AI时代，从幼儿园到硕士博士的课程，工作中用得到的不到1%，悬梁刺股的学习只是用来考试吗？

1% 还是太夸张了，大概有 20% 是能用上的吧。

看我的知乎签名：「文凭溢价 = 80% 信号传递 + 20% 人力资本」。这 20% 包括基础的读写能力、简单的算术以及少部分专业技能。剩下的那 80%，纯粹就是一场零和的信号军备竞赛。（考虑到近视率、抑郁检出率、脊柱侧弯、胃炎等问题，完全可以算作是负和博弈，也就是所谓的内卷）

太长不看：

• 传统学校教育和培养实际工作能力关联甚微，它本质上是一套昂贵、低效的信号传递机制^[1]。
  
  
• 「悬梁刺股」般的刻苦刷题，无法提升你的真实技能，它仅仅是在向未来的雇主证明你智力达标、极其自律且高度服从。
  
  
• 工作中最核心的技能大多属于隐性知识^[2]，这类知识无法通过黑板和考卷传授，只能通过学徒制^[3]和真实情境中的模仿来习得。
  
  
• AI 时代的到来，你在学校学到的应试技巧自然毫无用武之地（因为大模型做得比你快一百倍倍），真正面临崩溃的是这套维系了数十年的文凭筛选神话。

很多人对「上了十几年学却在工作中毫无用处」感到愤怒和不解。如果你认清了人类技能习得的原理，这一切就显得顺理成章了。

我们在学校里被强制灌输的^[4]，绝大多数都是显性知识——也就是那些可以被写在书本上、编进考卷里、用语言精确描述的死规则。然而，无论你掌握了多少显性知识，它都无法直接转化为解决真实世界复杂问题的能力。决定你职业高度的，往往是那些难以言传的隐性知识。

关于隐性知识在专业技能中的核心地位，Cedric Chin 曾做过非常深刻的剖析。

以下内容摘自 @Thoughts Memo 汉化组的译文《为什么隐性知识比刻意练习更重要》
注：这是隐性知识系列^[5]的第 1 部分。

[...]

什么是隐性知识？

隐性知识是那种无法仅通过文字捕捉的知识。

以骑自行车为例。骑自行车是无法通过纯粹的描述来教会的。当然，你可以尝试解释骑车时你在做什么，但当你在教一个孩子时，如果他们在你大喊「保持平衡！就想象你在走钢丝并保持平衡！」的同时摔进排水沟，这些解释显然没什么帮助。

毫无疑问，会有人说如果你解释得更好，如果你能找到恰当的词语与学生沟通，你就能教会他们骑自行车。如果你恰好相信这一点……好吧，我建议你亲自测试这个理论。去找几个还没学会骑自行车的孩子（或成人！），看看你是否能——仅通过解释的力量——教会他们如何骑车而不擦伤小腿。如果你成功了，请对自己保持批判态度：你的成功有多少归功于骑车者自己的摸索？又有多少真正来自于你的口头指导？

这个关于解释的问题值得深入探讨。在教育学中，这被称为「传授主义^[6]」，它在严肃的教育者中受到的嘲笑程度，就像你我今天对地平论的态度一样。它的逻辑大致是：有些人相信可以通过向他人解释来教授技能。他们认为只要找到恰到好处的词语组合和适当的比喻；只要能将事物分解到足够基础的细节层面，学生的头脑中就会神奇地「顿悟」，从而获得成功。这样的人可能从未认真尝试过这种方法。如果你是这类人，那么我希望你能在我感兴趣的某项运动中担任教练，这样我的孩子就可以与你的孩子对抗，然后我就能看着他们彻底击败你的孩子。

那么，你如何教授隐性知识？说到底，你又该如何教人骑自行车呢？

小时候，我偶然间无师自通了骑自行车。之后我又教会了我的姐妹们，然后是我的表亲，接着是邻居家一个有兴趣但有点害怕的孩子。他们每人大约一小时内就能自如地骑行了。具体步骤如下：

