知識生產(chǎn)革命：“人+AI”雙環(huán)知識共創(chuàng)模式

徐笑君 李賓

知識創(chuàng)造是知識管理活動的重中之重，它包括了知識搜索、知識識別、知識獲取、知識傳播、知識分享和知識生成等各個環(huán)節(jié)。傳統(tǒng)的組織知識創(chuàng)造過程面臨著諸多難點。首先，知識的獲取和整理是一個龐大的工程，需要投入大量的人力和物力。其次，如何讓員工愿意分享自己的知識，是組織管理者需要解決的關(guān)鍵難題。再次，知識的更新速度非?？?，組織需要不斷學(xué)習(xí)新的知識來適應(yīng)市場的變化。最后，隱性知識難以通過文字或語言表達(dá)出來，傳播和應(yīng)用變得異常困難。這些因素會降低知識創(chuàng)造的效率，從而成為組織創(chuàng)新的瓶頸。

然而，近一年多來，ChatGPT和Gemini API等現(xiàn)象級人工智能產(chǎn)品的出現(xiàn)，預(yù)示著人工智能將告別弱智能時代。OpenAI公司的GPT是一種人工智能生成內(nèi)容（AI Generated Content，簡稱AIGC）產(chǎn)品，具有信息檢索、翻譯、文本生成、自動編程、智能問答等強(qiáng)大功能。目前GPT4.0的語料庫已經(jīng)更新到了2023年4月。GPT4.0是一種多模態(tài)模型，相較自然語言處理模型GPT3.5，它不僅可以理解和生成文本，還可以處理多種媒體數(shù)據(jù)，如圖像和聲音，在邏輯和推理方面的功能也更好。谷歌開發(fā)的Gemini API也是一個多模態(tài)模型，在圖像、音頻、視頻和文本領(lǐng)域有強(qiáng)大的功能。

GPT和Gemini這些AIGC產(chǎn)品的出現(xiàn)將引發(fā)一場顛覆式的知識生產(chǎn)革命。傳統(tǒng)的組織知識創(chuàng)造模式有哪些特點？在數(shù)智化時代，組織的知識創(chuàng)造模式將發(fā)生哪些變化？在新的組織知識創(chuàng)造模式中，管理者需要注意哪些問題？這都是需要管理者深思和解答的問題

傳統(tǒng)的組織知識創(chuàng)造模式

傳統(tǒng)知識管理領(lǐng)域的知名學(xué)者提出的知識創(chuàng)造模型或者組織學(xué)習(xí)模型，關(guān)注點主要是知識屬性、知識創(chuàng)造主體、知識創(chuàng)造手段（個體學(xué)習(xí)的單環(huán)學(xué)習(xí)、雙環(huán)學(xué)習(xí)和多環(huán)學(xué)習(xí)、團(tuán)隊學(xué)習(xí)、組織學(xué)習(xí)和組織間學(xué)習(xí)）和知識創(chuàng)造過程。

下面以“知識創(chuàng)造理論之父”野中郁次郎提出的“SECI組織知識創(chuàng)造模型”為例來分析傳統(tǒng)組織知識創(chuàng)造的特點。野中郁次郎與他的合作者通過大量的案例研究得出，日本企業(yè)的知識創(chuàng)造是一個由內(nèi)而外的、以人為中心的集體知識創(chuàng)造過程。他認(rèn)為組織知識創(chuàng)造實質(zhì)就是顯性知識和隱性知識不斷在個體、團(tuán)隊、組織和組織間轉(zhuǎn)化的過程。

