原创 | 知识生产革命： “人+AI”双环知识共创模式

文 / 徐笑君、李宾

知识创造是知识管理活动的重中之重，它包括了知识搜索、知识识别、知识获取、知识传播、知识分享和知识生成等各个环节。传统的组织知识创造过程面临着诸多难点。首先，知识的获取和整理是一个庞大的工程，需要投入大量的人力和物力。其次，如何让员工愿意分享自己的知识，是组织管理者需要解决的关键难题。再次，知识的更新速度非常快，组织需要不断学习新的知识来适应市场的变化。最后，隐性知识难以通过文字或语言表达出来，传播和应用变得异常困难。这些因素会降低知识创造的效率，从而成为组织创新的瓶颈。

然而，近一年多来，ChatGPT和Gemini API等现象级人工智能产品的出现，预示着人工智能将告别弱智能时代。OpenAI公司的GPT是一种人工智能生成内容（AI Generated Content，简称AIGC）产品，具有信息检索、翻译、文本生成、自动编程、智能问答等强大功能。目前GPT4.0的语料库已经更新到了2023年4月。GPT4.0是一种多模态模型，相较自然语言处理模型GPT3.5，它不仅可以理解和生成文本，还可以处理多种媒体数据，如图像和声音，在逻辑和推理方面的功能也更好。谷歌开发的Gemini API也是一个多模态模型，在图像、音频、视频和文本领域有强大的功能。

GPT和Gemini这些AIGC产品的出现将引发一场颠覆式的知识生产革命。传统的组织知识创造模式有哪些特点？在数智化时代，组织的知识创造模式将发生哪些变化？在新的组织知识创造模式中，管理者需要注意哪些问题？这都是需要管理者深思和解答的问题

传统知识管理领域的知名学者提出的知识创造模型或者组织学习模型，关注点主要是知识属性、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”为例来分析传统组织知识创造的特点。野中郁次郎与他的合作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、以人为中心的集体知识创造过程。他认为组织知识创造实质就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）和智慧（Wisdom），排序在后的要素比前面的要素多了某些特质。数据是指离散孤立、不相关的事实、文字、数字、图像和符号等。例如，对于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经验对数据进行选择、评价、组织和分析的结果。例如，对于速度80公里/小时，我们知道这是一个比人走路快得多的速度。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，以及对怎样运用它的理解。例如，汽车在高速公路上以80公里/小时前进，基于知识我们可以判断，这辆汽车是以正常的速度行驶。野中郁次郎认为知识与信仰、承诺、行动和意义有关，而智慧不仅包含如何使用知识，还包含了什么时候使用，它代表了一种更高层次的理解和应用。野中郁次郎提出领导者要善于应用实践智慧而不仅仅是智慧。实践智慧能够帮助领导者审时度势作出明智的决策，因地制宜采取适宜的行动。

典型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概念。显性知识是能够用文字、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。隐性知识是只可意会难以言传的知识，它根植于个体的经验、判断、联想、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观念、判断和直觉。技巧隐性知识是指需要通过不断的练习才能获得的技能。个体，不断实践、反复试错、总结领悟，最终获得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，也就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、讨论、分享、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提供了共享环境，团队在组织知识创造中起中心角色的作用。

“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，团队成员之间通过有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。这类知识往往是在概念创造的过程中产生的，因此又被称为概念性知识。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、服务和流程中，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术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概念、验证概念、建立原型，最终实现跨层转移知识的完整知识创造过程。这一知识创造过程不断循环往复，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，个体间分享经验、情感、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，如可供讨论的在线社区、论坛等；也可以是精神空间，如团队建设活动、座谈会等。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交流的物理空间，也可以是远程交流的虚拟空间（视频会议、在线讨论等）。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、协同办公平台等。在内隐化阶段，个体的干中学场所可以是实际工作场景，如生产车间、实验室等；也可以是通过模拟、仿真技术搭建的虚拟环境。

AI试图理解、设计和制造出具有智能的新型计算机系统，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基础。1956年，约翰·麦卡锡（John McCarthy）首次提出了人工智能这个概念。1965年，麻省理工学院的计算机教授约瑟夫·魏岑鲍姆（Joseph Weizenbaum）开发了一种名为ELIZA的聊天程序，这是第一个自然语言处理程序。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术相继兴起，为人工智能的应用提供了更多的可能性。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在复杂决策问题上取得的重大突破。2016年，谷歌研发的围棋机器人阿尔法围棋（AlphaGo）击败了世界冠军李世石，再次证明了AI的强大实力。进入21世纪，随着大数据和计算能力的飞速发展，AI开始进入一个全新的阶段，即深度学习。深度学习模仿人脑神经网络工作机制，能处理大量复杂的数据，从而实现了许多前所未有的应用。