1. 选择一辆小自行车，比学习者的身体小得多，这样离地面就不会太高。这对学习者很有帮助，因为他们随时可以把脚放下来稳住自己。离地面不高也会减轻恐惧感。
   
   
2. 让他们用腿推动自行车向前行进一小段距离，同样，他们的脚只需离地几厘米。重复这个动作：推动，然后双脚着地，停下来，再重复。
   
   
3. 逐渐加大推力，延长滑行距离。最终，他们会花几十秒钟保持脚抬起的滑行状态。这一步的目标是让他们体会在自行车上保持平衡的感觉。
   
   
4. 在某次滑行中，一旦他们感到准备好了（可能还有点厌倦——关键是让他们重复第 3 步多次，直到他们感到安全并渴望进入下一阶段）——好吧，一旦达到那个时刻，告诉他们开始踩踏板。
   
   
5. 瞧！你成功教出了一个会骑自行车的孩子。

请注意这个过程中口头指导是多么少。更重要的是模仿和行动——也就是说，专注于成功骑自行车所需的身体感受。这个练习对我来说非常神奇，因为在短短一小时内，我可以看着一个孩子从「有意识的无能力」过渡到「有意识的有能力」，最终达到「无意识的有能力」。

换句话说，隐性知识的传授是通过模仿、效仿和学徒制等方式实现的。你通过不加思索地复制大师的动作来学习，直到你内化了这些行动背后的原理。

你可能会看到这些并想：「啊，这适用于骑自行车、网球和柔道等身体活动，但对于更偏脑力的活动呢？」对此我要说：隐性知识无处不在。研究者 Samo Burja 通过例子解释隐性知识：他称之为「创造伟大艺术或评估初创公司的能力（……）例子包括木工、金属加工、家务、烹饪、舞蹈、业余公开演讲、装配线监督、快速问题解决和心脏手术。」

如果你是知识工作者，隐性知识对你的专业领域的发展比你想象的要重要得多。

知识工作中的隐性知识

我花了数年时间才意识到：我教人骑自行车的方法中蕴含着一些可能适用于其他领域的原则。

在我之前的工作中，我的技术主管 Hieu 有一种不可思议的能力，他能在需求会议上几分钟内就勾勒出一个最简洁、组件最少的程序架构。这个草图通常就是我们最终实施的方案，而且我注意到 Hieu 总是为软件项目中不可避免的变更预留足够的灵活空间。（需要说明的是，他通常会先实现一个一次性原型来验证草图，然后才传递设计方案）。而当我设计实现方案时，总有一些部分后来需要重新设计。我就是没有他那么厉害。最终，我向他请教是如何做到这一点的，并在我们共事的几年里多次尝试从他那里获取经验。我们的对话总是不可避免地类似于以下内容：

「嗯，」Hieu 会这样开始，「当你听说有一个外部 API 时，你应该在围绕它编程时保持关注，因为那里存在很多风险。」

「是的，但为什么你不担心日历 API 呢？」

「哦，因为我以前用过它，我认为它很容易实现。」

「为什么那么关注 Firebase？」

「因为我们想把它用作数据库层。这个风险相当大啊。」

「所以总是先关注核心层，因为它更重要？」

「是的。尽量先关注风险最高的部分。」

「但为什么你不担心库存 API 呢？我们以前从未与它集成过。」

「是啊，那个我认为现在不那么重要。客户可能稍后会更改它。或者也许我们的功能会改变。我们先做基础部分。」

我回想起在 Viki 实习时的经历，那时我是一名软件工程实习生，第一次编写软件测试。一位高级软件工程师只花了几秒钟浏览我写的约一百行代码，就说道：「哦，这样不好，将来会出问题。应该这样构建它。」

我问他如何能在短短五秒内就判断出代码有问题。他给我详细讲解了一番软件工程原则。我摆摆手让他停下来，直接问他是如何在五秒内做出判断的。他说：「嗯，这只是感觉对了。好吧，我们去吃午饭吧，你回来后再改就行。」

我在关于感知学习的文章中曾提到过这段 Viki 的经历。我并非说 Hieu 或那位高级软件工程师无法解释他们的判断，或者他们不能明确表达用来评估十几个变量之间权衡的原则：他们能够解释，即使解释得不够完美。我的观点是，他们的解释并不足以让我获得他们所拥有的同样能力。

为什么会这样呢？再看看那些对话。当我追问这些人关于他们判断的依据时，他们会尝试用原则或经验法则来解释。但我越是追问，就越发现更多的例外情况、注意事项和潜在陷阱。

这其实是一个普遍现象。在任何足够复杂的领域中，专家解释自己的专业知识时总是这样说：「嗯，做 X。除非你看到 Y，那就做 Z，因为 A。如果你看到 B，那就做 P。但如果你同时看到 A 和 C 但没有 B，那就做 Q，因为原因 D。还有一些特殊情况，你做了 Z 但随后发现 C 出现了，这时你应该转向 Q。」

