致用以学：人工智能时代的暗知识及其对传统学习模式的超越

人工智能时代提出的 “暗知识”概念，将人工智能所掌握和使用、却难以为人类感知和表达的信息视为知识，这开拓了一个全新的知识类型。追溯 “暗知识”的发现过程，概括 “暗知识”的主要特点，分析它对人类传统的知识观带来的挑战，阐述 “致用以学”何以可能、何以必要，提出人工智能时代机器所掌握的暗知识与人类的学习行为融合，可以超越传统的 “先学后习”和 “学习并行”模式，“先习后学”的新模式将使人机融合条件下的 “致用以学”成为现实。为此，未来的教育教学改革应该更加重视学习者的主体性教育，立足于机器所掌握的暗知识，以知识的应用为导向，着力培养学习者判断、选择、转化和灵活运用各类知识解决实际问题的能力，这是人工智能时代教育工作者努力的方向。

人工智能时代机器在学习方面表现出来的超能力，使其远不再停留于接近人类智慧的阶段，当它在知识的获取量上开始超越人类 [1]，人类在数千年的历史长河中获得的知识与之相比将微不足道。人工智能可以在很短时间内获取人类现存的几乎全部知识，不仅如此，它还可以依托其超强的运算能力，发现人类所难以发现的 “暗知识”。暗知识的出现，在我们过去对明知识 （又叫 “显性知识” “明述知识” “言述知识”）和默知识 （又叫“默会知识”“缄默知识”“隐性知识”）的划分之外，开拓了一个新的知识类型。这项研究之所以重要，是因为长期以来，我们是站在人类的立场来思考人工智能[2] ，对比人与感知智能和认知智能等方面的近似程度，关注的是弱人工智能（Artificial Narrow Intelligence）和强人工智能 （Artificial General Intelligence）向人类智能无限接近的趋势，而较少认真思考如果人工智能完全脱离过去人类已有的知识和经验，进入超人工智能（Artificial Superintelligence）阶段之后，当所有靠人类智力所能企及的发现，机器早已知道答案，并能与人进行互动，这将超越我们过去传统的认知模式。在人工智能时代，面向学习能力超强的机器，面向越来越明显的大脑、意识和机器协同合作的新趋势[3]，传统的“先学后习”和 “学习并行”模式之外，可能会出现新的“先习后学”模式。因为人工智能时代的机器不但可以通过模仿人脑和模仿演化学习明知识和默知识，更重要的是它能学习既无法被人类感知又不能表达的暗知识[4]42，从而可以在人类学习行动开始之前就先体验各种预设下方法、路径的成效，根据学习者的偏好、习惯等，择优呈现给学习者学习，这将使人机融合下的 “致用以学”成为现实。

一、“致用以学”何以可能：人工智能时代的暗知识及其特点

（一）“用”先于“学”：对弈中暗知识的发现

暗知识是王维嘉（Weijia Wang）博士在《暗知识：机器认知对商业的颠覆》一书中提出的概念，作者将之定义为人类“既无法感受又无法表达和描述的知识”[4]27。例如人工智能技术以其超强的计算能力进行模拟测算、穷举试错等方式所发现掌握，而人类由于各种局限未曾探索和接触，却可以被人工智能机器所了解和运用的知识就是暗知识。

暗知识的发现始于2017年的围棋人机大赛。2017年3月，美国谷歌公司研发的围棋对弈程序阿法狗（AlphaGo）以3：0的绝对优势碾压世界排名第一的围棋棋手柯洁，而数月后研发的升级版本阿法狗零（AlphaGo Zero）使用“强化学习”技术，不再基于任何人类的棋谱经验，从零开始自我对弈，不断迭代升级，随即击败之前所有的阿法狗旧版本。不仅如此，它经过4小时训练，打败最强国际象棋智能鳕鱼（AI Stockfish），2个小时训练，打败最强将棋（又称为日本象棋，AI Elmo）。人类2000多年留下记录的对弈棋谱不过几万盘，而阿法狗零则以超强的计算能力，在极短的时间内探索了大量人类过去几千年中从未曾尝试过的走法，其掌握的知识已经完全超出人类已有的经验和理性。[4]6-8这些人类未曾掌握，却被机器所使用的就是暗知识。

