知識生產革命：“人+AI”雙環知識共創模式

徐笑君 李賓

知識創造是知識管理活動的重中之重，它包括了知識搜索、知識識別、知識獲取、知識傳播、知識分享和知識生成等各個環節。傳統的組織知識創造過程面臨著諸多難點。首先，知識的獲取和整理是一個龐大的工程，需要投入大量的人力和物力。其次，如何讓員工愿意分享自己的知識，是組織管理者需要解決的關鍵難題。再次，知識的更新速度非?？?，組織需要不斷學習新的知識來適應市場的變化。最后，隱性知識難以通過文字或語言表達出來，傳播和應用變得異常困難。這些因素會降低知識創造的效率，從而成為組織創新的瓶頸。

然而，近一年多來，ChatGPT和Gemini API等現象級人工智能產品的出現，預示著人工智能將告別弱智能時代。OpenAI公司的GPT是一種人工智能生成內容（AI Generated Content，簡稱AIGC）產品，具有信息檢索、翻譯、文本生成、自動編程、智能問答等強大功能。目前GPT4.0的語料庫已經更新到了2023年4月。GPT4.0是一種多模態模型，相較自然語言處理模型GPT3.5，它不僅可以理解和生成文本，還可以處理多種媒體數據，如圖像和聲音，在邏輯和推理方面的功能也更好。谷歌開發的Gemini API也是一個多模態模型，在圖像、音頻、視頻和文本領域有強大的功能。

GPT和Gemini這些AIGC產品的出現將引發一場顛覆式的知識生產革命。傳統的組織知識創造模式有哪些特點？在數智化時代，組織的知識創造模式將發生哪些變化？在新的組織知識創造模式中，管理者需要注意哪些問題？這都是需要管理者深思和解答的問題

傳統的組織知識創造模式

傳統知識管理領域的知名學者提出的知識創造模型或者組織學習模型，關注點主要是知識屬性、知識創造主體、知識創造手段（個體學習的單環學習、雙環學習和多環學習、團隊學習、組織學習和組織間學習）和知識創造過程。

下面以“知識創造理論之父”野中郁次郎提出的“SECI組織知識創造模型”為例來分析傳統組織知識創造的特點。野中郁次郎與他的合作者通過大量的案例研究得出，日本企業的知識創造是一個由內而外的、以人為中心的集體知識創造過程。他認為組織知識創造實質就是顯性知識和隱性知識不斷在個體、團隊、組織和組織間轉化的過程。

組織知識創造的輸入要素

知識創造的輸入要素有數據（Data）、信息（Information）、知識（Knowledge）和智慧（Wisdom），排序在后的要素比前面的要素多了某些特質。數據是指離散孤立、不相關的事實、文字、數字、圖像和符號等。例如，對于80，我們只能判斷這是一個數字。信息是指憑借人的認知能力和經驗對數據進行選擇、評價、組織和分析的結果。例如，對于速度80公里/小時，我們知道這是一個比人走路快得多的速度。知識是人類基于數據及信息進行的邏輯推理。知識是有一定情景的信息，以及對怎樣運用它的理解。例如，汽車在高速公路上以80公里/小時前進，基于知識我們可以判斷，這輛汽車是以正常的速度行駛。野中郁次郎認為知識與信仰、承諾、行動和意義有關，而智慧不僅包含如何使用知識，還包含了什么時候使用，它代表了一種更高層次的理解和應用。野中郁次郎提出領導者要善于應用實踐智慧而不僅僅是智慧。實踐智慧能夠幫助領導者審時度勢作出明智的決策，因地制宜采取適宜的行動。

組織知識的屬性

典型的知識屬性有顯性和隱性兩種。英國科學家邁克爾·波蘭尼（Michael Polanyi）認為人類懂的比能說出來的多很多，因此，相對顯性知識，他提出了隱性知識這個概念。顯性知識是能夠用文字、數字或者圖像等進行清晰表述的知識，它可定義、易獲取、易溝通。隱性知識是只可意會難以言傳的知識，它根植于個體的經驗、判斷、聯想、創意和心智模式。隱性知識又可細分為認知隱性知識和技巧隱性知識兩種類型。認知隱性知識是指存儲在人類心智模式內的抽象觀念、判斷和直覺。技巧隱性知識是指需要通過不斷的練習才能獲得的技能。個體，不斷實踐、反復試錯、總結領悟，最終獲得的隱性知識才是最強有力的知識。野中郁次郎認為挖掘隱性知識，也就是員工頭腦中的想法、直覺和靈感，是知識創造的關鍵。

