實(shí)證文獻(xiàn)表明，隱性知識(shí)--通過(guò)經(jīng)驗(yàn)和實(shí)踐獲得的技能和直覺(jué)--對(duì)于人類(lèi)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(gè)根據(jù)過(guò)去記錄的數(shù)據(jù)進(jìn)行校準(zhǔn)的大型預(yù)測(cè)系統(tǒng)--無(wú)法捕捉和利用這些知識(shí)，這一事實(shí)應(yīng)能緩解人們對(duì)勞動(dòng)力完全替代的擔(dān)憂(yōu)，為我們重新思考教育和培訓(xùn)提供參考，并為未來(lái)的協(xié)作鋪平道路。

知識(shí)轉(zhuǎn)移悖論 知識(shí)可廣義地定義為通過(guò)經(jīng)驗(yàn)、教育或?qū)W習(xí)獲得的理解、認(rèn)識(shí)或熟悉程度，包括顯性知識(shí)（事實(shí)性的、基于信息的、記錄在案的、易于通過(guò)文本、數(shù)據(jù)集或口頭語(yǔ)言傳播的知識(shí)）和隱性知識(shí)（通過(guò)實(shí)踐獲得的、不易轉(zhuǎn)移的、表演性的、經(jīng)驗(yàn)性的技能和直覺(jué)）。 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(shí)方法。 易于傳遞的知識(shí)也是人工智能最容易替代的知識(shí)。 然而，也許自相矛盾的是，這種顯性知識(shí)在人類(lèi)干預(yù)的最終影響中只占一部分，有時(shí)甚至是很小的一部分。

雖然從定義上講，這種隱性知識(shí)的發(fā)生率難以量化，但我們可以通過(guò)一些方法來(lái)評(píng)估其相對(duì)重要性--例如，在公共政策影響評(píng)估中，隱性知識(shí)占了很大一部分。 為什么勞動(dòng)政策的影響如此難以確定？ 在之前的薈萃分析結(jié)果喜憂(yōu)參半的啟發(fā)下，我們回顧了近年來(lái)實(shí)施的 102 項(xiàng)積極勞動(dòng)力市場(chǎng)政策（AMLP）隨機(jī)對(duì)照試驗(yàn)（RCT）。 由于每項(xiàng)干預(yù)措施通常涉及不止一項(xiàng)政策，我們的樣本共包括 668 項(xiàng)估計(jì)影響，分為四種 AMLP 類(lèi)型：(1) 就業(yè)中介服務(wù)；(2) 支持獨(dú)立工人/微型企業(yè)家；(3) 職業(yè)培訓(xùn)；(4) 工資補(bǔ)貼。 下圖顯示了這些影響在每種類(lèi)型中的分布情況： 可以看出，平均而言，這些影響在統(tǒng)計(jì)上并不顯著，而且極其多樣。

圖 ： 四種 ALMP 估計(jì)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敗？

首先，顯而易見(jiàn)的是：積極勞動(dòng)力市場(chǎng)政策以不同的方式和背景實(shí)施，針對(duì)不同的人口群體，其有效性也各不相同：沒(méi)有“最佳設(shè)計(jì)”。開(kāi)發(fā)一個(gè)完整的設(shè)計(jì)空間需要一組標(biāo)準(zhǔn)化變量來(lái)表征至少五個(gè)基本維度：1）類(lèi)型（例如培訓(xùn)或工資補(bǔ)貼）；2）具體組成部分（硬技能或軟技能、指導(dǎo)、貨幣刺激）；3）實(shí)施（持續(xù)時(shí)間、公私合作）；4）每個(gè)參與者的平均成本（在影響評(píng)估中經(jīng)常被忽視）；5）背景（例如宏觀經(jīng)濟(jì)立場(chǎng)）和目標(biāo)人群（人口統(tǒng)計(jì)數(shù)據(jù)）。

