美国课程再设计中心发布《隐性知识：人类认知与AI》

2026年7月，美国课程再设计中心（Center for Curriculum Redesign）发布前OECD教育研究与创新中心（Centre for Educational Research and Innovation）和技能中心（Skills Centre）主任Dirk Van Damme主笔的长达58页的论文《隐性知识：人类认知与人工智能》（Tacit Knowledge：Human Cognition and Artificial Intelligence）。

该论文认为，尽管难以捉摸，隐性知识的概念长期以来在认识论、认知科学和组织理论中占据着核心地位。自迈克尔·波拉尼提出“我们所知的远超我们所能表达的”这一经典命题以来，隐性知识便被用来捕捉那些难以言说、难以形式化以及无法明确传递的人类认知维度。

然而，尽管该概念被广泛使用，但在当代技术社会的知识讨论中，它仍未能得到充分的理论建构，因为人们往往过度关注编码化、数字化以及可机器处理的信息形式。

论文认为，隐性知识并非一种无法编码的剩余类别，而是人类认知的一个基础维度。技术变革并不会消除隐性知识，而是对其进行了重新配置。外在化、自动化和标准化可能会保留、重新分配或削弱隐性知识的某些方面，同时也会改变隐性判断的习得和维持的条件。

人工智能通过统计学习、潜在表征和具身交互等方式，日益逼近隐性知识的特定维度。然而，这种逼近仍具有局限性：人类的隐性知识根植于生活经验、社会参与、判断和责任意识之中。

对教育而言，其意义重大。在人工智能时代，教育不应放弃知识获取，而应加强综合专长的培养，即整合显性知识、隐性判断、外部认知工具以及负责任的人类行为的能力。

该论文具体内容概述如下：

一、什么是隐性知识？

该论文指出，当代社会日益围绕编码化、数字化和机器可处理的知识进行组织。科学研究、专业实践、组织协调以及教育活动，正在被数据库、算法、协议、平台及人工智能所重塑。

知识正逐渐外化为技术系统的一部分，从而能够被存储、处理、规模化扩展及重新组合。这一发展趋势强化了一个有力的假设：即最具价值的知识形式，是那些能够被机器表述、形式化、测量和处理的知识。

然而，这一假设忽视了人类认知与社会实践的一个基本维度。有效的行动、判断与专业造诣，往往依赖于某些无法完全通过显性陈述、正式规则或标准化流程来捕捉的知识形式。

这些“隐性知识”植根于经验，受情境塑造，在实践中得以体现，并通过参与社群与机构而得以维系。正是这些知识，使人们能够识别模式、解读情境、因地制宜地运用规则、与他人协作，并在不确定性中采取行动。

因此，隐性知识绝非知识编码过程中的边缘性残留；恰恰相反，它是使编码知识得以有效运用的必要条件之一。

该论文认为，在数字技术和人工智能时代，隐性知识需要重新被定义。传统对隐性知识的理解强调其难以言说和形式化的特点，这一见解仍然重要，但已不再足够。

如今的技术系统正在将许多认知功能外化并重新组织，而人工智能系统则能够生成看似依赖于判断、解释和情境敏感性等传统上与隐性知识相关特征的输出。特别是大型语言模型，挑战了“知识必须先被明确编码，才能被机器操作”这一假设。它们从大规模数据中学习模式，而非依赖正式规则。

据此，论文构建了一个概念框架，将隐性知识理解为一种具身化、情境化、关系性和行动导向的认知模式。换句话说，隐性知识并非仅仅是等待显性化的“隐藏”知识。相反，它是一种认知模式，其作用无法仅通过其他类别来捕捉。

试图将隐性知识完全编码化的尝试往往导致片面的抽象，无法捕捉其情境敏感性和动态特征。同时，隐性知识不应仅等同于行动或表现。虽然它在促成熟练行动方面发挥着关键作用，同时也为解释、定位和意义构建提供了支撑。