如果你继续追问，他们最终可能会说：「啊，这就是感觉对了。做得时间长了，你也会有这种感觉的。」

最终我意识到，学习 Hieu 技巧的方法是模仿他：自己设计一些软件，然后请他给予反馈。我也明白了，当你听到有人用一长串例外和注意事项来解释事情时，很可能你正在见证隐性知识在发挥作用。

这种现象在专业知识研究领域其实已经得到了充分证实。其他领域的从业者也曾多次撰文讨论过这一现象。例如，外科医生 Atul Gawande 关于阑尾炎手术的描述：

假设你有一位需要进行阑尾炎手术的患者。如今，外科医生通常会采用腹腔镜阑尾切除术。你通过肚脐附近约六毫米的小切口将腹腔镜（一种小型摄像头）滑入腹部，通过腰线以下的切口插入一个长钳子，并从左下腹部的切口推入一个用于缝合和切割的装置。用钳子夹起手指大小的阑尾，在其基部和供血血管处使用缝合器，将切除的器官放入塑料袋中取出。缝合伤口，手术就完成了。这是理想的手术过程，但现实往往并非如此顺利。
甚至在手术开始前，你就需要做出一系列判断。不寻常的解剖结构、严重肥胖或之前腹部手术留下的内部疤痕都可能使摄像头难以安全插入；你绝不想将它戳入肠道。你必须决定使用哪种摄像头插入方法——有多种选择——或者是否应该放弃高科技方法，采用传统的开腹手术，通过一个较大的切口直接观察一切。即使成功将摄像头和器械放入体内，你可能仍然难以抓住阑尾。感染会使阑尾变成一条肥大、血腥、发炎的「虫子」，粘附在周围的一切——肠道、血管、卵巢、盆腔侧壁——要将它分离出来，你必须从各种工具和技术中做出选择。你可以使用棉签状的长器械尝试推开周围的附着物。你可以使用电灼器、手术钩、剪刀、尖头分离器、钝头分离器、直角分离器或吸引装置。你可以调整手术台的位置，使患者头低脚高，让重力将内脏拉向正确的方向。或者你可以直接抓住阑尾的任何可见部分，用力拉扯。
当你终于看清这个小器官时，你可能会发现阑尾炎根本就是个错误的诊断。它可能是阑尾肿瘤、克罗恩病或恰好导致附近阑尾发炎的卵巢疾病。这时你必须决定是否需要额外的设备或人员——也许是时候请另一位外科医生协助了。
随着时间推移，你学会了如何预防问题，而当问题无法避免时，你能够以更少的摸索和更多的把握找到解决方案。八年后，我已经完成了两千多台手术。其中四分之三是我的专业领域——内分泌外科，即针对甲状腺、甲状旁腺和肾上腺等内分泌器官的手术。其余则涵盖了从简单活检到结肠癌的各种情况。对于我的专业案例，我已经了解了可能出现的大多数严重困难，并制定了相应的解决方案。对于其他情况，我对自己处理各种状况的能力以及在必要时即兴应变的能力有了充分的信心。

留意 Gawande 在解释自己的专业知识时如何加入了各种限定条件。这很可能是隐性知识在发挥作用。学习这种复杂的判断能力——这种能够在瞬间权衡数十种因素并选择解决方案的能力——才是真正有价值的学习内容。而这种能力几乎不可能仅通过语言解释就能习得。

显性知识
以编码形式存在的知识，可在文档、数据库等中找到。

隐性知识
直觉知识和诀窍，其特点是：
* 扎根于背景、经验、实践和价值观
* 难以交流——存在于从业者的头脑中
* 是长期竞争优势和创新的最佳来源
* 通过社会化、指导等方式传递——IT 无法很好地处理

隐性知识能被明确表达出来吗？

值得重新审视上面的最后一句话。原则上，有没有可能将隐性知识外化为一系列指令呢？或许我们可以将专家的决策过程提取为多分支流程，并将其编入「专家系统」。又或者，我们可以将其转化为流程清单，分发给该领域的每位从业者，而不是让他们通过传统方式学习隐性知识。

