隐性知识的重量：为什么流程取代不了手艺

一个具体的问题

半导体行业有一个反复出现的现象：一条成熟产线可以被完整地"复制"到另一座城市——同样的设备清单、同样的工艺配方、同样的操作规程，甚至同一批被派过去的工程师。然后良率掉下来，并且往往需要好几年才能追回原来的水平。设备可以照单采购，配方可以逐行抄写，唯独那个"让一切正常运转"的东西，始终不肯跟着文件一起过去。

这个现象值得被当作一个思想问题来处理，而不只是一个产业细节。它问的是：知识究竟以什么形态存在？ 如果知识是一组可记录、可传输的信息，那么复制一条产线就该等于复制一份文档。事实显然不是。于是我们面对一个更尖锐的问题：在什么条件下知识可以被写下来，在什么条件下写下来就会失真？

这篇文章要论证的结论并不讨喜：现代组织最常犯的错误，是把可编码的知识误当成知识的全部。 流程、手册、指标、模型都是真实的成就，但它们覆盖的只是知识中较薄的一层。剩下的那一层——手艺、判断、对异常的敏感——只能通过人与人的长期接触来传递。忽略它，组织的效率会继续上升一段时间，然后在某个意想不到的地方断裂。

知识有两种，而只有一种能被写下来

波兰尼（Michael Polanyi）在二十世纪五十年代提出「隐性知识」（tacit knowledge）时，给出的核心表述是：我们知道的比我们能说出来的多。他举的例子很朴素——一个人可以在成千上万张脸中认出朋友的脸，却说不出自己凭什么认得出；一个人可以骑车保持平衡，但支配他身体的并不是关于力矩的方程式。

这个区分之所以重要，是因为它划出了一条边界：知识的一部分是命题性的，可以判断真假、可以写进手册、可以考试、可以远程传输、可以被审计；另一部分则是技能性的，只能在具体情境中显形，靠模仿与纠正传递，只能判断是否奏效，很难被验证。

J. E. Gordon 在《结构：为什么东西不会倒塌》里反复指出一个落差：材料的理论强度与实际可用的强度相差好几个数量级，而工程师真正采用的数值，往往来自长期积累的经验系数、行业传统和「大致够用」的判断。他们并不是解完方程才决定梁的尺寸；他们用一套被时间筛过的近似规则先做决定，只在必要时才去算。这不是偷懒，而是承认一个事实：在真实世界里，能算的部分和需要判断的部分，其边界并不是由理论划出来的。

手艺住在距离里

如果隐性知识只能靠接触传递，那么它的传递就有三个必要条件：距离足够近、时间足够长、允许失败。三者缺一，传递就会退化成形式。

贝尔实验室是最好的样本。在《贝尔实验室与美国革新大时代》里，格特纳描述的真正发明不是某间实验室，而是走廊。默文·凯利刻意把物理、化学、冶金、电路几拨人塞进同一栋楼、同一条走廊，让他们在午饭和偶遇里互相干扰。晶体管的诞生不是某一个人的灵光，而是几个学科长期共处之后的产物。可以复制的是「设立一个研究部门」，无法复制的是那种密度。

《晶体之火》补充了另一半：理论洞见只有在材料纯度这样的工艺条件具备之后才可能变成器件。把杂质从百分之几压到百万分之一，是纯粹的工艺胜利——它依赖的是操作经验，而不是公式。《硅谷之父》里诺伊斯的故事同样如此：Fairchild 更像一所学校，人离开、公司分裂、经验随之扩散。技术转移在这里从来不是文件转移，而是人的转移。

费曼在《别闹了，费曼先生》里反复强调，他真正学会的东西都是自己动手算出来、拆出来、修出来的。他后来批评的「货物崇拜科学」，正是指一种只模仿形式、不承担思考风险的做法——而这恰恰是隐性知识被"表面编码"之后的样子：形式上全都对，内核已经空了。

反方：流程不是敌人，而是脚手架

必须承认，上述论证很容易滑向一种自我陶醉的手艺崇拜。反方至少有四条理由站得住脚。

1. 编码本身就是人类最伟大的成就之一。 摩尔定律之所以能持续几十年，靠的正是把不断重复的东西标准化、度量化和自动化。没有可编码的流程，就没有良率，也就没有整个半导体产业。批判编码，等于批判现代工业的根基。
2. 许多所谓的隐性知识，其实是不该被保护的坏习惯。 老手的"手感"里，一部分确实是宝贵的判断力，另一部分只是未经检验的惯例。把后者神圣化，实际上是在为不问责、不改进提供掩护。
3. 编码会创造新的隐性知识。 每当一层知识被写下来，人就被解放出来去做更上一层的事。电子表格没有消灭会计，它把会计推向了分析。知识不是被转移，而是被重新分层。
4. AI 正在移动这条边界。 大语言模型是历史上最强的编码机器，它把大量过去被认为「只可意会」的东西——语感、套路、常见错误——变成了可调用的模式。这直接动摇了「隐性知识不可复制」的强版本。

这四条都成立，因此必须把论点收窄。正确的命题不是「隐性知识不可编码」，而是：编码的边际收益在知识的不同层级上极不均匀。 在稳定、可重复、可度量的层级，编码几乎总能赢；在环境持续漂移、需要判断边界情形的层级，编码的收益会迅速递减。

限度：规则处理常态，判断处理边界

规则的本质，是对已经发生过的情况所做的压缩。一条规则越有效，通常说明它面对的环境越稳定。因此，规则的适用性与环境的稳定性其实是同一件事的两面。

真正的价值出现在规则失效的地方：异常情形、全新情境，以及多条规则互相冲突时的取舍。由此得出一个反直觉的推论：越成功的编码，越会制造对判断力的稀缺需求。 当流程把常规工作吃掉之后，剩下的工作几乎全是例外，而例外无法由流程本身处理。

更麻烦的是，过度编码会侵蚀判断力的再生产机制。如果组织里每个岗位都被流程定义完毕，新人就没有机会在「做错、被纠正、再试一次」的循环中长出手感。结果是组织出现一种结构性脆弱：在常规情形下极其高效，在非常规情形下极其无能——而后者恰恰是危机发生的地方。

这里还有一个测量上的偏差在起作用：可度量的东西更容易被管理，于是被过度管理；不可度量的东西被系统性低估，最终被悄悄耗尽。

判断

把以上分析落到三个层面。

对组织而言，隐性知识的再生产应当被当作资本开支，而不是管理费用。衡量标准不是「流程覆盖率」，而是「关键经验有没有接班人」。一个更诚实的指标是：过去一年里，有多少疑难问题是在没有资深人员参与的情况下被独立解决的。

对个人而言，可编码的技能会被持续贬值，但判断力不会凭空生长，它是大量具体操作的结果。因此正确的策略不是逃离操作，而是选择那些操作与判断距离最近的领域——你亲手做的事，恰好就是你要为之做判断的事。长期只做被流程完全定义的工作，会让人在不知不觉中失去议价能力。

对 AI 时代而言，模型会吃掉大量中间层，却不会凭空产生判断力。它把人推向两端：一端是被完全替代的常规工作，另一端是需要承担后果的判断工作。而判断力只能由亲手做过的人提供。因此最值得投入的，是那些「必须亲自做过、做过才有资格判断」的能力。

知识的重量，在于它必须被人真正扛过一遍。能被写下来的那部分，只是它的影子。