實證文獻表明，隱性知識--通過經(jīng)驗和實踐獲得的技能和直覺--對于人類干預(yù)的成功至關(guān)重要。 當(dāng)前的生成式人工智能模型--本質(zhì)上是一個根據(jù)過去記錄的數(shù)據(jù)進行校準(zhǔn)的大型預(yù)測系統(tǒng)--無法捕捉和利用這些知識，這一事實應(yīng)能緩解人們對勞動力完全替代的擔(dān)憂，為我們重新思考教育和培訓(xùn)提供參考，并為未來的協(xié)作鋪平道路。

知識轉(zhuǎn)移悖論 知識可廣義地定義為通過經(jīng)驗、教育或?qū)W習(xí)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(shù)據(jù)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(zhuǎn)移的、表演性的、經(jīng)驗性的技能和直覺）。 人工智能正在以經(jīng)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(yù)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(fā)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(jié)果喜憂參半的啟發(fā)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(yù)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(yè)中介服務(wù)；(2) 支持獨立工人/微型企業(yè)家；(3) 職業(yè)培訓(xùn)；(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(tǒng)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(yù)措施在一種情況下有效，而在另一種情況下卻失??？

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(shè)計”。開發(fā)一個完整的設(shè)計空間需要一組標(biāo)準(zhǔn)化變量來表征至少五個基本維度：1）類型（例如培訓(xùn)或工資補貼）；2）具體組成部分（硬技能或軟技能、指導(dǎo)、貨幣刺激）；3）實施（持續(xù)時間、公私合作）；4）每個參與者的平均成本（在影響評估中經(jīng)常被忽視）；5）背景（例如宏觀經(jīng)濟立場）和目標(biāo)人群（人口統(tǒng)計數(shù)據(jù)）。

本文報告的具有統(tǒng)計學(xué)意義的設(shè)計變量（針對職業(yè)培訓(xùn)干預(yù)措施的子樣本）與背景（影響與增長呈正相關(guān)，與失業(yè)呈負相關(guān)）、重點（針對特定活動可改善結(jié)果）、激勵措施（對參與者的金錢誘因有幫助）、指導(dǎo)（個性化的后續(xù)幫助）和持續(xù)時間（較長的計劃產(chǎn)生更好的結(jié)果）有關(guān)?？刂七@些（和其他）變量對政策影響的發(fā)生率可以解釋圖中結(jié)果分散的約 30%——這對于學(xué)術(shù)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(qū)分，我們可以想到知識系統(tǒng) 1 和系統(tǒng) 2。后者可以通過數(shù)據(jù)和文檔傳達，通過研討會、數(shù)據(jù)集以及元分析來學(xué)習(xí)。前者更具體驗性，它“嵌入”在經(jīng)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(fù)述和傳達。實證文獻表明，這種知識——在元分析和法學(xué)碩士搜索中很難找到——對于人類干預(yù)的成功和影響至關(guān)重要。

取代人力可能需要比單純從技術(shù)角度所預(yù)測的更長的時間。生產(chǎn)者和用戶采用的非技術(shù)障礙包括對原創(chuàng)文化產(chǎn)品的需求、缺乏適當(dāng)監(jiān)管的商業(yè)責(zé)任、輸入限制（例如，用戶開始限制或收取其寶貴數(shù)據(jù)的費用）、我們提供的個人信息相關(guān)的可察覺風(fēng)險以及我們委托程序做出的決定（使我們?nèi)菀资艿胶诳凸舻龋?/p>

目前，隱性知識只能由專家在現(xiàn)場傳遞，這又帶來了一個障礙：為了讓人工智能學(xué)習(xí)、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(jù)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(xué)習(xí)，作為語言模型的我沒有直接經(jīng)驗，也不能像人一樣觀察世界。我的學(xué)習(xí)基于分析大量文本數(shù)據(jù)中的模式和結(jié)構(gòu)，這些數(shù)據(jù)包括經(jīng)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(guān)的概念，但我缺乏像人一樣通過實踐和直接經(jīng)驗來獲取或應(yīng)用它的能力。

我們?yōu)楹侮P(guān)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(jīng)驗中產(chǎn)生出來，這樣它們就可以被添加到法學(xué)碩士的培訓(xùn)工具包中。在此之前，這種以人為本的專業(yè)知識將需要人們以一種互補且提高生產(chǎn)力的方式參與其中。這種區(qū)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(shù)用成本低廉但質(zhì)量較差的自動化替代品取代了成本高昂的高質(zhì)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(yè)知識的經(jīng)驗，從而導(dǎo)致更基本的、最終更差的結(jié)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(shù)；這種激勵是對人類專業(yè)知識的補充。

第二個觀點直接質(zhì)疑了傳統(tǒng)、內(nèi)容密集型教育和培訓(xùn)的核心：它強調(diào)需要從基于信息的學(xué)習(xí)（人工智能無法超越）轉(zhuǎn)向行動密集型、通過實踐獲得專業(yè)知識的方法，以創(chuàng)造人類勞動和人工智能之間的協(xié)同作用，包括學(xué)習(xí)使用算法這一非同小可的挑戰(zhàn)。

回到我們開始的地方：如果我們繼續(xù)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。