組織知識創造主體

野中郁次郎認為知識創造的主體是個體和團隊。個體是知識創造的來源。通過對話、討論、分享、觀察，個體創造的知識在團隊層面被擴大化和固化下來成為團隊知識。如果沒有個體的主動和團隊內部的互動，組織是無法進行知識創造的。個體是組織知識創造的起始點，而團隊為個體間的對話和互動提供了共享環境，團隊在組織知識創造中起中心角色的作用。

組織知識創造過程

“SECI模型”將組織知識創造過程劃分成四個階段，包括個體隱性知識轉化為另一個體隱性知識的社會化階段（Socialization），個體隱性知識轉化為團隊顯性知識的外顯化階段（Externalization），團隊顯性知識轉化為組織顯性知識的組合化階段（C o m b i n a t i o n），以及組織顯性知識轉化為個體隱性知識的內隱化階（Internalization）。

在社會化階段，團隊成員之間通過分享經歷和心智模式產生共情，實現隱性知識向隱性知識的轉化。這類知識又被稱為共情知識。在外顯化階段，團隊成員之間通過有意義的對話和集體反思，借助比喻、類比的手段，將個體的隱性知識轉化為團隊顯性知識。這類知識往往是在概念創造的過程中產生的，因此又被稱為概念性知識。在組合化階段，團隊新創知識與組織既有知識進行鏈接，新創知識固化到組織的產品、服務和流程中，因此這類知識又被稱為系統性知識。在內隱化階段，個體通過干中學，將組織顯性知識以共享心智模式或者技術訣竅的形式轉化為自己的隱性知識。這類知識又被稱為操作性知識。

組織知識轉化的四個階段依次進行，構成了一個從團隊成員間共享隱性知識到創造概念、驗證概念、建立原型，最終實現跨層轉移知識的完整知識創造過程。這一知識創造過程不斷循環往復，使得企業的知識螺旋上升。

知識創造的場所

“SECI模型”中四個不同階段，實現知識轉化的場所是不一樣的，可以是物理空間、虛擬空間或精神空間，也可以是這些空間的組合。

在社會化階段，個體間分享經驗、情感、心智模式的場所，可以是物理空間，如師傅帶徒弟、在崗培訓（On the JobTraining，OJT）等；可以是虛擬空間，如可供討論的在線社區、論壇等；也可以是精神空間，如團隊建設活動、座談會等。在外顯化階段，知識創造是通過個體間的對話和集體反思實現的，對話場所可以是面對面交流的物理空間，也可以是遠程交流的虛擬空間（視頻會議、在線討論等）。在組合化階段，團隊顯性知識轉化為組織顯性知識是在虛擬空間實現的，如組織內部的知識管理系統、協同辦公平臺等。在內隱化階段，個體的干中學場所可以是實際工作場景，如生產車間、實驗室等；也可以是通過模擬、仿真技術搭建的虛擬環境。

生成式AI的組織知識創造模式

AI的誕生、繁榮到生成式AI的崛起

AI試圖理解、設計和制造出具有智能的新型計算機系統，以實現和人類智能相似的功能。AI的發展經歷了從圖靈測試到神經網絡、機器學習和深度學習的演進過程。1950年，艾倫·圖靈（Alan Turing）提出了圖靈測試，為人工智能的研究奠定了基礎。1956年，約翰·麥卡錫（John McCarthy）首次提出了人工智能這個概念。1965年，麻省理工學院的計算機教授約瑟夫·魏岑鮑姆（Joseph Weizenbaum）開發了一種名為ELIZA的聊天程序，這是第一個自然語言處理程序。1986年，杰弗里·辛頓（Geoffrey Hinton）和大衛·魯梅爾哈特（David Rumelhart）等人提出了反向傳播算法，使得神經網絡的學習成為可能。隨后，機器學習和深度學習等技術相繼興起，為人工智能的應用提供了更多的可能性。1997年，IBM研發的國際象棋機器人“深藍”擊敗了棋王卡斯帕羅夫，這是AI在復雜決策問題上取得的重大突破。2016年，谷歌研發的圍棋機器人阿爾法圍棋（AlphaGo）擊敗了世界冠軍李世石，再次證明了AI的強大實力。進入21世紀，隨著大數據和計算能力的飛速發展，AI開始進入一個全新的階段，即深度學習。深度學習模仿人腦神經網絡工作機制，能處理大量復雜的數據，從而實現了許多前所未有的應用。

