问题描述
为什么说隐性知识的流动和转化是企业管理的关键？隐性知识就是暗默知吗？
性健康领域答主过来强答一下：隐性知识不是性知识！
好了不抖机灵。我搜了一下知乎，发现大部分隐性知识相关的内容全是我发的……这只能说知乎上对隐性知识的认知还是太匮乏了。不过这也不能怪知乎，毕竟隐性知识正是一个极其缺乏书面研究的领域。
为什么呢？因为隐性知识正是那些难以用语言传授的知识。隐性知识不是通过书本或明确教导习得，而是像学自行车和游泳那样，需要通过在榜样身边耳濡目染或亲身实践才能掌握。
那么，为什么说隐性知识的流动和转化是企业管理的关键？这里就不得不提及隐性知识的三种类型[1]：
- 关系性隐性知识——这类知识之所以隐性，是由于人们之间的互动关系所致。有时人们不将知识明确表达出来是因为不知道如何表达，而其他时候则是因为不愿意表达。
- 身体性隐性知识——这类知识之所以隐性，是因为它与人体相关。比如执行网球反手击球、弹奏吉他或骑自行车。这种知识之所以隐性，是因为它与所涉及技能的身体化本质有关。
- 集体性隐性知识——这类知识之所以隐性，是因为它嵌入在我们的社会环境中，而且我们不知道如何在不涉及社交的情况下将其明确表达出来。
组织的核心能力正依赖于第三种隐性知识——集体隐性知识的传承。比如阿波罗登月，哪怕有大量技术资料保留下来，没有了当年那群干活的人，根本无法重新用这批资料来复现当年的工程。为什么呢？因为隐性知识的传承已经中断了，而且我们无法从显性知识中还原出这些隐性知识。
关于集体隐性知识，下面有一个具体案例（Fogbank），阐释它是什么，重建它有多么困难，以及我们通常如何看待这类现象。
除此之外，管理者自身也掌握一种特殊的隐性知识，叫做「交互式专业知识」。这种隐性知识让他们即便不是一线专家，也能有效领导团队、评估技术并做出正确决策。关于这类知识，请见后文中的「管理专家」一节。
以下两节内容节选自 @Thoughts Memo 汉化组的译文《隐性知识的规模化》
1.2.2.2.1 Fogbank
假设你雇来一支由顶尖物理学博士组成的团队，他们对制造核武器一窍不通，然后你让他们设计一个。他们能做到吗？根据 Rohit Krishnan 最近一篇文章中提到的真实世界实验，答案似乎是肯定的。即便我们对这份报告心存疑虑，我认为只要让他们自己进行一些反复试验（他们毕竟只是设计，而非亲手制造），也终将走上正轨。但 Rohit 紧接着提到了 Fogbank 的案例：这是一种用于制造核武器的材料，最后一次生产是在几十年前。当人们试图重新制造它时，尽管手握原始的生产说明，甚至能与当年的项目成员交流，整个过程依然耗费了数年时间和数百万美元。结果发现，关键在于生产过程中无意间混入的某种杂质，而最初的团队中竟无一人意识到这一点！
有趣的是，这与 Collins (2001) 描述的案例极为相似。当时，美国的科研人员试图复制苏联同行对蓝宝石样品某个参数的测量，却屡试屡败。后来才发现，要想获得可比较的测量结果，关键在于：
Checkhov 演示了第二种给丝线涂抹油脂的方法，并与第一种交替使用，那就是直接用人体油脂来润滑。Checkhov 会将纤细的中国丝线在他的鼻翼两侧或耳后轻轻划过。格拉斯哥的研究小组采用了耳后涂抹法，但结果发现，并非每个人的皮肤都适用。事实证明，有些人的油脂非常有效可靠，有些人的则时灵时不灵，还有些实验员的皮肤太干，根本没用。所有这些都是通过反复试验才发现的，并催生了诸如「悬挂组 3：使用弗雷德的油脂润滑俄国丝线；悬挂组 12：从乔治的油脂换回弗雷德的油脂」这类不同寻常的实验记录。这不禁让人想起詹姆斯·焦耳对热功当量的著名测量——实验员的身体本身，似乎也可能成为一个至关重要的变量。
这个蓝宝石的例子被广为引用。Ben 的笔记以及大多数相关的讨论，都聚焦于论文的中心思想：有效传递隐性知识需要人际互动与信任。但论文的结论几乎同等重要：Collins 其实指明了前进的方向！我们不必满足于漫长而昂贵的反复试验，我们本可以做得更好：
