什么是隐性知识，为什么人工智能无法学会它？
隐性知识是从经验中习得的实践技能——比如骑自行车、察觉谈判气氛变僵，或是无需查阅配方就能判断哪些香调能和谐搭配。这种知识具有个人化、依赖情境的特点，往往因过于自动化而让专家都难以完全解释清楚。相比之下，人工智能依赖的是显性编码知识：规则、数据以及能从案例中提取的模式。这两种认知形式存在根本差异，研究者称之为“认知不对称”[2]。在一项关于专业香水调配的研究中，研究人员发现人类调香师依赖具身化的隐性知识——即对气味的感知——而生成式AI则基于编码化的化学数据运作。这种鸿沟意味着AI能提出新颖的香调组合，却无法像人类鼻子那样判断某种气味是否“协调”[2]。同样，在招聘领域，AI可以筛选简历中的关键词，但无法评估文化契合度或解读求职者的非言语暗示——这需要招聘者凭借对组织内部社交动态的隐性理解才能完成[5]。
人工智能捕捉隐性知识的能力存在明显局限。在一套管道腐蚀检测系统中，工程师通过访谈专家，将其隐性知识转化为机器学习模型所需的显性规则。然而即便经过如此严谨的流程，该AI系统的准确率也仅达到70%——这意味着人类专家仍需复核近三分之一的案例[9]。一篇关于人工智能与隐性知识的文献综述直截了当地指出："在捕捉隐性知识方面，人类仍不可替代"[6]。原因很简单：隐性知识往往是无意识且情境化的。专家可能说不清自己为何能发现焊缝缺陷或患者病情的微妙变化——他们就是能察觉。而人工智能无法学习未经明确传授或标注的内容。
人类与AI如何在 workflows 中真正协作？
最有效的人机协作流程，并非试图取代人类或将一切交给AI，而是根据各自所长分配任务。AI负责处理高容量、基于模式的工作——例如扫描数千张卫星图像以寻找潜在考古遗址——而人类则运用判断力、背景知识和隐性经验来解读结果。在考古遗址检测中，AI模型达到了约80%的准确率，但研究人员强调，即便是错误的预测，若由“受过训练的考古学家进行解读”[1]，仍具有价值。人类专家的职责是优化数据集、纠正错误，并决定哪些预测值得进行实地勘察。这正是经典的“人在回路”设计：AI提出方案，人类做出决策。
这种协作模式在多个领域均有体现。在工厂预测性维护中，基于AI的系统实现了82%的准确率，但该框架明确纳入了“人在回路机制”，以便将专家的隐性知识融入最终决策[4]。在COBOL遗留系统现代化改造中，研究人员发现AI虽能辅助自动化与知识抽象，但“人机混合模型”对于管理退休专家隐性知识的转移至关重要[7]。一项针对523名员工的研究揭示了一个关键洞见：AI协作实际上放大了人类导师制的优势——当员工与AI协同工作时，他们能更有效地从导师处获取隐性知识，从而提升创造力[8]。AI并未取代人类知识传递，而是对其进行了强化。
当人类被排除在流程之外时，会出现什么问题？
新冠疫情无意中成了一场实验，揭示了当人际互动——以及由此带来的隐性知识共享——被阻断时会发生什么。一项针对人工智能从业者的研究发现，远程工作，即便是对那些早已习惯这种模式的人而言，也导致了“隐性知识共享的减少”，进而造成人工智能项目成果多样性的下降[3]。研究人员指出，人工智能从业者的互动“部分嵌入在人工智能工具中，部分存在于人际交流中”——而当人际交流减少时，工作质量便会受损。这并非关乎失去数据或算力的访问权限，而是失去了那些隐性知识得以流动的非正式、面对面的对话。
同样的原则也适用于可解释的人工智能。即使AI模型能够为其决策生成解释，这些解释若缺乏人类参与，可能仍无法从人类视角被理解。研究人员指出，“人机协同方法已被广泛用于增强和/或评估机器学习模型的解释”，因为纯自动化的解释往往难以切中要害[10]。没有人类的判断，AI可能产出技术上正确但实际无用甚至具有误导性的结果。在香水创作研究中，研究人员发现，人类专家必须随着自身理解的演变来“引导”生成式AI的输出——没有人类的指导，AI无法自行纠错[2]。关键在于：AI能处理海量数据，但缺乏让知识在现实世界中发挥作用的语境意识、伦理判断和具身体验。
关于这些来源
该回答基于10篇经同行评审的研究构建而成——发表于2021年至2026年间，其中5篇为2024年及以后发表，4篇发表于Q1期刊，累计被引用180次——这些研究是从12篇通过质量筛选的研究中选出的最相关成果，而12篇研究又源自从超过5亿篇论文数据库中检索到的62篇文献。
本文引用的文献
一种用于考古遗址检测的人机协作工作流程
用于考古遗址检测的深度学习模型达到了约80%的准确率，但人类专家在解读预测结果、优化数据集以及决定哪些遗址需要实地考察方面仍不可或缺——即使是不准确的预测，在训练有素的考古学家解读下也能发挥作用。
人机协作中认知不对称的组织：一项关于香水创作的研究
在一项关于香水创作的定性研究中，人类内隐的具身知识与人工智能编码化知识之间存在一种“认知不对称”，这种不对称造成了表征上的鸿沟，需要“表征整合”——即随着问题解决的推进，分配任务、转换知识形式并引导人工智能的输出。
COVID-19疫情对人工智能从业者的影响：隐性知识共享的减少
基于57次在新冠疫情前后进行的访谈，远程工作减少了人工智能从业者之间的隐性知识共享，导致AI项目产出的多样性下降，尽管从业者已能良好适应常规任务。
基于人工智能的以人为本决策支持框架：疫情环境下资产管理中预测性维护的应用
一项基于人工智能、以人为中心的预测性维护决策支持框架，通过引入人机协同机制，利用专家的隐性知识进行最终决策，在实际案例研究中达到了82%的准确率。
关于人机协作在知识工作中的思考——招聘专家的需求与期望
在15位招聘专家的访谈中，人工智能被视为一种补充性信息来源，它增强而非取代了人类专家的专业能力；专家们会运用自身的隐性知识与情境判断力来评估AI的输出结果。
人工智能在捕捉员工隐性知识中的应用及其对组织学习创新的推动：一项文献综述
一项文献综述总结指出，“在捕捉隐性知识方面，人类仍不可替代”，并强调人机协作对于在组织中嵌入持续学习与创新至关重要。
现代COBOL遗留系统现代化进程中的人机协作：以政府效率部（DOGE）为例
在基于COBOL的遗留系统现代化过程中，人工智能支持了互操作性和自动化，但也带来了劳动力中断和知识保留方面的风险；混合人机模型被视为管理隐性知识转移的关键。
员工与人工智能的协作赋能导师网络以提升员工创造力：基于知识管理的视角
一项针对523名员工的调查发现，导师网络强度通过隐性知识获取提升了创造力，而员工与人工智能的协作进一步强化了这一效应——人工智能放大了人类导师指导的益处。
基于人在回路机器学习技术的管道腐蚀检测系统
基于人工智能的管道腐蚀检测系统在将专家隐性知识转化为显性规则后，准确率达到70%；人机协同架构利用人工结果对模型进行再训练，开发过程中由人类专家为AI提供支持。
人类知识在可解释人工智能中的作用
关于可解释人工智能的文献综述发现，人机协同方法被广泛用于收集人类知识，以改进和评估人工智能的解释，因为仅靠自动化解释可能无法从人类视角被理解。