生成式AI是能夠自動生成數據的人工智能系統。與傳統的機器學習方法不同，生成式AI可以自主地學習和創造新的內容。例如，OpenAI自2022年11月30日發布GPT3.5后，短短2個月其用戶數量就達到了一個億。GPT3.5憑借強大的文本生成能力，成為了生成式AI領域的一個重要里程碑。在知識創造中，生成式AI可以用于知識的自動提取、整合和創新，大大降低了知識創造的復雜性和成本。生成式AI是一種能夠自我學習和自我演進的人工智能技術，它能夠通過對大量數據的學習和分析，生成越來越高質量的新知識。例如，谷歌的人工智能蛋白機構預測系統AlphaFold，幾乎能預測所有小分子藥物結合的藥物靶點蛋白的結構。生成式AI技術的出現不僅能解決傳統知識創造中的難點，而且為知識生成提供了新的方法和路徑。

以AI為中心的個性化知識創造模式

生成式AI是一種基于深度學習技術的人工智能模型，能夠模擬人類的創造性思維，生成具有一定邏輯性和連貫性的語言文本、圖像、音頻等內容。生成式AI生成內容包括五個步驟。

第一步，數據收集。首先需要收集大量的原始數據，將之作為模型訓練的基礎。這些數據可以來自互聯網的公開資料、出版的書籍和文章，也可以來自專業數據庫和企業的私域數據。這些數據將用于訓練模型，使其學會理解和生成人類語言。

第二步，數據預處理。對收集到的數據進行清洗和格式化，包括去除停用詞（如“的”“是”等常見詞匯）、標點符號、特殊字符等。此外，還需要將文本轉換為模型可以理解的數字表示形式，如使用詞嵌入（Word Embedding）技術將單詞映射到一個高維空間中的向量。

第三步，模型訓練。使用深度學習搭建一個神經網絡模型，如Transformer或循環神經網絡（Recurrent Neural Network，RNN）。然后，使用收集到的預處理數據訓練模型，使其學會根據輸入的文本生成相應的輸出。

第四步，模型優化。在模型訓練完成后，可能需要對其進行微調和優化，以提高生成內容的質量和準確性。這可能包括調整模型參數、使用更高質量的數據集進行訓練等。

第五步，內容生成。應用訓練好的模型自動生成新的內容。AI內容生成主要有三種功能：數字內容孿生、數字內容的智能編輯和數字內容的智能創作。數字內容孿生是將數字內容從一個維度映射到另一個維度，包括內容的增強與轉譯。增強是對數字內容進行修復、去噪、細節增強等；轉譯是對數字內容進行轉換。數字內容的智能編輯則是在現有內容的基礎上進行修改、優化和創新，以提高其質量和價值。在進行智能創作時，由于具有強大的自我學習能力和自我演進能力，生成式AI將會產生超出人類理解范疇的知識，即AI專屬的隱性知識。

總的來講，以AI為中心的個性化知識創造模式和以人為中心的集體知識創造模式存在較大差異（見表1）。

“人+AI”的雙環知識共創模式

以人為中心的知識創造過程和以AI為中心的知識創造過程并不是截然分開的，而是一個相互促進、共同提升的過程。

生成式AI驅動傳統的知識創造模式

AI技術能夠有效提升SECI四個階段的知識轉化效率和轉化質量。

在社會化階段，個體通過交流和互動來共享和理解知識。在這個過程中，生成式AI的智能問答、分類、摘要等功能可以發揮重要作用。生成式AI可以理解人類語言，對大量的信息進行快速處理和分析，從而幫助個人更有效地獲取、理解和應用知識。這不僅大大提高了知識的傳播速度，也提升了知識的理解和應用效果。

在外顯化階段，個人的隱性知識轉化為團隊的顯性知識。在這一過程中，生成式AI自動生成內容的能力可以發揮關鍵作用。它可以將人的思維、經驗和智慧轉化為結構化的文本，使原本難以表達和傳播的隱性知識得以顯現。這種轉化不僅可以提高知識的可復制性和傳播性，還可以為后續的知識創新和整合奠定基礎。

在組合化階段，主要是發現和建立不同知識之間的聯系。在這個過程中，生成式AI的數據挖掘和分析能力可以發揮關鍵作用。它可以從海量的數據中發現有價值的知識和信息，然后將這些知識和信息進行整合和鏈接，形成更高層次的知識結構。這種知識的組合和整合可以使知識更具深度和廣度，從而提升知識的價值。