对这个问题的共识答案似乎是：「是的，理论上这是可能的。但在实践中非常困难。」我的看法是，这种转化如此困难，以至于我们根本不应该费心去尝试；假设你阅读本文是因为想在职业生涯中取得成功，那么你应该放弃将隐性知识转化为显性知识的尝试，而直接追求隐性知识本身。

我们为什么知道这一点？

在 20 世纪 70 年代，包括美国军方在内的多个组织委托进行了许多研究，探索构建各种专家系统来增强或替代人类的可能性。当时，用专家系统替代人类的想法非常流行，就像今天神经网络备受追捧一样，但专家系统在随后的几十年里已经逐渐被边缘化。

许多研究人员在这股热潮过后发现，将人类专家的所有可能分支、陷阱和细微差别编码到专家系统中是极其困难的。

这些项目中有一个是在赎罪日战争后不久委托进行的，目标是将以色列飞机维修的日志输入到美国数据库中，希望最终用专家系统替代飞机维修官员。当时，一位名叫 Gary Klein 的年轻研究人员被分配了一项任务：采访飞机维修官员，以探究他们专业知识的核心。

他在最近的一期播客中描述了那个项目：

「我能够填写 80% 的表格内容，但剩下的 20%……可能有些地方是空白的……或者可能存在错误。于是我会采访这些维修官员并询问『你是如何填写这部分的？』
然后这些维修官员会说：『看看这处损坏。注意损坏的范围。飞机在两天后就重新投入了服务。对于这种类型的损坏，我知道，如果它切断了任何这些线路，修复工作至少需要一到两周。所以显然损坏并没有影响到那些线路。因此，损坏必定是按照这种方式扩散的，这才使得他们能够（如此迅速地）让飞机恢复服务。』
换句话说，这些人能够超越简单的日志记录，想象自己作为维修技术员面对这些问题时的情景。
（……）所以当我撰写报告时，我写道：这部分是我能够用公式化方法完成的工作，但这些是我收集到的关键事件，通过这些你可以理解他们的专业知识。结果，空军决定他们无法构建一个专家系统来替代这些人员，他们必须继续支付薪酬给这些维修官员。」

如果仔细观察，你会发现这一结果在同一时期内在众多组织和领域中不断重现。（维基百科将这个问题称为「知识获取问题」，这是个恰当的表述；正是这个问题最终导致了专家系统的式微）。人们很快就发现，从专家头脑中提取出「规则」这一步骤本身就并非易事。

当然，还存在其他反对意见。Klein——现在被视为自然决策（Naturalistic Decision Making, NDM）心理学分支的先驱之一——常说过度依赖程序会使人类操作者变得脆弱（Source of Power 第 15 章）。换句话说，给人们提供一份需要盲目执行的程序清单，剥夺了他们建立专业知识的能力，这反过来又阻碍了他们进行那种在专家操作者中常见的创造性问题解决。这也意味着当某些事情严重出错时——而在现实世界中总会有事情严重出错——他们将无法适应。

有没有迹象表明这并非一项完全无望的事业？是的，确实存在这样的迹象：

1. 我在人工智能研究领域的朋友们认为，专家系统有可能卷土重来，或许是通过采用更现代的 AI 方法。
   
   
2. Gary Klein 本人因开发出提取隐性知识并使其显性化的技术而闻名。（这种技术被称为「关键决策方法（Critical Decision Method, CDM）」，但它难以实施，因为它本身就需要 CDM 方面的专业知识）。
   
   
3. 有时，一个特别有天赋的人能够将整个领域的隐性知识系统化为一种有效且明确的教学方法。可以说，John Boyd为美国空军编写的第一本战斗机战术手册就做到了这一点——在此之前，人们认为空战是一门无法归纳为明确原则的艺术。但 Boyd 在教学几年后，经过整整一年的写作，还是设法做到了这一点。

所有这些观点都是有效的，值得思考——但我认为，它们最终是否被证明普遍正确并不重要。你可能会说「实际上，既然所有隐性知识都可以被显性化，那么就不存在隐性知识」——但这只是一种对我而言毫无意义的学究式争辩。期待专家系统的复兴，或指望 CDM 被应用到你的领域，或等待一位像 Boyd 那样的天才出现，这些都不是合理的做法。我们应该将隐性知识视为一个事实，因为直接思考习得隐性知识的方法，比寄希望于某种能使隐性知识显性化的突破更为有用。

