议、在线谈论等）。
在组合化阶段，团队显性知识转化为组织显性知识是在虚拟空间实现的，如组织内部的知识管理系统、协同办公正台等。
在内隐化阶段，个体的干中学场所可以是实际事情场景，如生产车间、实验室等；也可以是通过仿照、仿真技能搭建的虚拟环境。

AI试图理解、设计和制造出具有智能的新型打算机系统，以实现和人类智能相似的功能。
AI的发展经历了从图灵测试到神经网络、机器学习和深度学习的演进过程。
1950年，艾伦·图灵（Alan Turing）提出了图灵测试，为人工智能的研究奠定了根本。
1956年，约翰·麦卡锡（John McCarthy）首次提出了人工智能这个观点。
1965年，麻省理工学院的打算机教授约瑟夫·魏岑鲍姆（Joseph Weizenbaum）开拓了一种名为ELIZA的谈天程序，这是第一个自然措辞处理程序。
1986年，杰弗里·辛顿（Geoffrey Hinton）和大卫·鲁梅尔哈特（David Rumelhart）等人提出了反向传播算法，使得神经网络的学习成为可能。
随后，机器学习和深度学习等技能相继兴起，为人工智能的运用供应了更多的可能性。
1997年，IBM研发的国际象棋机器人“深蓝”击败了棋王卡斯帕罗夫，这是AI在繁芜决策问题上取得的重大打破。
2016年，谷歌研发的围棋机器人阿尔法围棋（AlphaGo）击败了天下冠军李世石，再次证明了AI的强大实力。
进入21世纪，随着大数据和打算能力的飞速发展，AI开始进入一个全新的阶段，即深度学习。
深度学习模拟人脑神经网络事情机制，能处理大量繁芜的数据，从而实现了许多前所未有的运用。

天生式AI是能够自动天生数据的人工智能系统。
与传统的机器学习方法不同，天生式AI可以自主地学习和创造新的内容。
例如，OpenAI自2022年11月30日发布GPT3.5后，短短2个月其用户数量就达到了一个亿。
GPT3.5凭借强大的文本天生能力，成为了天生式AI领域的一个主要里程碑。
在知识创造中，天生式AI可以用于知识的自动提取、整合和创新，大大降落了知识创造的繁芜性和本钱。
天生式AI是一种能够自我学习和自我演进的人工智能技能，它能够通过对大量数据的学习和剖析，天生越来越高质量的新知识。
例如，谷歌的人工智能蛋白机构预测系统AlphaFold，险些能预测所有小分子药物结合的药物靶点蛋白的构造。
天生式AI技能的涌现不仅能办理传统知识创造中的难点，而且为知识天生供应了新的方法和路径。

天生式AI是一种基于深度学习技能的人工智能模型，能够仿照人类的创造性思维，天生具有一定逻辑性和连贯性的措辞文本、图像、音频等内容。
天生式AI天生内容包括五个步骤。

第一步，数据网络。
首先须要网络大量的原始数据，将之作为模型演习的根本。
这些数据可以来自互联网的公开资料、出版的书本和文章，也可以来自专业数据库和企业的私域数据。
这些数据将用于演习模型，使其学会理解和天生人类措辞。

第二步，数据预处理。
对网络到的数据进行洗濯和格式化，包括去除停用词（如“的”“是”等常见词汇）、标点符号、分外字符等。
此外，还须要将文本转换为模型可以理解的数字表示形式，如利用词嵌入（Word Embedding）技能将单词映射到一个高维空间中的向量。

第三步，模型演习。
利用深度学习搭建一个神经网络模型，如Transformer或循环神经网络（Recurrent Neural Network，RNN）。
然后，利用网络到的预处理数据演习模型，使其学会根据输入的文本天生相应的输出。

第四步，模型优化。
在模型演习完成后，可能须要对其进行微调和优化，以提高天生内容的质量和准确性。
这可能包括调度模型参数、利用更高质量的数据集进行演习等。

第五步，内容天生。
运用演习好的模型自动天生新的内容。
AI内容天生紧张有三种功能：数字内容孪生、数字内容的智能编辑和数字内容的智能创作。
数字内容孪生是将数字内容从一个维度映射到另一个维度，包括内容的增强与转译。
增强是对数字内容进行修复、去噪、细节增强等；转译是对数字内容进行转换。
数字内容的智能编辑则是在现有内容的根本上进行修正、优化和创新，以提高其质量和代价。
在进行智能创作时，由于具有强大的自我学习能力和自我演进能力，天生式AI将会产生超出人类理解范畴的知识，即AI专属的隐性知识。

总的来讲，以AI为中央的个性化知识创造模式和以人为中央的集体知识创造模式存在较大差异（见表１）。

以人为中央的知识创造过程和以AI为中央的知识创造过程并不是截然分开的，而是一个相互促进、共同提升的过程。

AI技能能够有效提升SECI四个阶段的知识转化效率和转化质量。

在社会化阶段，个体通过互换和互动来共享和理解知识。
在这个过程中，天生式AI的智能问答、分类、择要等功能可以发挥主要浸染。
天生式AI可以理解人类措辞，对大量的信息进行快速处理和剖析，从而帮助个人更有效地获取、理解和运用知识。
这不仅大大提高了知识的传播速率，也提升了知识的理解和运用效果。

