专题研究 · Michael Polanyi

我们知道的
比能说出的更多

默会知识与 AI 时代的人类优势

Tacit Knowledge
哲学 · 认知 · 实践
2026

🔑 从一个问题开始

你会骑自行车吗？
你能用文字教会一个
从未骑过的人吗？

"先迈左脚……保持平衡……然后蹬踏板……"

写着写着你会发现：根本写不下去。因为你真正知道的那部分，从来就不在语言里。
这个困境有一个名字：默会知识（Tacit Knowledge）
它正在成为 AI 时代最重要的认知资产。

他是谁？

Michael
Polanyi

1891 — 1976

🏥
出身
匈牙利裔英国学者
医学博士出身
⚗️
科学成就
物理化学家
诺奖学生导师
📚
哲学转向
1949 年放弃科研
专注知识哲学
✍️
代表作
Personal Knowledge 1958
The Tacit Dimension 1966

学生包括诺贝尔奖得主 Eugene Wigner、Melvin Calvin（事实）

"

We can know more
than we can tell.

我们知道的，永远多于
我们能说出来的。

— Michael Polanyi，《The Tacit Dimension》, 1966

这不只是一句话，这是认识论的革命：知识不只是"可被写下来"的东西。人类的真实知识，有大部分藏在行动、感知和经验中。

知识地图

人类知识的四种形态

📖
显性知识 Explicit
可被写下、传播、存储。例：数学公式、操作手册、教科书
可言说
🤲
默会知识 Tacit
存在于经验与直觉，难以言说。例：骑车、品酒、语感判断
难言说
💡
内隐知识 Implicit
能说出但尚未整理。例：未成文的工作习惯、行业潜规则
待挖掘
🌐
常识 Common Sense
社会共享的基础判断。例：火是热的、基本礼貌规范
社会共享

常见混淆

默会知识 ≠ 常识

默会知识 Tacit
👤 属于个人
🔒 极难传授
⏰ 靠经验积累
🎯 专家直觉
常识 Common Sense
🌐 属于集体
📢 可以传播
👶 多数人皆有
🤝 社会共识
哲学家 Gilbert Ryle（1945）提出：knowing how（知道怎么做）vs knowing that（知道某件事）。默会知识正是前者——你会做但说不清楚。

日常中的默会知识

你每天都在用，
却从未解释过

🚲
骑自行车
平衡感无法用语言教会
👤
辨认面孔
认识一万张脸，却说不清如何识别
🍳
厨师火候
多年经验凝结成"感觉"
💬
语气判断
知道"感觉不对"但说不清为何
🎸
演奏乐器
情感与技巧的融合
🩺
医生直觉
资深医生能"感觉到"异常

注意：以上都是你真正拥有但无法完整写下来的知识。

Polanyi 核心洞察

注意力的两层结构

近端 Proximal
无意识感知
手、工具、习惯
→
远端 Distal
有意识目标
结果、意义、目的
锤钉子时，意识在钉子，不在手。
弹琴时，意识在音乐，不在手指。
默会知识，住在"工具"里，显现在"结果"上。
这正是为什么，当高手被要求"分析自己的每个动作"时，反而会表现失常——把注意力拉回"近端"，会打断默会知识的流动。

AI 时代为何重要

三个核心理由

01
显性知识正在被 AI 接管
所有"可以写下来"的知识，AI 都能学、都能替代。你的显性知识竞争优势正在快速消失。
02
默会知识是你的护城河
无法被明确编码的经验、直觉和判断力，是目前 AI 最难复制的人类资产。（观点）
03
用 AI 的质量，取决于你的表达深度
AI 只能根据你告诉它的来工作。能把默会知识"翻译"给 AI 的人，将获得指数级优势。

颠覆性洞察

AI 也有默会知识

你的默会知识
骑车的感觉
品味的判断
行业的直觉
×
AI 的默会知识
语言的语感
风格的模式
逻辑的连贯性
两种默会知识叠加 =
超越任何单独个体的能力
GPT 能写出好诗，却说不清"好诗的标准"。大语言模型的训练过程，本质上是人类集体默会知识的压缩。（观点：基于 Polanyi's Paradox 延伸）

核心问题

表达缺口：
为何 AI 帮不到你？

你真正知道的
你能表达给 AI 的
AI 实际能帮到你的
⚠️ 表达缺口是核心瓶颈
你的提示词质量，等于你把默会知识显性化的能力。缩短这个差距，是使用 AI 最值得投资的技能。（观点）

实践方法

如何挖掘
你的默会知识

1
复盘优秀决策的直觉来源
问自己"我为什么觉得这是对的"，把感觉转化为可言说的理由。
2
向初学者完整解释（费曼法）
解释断档的地方，就是默会知识藏身之处。能教会别人，才真正拥有。
3
与 AI 对话，发现"讲不清"的地方
当 AI 给出的答案不够准，说明你还没把真正知道的说出来。
4
记录"感觉不对但说不出为什么"
这种感觉是信号。反复追问后，往往是宝贵的判断力。
5
向专家观摩，问"你在注意什么"
不只看结果，关注专家的注意力焦点——那里是默会知识传递的入口。

理论联动

费曼学习法
= 默会知识显性化的武器

1
学习某个概念
正常学习，积累初始知识
2
用最简单的语言解释
假装教一个 12 岁的孩子
3
发现卡壳的地方
卡壳处 = 默会知识盲区的入口
4
回去深化，循环
直到能流畅解释，无死角
AI 版费曼法：让 AI 扮演"完全不懂的学生"，你来解释任何一个你"好像懂了"的概念。AI 的追问会帮你精确定位表达缺口。

行动工具箱

把默会知识
变成 AI 超能力

✍️
提问前，先写下你的直觉结论
在向 AI 提问前，先记录"我认为答案是……"。这个过程本身就是在挖掘默会知识。
🔍
让 AI 找出你"说不清"的地方
告诉 AI 你的领域背景，请它反问你最模糊的假设。AI 的追问 = 你的默会知识地图。
🗂️
把专业经验系统化为提示词库
把你的行业判断、审美标准、决策逻辑整理成可复用的提示词——这是你最难被复制的 AI 资产。
你的默会知识 × AI 能力 = 个人杠杆。你挖掘得越深，杠杆越大。

结语

在 AI 时代，真正的优势
不是你知道什么，
而是你能把多少
说不出来的东西说出来。

Polanyi 告诉我们：人类最深的智慧，从来都不在书里。它在你的手上、眼神里、判断中。

AI 的出现，第一次让我们有机会系统地挖掘这些财富，并把它放大千倍。

参考来源（事实标注）
Wikipedia · Michael Polanyi Wikipedia · Tacit Knowledge Polanyi's Paradox infed.org · Polanyi The Tacit Dimension · UChicago Exponential View · AI & Polanyi Tacit Knowledge & AI · Medium