个体不仅在行动时利用隐性知识，而且在感知情境、解读信号、识别模式以及理解自己在社会环境中的角色时，也会利用隐性知识。

论文认为，隐性知识是多维度的而非单一的，主要维度包括认知、社会、物质、叙事和规范等方面。

认知维度关注隐性的思维结构，人们借此识别模式、解读情境并做出判断，而无需进行完全明确的推理。

社会维度指隐性知识通过参与实践社群、学徒制、导师制及组织惯例等方式得以获取、共享和维系。

物质维度强调隐性认知如何内嵌于工具、身体、仪器、工作环境及技术系统之中。

叙事维度关注故事、案例、范例及专业记忆在传递经验方面的作用，这些经验无法简化为抽象的规则。

规范维度指那些塑造了实践中何为“良好判断”的标准、价值观、责任及身份认同。

二、隐性知识在现实生活中的作用如何？

论文指出，隐性知识源于内隐学习、实践、内化以及环境反馈的相互作用。它不仅仅是无法言说的知识，更是一种转化为具身化、可预测且具有情境敏感性的能力。隐性知识在职业生活、组织运作以及新知识创造中发挥着重要作用。

首先，隐性知识在专业实践中尤为突出。各职业领域通常建立在系统化的知识体系之上，包括理论、程序、标准、资质和方法等，但专业能力的关键在于能否将这些知识应用于不完整、不确定且具有特定情境的场合。

因此，专业专长的真正区别并不在于是否掌握了正式的知识，而在于能否将这些知识转化为情境化判断的能力。例如，在教师职业中，隐性知识最明显地体现在解读和应对课堂复杂动态的能力上。

其次，在各个职业领域中，隐性知识不仅是认知资源，更是职业身份的标志。它定义了“成为”专业人士以及“以专业方式行事”的含义，涵盖关于适当行为的规范、价值观和期望。

隐性知识既具有赋能性，又具有排他性。它能够促成高水平的表现，但也会设置进入门槛，因为它无法通过正式教学完全传授。这就解释了为什么专业培训高度依赖于情境学习，如实习、驻院实习和学徒制，在这些情境中，隐性知识是通过参与习得。因此，在人工智能时代，这些情境体验不再是一种选择，而是一种必需。

再次，隐性知识不仅是个人专长的隐性基础，更是一种集体能力。它使组织能够协调、学习、创新和适应。然而，这种能力也十分脆弱：当经验丰富的员工离职时，它可能丧失；当非正式群体被打破时，其力量会削弱；当组织过度依赖文档和正式系统时，它也可能发生扭曲。管理隐性知识不能仅仅意味着将其编码化，而需要创造参与、互动、指导、信任以及共享实践的条件。

最后，隐性知识对于科学研究也具有重要作用。科学常被视为显性知识的典范领域：它以形式化方法、成体系的理论、标准化程序、发表、同行评审和可重复性为基础而组织起来。

然而，研究表明，科学实践在很大程度上仍依赖于隐性知识。科学知识并非仅由规则产生，而是由技艺娴熟的实践者所创造，他们懂得如何识别相关模式、操作仪器、解释异常现象、评估证据，并判断结果是否具有意义。

隐性知识也普遍支撑着科学判断。研究人员必须决定哪些问题值得探究，哪些方法恰当，数据是否可靠，以及如何解释结果。证据本身并不会说话，必须由具备相应能力的群体进行解释。

隐性知识在发现和科学形成过程中同样重要。科学工作通常被认为是线性的、方法驱动的，但发现过程包含探索、直觉、材料实践和创造性的问题框架构建。隐性知识的重要性在知识转化过程中也显而易见。科学发现并不会自动转化为实践。它们必须经过解释、调整，并融入当地情境中。

在技术变革的背景下，这些见解尤为重要。科学工作日益依赖于仪器、数据库、模拟、机器学习系统和人工智能。科学实践的某些方面可以被外部化和建模，但其他方面仍然与实践技能、局部环境、社会判断和学科实践紧密相关。

因此，技术并非简单地取代科学中的隐性知识，它重塑了隐性知识的存储位置、传播方式以及与正式系统的互动方式。

三、技术变革如何削弱隐性知识？

该论文指出，技术通常被视为应用和利用知识的手段。然而，技术并非仅仅支持知识的运用，它重塑了知识的结构、分布及其在人类活动中的作用。

技术是认知变革的推动者。技术创新可能导致隐性知识流失。但这一过程不应被理解为简单的知识丧失。相反，它反映了人类认知与外部系统之间关系的重构，在这种重构中，某些形式的隐性知识被转移、转变或重新分配。

首先，技术能使认知过程外部化。数字工具越来越多地接管了过去由个人完成的功能，包括记忆、计算、导航以及决策的某些方面。这一过程常被称为认知卸载，是向分布式认知系统更广泛转变的一部分。虽然外部化提高了效率，但它也改变了隐性知识发展的条件。