在外显化阶段，个人的隐性知识转化为团队的显性知识。
在这一过程中，天生式AI自动天生内容的能力可以发挥关键浸染。
它可以将人的思维、履历和聪慧转化为构造化的文本，使原来难以表达和传播的隐性知识得以显现。
这种转化不仅可以提高知识的可复制性和传播性，还可以为后续的知识创新和整合奠定根本。

在组合化阶段，紧张是创造和建立不同知识之间的联系。
在这个过程中，天生式AI的数据挖掘和剖析能力可以发挥关键浸染。
它可以从海量的数据中创造有代价的知识和信息，然后将这些知识和信息进行整合和链接，形成更高层次的知识构造。
这种知识的组合和整合可以使知识更具深度和广度，从而提升知识的代价。

在内隐化阶段，个体通过学习和实践来不断提升隐性知识和技能。
在这个过程中，天生式AI的自适应学习能力可以发挥关键浸染。
它可以根据个人的学习情形和需求，供应个性化的学习资源和方法，帮助个人持续学习和改进。
这种个性化的学习办法可以提高学习的效率和效果，从而提升个人的隐性知识和技能水平。

图1呈现的因此人为中央的知识创造和以AI为中央的知识创造双环共创模式。
组织通过以人为中央的知识创造模式创造各专业领域的知识，然后将其输入至以AI为中央的知识创造大模型，与大模型领悟；以AI为中央的知识创造大模型的聪慧化运行结果又反哺以人为中央的知识创造系统。
AI为中央的知识创造大模型不断扩大组织的知识范围、提升组织的认知能力，从而促进组织创造更多的新知识。
组织知识创造和大模型聪慧化运行形成一种周而复始的自循环和自演进的状态。

随着人工智能、区块链、云打算和大数据等技能的发展，越来越多的中国企业开始主动拥抱企业的数字化转型。
在企业数字化转型的不同阶段，以人为中央的知识创造模式和以AI为中央的知识创造模式所起的浸染是不一样的。

企业的数字化转型每每是从信息化开始，逐步向数字化和智能化发展。

在信息化阶段，企业紧张通过建立各种信息系统对业务进行量化改造，实现业务数字化。
企业构建统一的数据储存和管理平台对这些业务数据进行管理，形成企业的大数据中央。
这个阶段的特点是信息和流程驱动，企业紧张关注的是如何利用信息技能提升业务的运行效率。
这个阶段以人为中央的知识创造模式起紧张浸染，大数据中央供应赞助决策所需的数据和资料。

在数字化阶段，企业开始利用数字技能改变传统的经营管理办法。
企业构建各种算法对大数据中央的数据进行挖掘利用，为经营决策层、业务和职能部门层、基层事情单元供应数字化支持，形成经营决策脑、专业领域脑和基层事情单元脑，企业进入多脑运行状态。
这个阶段的特点是数据和算法驱动，通过数字化系统进行沉淀。
在这个阶段，虽然企业的多脑参与各个层级的决策，但以人为中央的知识创造模式仍旧霸占主导地位，以AI为中央的知识创造还处于赞助阶段。

在智能化阶段，企业开始利用人工智能、区块链、云打算和大数据等技能来实现业务的自动化和智能化。
企业的经营决策脑、专业领域脑和基层事情单元脑的运行边界逐渐模糊，和行业高下游生态链之间的一体化趋势愈发明显。
企业内外不同领域相互领悟导致数据量指数级增长、业务规则越来越繁芜，传统数字化系统将逐步让位于大模型驱动的聪慧云脑系统，企业进入云脑聪慧运行状态。
云脑运行的是企业沉淀下来的知识，它的范例特色是行业大模型和企业大模型驱动，能够根据内外场景特点面向客户和员工供应智能化的知识做事。
这个阶段的特点是知识创新驱动，企业紧张关注如何通过人与AI的双环知识共创来实现业务的创新和打破。

天生式AI是一种对全体信息环境中的知识通报与共享、知识流动与扩散具有支撑和推动浸染的技能。
这种技能具有自主天生和自我学习能力，可以打破传统知识获取和处理办法的限定，为用户供应准确、高效、全面的知识做事。
天生式AI为知识天生带来了巨大的机遇，但也引发了一些亟待办理的问题。
这些问题包括如何处理天生式AI可能引起的知识真实性、完全性、可靠性等问题，如何防止天生式AI产生的虚假或误导性信息利用户产生缺点认知，如何平衡知识的多样性和全面性，避免因算法偏好或过滤泡沫效应导致的对信息的过度强调或忽略等。

