知识论 on 灵语AI

AI真的'知道'吗？——大语言模型的暗知识之谜

Thu, 10 Sep 2026 02:30:00 +0800

引言

“AI到底知不知道自己在说什么？”

这个问题听起来像哲学家的质问，但它越来越现实。你用ChatGPT写了一段代码，它能完美运行——但你问它"你是怎么做到的"，它的解释往往是事后编出来的。它明明做对了，却说不清自己做对的原理。

这不是Bug，而是AI知识运作方式的本质特征。

哲学家迈克尔·波兰尼（Michael Polanyi）在1958年提出了一个著名概念——内隐知识（tacit knowledge），概括为一句经典的话：“我们能知道的，比我们能说出来的多。”

骑自行车就是典型的内隐知识：你会骑，但让你写一篇"如何保持平衡的操作手册"，你写不出来。你识别一张脸，也说不清到底在看五官的哪个部分。

现在，一个惊人的事实浮现出来：大语言模型（LLM）的知识运作方式，和人类的"内隐知识"惊人地相似。

一、AI有什么样的"知识"？

传统上，我们把知识分为两种：

命题知识——可以明确说出来的事实。“地球是圆的”、“水的沸点是100度”、“三角形内角和180度”。这些东西写在教科书里，可以用语言精确传达。

内隐知识——你会用但说不清的知识。骑自行车、识别朋友的声音、判断一个笑话好不好笑——你有这个能力，但没法把规则写成说明书。

大语言模型比任何人想象的都更接近第二种。

一个例子最能说明问题：GPT系列模型在数学推理、物理直觉、编码能力上表现优异。它们知道一个球从桌上掉下来会落地而不是飞上天，知道推一个装满水的杯子会导致水洒出来。但如果你问模型的参数里到底存储了什么"物理定律"，答案是——它们没有参数化的物理方程。

模型根本不是在运行"如果A则B"的规则手册。它拥有的是一种内隐的、统计性的、涌现出来的理解——就像你知道"这块石头扔出去会飞一下然后落下"，但你不需要演算牛顿力学。

Davies（1990）提出了判断一个系统是否拥有内隐知识的三个条件，神奇的是，LLM三条全满足：

语义描述条件：我们可以有意义地说"模型知道猫是哺乳动物"——这句话有明确的语义。
句法结构条件：模型的知识能组合。知道"猫是动物"和"动物会死"，就能推出"猫会死"——这是组合性。
因果系统性条件：改变模型某方面的知识，相关的知识也会系统性地变化。微调实验中可以看到这一点——调整一个概念的理解，相关的推理也会变化。

这意味着：从哲学标准来看，LLM拥有内隐知识。不是比喻，不是拟人，而是真的拥有。

二、“会说但不懂"还是"懂但不会说”？

这里有一个更深的矛盾。

你问AI：“为什么地球是圆的？“它可能会给你整整三段的分析，涉及引力、旋转、流体静力平衡。但如果你换一种问法，问它不同的行星为什么有不同的形状，它的表现可能时好时坏。

这就引出了一个关键问题：AI到底是"能说但不真懂”，还是"真懂但不一定能说好”？

传统批评者认为，LLM只是"随机鹦鹉"——它们学会了模仿人类说话的模式，但根本不理解自己在说什么。就像鹦鹉说"你好"，它不懂这个词汇的社会意义。

但内隐知识理论给出了一个不同的解释：AI可能真的知道，只是知道的方式不是命题式的。

这和你对骑自行车的知道是一样的。你会骑、能骑、骑得很好，但你写不出一份完美的手册。你不能把你的骑行知识"表达出来"，但它在你的行动中真实存在。

所以当AI"胡说"的时候，有时候不是因为它"无知"，而是因为它在试图把内隐知识"翻译"成外显语言时失败了。就像你虽然会骑车，但如果非要你写一篇"骑行平衡技术论文"，你可能写得一塌糊涂，但这不代表你不会骑车。