本文報(bào)告的具有統(tǒng)計(jì)學(xué)意義的設(shè)計(jì)變量（針對(duì)職業(yè)培訓(xùn)干預(yù)措施的子樣本）與背景（影響與增長(zhǎng)呈正相關(guān)，與失業(yè)呈負(fù)相關(guān)）、重點(diǎn)（針對(duì)特定活動(dòng)可改善結(jié)果）、激勵(lì)措施（對(duì)參與者的金錢(qián)誘因有幫助）、指導(dǎo)（個(gè)性化的后續(xù)幫助）和持續(xù)時(shí)間（較長(zhǎng)的計(jì)劃產(chǎn)生更好的結(jié)果）有關(guān)?？刂七@些（和其他）變量對(duì)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(duì)于學(xué)術(shù)出版來(lái)說(shuō)很好，但對(duì)于政策制定來(lái)說(shuō)有些麻煩。

但是剩下的 70% 呢：是由于測(cè)量誤差和缺失變量，還是捕獲了其他東西？

寫(xiě)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(shí)系統(tǒng) 1 和系統(tǒng) 2。后者可以通過(guò)數(shù)據(jù)和文檔傳達(dá)，通過(guò)研討會(huì)、數(shù)據(jù)集以及元分析來(lái)學(xué)習(xí)。前者更具體驗(yàn)性，它“嵌入”在經(jīng)歷過(guò)這些體驗(yàn)的專(zhuān)家的實(shí)踐和記憶中，無(wú)法在一個(gè)廉價(jià)、用戶(hù)友好的人工智能平臺(tái)上復(fù)述和傳達(dá)。實(shí)證文獻(xiàn)表明，這種知識(shí)——在元分析和法學(xué)碩士搜索中很難找到——對(duì)于人類(lèi)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(cè)的更長(zhǎng)的時(shí)間。生產(chǎn)者和用戶(hù)采用的非技術(shù)障礙包括對(duì)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(hù)開(kāi)始限制或收取其寶貴數(shù)據(jù)的費(fèi)用）、我們提供的個(gè)人信息相關(guān)的可察覺(jué)風(fēng)險(xiǎn)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(shí)只能由專(zhuān)家在現(xiàn)場(chǎng)傳遞，這又帶來(lái)了一個(gè)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(lái)并以口頭形式表達(dá)出來(lái)，換句話(huà)說(shuō)，就是將其明確化。只有這樣，它才能被添加到知識(shí)體系中，人工智能才能根據(jù)知識(shí)體系進(jìn)行分析，并最終確定對(duì)實(shí)際問(wèn)題的最佳答案。

算法本身同意：

為了從隱性知識(shí)中學(xué)習(xí)，作為語(yǔ)言模型的我沒(méi)有直接經(jīng)驗(yàn)，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(yàn)描述、案例研究、實(shí)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(shí)相關(guān)的概念，但我缺乏像人一樣通過(guò)實(shí)踐和直接經(jīng)驗(yàn)來(lái)獲取或應(yīng)用它的能力。

我們?yōu)楹侮P(guān)心？

也許，在未來(lái)，我們會(huì)找到一種方法來(lái)將直覺(jué)、價(jià)值判斷和洞察力從實(shí)踐經(jīng)驗(yàn)中產(chǎn)生出來(lái)，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(zhuān)業(yè)知識(shí)將需要人們以一種互補(bǔ)且提高生產(chǎn)力的方式參與其中。這種區(qū)別至少對(duì)政策有兩方面的影響。

第一個(gè)問(wèn)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(dòng)化替代品取代了成本高昂的高質(zhì)量人工工作。事實(shí)上，如果我們開(kāi)始將這種碰運(yùn)氣的實(shí)踐工作委托給算法，我們就有可能剝奪人類(lèi)建立難以記錄的專(zhuān)業(yè)知識(shí)的經(jīng)驗(yàn)，從而導(dǎo)致更基本的、最終更差的結(jié)果——這是一種負(fù)外部性的案例，需要制定政策來(lái)以非常具體的方式激勵(lì)以人為本的技術(shù)；這種激勵(lì)是對(duì)人類(lèi)專(zhuān)業(yè)知識(shí)的補(bǔ)充。

第二個(gè)觀點(diǎn)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(qiáng)調(diào)需要從基于信息的學(xué)習(xí)（人工智能無(wú)法超越）轉(zhuǎn)向行動(dòng)密集型、通過(guò)實(shí)踐獲得專(zhuān)業(yè)知識(shí)的方法，以創(chuàng)造人類(lèi)勞動(dòng)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(kāi)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(huì)完全取代人類(lèi)特定的知識(shí)。