学习隐性知识

这对我们意味着什么？这意味着如果我们想在自己的领域追求专业技能，我们应该开始研究关于隐性知识的已发表研究。

「但是等等，」我仿佛听到你说——「刻意练习领域呢？难道它不是最关注专业技能发展的主要子领域吗？」对此的回答是否定的，它不是。

在我对 Ericssons 的《刻意练习》的评论中，以及在我对《刻意练习的问题》^[7]的总结中，我曾解释过，根据其定义，刻意练习仅适用于那些拥有悠久历史且教学体系完善的领域。换句话说，刻意练习只能存在于音乐、数学和国际象棋等领域。

K. Anders Ericsson 在《刻意练习》中提出了这个狭窄的定义，然后做了一个敷衍了事的处理，他认为虽然他没有研究过这些领域之外的练习，但刻意练习的理念可能适用于教学法不那么成熟的领域。但 Ericsson 很清楚 NDM 方法的存在——他是《专业技能和专家表现剑桥手册》的编辑之一，与 NDM 社区的许多知名人士一起工作。

因此，如果你是一名程序员、设计师、商人、投资者或作家，正在阅读关于刻意练习的内容，你可能会问：「那么，我的领域呢？如果没有为我建立的教学技术怎么办？」如果你开始问这个问题，那么你已经开始走上了一条更有趣的道路；这实际上是你应该问的正确问题。

当然，答案是如果你身处这些领域之一，NDM 会更加实用。学习隐性知识的过程大致如下：你找到一位大师，在他们指导下工作几年，并通过模仿、反馈和浸润式学习来掌握要领——而非通过刻意练习。（例如，想想沃伦·巴菲特在本杰明·格雷厄姆指导下度过的那些年）。NDM 领域专注于如何使这种学习方式更加有效。我认为，当今世界过于关注刻意练习和认知偏见研究，而对隐性知识的获取关注不够。

如果隐性知识确实存在——我相信它存在——那么关于技能习得的最有用工具将来自研究它的领域。去年年底，NDM 社区集体编撰并出版了《牛津专业技能手册》。这是目前我们所知的该领域最全面的概述。

Ericsson 关于刻意练习的研究花了大约 30 年才进入主流认知，部分原因是 Malcolm Gladwell 的《异类》取得了成功。如果以此为参照，NDM 方法渗透到主流需要多长时间呢？

也许到 2030 年，我们谈论隐性知识的方式会和人们今天谈论「10,000 小时规则」一样普遍。但如果你正在阅读这篇文章，你就已经领先一步了。密切关注 NDM 方法，留意那些专注于隐性知识的研究。在笔者看来，它们是当今专业知识领域中最有趣且被忽视的话题。

既然学校无法传授隐性知识，为什么社会和雇主还要如此看重高学历？

如果你认清了教育的信号模型，答案就很显然了。雇主在招聘时，面临着巨大的信息不对称。他们很难在半小时的面试里看出你到底有没有培养出隐性知识的潜力。这时候，大学文凭就成了一个极佳的筛选工具。你能在普鲁士教育模式^[8]的摧残下熬过十几年，做完无数毫无意义的家庭作业，通过各种反人类的标准化考试，这足以向用人单位发出一个强烈的信号：你是一个听话、能吃苦、智商达标的优质牛马。

所以，学生们在学校里悬梁刺股，背诵那些在工作里都用不上的显性知识，除了学会一点可怜的基础知识，剩下的唯一目的就是发出信号、赢得这场零和博弈。

到了 AI 时代，大语言模型的出现彻底撕下了这套体制的遮羞布。以前，学校还可以自欺欺人地宣称，掌握大量的显性知识和繁琐的按步答题是某种「高级能力」的体现。现在，ChatGPT 和 DeepSeek 可以在一秒钟内完美解答那些曾让学生们熬夜掉头发的考题。

在这个背景下，继续采用「悬梁刺股」的方式去死磕 80% 工作中用不到的考纲知识，毫无疑问是一种荒谬的自我损耗。AI 淘汰的完全是那些只能依靠死记硬背来输出格式化答案的「做题家」。未来的评价体系注定要发生重构。当文凭作为信号的有效性被 AI 和学历通胀双重稀释后，一个人能否在结构不良领域^[2]中通过模仿和实践来获取隐性知识，并调用 AI 工具构建出具有真实使用价值的产品，将成为新的生存法则。

相关文章

以上回答初稿由 gemini-3.1-pro-preview 根据汉化组的 1903 篇回答生成^[9]

← 返回目录