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。
参考文献：
- 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 subdoxastic states. In Mind and Cognition, Blackwell.
- Shanahan, M. (2023). Talking About Large Language Models. Communications of the ACM, 67(2), 68-79.
- Bubeck, S. et al. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv:2303.12712.
- Li, K. et al. (2022). Inferring the Goals of a Neural Network via Inverse Planning. NeurIPS 2022.
- Li, K. et al. (2023). What a neural network knows: Probing the knowledge of large language models. arXiv:2305.13732.