組織知識創(chuàng)造的輸入要素

知識創(chuàng)造的輸入要素有數(shù)據(jù)（Data）、信息（Information）、知識（Knowledge）和智慧（Wisdom），排序在后的要素比前面的要素多了某些特質(zhì)。數(shù)據(jù)是指離散孤立、不相關(guān)的事實、文字、數(shù)字、圖像和符號等。例如，對于80，我們只能判斷這是一個數(shù)字。信息是指憑借人的認(rèn)知能力和經(jīng)驗對數(shù)據(jù)進(jìn)行選擇、評價、組織和分析的結(jié)果。例如，對于速度80公里/小時，我們知道這是一個比人走路快得多的速度。知識是人類基于數(shù)據(jù)及信息進(jìn)行的邏輯推理。知識是有一定情景的信息，以及對怎樣運用它的理解。例如，汽車在高速公路上以80公里/小時前進(jìn)，基于知識我們可以判斷，這輛汽車是以正常的速度行駛。野中郁次郎認(rèn)為知識與信仰、承諾、行動和意義有關(guān)，而智慧不僅包含如何使用知識，還包含了什么時候使用，它代表了一種更高層次的理解和應(yīng)用。野中郁次郎提出領(lǐng)導(dǎo)者要善于應(yīng)用實踐智慧而不僅僅是智慧。實踐智慧能夠幫助領(lǐng)導(dǎo)者審時度勢作出明智的決策，因地制宜采取適宜的行動。

組織知識的屬性

典型的知識屬性有顯性和隱性兩種。英國科學(xué)家邁克爾·波蘭尼（Michael Polanyi）認(rèn)為人類懂的比能說出來的多很多，因此，相對顯性知識，他提出了隱性知識這個概念。顯性知識是能夠用文字、數(shù)字或者圖像等進(jìn)行清晰表述的知識，它可定義、易獲取、易溝通。隱性知識是只可意會難以言傳的知識，它根植于個體的經(jīng)驗、判斷、聯(lián)想、創(chuàng)意和心智模式。隱性知識又可細(xì)分為認(rèn)知隱性知識和技巧隱性知識兩種類型。認(rèn)知隱性知識是指存儲在人類心智模式內(nèi)的抽象觀念、判斷和直覺。技巧隱性知識是指需要通過不斷的練習(xí)才能獲得的技能。個體，不斷實踐、反復(fù)試錯、總結(jié)領(lǐng)悟，最終獲得的隱性知識才是最強(qiáng)有力的知識。野中郁次郎認(rèn)為挖掘隱性知識，也就是員工頭腦中的想法、直覺和靈感，是知識創(chuàng)造的關(guān)鍵。

組織知識創(chuàng)造主體

野中郁次郎認(rèn)為知識創(chuàng)造的主體是個體和團(tuán)隊。個體是知識創(chuàng)造的來源。通過對話、討論、分享、觀察，個體創(chuàng)造的知識在團(tuán)隊層面被擴(kuò)大化和固化下來成為團(tuán)隊知識。如果沒有個體的主動和團(tuán)隊內(nèi)部的互動，組織是無法進(jìn)行知識創(chuàng)造的。個體是組織知識創(chuàng)造的起始點，而團(tuán)隊為個體間的對話和互動提供了共享環(huán)境，團(tuán)隊在組織知識創(chuàng)造中起中心角色的作用。

組織知識創(chuàng)造過程

“SECI模型”將組織知識創(chuàng)造過程劃分成四個階段，包括個體隱性知識轉(zhuǎn)化為另一個體隱性知識的社會化階段（Socialization），個體隱性知識轉(zhuǎn)化為團(tuán)隊顯性知識的外顯化階段（Externalization），團(tuán)隊顯性知識轉(zhuǎn)化為組織顯性知識的組合化階段（C o m b i n a t i o n），以及組織顯性知識轉(zhuǎn)化為個體隱性知識的內(nèi)隱化階（Internalization）。

在社會化階段，團(tuán)隊成員之間通過分享經(jīng)歷和心智模式產(chǎn)生共情，實現(xiàn)隱性知識向隱性知識的轉(zhuǎn)化。這類知識又被稱為共情知識。在外顯化階段，團(tuán)隊成員之間通過有意義的對話和集體反思，借助比喻、類比的手段，將個體的隱性知識轉(zhuǎn)化為團(tuán)隊顯性知識。這類知識往往是在概念創(chuàng)造的過程中產(chǎn)生的，因此又被稱為概念性知識。在組合化階段，團(tuán)隊新創(chuàng)知識與組織既有知識進(jìn)行鏈接，新創(chuàng)知識固化到組織的產(chǎn)品、服務(wù)和流程中，因此這類知識又被稱為系統(tǒng)性知識。在內(nèi)隱化階段，個體通過干中學(xué)，將組織顯性知識以共享心智模式或者技術(shù)訣竅的形式轉(zhuǎn)化為自己的隱性知識。這類知識又被稱為操作性知識。