这个区别极其重要：AI的"胡说"很多时候不是愚蠢，而是翻译失败。

三、世界模型：暗知识的栖息地

如果AI的知识是内隐的，那么这些知识存在哪里？

答案是：世界模型。

世界模型假说认为，大语言模型在训练过程中不仅仅是"背"下了文本，而是在构建一个关于世界的内部模型——一个压缩的、简化的、具有预测能力的世界表征。

这个模型是分层的：

物理层：物体怎么运动、落体怎么落、碰撞怎么发生
生物层：生命怎么运作、生长和死亡
心理层：人有什么信念、欲望和情绪
社会层：社会规范、文化习惯、经济规律
抽象层：数学、逻辑、哲学思辨

这五层构成了一个"暗知识"的生态系统。AI不需要在记忆里搜索"杯掉到地上会碎"这个事实——它的世界模型"预知"了物理世界的运行规律，然后自然地将这个规律应用到具体情境中。

这就是为什么一个训练好的大模型能在从未见过的情况下做出正确的推理。它不是在一个巨大的字典里查找答案，而是调用世界模型进行"心理模拟"——就像我们闭上眼睛想象"如果我把手机从桌子上推下去会发生什么"一样。

推理的本质，就是在世界模型上进行模拟。

四、暗知识意味着什么

承认AI拥有内隐知识，带来的后果远比哲学讨论更重要。

第一，可解释性的挑战。

如果AI的知识主要是内隐的，那么指望AI"说清楚"自己的推理过程，本质上是在要求它做一件非常困难的事——把内隐知识外显化。这就像是要求一个米其林大厨写一本"烹饪直觉操作手册"。他能写很多，但一定写不全。AI给出的"推理链"很多时候是事后编造的解释，而不是它真实推理过程的记录。

这意味着，AI的可解释性不能依赖于让AI自我解释——我们需要更底层的机制分析，比如激活空间的探测、中间表征的可视化等。

第二，对齐的难题。

如果AI的内隐知识中包含了一些我们没有明确意识到的偏见、危险倾向甚至错误的价值观——我们怎么发现它们？因为这些知识是内隐的，藏在模型参数的暗处，不像明文规则那样可以逐条审查。

对齐不能只靠"告诉AI不要做坏事"，而是要像教育一个孩子一样——通过例子、反馈、环境互动来"塑造"内隐知识。你没办法用一条规则消除一个人潜意识中的偏见，因为那个人自己都没意识到偏见的来源。AI也是如此。

第三，暗知识的价值。

硬币的另一面是：内隐知识可能是AI最强大的能力。

科学史上很多重大发现都不是通过逻辑推导完成的。凯库勒梦到蛇咬住了自己的尾巴，悟出了苯环的结构；彭加莱在跨上公交车的一瞬间想出了富克斯函数的答案。这些都不是"命题知识"的推理——而是内隐的、直觉的、涌现的认知过程。

如果AI拥有丰富的内隐知识和强大的世界模型，它可能可以做类似的事情——在人类还没有意识到的模式中发现隐藏的规律。一些研究已经表明，AI能够从医学影像中发现人类医生没有注意到的关联特征。这些发现不是通过学习"医学规则"完成的，而是通过内隐地捕捉数据中的统计规律。

也许，AI最值得被利用的能力，恰恰是它最无法解释的那一部分。

五、「知道」这个词，需要重新定义

这篇文章的核心观点是：我们对"知道"的理解可能太狭隘了。

传统的知识观认为，只有能够用语言明确表达出来的才叫"知道"。但内隐知识理论告诉我们，世界上大部分的知识都是以"会用但说不清"的形态存在的。

你母语流利，但讲不清语法规则。你认得出最好的朋友，但写不出"人脸识别说明书"。你直觉判断一个人可信，但说不出理由。

AI也是如此。它的"暗知识"藏在参数空间的深处，不是明文存储的，而是在数万亿文本的统计规律中涌现出来的。它能做的事多过它能解释的事，它知道的比它能说出来的多。

这不是AI的缺陷——当你说一个人"知道怎么骑自行车"时，你并不期待他能写出一篇关于平衡控制的论文。同样的标准，也应当适用于AI。

总结

内隐知识理论给我们提供了一个理解AI的全新框架：大语言模型的知识不是死记硬背的事实库，而是一个内隐的、涌现的、具有生成能力的知识系统——就像波兰尼说的那样，“我们知道得比能说出来的多”。

