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