图片

本期编译自商业写作者 Cedric Chin 关于「隐性知识」的系列文章，本文是第一篇。

Part1：为什么隐性知识比刻意练习更重要？

我想写一篇文章来谈谈隐性知识（Tacit Knowledge），以及为什么我认为它是技能习得领域中最有趣的话题。如果你是《Commonplace》的长期读者，可能已经多次见过这个概念，因为我之前写过不少相关内容。

但我仍然觉得，专门用一整篇文章来探讨这个话题是个不错的主意。

之所以要写这篇文章，是因为每当我提到隐性知识，总会有人在Twitter、Hacker News、Reddit或者邮件中反驳，声称隐性知识并不存在。我希望有一篇文章可以直接拿来回应这些质疑，而不必每次都重复解释。

另一个值得探讨隐性知识的原因是：它确实存在，而且理解它的存在是你能获得的最有价值的认知之一。一旦你意识到隐性知识的存在，你就会发现任何技能树中的大部分内容其实都是隐性的。

这意味着你可以去寻找它，进而提出真正有用的问题，比如：“那个人拥有这种能力，他做得很出色，我要怎么才能学会？” 🐣

01 什么是隐性知识？

隐性知识是一种无法仅凭语言传授的知识。

想象一下骑自行车。仅靠描述是无法教会别人骑车的。

🚴🏻 当然，你可以尝试解释骑行时该做些什么，但当你对孩子大喊“保持平衡！想象自己走在钢丝上！”时，他们可能还是会直接摔进沟里。

一定会有人说：“只要讲解得更清楚，用对的方法，就可以教会他们。”如果你也是这么想的……那我建议你亲自试试看。

去找几个还不会骑车的孩子（或者成年人！），试着只用语言教他们骑车，让他们不摔倒、不撞伤自己。如果你成功了，那请仔细回想：你的成功到底有多少归功于你的讲解，又有多少是他们自己摸索出来的？

这个问题值得深入讨论。

在教育学中，这种单纯依靠讲解来教授技能的理念被称为“传输主义（Transmissionism）”，在严肃的教育学者看来，它就像今天的“地平说”一样荒谬。

这种观点认为，只要找到正确的词汇、恰当的比喻，把知识拆解到足够细的层次，学生就能瞬间领悟。但真正实践过教学的人都知道，❌ 事实远非如此。

如果你是这种观点的拥护者，我希望你能尝试去做一名教练，教一项我感兴趣的运动，这样我的孩子就能和你的孩子对战——然后我可以亲眼见证他们是如何彻底碾压你的孩子的。

如何教授隐性知识？怎么教人骑自行车？

我小时候是偶然学会骑自行车的，后来又教会了我的妹妹、表弟，以及邻居里的一个小孩。他们每个人在大约一小时内都能骑得很顺畅。

我的方法如下：

选择一辆小一点的自行车，让它的高度低于学习者的身体，这样他们随时都能用脚接触地面。这不仅能给他们安全感，也能减少恐惧。

让他们用双腿蹬地，向前滑行一小段距离，然后双脚落地停下，重复这个过程。

逐渐增加蹬地的力度和滑行的距离，直到他们可以双脚悬空滑行数秒。这个过程的目标是让他们学会如何感受平衡。

在某次滑行时，告诉他们开始踩踏板。通常，到了这个时候，他们已经对滑行感到熟练甚至有些无聊了——这正是让他们进入下一个阶段的最佳时机。

恭喜，你成功教会了一个孩子骑自行车！

注意，这个过程中几乎没有太多语言指导。‼️ 更重要的是模仿和实践——让学习者直接去感受身体如何平衡，而不是依赖口头指令。

这种方法的神奇之处在于，你可以在短短一小时内看到一个孩子从“意识到自己不会”（有意识的无能），到“努力练习”（有意识的胜任），最终达到“不假思索就能骑车”（无意识的胜任）。

🖍️ 换句话说，教授隐性知识的方式是模仿、示范和学徒制。

你通过盲目地模仿大师的行为，逐渐内化其背后的原则。

有些人可能会说：“这只适用于骑车、网球、柔道等身体技能，但对于思维类技能呢？”

实际上，隐性知识无处不在。研究员Samo Burja列举了几个例子：创造优秀艺术、评估初创公司、木工、金属加工、家政、烹饪、跳舞、即兴演讲、流水线管理、快速问题解决、心脏外科手术——这些都涉及大量的隐性知识。