隐性知识是通过反复参与任务而形成的，这需要个体解读情境、采取行动并从反馈中学习。当这些过程被技术所中介或取代时，此类学习的机会就会减少。

其次，技术能使认知过程自动化。技术使人类行为者从认知的主动执行者转变为监督者或观察者。当个体不再需要直接执行任务时，他们便失去了经验学习的机会，而经验学习正是隐性知识发展的核心。这导致了所谓的“脱离控制”问题，即操作人员在意外情况下难以有效干预。

问题不仅在于自动化执行任务，更在于它改变了操作人员与任务的关系：人从主动执行者转变为监控者。因此，实时干预所需的隐性知识可能会因不再持续练习而减弱。

最后，技术能使认知过程标准化。通过标准化，技术强制实施结构化的工作流程、预定义的类别和统一的操作程序。虽然标准化能够提高一致性与可扩展性，但也降低了任务执行中的可变性。

隐性知识是在具有模糊性和需要解释特征的环境中发展的。当这些因素被最小化时，发展此类知识的空间可能会减少。工作变得更加受规则支配，而较少依赖解释，知识也越来越多地嵌入系统之中，而非个体之中。

需要指出的是，技术进步改变了隐性知识和显性知识之间的界限，使某些先前隐性知识变得更容易转移或编码。但这并不意味着隐性知识会消失，而是其可表达性和可转移性程度会随着可用技术的变化而变化。

例如，传统关于技能贬值的论述强调机械化导致技能要求降低。然而，研究也发现，虽然某些形式的隐性知识会减少，但其他形式的隐性知识却会涌现。同时，隐性知识的再分配并非中立。它可能导致认知依赖，因为个体越来越依赖外部系统来执行任务，这引发了人们对认识自主性丧失的担忧。

这些动态表明，应谨慎解读“侵蚀”这一概念。技术不仅会消除隐性知识，还会改变其产生和使用的条件。在某些情况下，隐性知识会从个体转移到系统。在其他情况下，它会重塑为与人类-技术互动相关的新形式。而在其他情况下，它可能会被放大，使个体能够参与更复杂的任务。

论文强调，隐性知识最好被理解为分布式认知系统的一部分，该系统跨越个体、工具和环境。技术变革通过重新分配认知功能和重塑人与外化知识之间的平衡来改变这一系统。

外部化、自动化和标准化的过程可能会减少体验式学习的机会，削弱某些形式的隐性知识，但它们也可以产生与技术系统的使用、监控和解释相关的新知识形式。

这些发展构成了分析人工智能的重要出发点。机器学习领域的最新进展表明，长期以来被认为难以形式化的隐性知识，可能通过数据驱动的方法得到部分近似，同时仍然依赖于人类的判断来进行解释、承担责任和有意义的使用。

四、人工智能对隐性知识的影响是如何的？

论文指出，符号人工智能（Symbolic AI）认为，知识必须被明确表示才能实现自动化。在这种范式下，隐性知识被视为真正的障碍：无法表达的内容就无法编程。机器学习，尤其是生成式人工智能，将自动化的基础从编码转向统计学习。这些系统不再遵循人工设定的规则，而是从大量由人类生成的语言、图像、行为和互动数据中学习模式。

这一转变意义重大，因为许多隐性知识会在可观察的行为中留下痕迹。一场具有说服力的销售对话、一份临床病例报告、一场法律辩论、一次导师指导或一次科学讨论，可能并未完全表达其背后的隐性判断，但它们表达了由该判断所塑造的模式。大语言模型可以从这些痕迹中学习，无需明确规则即可生成情境相关的回应、提出合理的解释、识别案例间的共性，并支持专业任务的完成。

这导致一些研究人员认为，大语言模型可能以一种新的形式编码隐性知识。但谨慎的结论应该是，统计学习使人工智能系统能够近似模拟隐性知识的一些功能性效应，尤其是在这种知识反复通过语言、案例、决策或可观察行为表达的情况下。然而，行为上的相似性不应与认知等价混淆。大语言模型可能生成与隐性知识元素相关联的输出，而无需拥有人类专家的全部隐性知识。

