實證文獻表明，隱性知識--通過經驗和實踐獲得的技能和直覺--對于人類干預的成功至關重要。 當前的生成式人工智能模型--本質上是一個根據過去記錄的數據進行校準的大型預測系統--無法捕捉和利用這些知識，這一事實應能緩解人們對勞動力完全替代的擔憂，為我們重新思考教育和培訓提供參考，并為未來的協作鋪平道路。

知識轉移悖論 知識可廣義地定義為通過經驗、教育或學習獲得的理解、認識或熟悉程度，包括顯性知識（事實性的、基于信息的、記錄在案的、易于通過文本、數據集或口頭語言傳播的知識）和隱性知識（通過實踐獲得的、不易轉移的、表演性的、經驗性的技能和直覺）。 人工智能正在以經常被誤解的方式重新定義我們的知識方法。 易于傳遞的知識也是人工智能最容易替代的知識。 然而，也許自相矛盾的是，這種顯性知識在人類干預的最終影響中只占一部分，有時甚至是很小的一部分。

雖然從定義上講，這種隱性知識的發生率難以量化，但我們可以通過一些方法來評估其相對重要性--例如，在公共政策影響評估中，隱性知識占了很大一部分。 為什么勞動政策的影響如此難以確定？ 在之前的薈萃分析結果喜憂參半的啟發下，我們回顧了近年來實施的 102 項積極勞動力市場政策（AMLP）隨機對照試驗（RCT）。 由于每項干預措施通常涉及不止一項政策，我們的樣本共包括 668 項估計影響，分為四種 AMLP 類型：(1) 就業中介服務；(2) 支持獨立工人/微型企業家；(3) 職業培訓；(4) 工資補貼。 下圖顯示了這些影響在每種類型中的分布情況： 可以看出，平均而言，這些影響在統計上并不顯著，而且極其多樣。

圖 ： 四種 ALMP 估計影響的分布情況

為什么同樣的干預措施在一種情況下有效，而在另一種情況下卻失敗？

首先，顯而易見的是：積極勞動力市場政策以不同的方式和背景實施，針對不同的人口群體，其有效性也各不相同：沒有“最佳設計”。開發一個完整的設計空間需要一組標準化變量來表征至少五個基本維度：1）類型（例如培訓或工資補貼）；2）具體組成部分（硬技能或軟技能、指導、貨幣刺激）；3）實施（持續時間、公私合作）；4）每個參與者的平均成本（在影響評估中經常被忽視）；5）背景（例如宏觀經濟立場）和目標人群（人口統計數據）。

本文報告的具有統計學意義的設計變量（針對職業培訓干預措施的子樣本）與背景（影響與增長呈正相關，與失業呈負相關）、重點（針對特定活動可改善結果）、激勵措施（對參與者的金錢誘因有幫助）、指導（個性化的后續幫助）和持續時間（較長的計劃產生更好的結果）有關。控制這些（和其他）變量對政策影響的發生率可以解釋圖中結果分散的約 30%——這對于學術出版來說很好，但對于政策制定來說有些麻煩。

但是剩下的 70% 呢：是由于測量誤差和缺失變量，還是捕獲了其他東西？

寫在身上

套用卡尼曼和特沃斯基的區分，我們可以想到知識系統 1 和系統 2。后者可以通過數據和文檔傳達，通過研討會、數據集以及元分析來學習。前者更具體驗性，它“嵌入”在經歷過這些體驗的專家的實踐和記憶中，無法在一個廉價、用戶友好的人工智能平臺上復述和傳達。實證文獻表明，這種知識——在元分析和法學碩士搜索中很難找到——對于人類干預的成功和影響至關重要。

取代人力可能需要比單純從技術角度所預測的更長的時間。生產者和用戶采用的非技術障礙包括對原創文化產品的需求、缺乏適當監管的商業責任、輸入限制（例如，用戶開始限制或收取其寶貴數據的費用）、我們提供的個人信息相關的可察覺風險以及我們委托程序做出的決定（使我們容易受到黑客攻擊等）。

目前，隱性知識只能由專家在現場傳遞，這又帶來了一個障礙：為了讓人工智能學習、分享甚至使用它，必須將其提取出來并以口頭形式表達出來，換句話說，就是將其明確化。只有這樣，它才能被添加到知識體系中，人工智能才能根據知識體系進行分析，并最終確定對實際問題的最佳答案。

算法本身同意：

為了從隱性知識中學習，作為語言模型的我沒有直接經驗，也不能像人一樣觀察世界。我的學習基于分析大量文本數據中的模式和結構，這些數據包括經驗描述、案例研究、實際示例和特定主題的討論。這意味著，雖然我可以幫助您理解和反思與隱性知識相關的概念，但我缺乏像人一樣通過實踐和直接經驗來獲取或應用它的能力。

我們為何關心？

也許，在未來，我們會找到一種方法來將直覺、價值判斷和洞察力從實踐經驗中產生出來，這樣它們就可以被添加到法學碩士的培訓工具包中。在此之前，這種以人為本的專業知識將需要人們以一種互補且提高生產力的方式參與其中。這種區別至少對政策有兩方面的影響。

第一個問題指向了圖靈陷阱這一令人警醒的案例，即技術用成本低廉但質量較差的自動化替代品取代了成本高昂的高質量人工工作。事實上，如果我們開始將這種碰運氣的實踐工作委托給算法，我們就有可能剝奪人類建立難以記錄的專業知識的經驗，從而導致更基本的、最終更差的結果——這是一種負外部性的案例，需要制定政策來以非常具體的方式激勵以人為本的技術；這種激勵是對人類專業知識的補充。

第二個觀點直接質疑了傳統、內容密集型教育和培訓的核心：它強調需要從基于信息的學習（人工智能無法超越）轉向行動密集型、通過實踐獲得專業知識的方法，以創造人類勞動和人工智能之間的協同作用，包括學習使用算法這一非同小可的挑戰。

回到我們開始的地方：如果我們繼續以釋放合作可能性的方式培育人工智能，人工智能將不會完全取代人類特定的知識。