如果你从事的是知识工作，那么隐性知识在你的专业发展中比你想象的更重要。

02 知识工作中的隐性知识

我花了好几年才意识到，我教别人骑车的方法其实可以应用到其他领域。

在我之前的工作中，我的技术主管Hieu有一种惊人的能力：

他可以在需求会议上短短几分钟内勾勒出最简单、最优雅的程序架构，而且还能预留足够的灵活性，以应对后续的项目变更。

相比之下，我的设计经常需要后期调整，显然不如他精准。

于是我多次试图向他请教，然而我们的对话通常是这样的：

我：“为什么你优先考虑外部 API？”

Hieu：“因为这部分风险最大。”

我：“那为什么不担心日历 API？”

Hieu：“因为我之前用过，知道它很好处理。”

我：“那为什么关注 Firebase？”

Hieu：“因为我们要用它作为数据库层，很有风险。”

我：“所以应该优先处理核心层？”

Hieu：“是的，优先解决最难的部分。”

我：“但库存 API 我们也没用过，为什么不先处理？”

Hieu：“那个不重要，客户可能会改，我们先做基础功能。”

这让我想起自己刚入行时，曾写过一百多行测试代码。资深工程师看了一眼就说：“这个结构不行，后面会出问题。”

我问他为什么五秒内就能判断？他先是给了一大段软件工程原则的解释，我不耐烦地打断，继续追问“但你是怎么在五秒内看出来的？”

他笑着说：“感觉不对。”然后我们就去吃午饭了。

我在关于感知学习的文章中提到过这集 Viki 的内容。

我并不是说 Hieu 或那位高级软件工程师无法解释他们的判断，也不是说他们不能明确说明他们在十几个变量之间权衡取舍的原则——他们是可以的，哪怕解释得很糟糕。

但我的观点是，他们的解释并不会让我具备和他们相同的判断能力。

为什么会这样呢？看看那段对话就明白了。当我深入追问他们的判断依据时，他们会尝试用原则或启发式方法来解释。

但我问得越多，挖掘出的例外、附加条件和潜在的注意事项也就越多。

这其实是一个普遍现象。任何在复杂领域拥有专业知识的人，都会用类似的方式来解释他们的经验，比如：

“嗯，做 X。但如果遇到 Y，就改做 Z，因为 A。如果遇到 B，那就做 P。但是如果同时看到 A 和 C，但没有 B，那就做 Q，因为 D 的原因。还有一些特殊情况，比如你本来应该做 Z，但后来发现 C 出现了，那就得改成 Q。”

如果你继续追问，他们最终可能会说：“啊，这就是一种感觉。做久了，你也会有这种感觉的。”

🧠 最终，我意识到，学习 Hieu 的技巧最有效的方法就是模仿他——先自己设计一款软件，然后请他给反馈。

与此同时，我也明白了一个道理：如果有人在解释某件事时列出一长串注意事项和例外情况，那么很可能这就是一种“隐性知识”在发挥作用。

这种现象在专家研究领域其实早已被广泛认可，许多其他领域的从业者也曾多次讨论过这一点。比如，外科医生 Atul Gawande 在谈论阑尾炎手术时，就曾提到过类似的情况：

假设有一位阑尾炎患者需要手术。

如今，外科医生通常会采用腹腔镜阑尾切除术。具体来说，先在肚脐附近切开一个四分之一英寸的小口，将腹腔镜（带有摄像头的探管）伸入腹部，然后在腰线下方再切一个小口，插入长形抓钳，最后在左下腹开一个切口，放入用于切割和缝合的器械。

接下来，用抓钳夹住手指大小的阑尾，使用缝合器在阑尾根部及其供血血管处进行切割和缝合，然后将切下的阑尾放入一个塑料袋中，取出，最后缝合切口，手术就完成了。

这是理想情况下的操作流程，但现实往往没那么顺利。

在正式开始手术之前，你就需要做出一些判断。

如果患者的解剖结构异常、严重肥胖，或者因之前的腹部手术留下了内部疤痕，都会让摄像头的插入变得困难——你可不想把它误插进肠道里。

因此，你必须决定使用哪种摄像头插入方式（有多种选择可供考虑），甚至可能要放弃腹腔镜技术，改用传统的开腹手术，以便直接观察手术区域。即使顺利将摄像头和器械送入腹腔，接下来的挑战是如何抓住阑尾。