暗知识能够被发现，源于计算能力的倍数增长、数据的大量采集和积累、神经网络算法的突破，它们合力带来了人工智能技术呈爆发式发展。[5]在自然语言处理、学习计算、图像识别等许多方面[6]，机器的许多能力不但已经接近人类，甚至已经超越人类。为此，格雷斯（Katja Grace）等人甚至专门发布《人工智能何时超越人类》的报告，对现有职业领域超越人类的可能性进行公开预测。[7]当人机在学习上可以分离，机器不再依赖人类既有的经验，它便可以凭借其超人工智能技术超越人类既有的经验，获得机器所掌握而人类还从未探索过的海量的暗知识，这些知识虽然还不曾为人类所获得，“学”尚未开始，但却可以解决人类遇到的问题，足以证明其有“用”，值得人类去“学”。

（二）“用”以待“学”：人工智能时代暗知识的特点

人工智能时代机器所掌握的暗知识的“用”是对人类有“用”，可以为人类所“学”。与人类的明知识、默知识相比，暗知识具有一些突出的特点：

第一，非感知性。暗知识是无法被人类直接观察和感知的。这可能是因为人类没有能力感知，但更可能是源于人类没有机会感知。人类经验的一个特点是，事情一旦发生就没有再重来的机会，我们在每做出一项选择的同时也放弃了其它的选择。[8]为此，在做出选择之前，人类只能凭借前人的经验来判断。然而前人的经验是有限的，这使人类的学习行为只能通过有限的经验加以强化。人工智能的运算速度远远大于人类，比如阿法狗每秒钟可以走8万步，下200盘棋，它采用“蒙特卡洛树搜索”（ The monte carlo search tree）方式，运用赢率更新决策网络和走子，将监督学习和强化学习相混合，从而能够感知到最优路径。由于超高的运算速度，它获取的绝大多数下棋经验都远非人类所能有机会感知和体验。但是，与此同时，也源于暗知识的非感知性特点，机器虽然可以像人类那样学习海量的知识，并且可以在实践中证明其有“用”，却只有转化为人类可以感知的明知识或默知识才能为人类所“学”，否则，它无法被人类感知，也就无法证明其有“用”。只有它被验证有“用”，才可以被人类感知和“学习”。

第二，非表达性。暗知识的非表达性不代表暗知识不能被表达，而是指受到时间、经验、身体机能等约束，暗知识没有机会被人类所表达。俗语说，“画人容易画鬼难。”因为无法被人类直接感知，也就难以被理解，其内容和形式甚至可能超出人类的想象力。暗知识并不是人类虽然尚未发现但一旦发现就必然可以被人类理解的知识，因为人类的认知是连续的，我们所有的知识都是构建在过去的认知结构之上，而暗知识则超出人类过去的认知和表达模式。它的表现方式像是一堆看似随机的数字，如神经网络的参数集，我们并不知道它们之间的关系，却可以通过网络以光速传给其它同类机器。[4]30-31这就意味着人类不可能了解大部分暗知识。正如庄子所言：“吾生也有涯，而知也无涯。以有涯随无涯，殆已。”[9]与追求知识本身相比，运用知识变得更加重要。因为在一个知识共同体中，比拥有知识更重要的是拥有获取知识的权限。[10]120学会“用”知识，在高效的运用中“学”知识，将成为人工智能时代人类学习变革的方向。

第三，非情感性。暗知识和所有机器所能获得的知识一样，都缺乏情感基础。这不是因为人工智能一旦拥有情感、欲望和价值观会十分危险[11] ，人类需采取“哥德尔程序炸弹”（Godel Program Bomb）等方式予以控制[12] ，而是源于人工智能革命的基础。神经元网络的自我学习及其与环境互动所能达到的极限都无法超过图灵机的行为组合，它不可能具有自我意识、主体性和自主性[13]VI，因为暗知识从本质上说，也只是一种概率和算法下的产物。暗知识的非情感性特征表明，对暗知识的选择和运用离不开各类信息的反馈，特别是人类的反思。正如刘哲雨等人所言，反思是人类深度学习和机器深度学习实现有效互通的重要中介和桥梁。[14]毕竟机器只会呈现不同的路径选择所带来的结果，而只有人类才会对此进行关联反思和价值判断。所以，教师在培养学生的理想、信念、情感、爱心等精神世界方面的作用是人工智能永远都不可能替代的。[15]这也就意味着，没有运用，暗知识只能停留在数据层面，待人类为它确立目标和规则之后，“学”才能彰显出其独特的价值。