近期的人工智能研究指出，这种关系比简单的模式匹配更为复杂。一些研究表明，高级模型可能发展出能够追踪领域中隐藏特征的内部结构。

这些发现对隐性知识具有重要意义，因为人类的隐性理解同样依赖于内化后的规律。通过反复的经验，人们学习行动、预期和结果的模式，这些模式无需明确推理即可指导着感知和判断。

在这方面，人类的隐性学习与机器的表征学习之间存在功能上的类比：两者都涉及将重复出现的模式压缩为支持预测的结构。但这种类比不应被过分夸大。

人类的隐性知识源于具身行为、情感投入、社会参与以及对后果的责任。大语言模型从人类活动的痕迹中获取其表征。

因此，人工智能的“世界模型”是推断性的、中介性的，而非体验性的。这并不意味着它们毫无用处，也不表示它们无法满足许多用途。在受限的领域中，推断性模型可能足以用于预测、规划、模拟、分类，甚至某些特定类型的行为，尤其是在任务明确且输出可验证的情况下。

因此，关键问题不在于人工智能世界模型是否像人类参与世界那样“真实”，而在于它们能够胜任哪些类型的任务。当其性能依赖于具身经验、情感显著性、社会参与、伦理责任，或对后果的敏感度时，这类模型的问题就变得更加突出——这些后果无法完全体现在模型的训练数据或任务环境中。

机器人技术和具身的、“物理”的人工智能进一步复杂化了这一论点。如今，一些人工智能系统不仅仅是操纵符号，它们还在感知、语言和行动之间学习映射关系。

因此，仅仅指出人工智能系统无法模拟隐性知识，是因为它们缺乏与外界的交互，已不再足够。一些系统正越来越多地从感觉运动数据、轨迹、示范以及环境反馈中学习。在这一有限意义上，它们可能比仅依赖文本的系统更接近地模拟隐性知识中的程序性与感知性维度。

然而，这种近似仍然具有任务特定性和局限性。机器人可以学会抓取物体或在空间中导航，而人工智能系统则可能越来越能够从多模态信号（如动作、面部表情、声音、姿态、心率、皮肤电导、噪音水平或互动模式）中推断出人类或环境的状态。

在这方面，具身隐性知识中的某些感知成分或许可被技术手段近似实现。但这类系统是通过可测量的代理指标和习得的相关性来运作的。

这还不等同于护士对患者不适的情境判断，或教师对课堂氛围的感受，因为这些判断融合了生理线索、叙事背景、先前关系、时机、制度性知识、伦理责任以及对情境中重要事项的敏感性。

因此，问题不在于人工智能无法检测相关信号，而在于信号检测仍需与具身化且负责任的解释相区分。

这也就是说，人工智能系统可能逼近隐性知识的部分功能效应，尤其是在语言、行为、决策、日常习惯或感觉运动模式中留下隐性知识密集痕迹的情况下。然而，所被逼近的并非作为生活经验和社会嵌入体验的隐性认知本身，而是隐性知识在数据中留下的某些规律性特征。

换句话说，隐性知识并非均一。某些维度在数据中更为明显，因此更容易被统计学习所获取，而另一些则仍与具身性、社会参与、身份和责任紧密相连。

论文强调，在解释人工智能系统在哪些方面可能逼近隐性能力时，有两个维度尤为重要。

第一个是模式密度：即任务的输入与输出关系在训练数据中被充分表示的程度。

第二个是可验证性：即输出能否被评估、修正和改进的程度。那些模式丰富且易于验证的任务，即使涉及判断或模式识别等类型，也更容易受到人工智能的逼近影响。而那些模式稀疏、难以评估，或依赖于具身化和规范性语境的任务，则更具抗性。

也就是说，人工智能的能力并不单纯由任务是“常规”还是“非常规”来决定，而是取决于数据可得性、模式结构、可验证性、具象化以及问责机制之间的相互作用。人工智能与隐性知识之间的关系不仅仅是近似，更是一种再分配。

五、人工智能逼近隐性知识的某些维度对教育意味着什么？

该论文指出，在传统教育理论中，学习被理解为外部知识逐步转化为内部能力的过程。这一观点支撑了体验式学习、情境认知以及合法边缘参与等理论框架。

在这些传统中，隐性知识都起着核心作用：正是它使学习者能够从了解某事物转变为在具体情境中具备胜任力地行动。因此，学习不仅仅是信息的获取，更是显性知识向感知、解释和行动导向的理解的转变。