感染可能会让它肿胀成一条充血发炎的“肥虫”，黏附在周围的组织上，比如肠道、血管、卵巢或骨盆侧壁。为了将其分离，你需要在各种工具和技术之间做出选择。

你可以用长棉签状的器械尝试推开周围的组织，也可以使用电烙器、钩子、剪刀、锐性分离钳、钝性分离钳、直角分离钳或吸引装置。

此外，你还可以调整手术台，让患者头低脚高，借助重力让内脏向正确的方向移动。当然，你也可以直接抓住能看见的阑尾部分，用力一拉。

一旦你成功找到并看到阑尾，你可能会发现，阑尾炎的诊断是错误的。它可能是一种阑尾肿瘤、克罗恩病，或者是某种影响到阑尾的卵巢疾病。

这时，你需要决定是否需要额外的设备或专业人员——也许是时候请另一位外科医生来协助了。

随着时间的推移，你会学会如何预防问题的发生，即便无法完全避免，也能以更少的试错、更有把握的方式解决问题。

经过八年的职业生涯，我已经完成了超过两千台手术。其中四分之三与我的专业——内分泌外科（如甲状腺、甲状旁腺和肾上腺手术）相关，剩下的涉及从简单的活检到结肠癌等各种不同类型的手术。

在我的专业领域，我已经熟悉了大多数可能出现的严重问题，并找到了解决方案。而在其他领域，我也对自己的能力建立了信心，能够处理各种突发情况，并在必要时灵活应对。

请注意，Gawande 在描述他的专业技能时，列举了大量的“例外情况”。这很可能就是隐性知识在起作用。

当你试图掌握复杂的判断能力——一种能瞬间综合权衡多个因素并做出最佳决策的能力——这种知识的价值就体现出来了。🎛️

而这种能力，几乎不可能单靠语言或书面说明来学习。

图片

✅ 显性知识（Explicit）：经过整理和编码的知识，通常存在于文档、数据库等形式中。

✅ 隐性知识（Tacit）直觉性知识和技能，包括：植根于特定情境、经验、实践和价值观中；难以传达，通常存于实践者的头脑中；是长期竞争优势和创新的最佳来源；主要通过社交、指导等方式传递，而非 IT 系统所能有效管理。

03 隐性知识能被显性化吗？

让我们重新审视上面这句话：隐性知识真的无法变成一套明确的指令吗？理论上，或许可以。

我们能否把专家的决策过程拆解成分支路径，编写成“专家系统”？

或者，我们能否把它整理成一张“流程清单”，然后交给每个从业者，而不是让他们像传统方式那样，通过实践习得？

关于这个问题，主流观点是： “原则上是可能的，但在实践中极其困难。”

我的观点更为激进：这种转换难度太大，以至于根本不值得尝试。如果你阅读这篇文章的目的是想在自己的职业生涯中提升技能，🌈 那你应该放弃把隐性知识转换为显性知识的想法，而是直接去追寻隐性知识本身。

为什么我们知道隐性知识难以显性化？

上世纪 70 年代，包括美国军方在内的许多组织曾资助研究，探索是否可以开发“专家系统”来增强或取代人类决策者。

当时，替代人类的专家系统被视为一股潮流，就像今天人工智能（AI）和神经网络的热度一样。

然而，几十年过去了，这个潮流早已被抛弃。

研究人员很快发现，要把人类专家的所有经验、细节和例外情况编码成计算机系统，几乎是不可能的。

以色列空军维修专家的案例

其中一个著名的研究案例发生在赎罪日战争（Yom Kippur War）之后：美军尝试将以色列空军的维修日志录入数据库，以探索是否可以用专家系统取代维修军官。

当时，一个年轻的研究员——Gary Klein（后来的知名决策研究专家）被指派去采访这些维修军官，试图提取他们的专业知识。

他在一次播客访谈中描述了这个项目：

“在录入数据时，我可以轻松填写大约 80% 的表格，但剩下的 20%……可能有些字段是空的，或者存在错误。于是我去问那些军官：'你们是怎么填这些数据的？’”

“他们回答说：'看看这个损伤的大小，然后看看飞机是两天后还是两周后恢复服役。如果是两天，那说明损伤没有波及某些关键线路，否则修复时间会更长……’”

✈️ 换句话说，这些维修军官不仅仅依赖日志，而是能够根据经验推测损伤的传播方式，从而推断出最佳的修复方案。

最终，Klein 的研究报告指出：虽然部分工作可以标准化，但关键的决策环节依赖隐性知识，无法简单地转换为公式化的流程。

美国空军最终决定放弃专家系统计划，继续依赖人类专家。

这种情况在多个领域反复上演，导致“专家系统”在 20 世纪末逐渐失宠。（维基百科称之为“知识获取问题”，这正是导致专家系统失败的核心原因。）

当然，还有其他反对意见。

例如，Klein，如今被认为是自然决策研究（Naturalistic Decision Making, NDM）领域的先驱之一，经常说，过度依赖流程会让人变得脆弱（参考《The Source of Power》第15章）。

换句话说，如果让人们机械地执行一系列预设流程，而不让他们真正理解和思考，就会阻碍他们建立自己的专业能力；而缺乏专业能力，又会妨碍他们进行创造性的问题解决——这恰恰是专家们最常做的事情。