生成式AI是能够自动生成数据的人工智能系统。与传统的机器学习方法不同，生成式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凭借强大的文本生成能力，成为了生成式AI领域的一个重要里程碑。在知识创造中，生成式AI可以用于知识的自动提取、整合和创新，大大降低了知识创造的复杂性和成本。生成式AI是一种能够自我学习和自我演进的人工智能技术，它能够通过对大量数据的学习和分析，生成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，几乎能预测所有小分子药物结合的药物靶点蛋白的结构。生成式AI技术的出现不仅能解决传统知识创造中的难点，而且为知识生成提供了新的方法和路径。

生成式AI是一种基于深度学习技术的人工智能模型，能够模拟人类的创造性思维，生成具有一定逻辑性和连贯性的语言文本、图像、音频等内容。生成式AI生成内容包括五个步骤。

第一步，数据收集。首先需要收集大量的原始数据，将之作为模型训练的基础。这些数据可以来自互联网的公开资料、出版的书籍和文章，也可以来自专业数据库和企业的私域数据。这些数据将用于训练模型，使其学会理解和生成人类语言。

第二步，数据预处理。对收集到的数据进行清洗和格式化，包括去除停用词（如“的”“是”等常见词汇）、标点符号、特殊字符等。此外，还需要将文本转换为模型可以理解的数字表示形式，如使用词嵌入（Word Embedding）技术将单词映射到一个高维空间中的向量。

第三步，模型训练。使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，使用收集到的预处理数据训练模型，使其学会根据输入的文本生成相应的输出。

第四步，模型优化。在模型训练完成后，可能需要对其进行微调和优化，以提高生成内容的质量和准确性。这可能包括调整模型参数、使用更高质量的数据集进行训练等。

第五步，内容生成。应用训练好的模型自动生成新的内容。AI内容生成主要有三种功能：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基础上进行修改、优化和创新，以提高其质量和价值。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，生成式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为中心的个性化知识创造模式和以人为中心的集体知识创造模式存在较大差异（见表１）。

以人为中心的知识创造过程和以AI为中心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技术能够有效提升SECI四个阶段的知识转化效率和转化质量。

在社会化阶段，个体通过交流和互动来共享和理解知识。在这个过程中，生成式AI的智能问答、分类、摘要等功能可以发挥重要作用。生成式AI可以理解人类语言，对大量的信息进行快速处理和分析，从而帮助个人更有效地获取、理解和应用知识。这不仅大大提高了知识的传播速度，也提升了知识的理解和应用效果。

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，生成式AI自动生成内容的能力可以发挥关键作用。它可以将人的思维、经验和智慧转化为结构化的文本，使原本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基础。

在组合化阶段，主要是发现和建立不同知识之间的联系。在这个过程中，生成式AI的数据挖掘和分析能力可以发挥关键作用。它可以从海量的数据中发现有价值的知识和信息，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结构。这种知识的组合和整合可以使知识更具深度和广度，从而提升知识的价值。

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，生成式AI的自适应学习能力可以发挥关键作用。它可以根据个人的学习情况和需求，提供个性化的学习资源和方法，帮助个人持续学习和改进。这种个性化的学习方式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呈现的是以人为中心的知识创造和以AI为中心的知识创造双环共创模式。组织通过以人为中心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为中心的知识创造大模型，与大模型融合；以AI为中心的知识创造大模型的智慧化运行结果又反哺以人为中心的知识创造系统。AI为中心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智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、云计算和大数据等技术的发展，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，以人为中心的知识创造模式和以AI为中心的知识创造模式所起的作用是不一样的。

企业的数字化转型往往是从信息化开始，逐步向数字化和智能化发展。

在信息化阶段，企业主要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治理，形成企业的大数据中心。这个阶段的特点是信息和流程驱动，企业主要关注的是如何利用信息技术提升业务的运行效率。这个阶段以人为中心的知识创造模式起主要作用，大数据中心提供辅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术改变传统的经营管理方式。企业构建各种算法对大数据中心的数据进行挖掘利用，为经营决策层、业务和职能部门层、基层工作单元提供数字化支持，形成经营决策脑、专业领域脑和基层工作单元脑，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，但以人为中心的知识创造模式仍然占据主导地位，以AI为中心的知识创造还处于辅助阶段。