二、“致用以学”何以必要：暗知识的出现对传统知识观的挑战

（一）有“用”才是知识：暗知识改变对传统“知识”的理解

知识的效用在于能够帮助做出判断和引领行动。[16]传统的知识观认为，知识具有客观性、普遍性和中立性，课程范式中的知识主要被作为一种客观“事实”领域，因为它是外在于个体或强加于个体的[17] ，属于明知识。波兰尼（Michael Polanyi）发现了默知识的重要性，强调个体运用知识的能力，基于此的文化知识观认为知识带有文化性和境遇性[18]。暗知识的非感知性、非表达性、非情感性特征决定，它之所以能成为知识而被发现，源于其超越人类知识的作“用”。这将改变我们对于“知识”的传统定义。有人认为：知识是认知主体对客体的感觉和经验的总和，没有认知主体也就没有知识；但是，目前智能机器人并无自我意识，也就不可能拥有真正意义上的知识。[19]依此来判断，人工智能所获取的知识并非真正意义上的暗知识，只是“人―机知识”，可称之为“灰知识”，只有当机器具备自我意识以后，暗知识才会真正出现。这很可能只是我们对“知识”定义上的拘囿。事实上，随着时代的进步和认知的发展，我们对于“知识”的定义一直在发生改变。

在只有明知识才被视为知识的时代，知识通常被视为一种明确的、可获取的资源。传统的知识观认为，人类知识在社会中是以先验形式呈现的，它先于个人经验并为其提供意义秩序。[20]在这种理解下，学习知识主要是通过个人的努力，尽可能真实、准确、更多地储存信息，以方便日后提取。所以，对知识的学习常常被视为知识被挖掘和转移的过程。尽管对知识的认知存在理性主义和经验主义的传统，但人们对知识的关注都集中在个体层面，无论其获得方式是向内反省，还是向外追求，知识都被视为可以为每个人所拥有和掌握的公共信息，以备将来之“用”，并最终形成“先学后习”“学以致用”的模式。

默知识被视作知识的重要组成部分，意味着学习知识的方式不再是普适性的，它带有明显的个性化特征。这项认知造成两个方面的结果：一是每个个体感知和获取知识的方式并不相同。斯洛曼（Steven Sloman）等人提出，人类个体对世界的了解极为有限，知识存在于人类群体之中，我们每个个体都仰仗着别人的专业知识与技能，从他人那里获取经验与智慧[10]120，在不同的感知下，每个人获取的知识也必然迥异。二是每个个体呈现和表达知识的方式也不相同。差异性的价值理念、感性认知和文化惯习，将呈现出不同的信息符号，知识也就无法做到完整不变的传递。[21]于是，知识的学习不再试图是学习者进行原样高保真的“灌输”，而是力求实现“以学习者为中心”的知识建构。也就是说，不同的使用方式将获得完全不同的默知识，它是在使“用”中成为知识而被“学”的，它形成“学习并行”“ 用学并举”模式。

暗知识在此基础上又向前推进了一步。如果机器所掌握的、不能为人类所表达和感知的也同样属于知识，同样可以用来解决各种问题，机器将与人处于同一位置上。从这一推断出发，余晨将暗知识的概念推广到非机器领域。[22]例如，人类自由市场中存在的“看不见的手”，它是去中心化的，没有任何一个单一的主体能够掌握和理解市场中的全部信息，对人类而言，它也是一种“暗知识”。凯利（Kevin Kelly）在《失控》（Out of Control）一书中提到的蚂蚁、蜜蜂等掌握的信息[23]同样也可以视为暗知识的一部分。这就意味着，获取暗知识的认知主体可以由机器扩大到一切可能与环境发生交互的生物或非生物。正如余晨所言，对于自然界涌现出的种种复杂的生命系统来说，也许“暗知识”本来就是一种常态，而人类的未来则取决于我们如何与暗知识相处。[22]人工智能由于其超强的计算能力，可以进行大量的行为组合测试，从中找寻最优解，这决定了具有超人工智能的机器将掌握大量的暗知识，它们可以在在其先“习”之后，于实践中先被机器所“用”，以验证其有效性，在此基础上选择优化的路径供人类来“学”，这将使“致用以学”成为更为高效的学习模式。

