引言

你问AI一个问题，它回答得很好。你再问它：“你是怎么知道这个答案的？”

它沉默了。

不是它不想告诉你。很多时候，它自己也说不清楚。

这不是bug。这可能是它最像人类的地方。

哲学家迈克尔·波兰尼在半个多世纪前提出过一个概念，叫**“内隐知识”**（Tacit Knowledge，也译作"默会知识"）。他的核心观点只有一句话，却影响深远：

“我们知道的，比我们能说出来的多得多。”

你记得怎么骑自行车吗？当然会。那你能说清身体是怎么保持平衡的吗？角度、速度、重心变化——你大概说不清。但你就是会骑。

这就是内隐知识。你不会背牛顿第二定律、不会解角动量守恒方程，但身体知道。

今天我要跟你聊一个令人深思的问题：大语言模型的"聪明"，可能恰恰来自它拥有大量的内隐知识。而这种"知道但说不出来"的特性，既是它强大的根源，也是它最难被理解的秘密。

一、你会用，但说不清——内隐知识就在我们身边

先别急着聊AI。我们先看看人类自己。

你有没有这种感觉：

  • 你一眼就能看出朋友的情绪——但说不清是"嘴角弧度变化3.2度加上眉间肌肉收缩0.5秒"
  • 你能用母语流利地说话——但你把主谓宾定状补的语法规则全忘光了
  • 你能辨别一首歌是不是周杰伦唱的——但让你描述他的音色特征，你只能说"嗯，就是那个味道"

这些都是内隐知识。我们拥有它、使用它，但无法将它精确地表达出来。

波兰尼用了一个非常生动的比喻：我们在骑自行车时保持平衡，整个过程中我们使用的物理原理相当于一套极其复杂的微分方程组。我们不可能在脑子里解方程，但身体会自动算出最合适的角度和力度。

不是"不知道"，而是"不能用语言说清楚"。

这是一种特殊的知识形态：它不存储在"陈述句"里，而是存储在"能力"和"感觉"里。

二、大语言模型的"内隐知识"

好了，现在回到AI。

传统上，人们认为计算机只能处理"命题知识"——也就是像"地球是圆的"这样能写成陈述句的东西。你给它一条规则，它执行一条规则。清清楚楚，明明白白。

但大语言模型改变了这一切。

当你问GPT一个问题时，它并不是在查一个巨大的知识库，也不是在用if-else规则做判断。它是在进行一种复杂的、统计性的、模式匹配式的处理——这个过程如此复杂，以至于连它的创造者也无法完全理解它内部到底发生了什么。

更关键的是，模型无法解释自己为什么给出这个答案。

1990年，哲学家Davies提出了判断一个系统是否拥有"内隐知识"的三个条件。我们来看看大语言模型是否符合：

条件一：语义描述条件——你可以说"这个系统知道X"。✓ 是的，我们可以说GPT"知道"地球是圆的。

条件二：句法结构条件——知识可以组合使用。✓ GPT能理解从未见过的新组合，比如"猫穿着宇航服在月球上踢足球"。

条件三：因果系统性条件——改变一个知识点，相关的知识会系统性地变化。✓ 如果你微调模型让它"更懂物理学"，它在相关推理上的表现确实会整体提升。

三个条件全部满足。

这个结论你可能觉得有点反直觉，但它是真的：大语言模型拥有内隐知识。不是"假装"有，不是"模仿"有，而是实实在在地有。

三、一个让你直呼"原来如此"的例子

让我们用一个具体的场景来说明。

想象你让AI写一首诗，主题是"秋天的离别"。它可能会写出这样的句子：

落叶铺满长椅，风带走了最后一片温度。

现在，你问AI：“为什么用’温度’而不是’温暖’？这两个词表面意思差不多。”

AI可能会回答你：‘温度’比’温暖’更客观、更冷感，适合描摹离别时那种冷静的伤感。

但这个解释很可能是事后编造的。

实际上，AI在写诗的时候，并没有经历"从若干个候选词中仔细权衡"的决策过程。它的内部机制是——在给定"秋天"和"离别"的语境下，千百万个训练样本共同决定的概率分布让它"感觉"到了"温度"这个词更合适。就像你闭上眼知道"这句话应该用’的’而不是’地’"——你说不清规则，但就是知道。