在智能化阶段，企业开始利用人工智能、区块链、云计算和大数据等技术来实现业务的自动化和智能化。企业的经营决策脑、专业领域脑和基层工作单元脑的运行边界逐渐模糊，和行业上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融合导致数据量指数级增长、业务规则越来越复杂，传统数字化系统将逐步让位于大模型驱动的智慧云脑系统，企业进入云脑智慧运行状态。云脑运行的是企业沉淀下来的知识，它的典型特征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提供智能化的知识服务。这个阶段的特点是知识创新驱动，企业主要关注如何通过人与AI的双环知识共创来实现业务的创新和突破。

生成式AI是一种对整个信息环境中的知识传递与共享、知识流动与扩散具有支撑和推动作用的技术。这种技术具有自主生成和自我学习能力，可以突破传统知识获取和处理方式的限制，为用户提供准确、高效、全面的知识服务。生成式AI为知识生成带来了巨大的机遇，但也引发了一些亟待解决的问题。这些问题包括如何处理生成式AI可能引起的知识真实性、完整性、可靠性等问题，如何防止生成式AI产生的虚假或误导性信息使用户产生错误认知，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。生成式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，可能有错误或不真实信息。由于生成式AI的高度仿真性和隐蔽性，其生成的内容可能含有误导性或虚假信息，导致用户产生错误的认知。为了解决这个问题，我们需要加强对生成式AI的研究和监管，以确保其安全、可靠、公正地应用于各个领域。

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，生成式AI可能会因为算法偏好或过滤泡沫效应，过度强调部分知识，忽视其他重要知识，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心（EPIC）向公平贸易委员会起诉视频面试平台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发现ChatGPT和 Claude在招聘中对简历存在育儿间隙和怀孕状态的候选人会产生明显的偏见（歧视）。纽约市制定了一项首创性法律，要求定期审查算法招聘决策的透明度和公平性。因此，我们需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怀疑，对错误信息进行纠正，维护知识权威和认知安全。

第三，知识产权问题。生成式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，指控他们侵犯版权并滥用该报的知识产权。OpenAI和微软未经授权就使用纽约时报的文章训练GPT大模型，而且很多GPT输出的内容与纽约时报报道的新闻内容几乎一模一样。因此，如何在知识创造和产权保护之间找到平衡，成为了当前亟待解决的问题。

“以人为中心的知识创造”中存在的核心问题，也是目前“以AI为中心的知识创造”所难以解决的。

第一，忽略源于实践的智慧。智慧是一种高阶隐性知识，它既能帮助我们洞察事物，抓住事物的本质，也能帮助我们快速应对外部环境的变化。实践智慧是一种来源于实践又应用于实践的智慧。野中郁次郎强调了实践对知识创造的重要性，认为直接的、动态的人类互动是一切知识的来源。当我们过于看重AI生成的知识时，可能会忽略通过实践获得的知识，尤其是隐性知识的生成。另外，野中郁次郎强调实践智慧是以价值观和道德为准绳，而AI的价值观和道德受模型开发者所主导。

第二，人的心智模式是AI难以模仿的。心智模式是个体对世界的理解方式，它是由经验、信仰、价值观和期望构成的。这种理解方式会影响人们的思考方式和行为模式，从而影响决策和行动。在知识创造的过程中，员工的心智模式往往是推动创新的关键因素。机器学习很难模仿人的心智模式，因为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方式，基于大量的样本和规则生成模型。因此，机器学习很难捕捉到这种个性化的、非结构化的心智模式。而且，心智模式是一种动态的知识，随着经验的积累和环境的变化，人们的心智模式也会不断地调整和改变；而机器学习是一种静态的学习方式，只能在一定的时间和空间范围内生成模型。因此，机器学习很难捕捉到这种动态的、变化的心智模式。当然我们可以将机器学习与人工智能结合起来，通过对员工的思维方式和行为模式进行深度学习，训练出一个能够模拟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，虚拟数字人就是这样的产品。但是训练虚拟数字人的过程非常复杂，价格也很昂贵。

第三，在创造力和想象力方面，AI仍然无法超越人类。创造力是产生原创想法的能力，它能够促进新技术的发明、新艺术形式的创造，甚至能改变人类对世界的看法。想象力是应对不确定性、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，它可以学习和模仿人类的思维方式，生成新的创意和解决方案。当前，AI已经成功用于生成音乐、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，这并不意味着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生成的，虽然看起来新颖和独特，但仍然是基于已有的信息进行计算和预测的。AI无法像人类那样，基于个人的经验、情感和价值观来创造新的想法，也无法预见其创意的潜在影响和价值，因为它缺乏对未来的直观感知和理解。尽管AI在模仿人类的创造力和想象力方面取得了一定的成功，但它仍然无法真正地超越人类。