2019-9-28 濤濤
AI被熱捧那么久，王維嘉博士的《暗知識》是第一本把它講明白的中文科普書。
這本書第一個知識框架，就是下面這張4象限圖：
(該圖來自：王維嘉的《暗知識》）
該圖將知識按“是否可表達”、“是否可感受”的兩個維度分為四類：
具體來說，暗知識是機器發現的，人類無法感受也無法表達的知識。
就像圍棋，人類2000年來保留的棋譜大概有3000萬個（8位數），但圍棋上棋子的擺放方法的可能性有2的361次方個（108位數），中間何止相差萬億倍。人類對圍棋的認知，就是基于3000萬這個8位數范圍的認知。與機器相比，相差10的100次方。這部分機器能掌握而人不能的，就是暗知識。
這是本書讓人驚嘆的第一個點，通過設立一個新的二維坐標模型，就能夠找到人類以往概念上的盲區！其次，王博士選的詞匯也是超一流的，“暗”和“默”兩個字都很有神采。
雖然是“科普書”，但書里還是不得不講到人類的“神經網絡”、計算機的“機器學習”、“卷積”等復雜概念。
我用自己的語言，以“識別一只貓”為例，為大家簡單講述一下AI吧：
（1）識別貓與計算“1+2=？”不同，前者是“默知識”—— 無法用準確的語言描述出來。在計算機歷史上，通過“尖尖的耳朵”、“長尾巴”、“圓眼睛”等信息來識別貓的程序都失敗了。
（2）我們閉上眼睛想想，如何把一只貓與一只豹子的照片區別開，需要補充很多語言描述。把一只貓與一只狗區別開，又需要補充一些描述，其實人是不能把“識別一只貓”這件事情用語言明確說清楚的 —— 既然人說不清，傳統計算機程序就做不到。但人，哪怕是三歲的孩子都能區別貓和狗，背后是什么原理呢？
（3）后來科學家通過研究人類大腦的神經網絡，發現大腦是通過分層判斷，最終在神經元中留下“歷史痕跡”的邏輯鏈條的。這是很有趣的生物學現象，一個神經元受到的刺激（生物電擊）越多，得到的營養就越多、就會成長得越強大。而每次判斷在每層神經元中留下的痕跡，就會強化今后整個人腦神經網絡的判斷能力。
（4）計算機科學家根據對人類大腦神經網絡的認識，開發了計算機“神經網絡”。這個網絡不但可以識別“貓”，而且識別貓的過程也同樣無法輸出成為人能認識的“文字描述”。
（5）這些識別算法就沉淀在“神經網絡”中（表現為數據及數據關系），無法被人類直接掌握，人只能通過安裝了神經網絡的計算機獲得這個能力。
（6）不知大家注意到沒有，為了讓計算機解決這個“默知識”的問題，我們最終是用了“暗知識”來解決。
（7）這類“暗知識”，能夠在計算機之間快速復制，但無法在人和人之間復制，人和人之間能傳遞的只能是控制AI計算機的方法。
暗知識大體說完，我再回到與我們的思考方式相關度更高的“默知識”。
《思考，快與慢》這本書大約是我2013年讀到的，我認為這是那一年我讀到最好的書。好就好在研究老對象（人類行為與注意力）的過程中，用了新思考框架，并建立了有說服力的體系。
幾年來，這本書被我放在電腦顯示器下面，意喻為“抬高了我的視野”。當然，最初是為抬高了顯示器，起到保護頸椎的作用。
書里是這樣定義人的兩種思維模式的：
當系統2學習掌握了重復使用的套路后，大腦會將重復工作轉給系統1。
我高中時，經常因為簡單的數學加減乘除四則混合運算錯誤，導致考試得不到高分。我訓練自己做了大量專項練習，后來不僅計算過程不出錯，而且感覺當時是把簡單的四則運算從“系統2”挪到“系統1”了。考試時，手上做著乘法豎式，腦子里考慮是否有更好的解題思路。
從另一個角度看，大腦的重復套路工作從“系統2”轉給“系統1”，還有一個更大的好處 —— 降低能力消耗。
系統1反應很快，對能量的消耗遠低于系統2。我查了《人類簡史》、《文明是副產品》等書籍，看到這樣的資料：晚期智人的大腦占體重的1/20，但耗能、耗氧量卻達到全身的1/5。在工業革命前的5萬年里，智人供養這樣一個大腦是極其不容易的，所以我推斷：
系統1畢竟簡化了判斷過程，是否會造成很多誤判呢？我相信是的，但因為能量的限制，人類當時應該是找到了中間最優解。
我認為：《思考，快與慢》的“系統1”，學習的其實就是前一節說的“默知識”。
還是以騎自行車為例，咱們可以教新手一些保持自行車平衡的要領，但一個新手學會騎車的過程，是實踐重于理論的。最后形成的知識，就是無法說清的“默知識”，這個默知識保存在我們每個人的“系統1”當中。
當然，系統1與系統2的關系還有很多層次，并對人類社會產生了深遠影響。
例如：遇到緊急情況時（“快撞到行人了”），系統2會從系統1接管人體控制權，多費一點腦力控制好自行車的方向，避免造成交通事故。