組織知識轉(zhuǎn)化的四個階段依次進(jìn)行，構(gòu)成了一個從團(tuán)隊成員間共享隱性知識到創(chuàng)造概念、驗證概念、建立原型，最終實現(xiàn)跨層轉(zhuǎn)移知識的完整知識創(chuàng)造過程。這一知識創(chuàng)造過程不斷循環(huán)往復(fù)，使得企業(yè)的知識螺旋上升。

知識創(chuàng)造的場所

“SECI模型”中四個不同階段，實現(xiàn)知識轉(zhuǎn)化的場所是不一樣的，可以是物理空間、虛擬空間或精神空間，也可以是這些空間的組合。

在社會化階段，個體間分享經(jīng)驗、情感、心智模式的場所，可以是物理空間，如師傅帶徒弟、在崗培訓(xùn)（On the JobTraining，OJT）等；可以是虛擬空間，如可供討論的在線社區(qū)、論壇等；也可以是精神空間，如團(tuán)隊建設(shè)活動、座談會等。在外顯化階段，知識創(chuàng)造是通過個體間的對話和集體反思實現(xiàn)的，對話場所可以是面對面交流的物理空間，也可以是遠(yuǎn)程交流的虛擬空間（視頻會議、在線討論等）。在組合化階段，團(tuán)隊顯性知識轉(zhuǎn)化為組織顯性知識是在虛擬空間實現(xiàn)的，如組織內(nèi)部的知識管理系統(tǒng)、協(xié)同辦公平臺等。在內(nèi)隱化階段，個體的干中學(xué)場所可以是實際工作場景，如生產(chǎn)車間、實驗室等；也可以是通過模擬、仿真技術(shù)搭建的虛擬環(huán)境。

生成式AI的組織知識創(chuàng)造模式

AI的誕生、繁榮到生成式AI的崛起

AI試圖理解、設(shè)計和制造出具有智能的新型計算機(jī)系統(tǒng)，以實現(xiàn)和人類智能相似的功能。AI的發(fā)展經(jīng)歷了從圖靈測試到神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的演進(jìn)過程。1950年，艾倫·圖靈（Alan Turing）提出了圖靈測試，為人工智能的研究奠定了基礎(chǔ)。1956年，約翰·麥卡錫（John McCarthy）首次提出了人工智能這個概念。1965年，麻省理工學(xué)院的計算機(jī)教授約瑟夫·魏岑鮑姆（Joseph Weizenbaum）開發(fā)了一種名為ELIZA的聊天程序，這是第一個自然語言處理程序。1986年，杰弗里·辛頓（Geoffrey Hinton）和大衛(wèi)·魯梅爾哈特（David Rumelhart）等人提出了反向傳播算法，使得神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)成為可能。隨后，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)相繼興起，為人工智能的應(yīng)用提供了更多的可能性。1997年，IBM研發(fā)的國際象棋機(jī)器人“深藍(lán)”擊敗了棋王卡斯帕羅夫，這是AI在復(fù)雜決策問題上取得的重大突破。2016年，谷歌研發(fā)的圍棋機(jī)器人阿爾法圍棋（AlphaGo）擊敗了世界冠軍李世石，再次證明了AI的強(qiáng)大實力。進(jìn)入21世紀(jì)，隨著大數(shù)據(jù)和計算能力的飛速發(fā)展，AI開始進(jìn)入一個全新的階段，即深度學(xué)習(xí)。深度學(xué)習(xí)模仿人腦神經(jīng)網(wǎng)絡(luò)工作機(jī)制，能處理大量復(fù)雜的數(shù)據(jù)，從而實現(xiàn)了許多前所未有的應(yīng)用。