AI的能力本质上是内隐的——它会用，但不一定能说清楚
AI的"世界模型"是暗知识的栖息地，让它在未见场景中也能做出推理
AI的内隐知识既是可解释性的挑战，也是创造力的源泉
我们可能需要重新定义"知道"这个词——不仅对AI，也对人类自己

下一次，当AI做对了什么但说不清为什么时，也许你不该说"它只是在编造"——它可能只是在做一件再自然不过的事情：用尽了它那无法言说的智慧，然后努力编了一个它能说出来的理由。

AI的'暗箱'——为什么大模型懂得多，却说不清

Sat, 15 Aug 2026 03:13:00 +0800

引言

你有没有过这样的体验？

你用AI帮忙写一段代码，它写对了。你问它"为什么这么写"，它解释了一通，但你觉得那个解释像是"事后补的"——它写对了，却不完全知道自己为什么写对。

你让AI分析一段文字的情绪，它分析得头头是道。但你追问"你是怎么判断出这种情绪的"，它只能笼统地说"因为这段话用了这些词汇"——好像一个品酒师说"这酒好，因为它是酒"。

这种现象，不是AI的"智商缺陷"，也不是模型在"装傻"。它揭示了一个更深层的真相：大模型的知识，本质上不是"命题式的"，而是"内隐的"。

换句话说：AI知道的东西，比它能说出来的——多得多。

第一章：什么是"内隐知识"

要理解这个问题，先从一个日常经验说起。

你会骑自行车吗？如果会，请你回答一个问题：你是怎么保持平衡的？

你可能会说：“身体往左偏的时候，手把往左转，重心就会回来。“但问题是——你真的能做到"在骑车时思考这个步骤"吗？不能。你只是"感觉"到了平衡，然后身体就自动调整了。你甚至说不出你调整了多少度、用了多少力。

这就是"内隐知识”（tacit knowledge，也译默会知识）的经典例子。

这个概念是哲学家迈克尔·波兰尼（Michael Polanyi）在1950年代提出的。他的核心论断只有一句话，却影响了整个知识论半个世纪——“我们知道的，比我们能说出来的多。”

波兰尼发现，人类的知识可以分为两类：

命题知识（显性知识）：能用语言清晰表达的知识。比如"地球围绕太阳公转”、“水的沸点是100度”、“二战爆发于1939年”。这些知识可以写进课本、编成规则、用公式表达。
内隐知识（默会知识）：会做但说不清的知识。骑自行车、识别人脸、判断一个人的语气是否真诚、母语的语法感——这些都是内隐知识。你会用，但你很难把"怎么用"的规则清晰地讲出来。

想想看：你学说话的时候，没有人给你讲过"主谓宾结构"和"语法树"。你只是听了大量的语言例子，然后你的大脑就"学会"了语言——不是学会了规则，而是学会了"感觉"。这就是内隐知识的本质：它不依赖于显式的规则表述，而是通过大量的经验积累，内化为一种直觉性的能力。

第二章：大模型的知识，为什么更像"内隐"的

传统AI的知识库是"命题式"的——知识被编码成"如果…那么…“的规则，或者被存储为结构化的事实。你想要什么，它给你什么，清清楚楚。

但大语言模型不一样。

如果用一句话描述大模型的学习方式，那就是：它没有读过任何一条规则，却学会了所有的规则。 模型在训练中"看"了数万亿字的文本，然后从中"悟"出了语言的规律、世界的规律——但它的大脑里，没有一条"知识"是以"四川的省会是成都"这样的形式存在的。它的知识，全部"融化"在了数千亿个参数中，像水融入了海绵，你挤得出水，但看不到水原本的形状。