此外，这种方式还意味着，一旦现实中出现严重的突发情况（而现实世界里总会有意外发生），他们将缺乏应对和适应的能力。

那么，这是否意味着这个问题完全无解呢？其实并不是，确实有一些迹象表明它是可以被解决的：

1. 我认识一些人工智能研究领域的朋友，他们认为专家系统或许可以卷土重来，特别是结合当代的 AI 方法后，可能会取得突破。

2. Gary Klein 本人也因开发了一种提取隐性知识并将其显性化的方法而闻名（这种方法被称为“关键决策法”（The Critical Decision Method, CDM））。不过，这种方法本身就需要专业知识，因此并不容易掌握和实施。

3. 在某些情况下，🧑🏻‍🎓 特别有天赋的人确实能够将整个领域的隐性知识提炼成一套有效、清晰的教学方法。例如，John Boyd 在编写美国空军的第一本战斗机战术手册时，就成功做到了这一点。

在此之前，许多人认为空战格斗（dogfighting）是一种无法系统化的艺术，但 Boyd 经过几年的教学和一年专门的写作，最终还是将其整理成了明确的原则和方法。

这些观点都值得思考，也确实有其道理。但我认为，它们是否普遍成立并不重要。

你或许可以争辩说：“既然所有隐性知识都可以显性化，那就不存在真正的隐性知识。” 但这只是一种咬文嚼字的理论探讨，对现实没有帮助。

我们无法指望专家系统的复兴，也不能奢望 CDM 会被广泛应用到自己的领域，更不该等着某个像 Boyd 一样的天才出现。

因此，与其等待某种突破来让隐性知识显性化，不如接受隐性知识的现实，并积极寻找直接获得这种知识的方法。这样才更有实际价值。

04 学习隐性知识的技巧

这对我们意味着什么？

这意味着，如果你想在自己的领域精通技能，你应该关注隐性知识的研究。

也许你会问：“那刻意练习呢？它不是关于专家养成的主要理论吗？”

答案是否定的，它并不是。

在我的书评 Ericsson 的 《Peak》 和 刻意练习的问题 中，我解释过： 刻意练习只能应用于那些拥有悠久教育体系的领域，比如音乐、数学、国际象棋等。

K. Anders Ericsson 在《Peak》一书中对“刻意练习”做了一个相当狭隘的定义，随后又有些逃避性地表示，虽然他没有研究过这种方法在其他领域的应用，但刻意练习的理念或许可以推广到那些教学体系尚不成熟的学科。

不过，Ericsson 很清楚自然决策研究（NDM）方法的存在——他曾与众多 NDM 领域的专家共同担任 Cambridge Handbook for Expertise and Expert Performance（《剑桥专业知识与专家表现手册》）的编辑之一。

所以，如果你是一名程序员、设计师、商人、投资者或作家，在阅读关于刻意练习的内容时，可能会问：“那我的领域呢？如果没有成熟的教学方法，我该怎么办？”

如果你开始思考这个问题，那么你已经踏上了一条更有趣的道路——这才是真正值得探讨的问题。

💡 答案其实很简单：如果你从事的是这些领域，自然决策研究（NDM）可能比刻意练习更有用。

学习隐性知识的过程大致如下：找到一位大师，在他们身边工作几年，通过模仿、反馈和潜移默化来掌握技能，而不是依赖刻意练习。（比如，沃伦·巴菲特在 本杰明·格雷厄姆手下学习的那些年，就是一个典型案例。）

NDM 研究的重点正是如何让这种学习方式变得更加高效。

而我认为，今天的世界对刻意练习和认知偏见研究的关注太多，而对隐性知识的获取却重视不够。

如果隐性知识确实存在——而我相信它存在——那么，关于技能习得最有价值的方法，应该来自专门研究隐性知识的领域。

就在去年年底，自然决策研究（NDM）领域的专家们共同编写并出版了 The Oxford Handbook of Expertise（《牛津专业知识手册》）。

这是目前我们所知的关于该领域最全面的研究综述。

Ericsson 的“刻意练习”理论花了30 年才进入大众视野，这在一定程度上要归功于《异类》（Outliers）的畅销。如果按照同样的时间计算，NDM 方法可能要到 2030 年 才会被广泛接受。

🌱 或许到了 2030 年，我们会像今天谈论“1 万小时法则”一样，讨论隐性知识。

但如果你正在阅读这篇文章，那你已经领先一步了。

关注 NDM 方法，留意那些专注于隐性知识的研究。在我看来，隐性知识是当今关于专业能力领域最有趣、但又被严重低估的话题。

https://commoncog.com/tacit-knowledge-is-a-real-thing/

https://commoncog.com/the-tacit-knowledge-series/

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。