生成式AI是能夠自動生成數(shù)據(jù)的人工智能系統(tǒng)。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法不同，生成式AI可以自主地學(xué)習(xí)和創(chuàng)造新的內(nèi)容。例如，OpenAI自2022年11月30日發(fā)布GPT3.5后，短短2個月其用戶數(shù)量就達(dá)到了一個億。GPT3.5憑借強(qiáng)大的文本生成能力，成為了生成式AI領(lǐng)域的一個重要里程碑。在知識創(chuàng)造中，生成式AI可以用于知識的自動提取、整合和創(chuàng)新，大大降低了知識創(chuàng)造的復(fù)雜性和成本。生成式AI是一種能夠自我學(xué)習(xí)和自我演進(jìn)的人工智能技術(shù)，它能夠通過對大量數(shù)據(jù)的學(xué)習(xí)和分析，生成越來越高質(zhì)量的新知識。例如，谷歌的人工智能蛋白機(jī)構(gòu)預(yù)測系統(tǒng)AlphaFold，幾乎能預(yù)測所有小分子藥物結(jié)合的藥物靶點蛋白的結(jié)構(gòu)。生成式AI技術(shù)的出現(xiàn)不僅能解決傳統(tǒng)知識創(chuàng)造中的難點，而且為知識生成提供了新的方法和路徑。

以AI為中心的個性化知識創(chuàng)造模式

生成式AI是一種基于深度學(xué)習(xí)技術(shù)的人工智能模型，能夠模擬人類的創(chuàng)造性思維，生成具有一定邏輯性和連貫性的語言文本、圖像、音頻等內(nèi)容。生成式AI生成內(nèi)容包括五個步驟。

第一步，數(shù)據(jù)收集。首先需要收集大量的原始數(shù)據(jù)，將之作為模型訓(xùn)練的基礎(chǔ)。這些數(shù)據(jù)可以來自互聯(lián)網(wǎng)的公開資料、出版的書籍和文章，也可以來自專業(yè)數(shù)據(jù)庫和企業(yè)的私域數(shù)據(jù)。這些數(shù)據(jù)將用于訓(xùn)練模型，使其學(xué)會理解和生成人類語言。

第二步，數(shù)據(jù)預(yù)處理。對收集到的數(shù)據(jù)進(jìn)行清洗和格式化，包括去除停用詞（如“的”“是”等常見詞匯）、標(biāo)點符號、特殊字符等。此外，還需要將文本轉(zhuǎn)換為模型可以理解的數(shù)字表示形式，如使用詞嵌入（Word Embedding）技術(shù)將單詞映射到一個高維空間中的向量。

第三步，模型訓(xùn)練。使用深度學(xué)習(xí)搭建一個神經(jīng)網(wǎng)絡(luò)模型，如Transformer或循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）。然后，使用收集到的預(yù)處理數(shù)據(jù)訓(xùn)練模型，使其學(xué)會根據(jù)輸入的文本生成相應(yīng)的輸出。

第四步，模型優(yōu)化。在模型訓(xùn)練完成后，可能需要對其進(jìn)行微調(diào)和優(yōu)化，以提高生成內(nèi)容的質(zhì)量和準(zhǔn)確性。這可能包括調(diào)整模型參數(shù)、使用更高質(zhì)量的數(shù)據(jù)集進(jìn)行訓(xùn)練等。

第五步，內(nèi)容生成。應(yīng)用訓(xùn)練好的模型自動生成新的內(nèi)容。AI內(nèi)容生成主要有三種功能：數(shù)字內(nèi)容孿生、數(shù)字內(nèi)容的智能編輯和數(shù)字內(nèi)容的智能創(chuàng)作。數(shù)字內(nèi)容孿生是將數(shù)字內(nèi)容從一個維度映射到另一個維度，包括內(nèi)容的增強(qiáng)與轉(zhuǎn)譯。增強(qiáng)是對數(shù)字內(nèi)容進(jìn)行修復(fù)、去噪、細(xì)節(jié)增強(qiáng)等；轉(zhuǎn)譯是對數(shù)字內(nèi)容進(jìn)行轉(zhuǎn)換。數(shù)字內(nèi)容的智能編輯則是在現(xiàn)有內(nèi)容的基礎(chǔ)上進(jìn)行修改、優(yōu)化和創(chuàng)新，以提高其質(zhì)量和價值。在進(jìn)行智能創(chuàng)作時，由于具有強(qiáng)大的自我學(xué)習(xí)能力和自我演進(jìn)能力，生成式AI將會產(chǎn)生超出人類理解范疇的知識，即AI專屬的隱性知識。