报告一种「技能的二阶衡量标准」：如果我们能认识到并强调「了解一项实验技能或流程的难度」本身的重要性，科研工作会变得容易许多。传统的科学期刊论文（乃至书籍）的写作范式，往往会忽略这类细节。然而，对于一个无法亲临实验室、只能自己摸索着重现某个结果的人来说，如果能知道这项实验或测量最初做起来有多难，以及现在做起来依然有多难，那将会是巨大的帮助。这类信息可以被大致量化——我称之为「技能的二阶衡量标准」。实验者可以记录如下内容：
「我们最初花了大约 17 个月才得出这个结果，期间我们用不同的实验装置尝试了约 165 轮，每轮耗时约一天。如今，对新样品进行成功测量通常需要 7 轮左右，范围在 1 至 13 轮之间；每轮耗时约 2 小时。下图展示了我们最近测量的 10 个样品的实验轮次分布情况……」
这类信息无需从根本上改变传统的科学论文写作风格，只需简短的篇幅即可呈现，却能为那些试图复现工作的人带来莫大裨益。这无非是承认一个事实：大多数现在看似简单的事情，在最初都曾无比艰难，而有些事即便对经验丰富的实验者而言也依然不易。我们当然承认，在当前的科研写作惯例下，坦陈这些困难会被视作软弱的表现；人们习惯于将科学描绘得毫不费力，而学术界公认的风范也强化了这一印象。我们所建议的，正是对这种惯例和风范稍作改变——以期改善科学知识的传播。
这只是改进科学写作以方便成果复现的一种方法，但我们还可以构想更多其他方法。
对 Fogbank 的讨论也是如此：人们承认了其核心教训（隐性知识真实存在，且极难传递！），但这种承认是如此彻底，以至于将「困难」渲染成了「不可能」，结果便是无人再去提出解决隐性知识传递问题的方案。我们不应仅仅惊叹于隐性知识那错综复杂的丰富性，对其存在心怀敬畏。相反，我们应将隐性知识视为一个有待攻克的挑战！
……
4 管理专家
在前文中，我一直用「隐性知识」来指代「专家的隐性知识」。而撰写本文的目标之一，便是对二阶知识进行思考：即并非关于 X 领域的知识本身，而是诸如「关于 X 领域的元知识」、「X 领域的历史」或「如何管理 X 领域的专家」这类问题。
Ben Reinhardt 在他的笔记中有一条启发式规则：做过某件事的人，应该来负责这件事。因为「若非亲身实践，你极难对一件事建立起直觉。所以归根结底，「做过」其实是「对此有直觉」的代名词。」
表面上看，这确实是一条很好的经验法则。但在权衡其他因素时，它的分量有多重就不好说了。例如，这条规则会告诫我们，埃隆·马斯克当初不该去做他那些「埃隆」做的事（比如创办 SpaceX），Ben 自己不该去搞 PARPA（他从未管理过研究机构），同理，一个律师也不该去创办一家大型且成功的制药公司。然而，与这条规则同样正确的是另一条规则：外行领导往往能带来方差更高的结果。在探索可能性边界时，这恰恰是好事。一个人辛辛苦苦积累的隐性知识和直觉，在另一个人看来可能就是偏见和毫无根据的预设。有时，一个「不合格」的外行最终确实能向老兵们证明他们错了：这本就是事物发展的自然规律。
这条规则还有另一个问题：管理本身就是一门技能，传授技能也是如此。一个顶尖的科学家，可能是一位糟糕的老师，也可能是一位拙劣的科研管理者。
Collins 和 Evans 在书中引用了 LIGO 项目经理 Gary Sanders 的一段话。LIGO 是一套为探测引力波而建造的、极其复杂的大型设备。Sanders 从未造过类似的东西，却被任命为负责人。他逐渐成长，最终能够成功管理一个他自己无法直接在其中「动手」的领域，并与专家们自如地谈论它：
我曾担心自己完全无法理解。但我惊奇地发现，你们所谓的交互式专业知识（interactional expertise）并不难获得。我虽然设计不出自适应光学系统，但在该领域工作了六到九个月后，我真的完全理解了不同类型的自适应光学及其工作原理，我能画出示意图，定义算法，并判断不同技术的技术成熟度——哪些已经可以实际应用，哪些还需验证，哪些组件尚待开发……
我可以和一群自适应光学专家坐下来开会。他们或许会上来对我说：「Gary 你错了，多目标自适应光学在项目启动时就能就绪，并且有如下优势……」而我则会说：「不，我们应该用多共轭自适应光学。」然后我能给出四条理由，说明为何我们该选择后者——基于我们的科研目标、技术组件的成熟度、我们需要它的时间等等。当我说完，我会看到满屋子的人看着我，心想：「他确实有自己的一套，他把问题想透了。」