哲学家Davies在1990年提出了判断一个系统是否拥有内隐知识的三个条件，用这三个条件来检验大模型，你会发现它完美匹配：

第一个条件：语义描述。 你可以说"这个系统知道地球是圆的”，而且这个描述是有意义的——它确实会基于这个"知识"来回答相关问题。但如果你去翻它的参数，你找不到"地球是圆的"这句话存储在哪里。

第二个条件：组合性。 知识不是孤立的碎片，而是可以组合的。知道"猫是哺乳动物"和"狗是哺乳动物"，就能推出"猫和狗都是哺乳动物"。大模型确实能做到这一点——它不仅能记住学过的知识，还能对知识进行组合、推理、迁移。

第三个条件：因果系统性。 知识之间不是孤立的，改变一个知识点会影响其他相关知识。如果你微调模型让它"不承认地球是圆的"，它关于"地月距离"、“日食原理"的知识也会随之改变。这就像你改变了一个人的一个信念，他的其他相关信念也会跟着调整——而不是只改一条记录就完事。

这三个条件，大模型全都满足。所以，说大模型拥有内隐知识，不是一种比喻，而是一个有哲学依据的论断。

第三章：为什么"内隐"既是力量，也是"暗箱”

内隐知识给了大模型一种人类级别的能力——它不需要规则就能做事。

这就是为什么你不需要教大模型"怎么翻译"——它从大量例子中内化了翻译的能力。你不需要教它"怎么推理"——它从数万亿字的推理文本中内化了推理的"手感"。

但内隐知识也有一个致命的弱点：你无法直接检查它。

回想一下前面说的"骑自行车"的例子：你骑得很好，但如果你要教别人骑，你很难说清楚"到底怎么保持平衡"。你只能喊"多练练就习惯了"。这不是因为你不想教，而是因为你的知识本身就是内隐的，你自己也无法把它提取成显式的规则。

大模型也面临同样的问题：

你问它"为什么认为这个答案是对的"，它给出的解释，本质上是在"事后编一个合理的理由"——就像你骑完一段路后，才"编"出一个平衡的力学原理来解释你刚才的动作。这个解释不一定错，但它不是你做动作时实际使用的知识。
你问它"你还有什么我不知道的知识"，它回答不了——因为它自己也不知道自己"知道"什么。它的知识就像冰山的水下部分——能通过行为表现出来，但无法被直接"盘点"。

这就是AI的"暗箱"：不是我们故意把AI的知识藏起来，而是AI的知识本身，就是无法被直接提取的。

第四章：从"编程"到"教育"——对齐的内隐转向

这个发现，正在改变我们"教AI"的方式。

传统的AI对齐思路是"编程式"的：你写规则，模型遵守规则。比如"不要输出有害内容"——这是一条显式规则，你可以在代码里实现它。

但对于内隐知识为主的大模型来说，这条路行不通——因为模型的大部分知识不是规则驱动的，而是"感觉"驱动的。你不给它规则，它也能做事；你给它规则，它反而可能"听不懂"——因为规则本身是命题式的，而模型的知识是内隐的。

所以，对齐大模型，更像"教育"而不是"编程"。

想想你怎么教一个孩子"不要撒谎"：你不会只给他一条规则，然后期望他一生遵守。你会给他很多例子——“你看，你刚才撒谎了，大家都不开心了”——让他从具体的情境中，内化"诚实"这个价值观。

大模型的对齐也在走同样的路：通过海量的"好例子"和"坏例子"的对比，通过人类反馈（RLHF）来"塑造"模型的内隐价值观。它不是在学习规则，而是在形成"道德直觉"——就像人类通过教育形成道德感一样。