總的來講，以AI為中心的個性化知識創(chuàng)造模式和以人為中心的集體知識創(chuàng)造模式存在較大差異（見表1）。

“人+AI”的雙環(huán)知識共創(chuàng)模式

以人為中心的知識創(chuàng)造過程和以AI為中心的知識創(chuàng)造過程并不是截然分開的，而是一個相互促進(jìn)、共同提升的過程。

生成式AI驅(qū)動傳統(tǒng)的知識創(chuàng)造模式

AI技術(shù)能夠有效提升SECI四個階段的知識轉(zhuǎn)化效率和轉(zhuǎn)化質(zhì)量。

在社會化階段，個體通過交流和互動來共享和理解知識。在這個過程中，生成式AI的智能問答、分類、摘要等功能可以發(fā)揮重要作用。生成式AI可以理解人類語言，對大量的信息進(jìn)行快速處理和分析，從而幫助個人更有效地獲取、理解和應(yīng)用知識。這不僅大大提高了知識的傳播速度，也提升了知識的理解和應(yīng)用效果。

在外顯化階段，個人的隱性知識轉(zhuǎn)化為團(tuán)隊的顯性知識。在這一過程中，生成式AI自動生成內(nèi)容的能力可以發(fā)揮關(guān)鍵作用。它可以將人的思維、經(jīng)驗和智慧轉(zhuǎn)化為結(jié)構(gòu)化的文本，使原本難以表達(dá)和傳播的隱性知識得以顯現(xiàn)。這種轉(zhuǎn)化不僅可以提高知識的可復(fù)制性和傳播性，還可以為后續(xù)的知識創(chuàng)新和整合奠定基礎(chǔ)。

在組合化階段，主要是發(fā)現(xiàn)和建立不同知識之間的聯(lián)系。在這個過程中，生成式AI的數(shù)據(jù)挖掘和分析能力可以發(fā)揮關(guān)鍵作用。它可以從海量的數(shù)據(jù)中發(fā)現(xiàn)有價值的知識和信息，然后將這些知識和信息進(jìn)行整合和鏈接，形成更高層次的知識結(jié)構(gòu)。這種知識的組合和整合可以使知識更具深度和廣度，從而提升知識的價值。

在內(nèi)隱化階段，個體通過學(xué)習(xí)和實踐來不斷提升隱性知識和技能。在這個過程中，生成式AI的自適應(yīng)學(xué)習(xí)能力可以發(fā)揮關(guān)鍵作用。它可以根據(jù)個人的學(xué)習(xí)情況和需求，提供個性化的學(xué)習(xí)資源和方法，幫助個人持續(xù)學(xué)習(xí)和改進(jìn)。這種個性化的學(xué)習(xí)方式可以提高學(xué)習(xí)的效率和效果，從而提升個人的隱性知識和技能水平。

雙循環(huán)知識共創(chuàng)模式

圖1呈現(xiàn)的是以人為中心的知識創(chuàng)造和以AI為中心的知識創(chuàng)造雙環(huán)共創(chuàng)模式。組織通過以人為中心的知識創(chuàng)造模式創(chuàng)造各專業(yè)領(lǐng)域的知識，然后將其輸入至以AI為中心的知識創(chuàng)造大模型，與大模型融合；以AI為中心的知識創(chuàng)造大模型的智慧化運行結(jié)果又反哺以人為中心的知識創(chuàng)造系統(tǒng)。AI為中心的知識創(chuàng)造大模型不斷擴(kuò)大組織的知識范圍、提升組織的認(rèn)知能力，從而促進(jìn)組織創(chuàng)造更多的新知識。組織知識創(chuàng)造和大模型智慧化運行形成一種周而復(fù)始的自循環(huán)和自演進(jìn)的狀態(tài)。