在內隱化階段，個體通過學習和實踐來不斷提升隱性知識和技能。在這個過程中，生成式AI的自適應學習能力可以發揮關鍵作用。它可以根據個人的學習情況和需求，提供個性化的學習資源和方法，幫助個人持續學習和改進。這種個性化的學習方式可以提高學習的效率和效果，從而提升個人的隱性知識和技能水平。

雙循環知識共創模式

圖1呈現的是以人為中心的知識創造和以AI為中心的知識創造雙環共創模式。組織通過以人為中心的知識創造模式創造各專業領域的知識，然后將其輸入至以AI為中心的知識創造大模型，與大模型融合；以AI為中心的知識創造大模型的智慧化運行結果又反哺以人為中心的知識創造系統。AI為中心的知識創造大模型不斷擴大組織的知識范圍、提升組織的認知能力，從而促進組織創造更多的新知識。組織知識創造和大模型智慧化運行形成一種周而復始的自循環和自演進的狀態。

雙環共創模式在企業數字化轉型中的應用

隨著人工智能、區塊鏈、云計算和大數據等技術的發展，越來越多的中國企業開始主動擁抱企業的數字化轉型。在企業數字化轉型的不同階段，以人為中心的知識創造模式和以AI為中心的知識創造模式所起的作用是不一樣的。

企業的數字化轉型往往是從信息化開始，逐步向數字化和智能化發展。

在信息化階段，企業主要通過建立各種信息系統對業務進行量化改造，實現業務數字化。企業構建統一的數據儲存和管理平臺對這些業務數據進行治理，形成企業的大數據中心。這個階段的特點是信息和流程驅動，企業主要關注的是如何利用信息技術提升業務的運行效率。這個階段以人為中心的知識創造模式起主要作用，大數據中心提供輔助決策所需的數據和資料。

在數字化階段，企業開始利用數字技術改變傳統的經營管理方式。企業構建各種算法對大數據中心的數據進行挖掘利用，為經營決策層、業務和職能部門層、基層工作單元提供數字化支持，形成經營決策腦、專業領域腦和基層工作單元腦，企業進入多腦運行狀態。這個階段的特點是數據和算法驅動，通過數字化系統進行沉淀。在這個階段，雖然企業的多腦參與各個層級的決策，但以人為中心的知識創造模式仍然占據主導地位，以AI為中心的知識創造還處于輔助階段。

在智能化階段，企業開始利用人工智能、區塊鏈、云計算和大數據等技術來實現業務的自動化和智能化。企業的經營決策腦、專業領域腦和基層工作單元腦的運行邊界逐漸模糊，和行業上下游生態鏈之間的一體化趨勢愈發明顯。企業內外不同領域相互融合導致數據量指數級增長、業務規則越來越復雜，傳統數字化系統將逐步讓位于大模型驅動的智慧云腦系統，企業進入云腦智慧運行狀態。云腦運行的是企業沉淀下來的知識，它的典型特征是行業大模型和企業大模型驅動，能夠根據內外場景特點面向客戶和員工提供智能化的知識服務。這個階段的特點是知識創新驅動，企業主要關注如何通過人與AI的雙環知識共創來實現業務的創新和突破。

亟待解決的問題和面臨的挑戰

生成式AI在知識生成中亟待解決的問題

生成式AI是一種對整個信息環境中的知識傳遞與共享、知識流動與擴散具有支撐和推動作用的技術。這種技術具有自主生成和自我學習能力，可以突破傳統知識獲取和處理方式的限制，為用戶提供準確、高效、全面的知識服務。生成式AI為知識生成帶來了巨大的機遇，但也引發了一些亟待解決的問題。這些問題包括如何處理生成式AI可能引起的知識真實性、完整性、可靠性等問題，如何防止生成式AI產生的虛假或誤導性信息使用戶產生錯誤認知，如何平衡知識的多樣性和全面性，避免因算法偏好或過濾泡沫效應導致的對信息的過度強調或忽略等。

第一，知識的真實性和可靠性問題。生成式AI雖然可以自動產生內容，但內容的真實性和可靠性無法得到保障，可能有錯誤或不真實信息。由于生成式AI的高度仿真性和隱蔽性，其生成的內容可能含有誤導性或虛假信息，導致用戶產生錯誤的認知。為了解決這個問題，我們需要加強對生成式AI的研究和監管，以確保其安全、可靠、公正地應用于各個領域。

