波兰尼把那种“知道却说不出来”的能力叫作隐默知识（tacit knowledge），他有一句常被引用的话——我们知道的，永远比我们能说出来的多。有意思的是，今天的大语言模型恰恰不是靠背规则运转，而是从海量文本里把词与词之间的关系一点点“捏”出来，它学到的，某种程度上正是那层说不清、道不明的统计结构。所以这个问题没有一个整齐的答案：有一类隐默知识，AI 已经学得相当好；另一类靠身体、靠手感、靠师带徒才能传下去的，它到现在也还够不着。
隐默知识到底指什么
波兰尼在《个人知识：朝向后批判哲学》里提出这个概念时，举的都是些再普通不过的例子。你会骑自行车，可要你把“如何保持平衡”讲成一条条可执行的指令，你多半讲不清楚——真去按物理公式纠正车把角度，反而会摔。你能在人群里一眼认出一张脸，却说不出你究竟比对了哪几个特征。你尝一口菜就知道盐放多了，可“多了多少”这件事，你的舌头知道，你的语言不知道。
他那段被我反复咀嚼的话是这样说的：
你知道的永远比你说出的多得多。
我们的一切知识在根本上都具有隐默性，我们永远不能说出我们所知道的东西；由于意义的隐默性，我们也永远不能完全知道我们所说的话中暗示着什么。
这里其实有两层。第一层是我们“会做但说不出”，这是技能层面的隐默；第二层更微妙——哪怕是我们说出口的话，它背后暗示的、依赖的那一整片背景意义，我们自己也无法穷尽地讲明白。一个世纪前的科学家兼哲学家写下这些，本来是在批判当时那种“知识必须能被完全形式化、完全言说”的理想。今天回头看，它读起来简直像是给大语言模型提前写好的一条脚注。
大模型的“理解”，和那些长满手的积木
2025 年 WAIC 上，AI 教父、诺贝尔奖与图灵奖双料得主辛顿给了一个很形象的比喻。他说，每个词都是一块可以变形的、拥有几千个维度的乐高积木，积木上长满了手；理解一句话，就是让这些词语积木通过调整自身的形状，以最合适的方式互相握手，从而拼成一个有意义的整体。他进一步认为，这和人脑处理语言的方式几乎一样，所以大语言模型是真的在理解你说的话，而不是简单的模式匹配。
辛顿这个判断对不对，学界远没有共识——另一派干脆把大模型称作“随机鹦鹉”，说它只是在巨大的语料上做高阶的模式续写，谈不上理解。这场争论一时半会儿不会有结论。但抛开对错，他的比喻恰好给了“隐默性”一个可以想象的画面：积木上那些手，代表着每个词在几千个维度上和别的词发生关联的方式。这些维度是什么、每一只手在暗示什么，我们既说不出，也无法穷尽——它们是模型从数据里自己长出来的，不是人类事先写好、再教给它的。
换句话说，大模型学到的，很可能正是波兰尼说的那一类东西：语言里那些谁都在用、却谁也讲不清的隐默结构。人类小孩学母语从不背语法书，靠的是浸泡在语料里慢慢“手感”出来；模型某种意义上走的是同一条路，只不过它的语料是整个互联网。它能把说不出来的语感学个八九不离十，这件事本身，就是对波兰尼那句话的一次实证。这也是为什么它写起东西来那么“顺”，却又很难向你解释它为什么这么写——它和你我一样，知道的比能说出来的多。
医生的言传身教，是 AI 暂时够不着的那一半
但语言的隐默性，只是隐默知识的一部分。还有一大类，扎根在身体里，靠语言这个通道根本传不全。
临床技能就是最典型的例子。很多东西是靠师带徒传下来的，年轻医生跟着上级一台一台看、一次一次上手，那种“手感”——什么时候该稳住、什么地方阻力不对、这个触感意味着什么——写不进任何一本教科书，也没法压缩成一段文字发给你。它必须经由长时间的亲身重复，才能从上一双手长到下一双手上。这正是一万小时之类说法真正指向的地方：不是机械地熬时长，而是在反复的实践里，把说不出的判断沉淀成本能。
这一层，大模型目前很难替代。它可以把全世界的临床文献读一遍，可以背下所有能被写出来的规则，甚至能在文字层面比多数人说得更有条理——就像扑克里，一个 GTO 解算器能算出理论最优解，却算不出坐在牌桌对面那个人此刻的微表情。规则可以被写下、被传输、被模型吞下；而手上的、身体里的、需要在场才能获得的那部分，暂时还卡在语言这道门之外。这不是说 AI 永远学不会，而是说，只要它主要以文字为食，就注定拿不到那些从没被写成文字的东西。
回到最初的乐观。这两年真正限制 AI 的，已经不是人脑的聪明程度，而是硬件和算力。如果有一天能提供近乎无限、极高速率的算力，那么各种决策的优化成本都会大幅下降，社会在各个维度都被 AI 辅助着提效，生产力大幅释放，普通人也真切享受到它的好处。从这个角度，我依然是乐观的。至于那些说不出来的知识，它们会不会、又会以什么方式被机器接住，我猜答案还得再等几年——而这本身，或许又是一件我们现在还说不清楚的事。
发表回复