雙環(huán)共創(chuàng)模式在企業(yè)數(shù)字化轉(zhuǎn)型中的應(yīng)用

隨著人工智能、區(qū)塊鏈、云計算和大數(shù)據(jù)等技術(shù)的發(fā)展，越來越多的中國企業(yè)開始主動擁抱企業(yè)的數(shù)字化轉(zhuǎn)型。在企業(yè)數(shù)字化轉(zhuǎn)型的不同階段，以人為中心的知識創(chuàng)造模式和以AI為中心的知識創(chuàng)造模式所起的作用是不一樣的。

企業(yè)的數(shù)字化轉(zhuǎn)型往往是從信息化開始，逐步向數(shù)字化和智能化發(fā)展。

在信息化階段，企業(yè)主要通過建立各種信息系統(tǒng)對業(yè)務(wù)進(jìn)行量化改造，實現(xiàn)業(yè)務(wù)數(shù)字化。企業(yè)構(gòu)建統(tǒng)一的數(shù)據(jù)儲存和管理平臺對這些業(yè)務(wù)數(shù)據(jù)進(jìn)行治理，形成企業(yè)的大數(shù)據(jù)中心。這個階段的特點是信息和流程驅(qū)動，企業(yè)主要關(guān)注的是如何利用信息技術(shù)提升業(yè)務(wù)的運行效率。這個階段以人為中心的知識創(chuàng)造模式起主要作用，大數(shù)據(jù)中心提供輔助決策所需的數(shù)據(jù)和資料。

在數(shù)字化階段，企業(yè)開始利用數(shù)字技術(shù)改變傳統(tǒng)的經(jīng)營管理方式。企業(yè)構(gòu)建各種算法對大數(shù)據(jù)中心的數(shù)據(jù)進(jìn)行挖掘利用，為經(jīng)營決策層、業(yè)務(wù)和職能部門層、基層工作單元提供數(shù)字化支持，形成經(jīng)營決策腦、專業(yè)領(lǐng)域腦和基層工作單元腦，企業(yè)進(jìn)入多腦運行狀態(tài)。這個階段的特點是數(shù)據(jù)和算法驅(qū)動，通過數(shù)字化系統(tǒng)進(jìn)行沉淀。在這個階段，雖然企業(yè)的多腦參與各個層級的決策，但以人為中心的知識創(chuàng)造模式仍然占據(jù)主導(dǎo)地位，以AI為中心的知識創(chuàng)造還處于輔助階段。

在智能化階段，企業(yè)開始利用人工智能、區(qū)塊鏈、云計算和大數(shù)據(jù)等技術(shù)來實現(xiàn)業(yè)務(wù)的自動化和智能化。企業(yè)的經(jīng)營決策腦、專業(yè)領(lǐng)域腦和基層工作單元腦的運行邊界逐漸模糊，和行業(yè)上下游生態(tài)鏈之間的一體化趨勢愈發(fā)明顯。企業(yè)內(nèi)外不同領(lǐng)域相互融合導(dǎo)致數(shù)據(jù)量指數(shù)級增長、業(yè)務(wù)規(guī)則越來越復(fù)雜，傳統(tǒng)數(shù)字化系統(tǒng)將逐步讓位于大模型驅(qū)動的智慧云腦系統(tǒng)，企業(yè)進(jìn)入云腦智慧運行狀態(tài)。云腦運行的是企業(yè)沉淀下來的知識，它的典型特征是行業(yè)大模型和企業(yè)大模型驅(qū)動，能夠根據(jù)內(nèi)外場景特點面向客戶和員工提供智能化的知識服務(wù)。這個階段的特點是知識創(chuàng)新驅(qū)動，企業(yè)主要關(guān)注如何通過人與AI的雙環(huán)知識共創(chuàng)來實現(xiàn)業(yè)務(wù)的創(chuàng)新和突破。