第一，知识的真实性和可靠性问题。
天生式AI虽然可以自动产生内容，但内容的真实性和可靠性无法得到保障，可能有缺点或不真实信息。
由于天生式AI的高度仿真性和暗藏性，其天生的内容可能含有误导性或虚假信息，导致用户产生缺点的认知。
为理解决这个问题，我们须要加强对天生式AI的研究和监管，以确保其安全、可靠、公道地运用于各个领域。

第二，知识的多样性与全面性问题。
当面对多元、碎片化的信息时，天生式AI可能会由于算法偏好或过滤泡沫效应，过度强调部分知识，忽略其他主要知识，从而影响了知识的多样性和全面性。
例如，2019年，美国电子隐私信息中央（EPIC）向公正贸易委员会起诉视频口试平台HireVue，认为该公司AI在选拔候选人时存在种族、性别、性取向和其他类别的歧视。
纽约大学坦登（Tandon）工程学院的研究团队创造ChatGPT和 Claude在招聘中对简历存在育儿间隙和有身状态的候选人会产生明显的偏见（歧视）。
纽约市制订了一项创始性法律，哀求定期审查算法招聘决策的透明度和公正性。
因此，我们须要建立有效的外部质疑反馈平台，及时回应社会各界对特定内容的合理疑惑，对缺点信息进行纠正，掩护知识威信和认知安全。

第三，知识产权问题。
天生式AI的快速发展也带来了新的知识产权问题。
例如，2023年12月27日，纽约时报对OpenAI和微软提起诉讼，指控他们陵犯版权并滥用该报的知识产权。
OpenAI和微软未经授权就利用纽约时报的文章演习GPT大模型，而且很多GPT输出的内容与纽约时报宣布的新闻内容险些千篇一律。
因此，如何在知识创造和产权保护之间找到平衡，成为了当前亟待办理的问题。

“以人为中央的知识创造”中存在的核心问题，也是目前“以AI为中央的知识创造”所难以办理的。

第一，忽略源于实践的聪慧。
聪慧是一种高阶隐性知识，它既能帮助我们洞察事物，捉住事物的实质，也能帮助我们快速应对外部环境的变革。
实践聪慧是一种来源于实践又运用于实践的聪慧。
野中郁次郎强调了实践对知识创造的主要性，认为直接的、动态的人类互动是统统知识的来源。
当我们过于看重AI天生的知识时，可能会忽略通过实践得到的知识，尤其是隐性知识的天生。
其余，野中郁次郎强调实践聪慧因此代价不雅观和道德为准绳，而AI的代价不雅观和道德受模型开拓者所主导。

第二，人的心智模式是AI难以模拟的。
心智模式是个体对天下的理解办法，它是由履历、崇奉、代价不雅观和期望构成的。
这种理解办法会影响人们的思考办法和行为模式，从而影响决策和行动。
在知识创造的过程中，员工的心智模式每每是推动创新的关键成分。
机器学习很难模拟人的心智模式，由于心智模式是高度个性化的。
每个人都有自己独特的心智模式，这是基于其个性、经历和环境形成的；而机器学习是一种基于大数据的学习办法，基于大量的样本和规则天生模型。
因此，机器学习很难捕捉到这种个性化的、非构造化的心智模式。
而且，心智模式是一种动态的知识，随着履历的积累和环境的变革，人们的心智模式也会不断地调度和改变；而机器学习是一种静态的学习办法，只能在一定的韶光和空间范围内天生模型。
因此，机器学习很难捕捉到这种动态的、变革的心智模式。
当然我们可以将机器学习与人工智能结合起来，通过对员工的思维办法和行为模式进行深度学习，演习出一个能够仿照员工心智模式的模型。
这样，就可以利用这个模型来预测员工的决策和行动，从而提高知识创造的效率和质量，虚拟数字人便是这样的产品。
但是演习虚拟数字人的过程非常繁芜，价格也很昂贵。

第三，在创造力和想象力方面，AI仍旧无法超越人类。
创造力是产生原创想法的能力，它能够促进新技能的发明、新艺术形式的创造，乃至能改变人类对天下的意见。
想象力是应对不愿定性、设想各种可能性的能力。
在面对未知时，想象力能够使人们设想出各种可能的未来，并据此做出决策。
AI已经证明，它可以学习和模拟人类的思维办法，天生新的创意和解决方案。
当前，AI已经成功用于天生音乐、绘画和写作等艺术形式。
例如，谷歌的DeepDream项目就能够“想象”出令人惊叹的图像。
然而，这并不虞味着AI真正拥有了创造力和想象力。
AI的创意和解决方案是基于大量的数据和算法天生的，虽然看起来新颖和独特，但仍旧是基于已有的信息进行打算和预测的。
AI无法像人类那样，基于个人的履历、情绪和代价不雅观来创造新的想法，也无法预见其创意的潜在影响和代价，由于它缺少对未来的直不雅观感知和理解。
只管AI在模拟人类的创造力和想象力方面取得了一定的成功，但它仍旧无法真正地超越人类。

关于作者 | 徐笑君：复旦大学管理学院副教授；

李宾：广联达科技株式会社副总裁。

任务编辑 | 刘永选（liuyx6@sem.tsinghua.edu.cn）