畢竟我的讀者都是toB企業同事，我還是講一個書中與咱們業務有關的故事。作者丹尼爾·卡尼曼是諾貝爾經濟學獎獲得者，21歲時（1955年）曾經在以色列軍隊里負責設計士兵面試流程。這之前，面試官完全根據感覺打分，結果篩選出來的新兵合格率很低?？崧隽艘惶自O計，聽起來和我在《SaaS創業路線圖（六）：如何擴張團隊？》中的做法類似，就是要求面試官嚴格按框架打分。
（上圖為我系列文章（六）中提供的打分表）
卡尼曼不是他的面試官們的上級，面試官們不喜歡做“打分機器人”。卡尼曼的讓步是，同意面試官根據標準格式打分后，最后“閉上眼睛給士兵打個總分”。
最后的結果是，新的測評方法大幅提高了有效率。45年后卡尼曼回到該部隊，發現他的面試方法還在延用。
而我的面試表最后也有這樣一行：“自己是否愿意帶領此人去完成一個困難的任務？”其實這是一個非常感性的問題，與表格其它部分（記錄工作年限、記錄回答情況等）非常不同。
我觀察，這就是在很多領域中，決策復雜問題的一個優選方法：
這個過程的好處是：
我們企業決策中，如果死板地使用調查前設計的“打分表”，往往會錯過發展機會。因為環境在劇烈變化，調查前很難做出完美的打分表。而“默知識”會讓我們熟悉業務的決策者更準確地做出判斷。
上面說了很多“默知識”的例子，具體怎么學習和使用“默知識”呢？最近“得到APP”的精英日課正好也推出了一篇文章“內隱學習和外顯學習”。
簡而言之，外顯學習就是學習“明知識”的過程，掌握歷史知識、化學公式……
內隱學習，則是學習“默知識”的過程，學到的是個“感”。例如：英語的語感。
1993年高考時，記得我的英語成績大約是140分（滿分150）。因為不考口語，這全都是英語語法和單詞，大多是“明知識”。
但我工作后能在外企說流利的英文，全有賴于大學時在華中理工（現在的華中科技大學）有一個教“外貿英語”的廖老師。他逼著我們每人整篇整篇地背誦外貿英語，上課經?，F場考對話，當時那個厭惡哪……沒想到堅持了一個學期，死記硬背了幾百句常用對話后，英語“語感”就形成了。大腦中可以用英文思考問題，我是一生受用。
“精英日課”引用的一個調查研究還有個有趣的結論：外顯學習明知識，注意力越集中越好；但集中注意力反而會妨礙內隱學習。
為什么？因為“默知識”是沒有明確規則的，越努力找規律越學不會，不如放松一些，讓頭腦直接沉浸在直觀信息中，這樣更容易領悟那個“感”。
在企業經營中，我們經常需要新的創意：如何設計一個擺脫俗套的新激勵方式？如何做營銷上的創新？如何設計一個全新的內容？這時候，讓注意力分散些，看看不相關的書籍、討論一些別的話題，可能靈感會來的更快。
就像我寫這篇文章，目的與路線圖系列是一樣的，還是想幫助大家提升經營管理能力。但如果不引入更多關于思考方式、關于人類發展史的文章，就會跳不出日常操作的層面，不能給大家帶來新的空氣。
這篇文字是“思考方式革命”的第一篇。我講的不是明知識、也不是默知識，我講的是一些新的思考方法。
（1）如何通過增添新的維度，讓你對研究對象（無論是客戶群、團隊或產品服務）增加新的評估方式？操作工具就是最前面的四象限圖。
（2）設計新體系時，用詞要精準。王維嘉博士用一個“暗”字，一個“默”字，把體系講的很清楚?！懊徽圆豁槨?，這是我經常說的道理。一個事兒的“名字”選錯了，要費很多口舌解釋，到頭來沒聽到解釋的人看了還是會誤解。
（3）計算機AI算法是基于人類的“神經網絡”模型的。企業管理中，一個體系的設計、一個測算模型的建立，都要基于“自然”的業務規則，基于人性的需求進行考量。我不是講抽象的“道”，我說的是可以操作的規則。
（4）例如：人的大腦將重復套路工作交給系統1，就是符合降低消耗的規則的。而“能量的限制”就是工業革命前的20萬年里控制人類發展的主要因素。
（5）我們做企業，也是同樣有很多限制，財務上有利潤要求、有任何時點現金流不得低于安全線的要求。這屬于“明知識”。
（6）在不能用“明知識”直接通過計算做出決策的復雜情況下，基于“感覺”的判斷實際上更準確。所以專業知識重要，但業務背景更重要。
（7）但如果只靠“感覺”決策，也很危險。文中舉了一個新兵打分的例子。最佳方法是：讓決策者先結構化地全面多維度打分，然后再“感性”地做出最終判斷。
（8）注意力分散些，有利于創新。所以需要新點子時，要給團隊成員新環境、新場景和一些新時間。
（9）默知識這么重要，如何得到？要反復練習，不專注（忘掉規則）地學習。