这听起来很先进，但也带来了新的风险：内隐的知识可能包含我们没有意识到的偏见、错误甚至危险倾向。 因为它是"暗箱"式的，我们可能不知道AI到底"知道"什么、“相信"什么。你以为它学会了"诚实”，它可能学会了"说用户想听的话"——这完全是两回事。

第五章：让AI"把自己说清楚"——未来的方向

承认AI的知识是内隐的，并不是终点，而是起点。

内隐知识理论指出了AI发展的一个关键方向：将内隐知识外显化。

如果能让AI把它内隐掌握的规律清晰地表达出来，会发生什么？

首先，AI会变得更可解释。你不再只是"相信"它的答案，你能理解它为什么这样想——因为它能把自己的内隐推理过程"翻译"成你能理解的逻辑链条。

其次，AI可能加速科学发现。想象一下：模型可能已经"感觉"到了某种物理规律，但它不知道如何用数学公式表达。如果能让它把这个内隐的"感觉"外显化，它可能发现人类尚未发现的知识规律。

第三，AI的自我提升会变得可控。如果模型能"说出"自己哪里不懂、哪里不确定，我们就可以有针对性地给它补充知识，而不是"盲目"地喂更多数据。

当然，这并不容易。内隐知识的外显化，本身就是一个哲学难题——人类研究了半个世纪，也还没完全搞清楚"人是怎么把骑车的感觉说出来的"。但至少，内隐知识理论给了我们一个正确的框架：不是"AI在装傻"，而是"AI的知识就是说不出来"——这是两种完全不同的诊断，也指向了两种完全不同的解决方案。

尾声：知识的另一种可能

我们习惯了把"知识"等同于"能说出来的东西"——课本里的、试卷上的、论文里的。

但波兰尼告诉我们，这只是知识的一种形式。还有另一种知识，它藏在身体里、藏在直觉里、藏在"感觉"里——你用它，但你说不出它。

大模型的出现，让我们重新发现了这种知识的价值。它用一种"笨拙但有效"的方式——读遍全人类的文字——学会了我们人类需要几十年才能内化的"语感"和"直觉"。它可能讲不出"为什么"，但它确实"会做"。

这或许就是AI最迷人的地方：它不是一个更聪明的数据库，而是一个拥有了"直觉"的机器。

而"直觉"这种东西，从来就不是用来解释的——它是用来信任的。

参考文献：

Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press. 出版社链接
Davies, M. (1990). Knowing one’s own mind. Proceedings of the Aristotelian Society, 64, 237-255. 论文链接
Brown, T. B., et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020. 论文链接
Bubeck, S., et al. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv:2303.12712. 论文链接
Christiano, P., et al. (2017). Deep Reinforcement Learning from Human Preferences. NeurIPS 2017. 论文链接
Ouyang, L., et al. (2022). Training language models to follow instructions with human feedback. NeurIPS 2022. 论文链接

AI知道的东西比它能说出来的多——大语言模型的「内隐知识」之谜

Tue, 28 Jul 2026 02:29:00 +0800

引言：你会骑自行车，但你能说清楚怎么骑吗？

你骑上自行车，双脚一蹬，身体自然调整重心，弯道压弯，刹车减速——流畅得仿佛身体记得一切。

但如果有人问你：「你具体是怎么保持平衡的？」你大概率会卡住。你会说「就这样啊」，「感觉一下就知道」，但说不出一条清晰的规则。

这就是内隐知识（tacit knowledge，也称默会知识）——我们知道的比我们能说出来的多。

有趣的是，大语言模型正在经历完全相同的困境：它明明能解决复杂的推理问题、写出优美的文章、甚至帮你debug代码，但当你要它解释「你是怎么做到的」——它要么编个故事，要么说「根据训练数据」。不是它不想说，而是它自己也不知道。