但是，如果有人对我说：「好吧 Sanders，我们同意你，现在请你去设计一个多共轭自适应光学系统。」我是做不到的。我无法坐下来写出那些方程式……但我能画出示意图，说明每个部分的功能，评估其技术成熟度，指出难点所在——我懂这门语言，并且我确信自己有资格做出决策。
回顾他在 LIGO 的岁月，他说：
我设计不了 LIGO 的干涉仪。我无法像某某科学家那样，坐下来写出所有的传递函数，计算出噪声预算。但如果他做一场相关的报告，我能跟得上。我能理解哪些部分重要，哪些部分困难，这部分靠倾听，部分靠定量的理解。但我无法亲自谱写这首交响乐。然而，我身处一个必须做决策的位置。所以，这关乎我该听谁的，哪些论点更有说服力——最终，我们想要的是什么……这已经超越了「交互式」的范畴，但我觉得，按你们通常的理解，它也算不上真正的「贡献式」（contributory）。（Gary Sanders，LIGO 项目经理）
但 Collins 和 Evans 补充道：
那么，在他们所管理的大多数专业领域，这些管理者拥有的是交互式专业知识，而非贡献式专业知识（contributory expertise）。这是否意味着他们的技术专长并不比一个（比如）已经掌握了交互式专业知识的社会学家更高明呢？回答「是」似乎是错的——正如 Sanders 所言，这里面还有些更深层的东西。答案似乎是：虽然管理一个科研项目的科学层面本身无需贡献式专业知识，但管理工作确实需要从其他项目中引申而来的专业知识（referred expertise）。管理者必须从他们过往在其他科学领域的工作经验中，深刻理解在某个学科里拥有「贡献式专业知识」到底意味着什么；这使得他们能够，可以说，隔着一层去理解他们所领导的科学家们要做出贡献需要付出什么。拥有这种引申专业知识的科研项目管理者，会比没有的人管理得更好（也更有权威和合法性）。
这些跨领域的经验体现在多个方面。例如，他们见过太多次，当初狂热分子们坚称不容置辩的技术论点，最终被证明是可以商榷的；这意味着他们知道该给技术论点打多少折扣。他们知道那些信誓旦旦的技术承诺为何以及会以多大概率落空。他们知道让追求完美扼杀了够用就好的危险。他们对一场争论该持续多久，何时该果断叫停，有种直觉。他们能感觉到，何时一个技术决策至关重要，何时则不值一驳。他们还能判断，一个难题究竟只是工程问题，还是根本性的挑战。
这也与另一则笔记不谋而合：Ben 为 PARPA 项目经理设定的经验法则是，候选人必须在某个实体科学领域（而非数学或计算机科学）做过研究。不一定是完全相同的领域，但你必须亲身体会过科研活动是怎么一回事，懂得预料意外，习惯失败、试错和调试实验。然而，Collins 和 Evans 随即又指向了 Leslie Groves，一个离物理学家十万八千里，却成功领导了曼哈顿计划的人。Groves 是管理大型建筑项目的专家，他慧眼识珠，挑选了奥本海默来主管科研。曼哈顿计划的例子表明，第二条启发式规则——「管理者应具备管理经验」——可以和「做过 X 才能管 X」同样有效。理想情况下，我们当然想找一个既懂 X 又懂管理 X 的人。但和许多事一样，哪条规则更优，取决于情境：曼哈顿计划是一个重建设的项目，而且 Groves 从未试图去微操科学家，他把这部分工作完全交给了真正的科学家奥本海默。在那种特殊情况下，让奥本海默去管理整个庞大的工程，很可能会让他不堪重负（或者觉得无聊，或者浪费才华，任选其一）。但对于一个类似研究项目这样规模较小的行动，熟悉领域本身的重要性可能会重新占据上风，成为更优的选人标准。
最后是埃隆·马斯克。马斯克打破了常规，因为他创办 SpaceX 时，既非火箭工程师，也无任何实体项目的管理经验（他来自支付行业）。马斯克的核心能力在于超凡的学习速度和识人善任的眼光。当然，他读了关于火箭推进的书，但他并没有费力去从零开始亲自设计，而是找到了当时极具潜力的推进工程师 Tom Mueller 并雇用了他。Blake Scholl 的例子也是如此。按常理，你不会选择一个 Groupon 的高级总监去领导一家超音速飞机公司。但如果这个人愿意花时间去理解领域，有足够的自知之明去了解自己的不懂，并且——至关重要的是——能够判断他人的才华，那么情况就完全不同了。