AI的情况非常接近这种"语感"。

它不是在做字面搜索，而是在一种类似于"直觉"的层面运作。而"直觉"，说白了就是高度内隐化的知识运用。

四、为什么这很重要——四个改变认知的推论

理解了AI有内隐知识之后，很多关于AI的事情就需要换个角度来看。

推论一：AI能力强的真正原因

大语言模型的强大，不是因为它们记住了多少个事实。实际上，它们经常记错事实。

它们真正的力量，来自于内隐地掌握了语言、逻辑、常识、甚至物理规律的分布模式。这就像一个人可能记不清乘法表的每一个数字，但深刻地理解了"乘法是什么"——这种理解能让他在需要的时候随时推导出结果。

推论二：它"不讲理"不是缺陷，而是必然

很多人批评大模型：“它不会真正推理，只会生成看起来合理的文本。”

但如果AI的知识主要是内隐的，那它"说不清楚自己为什么这样回答"就不奇怪了。就像你无法解释自己为什么觉得这张脸"好看"——不是你没有作出判断，而是你的判断是基于大量内隐的美学知识，这些知识无法一句话说清。

AI的不可解释性，有一部分是内隐知识的必然代价。

推论三：对齐AI不能只靠写规则

如果AI的知识是内隐的，那么价值观对齐也不能只靠写几条明确的道德准则。

这就像——你告诉一个孩子"要诚实"，比告诉他"诚实就是不说谎、不欺骗、不隐瞒真相"有效得多。因为"诚实"的知识在很大程度上是内隐的——它需要在具体情境中去感知、去理解、去内化。

同样的道理，AI对齐需要更多通过示范、反馈、情境训练来塑造AI的"道德直觉"，而不是仅仅写死在系统提示词里。

推论四：AI可能已经知道了我们不知道的东西

这是最令人兴奋的推论。

如果AI的内隐知识包含了世界运行的模式和规律，那它可能已经"感觉到"了一些人类还没意识到的模式——比如新的物理定律、新的药效相关性、新的经济周期规律。

问题在于：它说不出来。

就像你身体"知道"如何快速穿过拥挤的人群，但无法把这种技巧变成一份操作手册。AI可能已经"知道"了一些重要的科学发现，但我们需要找到方法把它的内隐知识"翻译"成我们能理解的命题知识。这正是AI可解释性研究的核心使命。

五、这件事的另一面——内隐知识的风险

当然，内隐知识也有令人不安的一面。

如果AI的价值观和偏见也是内隐的，那问题就复杂了。假设一个模型经常在训练数据中接触到"护士是女性"的关联——这不代表它有一个明确的性别偏见规则，但它会"感觉"把"护士"和"女性"放在一起更自然。这种偏见是内隐的、潜移默化的，很难通过删除几条规则来消除。

更棘手的是：我们不知道AI到底"知道"什么。因为它的知识是内隐的、分布式的、非语言的，我们无法像查数据库一样去检查它。这种"黑箱"特性让AI的安全评估变得非常困难。

你不能问AI：“你里面有没有种族歧视？“即使它回答"没有”，这个回答本身也可能是基于内隐机制的——它可能只是在生成"人类期待的答案”，而不是真正做出了自我检视。

六、总结：通往更深层次AI理解的钥匙

波兰尼说：“我们知道的，比我们能说出来的多得多。”

这句话，现在同样适用于AI。

  • 一个会骑自行车的人，不需要懂物理
  • 一个能正确使用母语的人，不需要背语法
  • 一个能写出优美诗篇的AI，不需要解释自己为什么选这个词

内隐知识理论告诉我们一个重要的道理：“知道"不等于"能说出来”，“不能解释"不等于"没有在思考”。

这对我们理解AI的现状和能力边界至关重要。当我们不再用"它能解释自己吗？“来评判AI的智能程度，我们可能会发现——AI比我们想象的更聪明，但它的聪明方式和人类非常不同。

未来十年，如何将AI的内隐知识"提取"出来——让它告诉我们它"感觉到"但"说不出来"的规律——可能是AI科学研究中最激动人心的方向之一。

也许，AI已经发现了一些我们尚未发现的东西。只是——它还说不出口。

而我们需要学会倾听，听懂AI的"沉默”。

来源与延伸阅读：

  • Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
  • Davies, M. (1990). Tacit Knowledge and the Structure of Thought. Mind & Language, 5(4), 345-356.
  • Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data. ACL 2020.
  • Li, B. Z., et al. (2023). Inference-Time Intervention: Eliciting Truthful Answers from a Language Model. NeurIPS 2023.
  • Burns, C., et al. (2023). Discovering Latent Knowledge in Language Models Without Supervision. ICLR 2023.
  • Collin, B., et al. (2024). Do LMs Have Tacit Knowledge? Testing Language Models on the Tacit-Explicit Distinction. arXiv:2403.04929.