（二）能“用”才被认知：暗知识扩大传统“知识”的范围

从明知识到默知识，再到暗知识，知识的概念从能“用”出发，呈现出两个坐标轴向。

一是知识的可表达性和不可表达性。早期的人们将知识视为外在于人的，是由人类社会及社会结构所决定的，可以由人所感知、探索、发现和追求，并被人所表达、传承和共享。例如，舍勒（Max Scheler）认为，所有知识是由这个社会及其特有的结构共同决定，它先于自我意识层次和人的自我评价意识而存在，它们同时以某种方式决定社会的本性。[24]罗素（Bertrand Arthur William Russell）等人扩大了原有的知识范围，他发现知识中还有不可表达的部分在起作用。在《人类的知识――其范围与限度》一书中，罗素将知识分为个人的知识和社会的知识，前者是个人从亲身经验中得到的知识，它并不是用语言可以完全表达出来的，后者则是人类集体共有的智慧，是先验的、社会性的。[25]不过他强调，社会的知识才是人类需要着力获取的部分，人们是在正确获取社会知识的过程中才形成了自己的个人知识。因而，知识除了具有可表达维度之外，还具有不可表达维度，后者是个人所习得、为个人所专属享有和使用、难以用语言表达的知识，波兰尼将这类不能用语言符号表达的知识称之为“默知识”（tacit knowledge）。与罗素的立场相反，波兰尼在其名著《个人知识》中重点强调默知识的重要性，并分析其特点，认为它是个体的、经验性的、不可言述的一类知识[26] ，它最大的作用在于它是人类获得明知识的基础。正因为有默知识的存在，想法不能原封不动地在人们之间进行传递[27]，而是每个人都将自己已有的经验作为基础，通过与外界的相互作用来构建自己对知识的理解。[28]至此，知识被划分为明知识和默知识两个部分，由于都能被人类所“用”，都可以在实践中验证其正确性，故而都属于知识。

二是知识的不可感知性和可感知性。对知识是否可以直接为人所感知，自古以来存在两种认知传统。苏格拉底率先开启了通过理性的逻辑思辨来验证知识的希腊传统，柏拉图强调了感官的不可靠性，认为知识是天生的，推理而非观察才是获取知识的正确方法。自此以下，经过笛卡尔（Rene Descartes）、莱布尼茨（Gottfried Wilhelm Leibniz）等人的发展，最终形成知识的理性主义传统，这一传统认为，知识不能通过感知所完全获得，正确的知识必须通过严密的逻辑推理和论证。与之相对应的是，也有人认为知识不但是可以感知的，而且感知体验更为重要。例如亚里士多德强调知识是后天习得的，只有通过感官才能获得，这一观点经过洛克（John Locke）、贝克莱（George Berkeley）等人的发展，最终形成知识的经验主义传统。该传统认为，知识的获得离不开感知体验，人类所有的知识都是通过感官从经验中获得的。[4]11-12对知识的可感知性和不可感知性的认识最终走向了统一，知识被视为同时具备这两个维度，它既包括可以被人类所感知的部分，又包括客观逻辑推导的部分，因为它们都可以被人类所“用”，可以在实践中验证其正确性。

综合上述两个坐标轴向，人类的知识被分为两大类：一类是那些能用语言、文字或公式清晰表达和描述的明知识，它又可以进一步细分为可感受和不可感受两种。前者包括经典科学中的命题知识（propositional knowledge）或陈述性知识（descriptive knowledge），如牛顿定律、浮力定律等，后者包括抽象数学、相对论和量子力学这类只能依靠想象力和逻辑推演获得的知识。另一类则是不可以表达却可以感受到的默知识，它无法用语言和文字描述，不容易传播，只能依靠亲身体验，是个人化的知识，例如骑车、游泳等。