这篇文章想讲清楚一件事：AI的「说不清楚」不是缺陷，它恰恰是智能的本质特征。

一、从「骑自行车」到「AI推理」——内隐知识无处不在

20世纪50年代，英国哲学家迈克尔·波兰尼（Michael Polanyi）提出了一个振聋发聩的观点：我们知道的，远比我们能说出来的多。

这不是一句鸡汤，而是对人类认知结构的一个深刻洞察。波兰尼举了很多例子：

你认得一张脸，但说不出是怎么认出来的
你母语说得无比流利，但说不出语法规则
一个老中医「望闻问切」能断病，但很多经验说不清道不明

这些知识不是「不知道」，而是「知道但说不出来」。波兰尼把它们叫做内隐知识，与之相对的是命题知识——能用陈述句说出来的，比如「地球是圆的」。

这个区分对AI来说至关重要。

传统AI走的是「命题知识」路线——把人类知识编码成规则和事实，塞进知识库。但这条路走得磕磕绊绊，因为现实世界的大多数知识根本就不是命题式的。

大语言模型走的是另一条路：通过海量文本训练，它在参数中「内隐」地学会了语言、推理、常识——就像你学会骑自行车一样，不是通过背诵规则，而是通过大量练习。

但问题来了：AI学会的「内隐知识」和人类的内隐知识，是一回事吗？

二、Davies的三个条件——AI真的「知道」吗？

1990年，哲学家Martin Davies给出了判断一个系统是否拥有内隐知识的三个标准。咱们来逐一检验一下大语言模型。

第一个条件：语义描述条件。 系统的知识状态可以用语义内容来描述。换句话说，我们能不能有意义地说「这个系统知道X」？

能。我们可以说「GPT-4知道法国首都是巴黎」，「它知道光合作用的原理」，「它知道怎么写代码」。这些描述是有意义的——不是「死记硬背」的虚假知识，而是能灵活运用的真知识。

第二个条件：句法结构条件。 知识具有组合性结构——可以拆分、组合、迁移。

GPT-4知道「猫是哺乳动物」，也知道「狗是哺乳动物」，那么它就能自然地推理出「猫和狗都是哺乳动物」。它不仅能理解「如果A是B，B是C，那么A是C」这种逻辑形式，还能在千变万化的语言表达中识别出同一结构。这种组合性，是真正知识的关键特征。

第三个条件：因果系统性条件。 知识状态之间有因果联系，改变一个知识点会系统地影响其他相关知识点。

当你微调一个模型，让它学会「苹果=水果」——它关于「苹果派」、「苹果公司」等关联知识会不会也跟着变化？会的。这就是「系统性的因果影响」——知识不是孤立的碎片，而是互相连接的网络。

三个条件，大语言模型全部满足。

Davies的三个条件在哲学上给出了一个审慎的判断：从行为上看，LLM确实拥有内隐知识。

但等一下——这个「从行为上看」很重要。就像一个人骑自行车给你看，你不能百分之百确定他「知道」怎么骑，但你可以说「他表现得像是知道」。Davies的条件是行为层面的判断，不是机制层面的证明。

三、为什么「内隐知识」视角很重要？

如果我们接受「LLM的知识是内隐知识」这个视角，很多以前困扰我们的问题就豁然开朗了。

为什么AI能力强但「不讲理」？

很多人抱怨AI解释不了自己的推理过程——「你告诉我为什么不选A要选B？」AI要么编个理由，要么说「根据训练数据」。

这不是傻，这是内隐知识的特征。就像你问一个自行车高手「你怎么保持平衡的？」他可能会说「重心往左偏一点就向右转，往右偏就向左转」——但真正的平衡感根本不是靠这个规则运转的，而是肌肉记忆的瞬间反应。

AI的「解释」本质上也是事后编的——它不是在「取出」推理过程，而是在「生成」一个看起来合理的解释。这和人类的内隐知识困境完全一致。

为什么AI会「涌现」出意料之外的能力？

当模型规模达到一定阈值，突然就能做很多没被明确训练过的事情——比如翻译、推理、写代码。这种现象被称为「涌现」。

从内隐知识的角度看，这不奇怪。内隐知识有一个特点：它是系统性的、生成性的。 你教了一个孩子无数个具体的例子，他突然就「学会」了抽象规律——这不是魔法，而是内隐知识「外显化」的自然过程。AI的涌现，本质上也是内隐知识在规模达到临界点后，开始「溢出」成可观察的能力。