第二，知識的多樣性與全面性問題。當面對多元、碎片化的信息時，生成式AI可能會因為算法偏好或過濾泡沫效應，過度強調部分知識，忽視其他重要知識，從而影響了知識的多樣性和全面性。例如，2019年，美國電子隱私信息中心（EPIC）向公平貿易委員會起訴視頻面試平臺HireVue，認為該公司AI在選拔候選人時存在種族、性別、性取向和其他類別的歧視。紐約大學坦登（Tandon）工程學院的研究團隊發現ChatGPT和 Claude在招聘中對簡歷存在育兒間隙和懷孕狀態的候選人會產生明顯的偏見（歧視）。紐約市制定了一項首創性法律，要求定期審查算法招聘決策的透明度和公平性。因此，我們需要建立有效的外部質疑反饋平臺，及時回應社會各界對特定內容的合理懷疑，對錯誤信息進行糾正，維護知識權威和認知安全。

第三，知識產權問題。生成式AI的快速發展也帶來了新的知識產權問題。例如，2023年12月27日，紐約時報對OpenAI和微軟提起訴訟，指控他們侵犯版權并濫用該報的知識產權。OpenAI和微軟未經授權就使用紐約時報的文章訓練GPT大模型，而且很多GPT輸出的內容與紐約時報報道的新聞內容幾乎一模一樣。因此，如何在知識創造和產權保護之間找到平衡，成為了當前亟待解決的問題。

生成式AI在知識生成中面臨的挑戰

“以人為中心的知識創造”中存在的核心問題，也是目前“以AI為中心的知識創造”所難以解決的。

第一，忽略源于實踐的智慧。智慧是一種高階隱性知識，它既能幫助我們洞察事物，抓住事物的本質，也能幫助我們快速應對外部環境的變化。實踐智慧是一種來源于實踐又應用于實踐的智慧。野中郁次郎強調了實踐對知識創造的重要性，認為直接的、動態的人類互動是一切知識的來源。當我們過于看重AI生成的知識時，可能會忽略通過實踐獲得的知識，尤其是隱性知識的生成。另外，野中郁次郎強調實踐智慧是以價值觀和道德為準繩，而AI的價值觀和道德受模型開發者所主導。

第二，人的心智模式是AI難以模仿的。心智模式是個體對世界的理解方式，它是由經驗、信仰、價值觀和期望構成的。這種理解方式會影響人們的思考方式和行為模式，從而影響決策和行動。在知識創造的過程中，員工的心智模式往往是推動創新的關鍵因素。機器學習很難模仿人的心智模式，因為心智模式是高度個性化的。每個人都有自己獨特的心智模式，這是基于其個性、經歷和環境形成的；而機器學習是一種基于大數據的學習方式，基于大量的樣本和規則生成模型。因此，機器學習很難捕捉到這種個性化的、非結構化的心智模式。而且，心智模式是一種動態的知識，隨著經驗的積累和環境的變化，人們的心智模式也會不斷地調整和改變；而機器學習是一種靜態的學習方式，只能在一定的時間和空間范圍內生成模型。因此，機器學習很難捕捉到這種動態的、變化的心智模式。當然我們可以將機器學習與人工智能結合起來，通過對員工的思維方式和行為模式進行深度學習，訓練出一個能夠模擬員工心智模式的模型。這樣，就可以利用這個模型來預測員工的決策和行動，從而提高知識創造的效率和質量，虛擬數字人就是這樣的產品。但是訓練虛擬數字人的過程非常復雜，價格也很昂貴。

第三，在創造力和想象力方面，AI仍然無法超越人類。創造力是產生原創想法的能力，它能夠促進新技術的發明、新藝術形式的創造，甚至能改變人類對世界的看法。想象力是應對不確定性、設想各種可能性的能力。在面對未知時，想象力能夠使人們設想出各種可能的未來，并據此做出決策。AI已經證明，它可以學習和模仿人類的思維方式，生成新的創意和解決方案。當前，AI已經成功用于生成音樂、繪畫和寫作等藝術形式。例如，谷歌的DeepDream項目就能夠“想象”出令人驚嘆的圖像。然而，這并不意味著AI真正擁有了創造力和想象力。AI的創意和解決方案是基于大量的數據和算法生成的，雖然看起來新穎和獨特，但仍然是基于已有的信息進行計算和預測的。AI無法像人類那樣，基于個人的經驗、情感和價值觀來創造新的想法，也無法預見其創意的潛在影響和價值，因為它缺乏對未來的直觀感知和理解。盡管AI在模仿人類的創造力和想象力方面取得了一定的成功，但它仍然無法真正地超越人類。