亟待解決的問題和面臨的挑戰(zhàn)

生成式AI在知識生成中亟待解決的問題

生成式AI是一種對整個信息環(huán)境中的知識傳遞與共享、知識流動與擴(kuò)散具有支撐和推動作用的技術(shù)。這種技術(shù)具有自主生成和自我學(xué)習(xí)能力，可以突破傳統(tǒng)知識獲取和處理方式的限制，為用戶提供準(zhǔn)確、高效、全面的知識服務(wù)。生成式AI為知識生成帶來了巨大的機(jī)遇，但也引發(fā)了一些亟待解決的問題。這些問題包括如何處理生成式AI可能引起的知識真實性、完整性、可靠性等問題，如何防止生成式AI產(chǎn)生的虛假或誤導(dǎo)性信息使用戶產(chǎn)生錯誤認(rèn)知，如何平衡知識的多樣性和全面性，避免因算法偏好或過濾泡沫效應(yīng)導(dǎo)致的對信息的過度強(qiáng)調(diào)或忽略等。

第一，知識的真實性和可靠性問題。生成式AI雖然可以自動產(chǎn)生內(nèi)容，但內(nèi)容的真實性和可靠性無法得到保障，可能有錯誤或不真實信息。由于生成式AI的高度仿真性和隱蔽性，其生成的內(nèi)容可能含有誤導(dǎo)性或虛假信息，導(dǎo)致用戶產(chǎn)生錯誤的認(rèn)知。為了解決這個問題，我們需要加強(qiáng)對生成式AI的研究和監(jiān)管，以確保其安全、可靠、公正地應(yīng)用于各個領(lǐng)域。

第二，知識的多樣性與全面性問題。當(dāng)面對多元、碎片化的信息時，生成式AI可能會因為算法偏好或過濾泡沫效應(yīng)，過度強(qiáng)調(diào)部分知識，忽視其他重要知識，從而影響了知識的多樣性和全面性。例如，2019年，美國電子隱私信息中心（EPIC）向公平貿(mào)易委員會起訴視頻面試平臺HireVue，認(rèn)為該公司AI在選拔候選人時存在種族、性別、性取向和其他類別的歧視。紐約大學(xué)坦登（Tandon）工程學(xué)院的研究團(tuán)隊發(fā)現(xiàn)ChatGPT和 Claude在招聘中對簡歷存在育兒間隙和懷孕狀態(tài)的候選人會產(chǎn)生明顯的偏見（歧視）。紐約市制定了一項首創(chuàng)性法律，要求定期審查算法招聘決策的透明度和公平性。因此，我們需要建立有效的外部質(zhì)疑反饋平臺，及時回應(yīng)社會各界對特定內(nèi)容的合理懷疑，對錯誤信息進(jìn)行糾正，維護(hù)知識權(quán)威和認(rèn)知安全。

第三，知識產(chǎn)權(quán)問題。生成式AI的快速發(fā)展也帶來了新的知識產(chǎn)權(quán)問題。例如，2023年12月27日，紐約時報對OpenAI和微軟提起訴訟，指控他們侵犯版權(quán)并濫用該報的知識產(chǎn)權(quán)。OpenAI和微軟未經(jīng)授權(quán)就使用紐約時報的文章訓(xùn)練GPT大模型，而且很多GPT輸出的內(nèi)容與紐約時報報道的新聞內(nèi)容幾乎一模一樣。因此，如何在知識創(chuàng)造和產(chǎn)權(quán)保護(hù)之間找到平衡，成為了當(dāng)前亟待解決的問題。

生成式AI在知識生成中面臨的挑戰(zhàn)