基于上述两个维度，我们可以发现，还有一种类型是人类既无法表达又无法感受的，因而它既非明知识，又非默知识。在过去，由于这部分无法被人类发现和使用，所以它并不被视为知识。在人工智能时代，人工神经网络具有人类所不具备的优势。它能感受人类感受不到的信息，与人脑相比又快又准，每一个神经元的状态可以复制，这部分信息可以为具有超算功能的机器所获得，并在机器中记录、复制和传播[4]80，在人工智能的帮助下，它不但可以被使用，而且可以验证其正确性，成为人类可以借助机器加以使用的暗知识。这样，借助人工智能技术，暗知识“扩大了不能用符号表达知识的范围”[13]VII，其结果就是人类可以借助机器更丰富的“经验”，提高自身解决问题的能力。

三、“致用以学”何以实现：人工智能时代暗知识对传统学习模式的超越

（一）运用智能建模虚构作用场景，超越固化的情境模拟

在传统行为主义学习课堂中，学习的目标是掌握明知识和暗知识，技术作为一种学习强化手段而被使用，学习过程常被视为一个“知识迁移”的过程。[31]在这种学习模式下，学习者单纯机械地死记硬背各类知识点，信息技术在这些知识外部通过固化的情境模拟，用形象、直观的声音和视频图像将其裹上一层“糖衣”，以便于学习者消化吸收。例如，由于在线组织教学的需要，教师对学习活动的设计与组织不断被强调，教学主要通过对话督促学生的讨论向预期方向发展，然后教师来诊断和确认学生是否正确理解了知识。[32]在这一过程中，教学情境多只是作为背景条件而存在。[33]人工智能时代暗知识的出现，使机器可以虚构多种实践教学场景供学习者自由选择。人工智能机器可以搜集学习者的个人偏好、学习习惯、知识基础等相关数据，根据学习者所选择的学习目标和主要学习内容，测试不同场景下的学习成效，从中选择最适合、最能高效达到学习效果的虚拟作用场景，并结合学习者的学习目标进行不同情境下的智能建模，推送智能高效的学习计划方案。在这一过程中，场景是多变的，各种可能存在的影响因素都会被考虑进来，学习情境的作用将得以凸显。

（二）通过具身模拟获取启用参数，超越统一的角色设定

在传统学习模式下，学习者要么是“先学后习”明知识以实现“学以致用”，在学习开始前常被认为是一张“白板”，要么是在“用学并举”中掌握默知识，通过实践模仿学习不断加深对知识的理解和掌握，角色设定统一不变。人工智能时代暗知识的发现，使传统学习模式中先出现过程后获得结果的时序完全可能因此而倾覆和颠倒，人工智能会根据学习者现有的基础、条件、习惯、偏好等设置初始启用参数，进行逆向设计[34]，从不同的信息源收集多种类型的信息，例如环境数据、个体认知数据、生命体征数据、行为数据、脑神经活动数据，进行多维度的学习分析和跨媒体的泛化推理，揭示学习者在学习过程中的心理活动、认知机制、行为模式等规律，并对学习障碍及其原因进行深度分析，通过增强现实下的具身模拟，依照模拟结果来为学习者推荐自己的未来可能充任的各种角色，帮助学习者做出合理决策，提出科学建议。[35]此时，学习者不再有统一的角色设定，每个人都可以根据具身模拟的结果，选择自己希望达到的角色目标，然后结合学习者的初始启用参数，进行逆向教学设计。