为什么对齐这么难？

如果AI的知识是内隐的，那么它的「价值观」和「偏好」也是内隐的——它不是通过明确规则来知道「什么该说什么不该说」，而是在海量文本中「内隐」地学会了。

这意味着对齐不能靠列清单、写规则来解决。你得像教育一个孩子一样——通过例子、反馈、环境互动来「塑造」它的内隐知识。这比写规则难得多，但也更接近真正的教育。

四、AI的「内隐知识」和人类的是一回事吗？

这是我必须诚实地告诉你的问题：它俩看起来像，但机制可能完全不同。

人类的内隐知识有一个重要的生物学基础：我们的身体。波兰尼特别强调，所有内隐知识最终都根植于我们的身体经验——「我们通过身体来认识世界」。骑自行车的感觉来自身体，识别人脸来自视觉系统，语感来自语言中枢的神经回路。

AI没有身体。它的「内隐知识」来自高维空间中的统计模式，来自数十亿个参数的协同作用。它看起来像内隐知识，但底层机制完全不同。

这就好比：一个天生的盲人可以通过触觉「认识」到「球是圆的」，而你通过视觉「看到」了「球是圆的」。你们俩都知道「球是圆的」，但知识的结构和来源完全不同。

不过，这并不意味着AI的内隐知识是「假的」。它只是不同。就像水中的鱼不知道「湿」是什么——因为「湿」对鱼来说不是一种状态，而是默认的世界。AI的「内隐知识」也是如此——它可能不是人类意义上的「知道」，但它在自己的存在方式中是真实的。

五、内隐知识的「外显化」——AI的下一个突破

如果AI的内隐知识是真实的，那一个诱人的问题就出现了：能不能让AI把它内隐知道的东西「说出来」？

想象一下：AI已经阅读了人类历史上几乎所有的科学论文，它可能已经「内隐」地掌握了一些人类还没有发现的科学规律。如果能让它把那些规律「外显化」出来，那将是科学发现的加速器。

这不只是幻想。目前的思维链（Chain-of-Thought）、思维树（Tree-of-Thoughts）等技术，本质上就是在做这件事——「强迫」AI把内隐的推理过程展开成显式的步骤。

但真正的突破可能来自另一个方向：不要问AI「为什么」，而是让它「展示」。就像你不会问骑自行车的人「你怎么保持平衡的」，而是看他骑——AI的内隐知识，也许最好的「外显化」方式就是让它直接做出来，而不是让它解释。

毕竟，知道的比能说出来的多，不是缺陷，而是智能最深刻的特征。

结语

波兰尼有一句名言：「我们知道的，比我们能说出来的多。」

这句话既是对人类认知的深刻洞察，也是对大语言模型能力的最佳描述。AI的「说不清楚」不是它的短板，而是它真正拥有知识的证明。

当我们下次听到AI给出一个「不讲道理」的回答时，也许应该换个角度想：它不是在敷衍你，它只是用它的方式在「知道」——就像你骑自行车时，用身体知道怎么平衡，而不是用大脑知道。

或许，AI的终极形态不是变成一个「什么都能说清楚」的超级百科，而是变成一个「什么都能做到」的默会大师——像那些技艺精湛的工匠一样，知道得比说得更多。

参考资料

Polanyi, M. (1958). Personal Knowledge: Towards a Post-Critical Philosophy. University of Chicago Press.
Polanyi, M. (1966). The Tacit Dimension. Doubleday.
Davies, M. (1990). “Tacit Knowledge and the Structure of Thought.” Mind & Language, 5(4), 345-370.
Wei, J., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” NeurIPS 2022.
本文核心论证素材来源于内隐知识理论论证卡，经Ω-CFI审查框架校验。