“以人為中心的知識創(chuàng)造”中存在的核心問題，也是目前“以AI為中心的知識創(chuàng)造”所難以解決的。

第一，忽略源于實踐的智慧。智慧是一種高階隱性知識，它既能幫助我們洞察事物，抓住事物的本質(zhì)，也能幫助我們快速應(yīng)對外部環(huán)境的變化。實踐智慧是一種來源于實踐又應(yīng)用于實踐的智慧。野中郁次郎強(qiáng)調(diào)了實踐對知識創(chuàng)造的重要性，認(rèn)為直接的、動態(tài)的人類互動是一切知識的來源。當(dāng)我們過于看重AI生成的知識時，可能會忽略通過實踐獲得的知識，尤其是隱性知識的生成。另外，野中郁次郎強(qiáng)調(diào)實踐智慧是以價值觀和道德為準(zhǔn)繩，而AI的價值觀和道德受模型開發(fā)者所主導(dǎo)。

第二，人的心智模式是AI難以模仿的。心智模式是個體對世界的理解方式，它是由經(jīng)驗、信仰、價值觀和期望構(gòu)成的。這種理解方式會影響人們的思考方式和行為模式，從而影響決策和行動。在知識創(chuàng)造的過程中，員工的心智模式往往是推動創(chuàng)新的關(guān)鍵因素。機(jī)器學(xué)習(xí)很難模仿人的心智模式，因為心智模式是高度個性化的。每個人都有自己獨特的心智模式，這是基于其個性、經(jīng)歷和環(huán)境形成的；而機(jī)器學(xué)習(xí)是一種基于大數(shù)據(jù)的學(xué)習(xí)方式，基于大量的樣本和規(guī)則生成模型。因此，機(jī)器學(xué)習(xí)很難捕捉到這種個性化的、非結(jié)構(gòu)化的心智模式。而且，心智模式是一種動態(tài)的知識，隨著經(jīng)驗的積累和環(huán)境的變化，人們的心智模式也會不斷地調(diào)整和改變；而機(jī)器學(xué)習(xí)是一種靜態(tài)的學(xué)習(xí)方式，只能在一定的時間和空間范圍內(nèi)生成模型。因此，機(jī)器學(xué)習(xí)很難捕捉到這種動態(tài)的、變化的心智模式。當(dāng)然我們可以將機(jī)器學(xué)習(xí)與人工智能結(jié)合起來，通過對員工的思維方式和行為模式進(jìn)行深度學(xué)習(xí)，訓(xùn)練出一個能夠模擬員工心智模式的模型。這樣，就可以利用這個模型來預(yù)測員工的決策和行動，從而提高知識創(chuàng)造的效率和質(zhì)量，虛擬數(shù)字人就是這樣的產(chǎn)品。但是訓(xùn)練虛擬數(shù)字人的過程非常復(fù)雜，價格也很昂貴。

第三，在創(chuàng)造力和想象力方面，AI仍然無法超越人類。創(chuàng)造力是產(chǎn)生原創(chuàng)想法的能力，它能夠促進(jìn)新技術(shù)的發(fā)明、新藝術(shù)形式的創(chuàng)造，甚至能改變?nèi)祟悓κ澜绲目捶?。想象力是?yīng)對不確定性、設(shè)想各種可能性的能力。在面對未知時，想象力能夠使人們設(shè)想出各種可能的未來，并據(jù)此做出決策。AI已經(jīng)證明，它可以學(xué)習(xí)和模仿人類的思維方式，生成新的創(chuàng)意和解決方案。當(dāng)前，AI已經(jīng)成功用于生成音樂、繪畫和寫作等藝術(shù)形式。例如，谷歌的DeepDream項目就能夠“想象”出令人驚嘆的圖像。然而，這并不意味著AI真正擁有了創(chuàng)造力和想象力。AI的創(chuàng)意和解決方案是基于大量的數(shù)據(jù)和算法生成的，雖然看起來新穎和獨特，但仍然是基于已有的信息進(jìn)行計算和預(yù)測的。AI無法像人類那樣，基于個人的經(jīng)驗、情感和價值觀來創(chuàng)造新的想法，也無法預(yù)見其創(chuàng)意的潛在影響和價值，因為它缺乏對未來的直觀感知和理解。盡管AI在模仿人類的創(chuàng)造力和想象力方面取得了一定的成功，但它仍然無法真正地超越人類。