（三）采取过程匹配推送适用路径，超越有限的模块选择

在传统学习模式下，达到学习目标的实践路径是由教师提供的标准范式，或由父母根据个人经验提供参考建议[36] ，即便存在一些选择项，也只是模块化的，且数量十分有限[37]59。人工智能时代暗知识的出现，构建了一个多元的信息交互网络。机器通过在智能化教育环境建设过程中确立一个可以展开的技术起点，进行智能模拟，可以估测设置中未曾预料的多种因素及其复合作用效果，通过人机交互，帮助学习者生成明知识和默知识。此时，教育中的知识不再是单纯的事实或符号系统，不能作为定论、结果直接传递，它是学习者通过知识再生产及在生产过程中的多元差异互动而生成新意义的意义系统。[38]这就是为什么《人工智能与教育：北京共识》专门提到“师生之间的人际互动和协作必须作为教育的核心”[39]的原因。它同时意味着，教学发展的过程绝不可能是线性的，那种只从个人立场出发试图成为“人上人”的学习者，就如同只顾自便，完全不遵守交通规则的驾驶者一样，将很难顺利达到预期的目标。人工智能时代的教育教学不仅仅需要人机之间的深度协同合作[40]14-22，更重要的是利用互联网络进行充分的信息交互[41]，构建人与人、人与机器、机器与机器之间的多元合作框架，创设共同参与、多元合作的信息交互场，共享暗知识，才有可能在人工智能的协作下，实现所有学习参与者价值的帕累托最优（Pareto Optimality）。在这一框架下，从知识建模、资源管理、知识导航、学习认知等多维视角出发，运用知识本体构建技术、命名实体识别技术、实体关系挖掘技术、知识融合技术等，可以构建人工智能视域下的知识图谱[42] ，以图表、数字等人类可理解的模式直观呈现学习进程和效果动态，学习者可以从中找到匹配自己的适用路径。

（四）依据进度反馈随时调整方案，超越难变的计划设置

传统学习模式下的计划由于极难达成共识，调整往往牵一发而动全身，计划调整的速度难以赶上变化的速度。在人工智能条件下，通过人机融合，依据反馈信息比对学习进度情况，不断调整学习方案，可以将学习进展和目标进度相对应，以卷积（Convolutional）的方式增加未来成功的比率，这将改善学习者对于学习的态度，增强学习者应对未来挑战的信心和能力。它将从根本上颠覆过去教师在课前准备预设性资源，向学习者进行灌输的方式，学习过程不再受教师的视野、经验、意愿等限制，从而极大拓宽学习内容范围。更重要的是，学习方式和学习评价都可以更加契合学习者的基础和进展情况，有助于培养学习者良好的学习习惯和偏好，使其在潜移默化中帮助学习者获得更佳的学习成果，达到最优的学习目标。利用教育测评机器人（Educational Evaluation Robot））采取模式识别、自然语言理解、机器学习等技术，全程记录学生学习过程和步骤，实现自动评价，自动分析，及时诊断，并给予主动干预[43]之后，人工智能技术将由人类的代理、助手、教师转变为伙伴[40]14-22，乃至成为人发展过程中不可或缺的有机组成部分。

索耶（R. Keith Sawyer）曾揭示，“有效学习”的基本特质是重视新的信息与既有知识的链接，探索信息之间的因果关系，基于对话进行知识建构，而学习者对自身学习过程的反思尤为重要。[44]这就意味着“人工智能+教育”的价值不仅仅是帮助学习者以更个性化的方式学习，获得更优的学习成果，学到不同的东西[45] ，更重要的是在人机交互中培养学习者丰富的情感、追求美好事物的欲望、正确的核心价值观，实现人的启蒙[46] ，使其从更广阔的空间和更长远的愿景去思考应该如何做出当前的选择，如何判断什么才是创新，什么只是违规。正如人类刀耕火种的能力在运用畜力之后，逐渐让渡于驱牛耕田的能力，在工业时代又让渡于驾驶机械的能力一样，人工智能时代的教育需要突出其“应然”和“应为”[47]，着重培养人的独特优势。由于人工智能可以传递信息和知识，却无法真正地理解知识的意义[48]，机器所掌握的暗知识无需为人类所完全掌握，它只是人类可以用来解决问题的工具，这使“致用以学”成为可能、走向必要，并最终在超人工智能技术的大发展中得以实现。机器所掌握的暗知识并无人类的情感、欲望和价值观，所以在实现目标的路径选择上需要人类的判断反思来引导和规束。未来教育教学最需要教会学习者的是如何去分析、判断和反思，[49]特别是对于高等教育而言，学校必须教会大学生对自己的未来进行合理规划，能够从各种可能性中选择最合适自己的人生成长路径。为此，我们在高校教育教学改革中特别重视对学习者的主体性教育[50]，着力培养学习者判断、选择、转化和灵活运用知识的能力，这才是在人工智能时代我们的教育工作者需要为之努力的方向。