人工智能使这一模型变得更加复杂。大语言模型及其他人工智能系统能够生成合理的解释、诊断、法律论据、摘要和教学支持，而无需经历人类的内部化过程。

但这并不意味着内部化已过时，而是改变了其功能。学习者不再需要将任务执行所需的所有程序或信息都内化，但他们仍需在长期记忆中具备足够结构化的知识，以提出有意义的问题、识别相关性、评估合理性、发现遗漏，并将人工智能生成的内容整合到自己的理解之中。

从这个意义上说，分布式认知不仅没有降低人类判断的重要性，反而提高了其重要性。

首先，教育需从知识获取转向综合专业能力发展。专业能力（expertise）并非仅指对成文或隐性知识的拥有，而是它们的整合。显性知识提供概念、结构和可推广的框架；隐性知识则使人们能够在不确定性下进行解释、情境化和行动。因此，教育应被理解为综合型专业能力的发展：即在负责任的实践中，将内在知识、隐性判断与外部工具相结合的能力。

这一观点避免了两种片面立场。狭隘的“讲授式”（didacticist）模式正确强调了知识的获取，但却低估了知识在实践中如何被运用。而对人工智能敏感的“建构主义”（constructivist）模式则正确认识到外部系统日益增长的作用，却忽视了有效使用这些系统所需的内在知识。

教育的核心任务并非在“讲授式”与“建构主义”之间做出选择，而是确保学习者获得足够深入的掌握知识，以支持判断、迁移和负责任的行为。

其次，K-12阶段知识丰富的课程和能力培养变得至关重要。在K–12教育阶段，语言、数学、科学、历史、艺术和公民生活等领域的基础性知识不会因人工智能而过时。这些知识是学生发展理解力、推理能力、想象力和参与能力的基础。

如果没有足够丰富的背景知识，学生将无法解读文本、理解解释、评估论点，或识别出人工智能生成的回答所遗漏的内容。因此，知识丰富的课程并非对死记硬背的怀旧回归，而是实现智力自主的前提条件。

另外，K–12教育必须为隐性知识的发展提供结构化的机会。这需要练习、变化、反馈和反思。学生需要解决问题、讨论案例、修改作业、进行实验、解读证据、与他人协作，并面对规则不具机械适用性的场景。这些经历有助于显性知识逐步与感知、判断和行动融为一体。

人工智能可以通过提供解释、示例、模拟和反馈来支持这些过程，但无法替代学习者通过发展性学习构建内在能力的过程。

与此同时，学校必须明确培养认知判断和概念判断能力。学生需要理解知识是如何产生、被论证、被质疑和被修正的。这包括学会评估信息来源，区分证据与断言，识别不确定性和辨别偏见。

在充斥着机器生成内容的环境中，认知判断和概念判断已成为基本的教育权利。学生不仅需要学会获取答案，还应学会质疑一个答案是否合理，以及其背后的意义究竟何在，而不仅仅是内容本身。

再次，在高等教育阶段学科知识和专业判断力培养需得到更加重视。在医学、法律、工程、教学、研究以及公共管理等领域，学生不仅需要掌握该领域的系统知识，还必须学会如何在模糊情境、信息不完整、价值观冲突以及制度约束等条件下应用这些知识。

这要求采用案例教学、临床与实地实践、指导性实习、研究学徒制、设计项目、模拟演练以及反思性评估等方式。

鉴于现有研究表明，由人工智能驱动的初级自动化可能削弱隐性知识的代际传承，因为其减少了或重新组织了新手获取专家导师的机会，这一问题变得愈发紧迫。

因此，高等教育和专业教育需要保护结构化的监督参与形式，而不仅仅是教会学生如何使用人工智能工具。人工智能改变了这些实践方式，但并未消除其必要性。

在许多领域，毕业生将作为普通职业实践的一部分与人工智能系统共事。他们必须学会评估人工智能的输出结果，理解其局限性，识别偏见，调节信任，并判断何时需要人类介入。这不仅仅是一项技术技能，更是一种基于隐性知识、认知责任和领域专长的专业判断。

在这种背景下，教师和指导者的角色变得愈发重要。隐性知识的发展依赖于示范、引导、反馈和解释。教师帮助学习者识别关键内容，构建思维结构，评估推理过程，并反思自身行为。人工智能系统可以辅助某些教学功能，但无法取代教师在引导判断、意义理解与责任承担实践中的核心作用。

这一点尤为重要，因为教学发生在高度变化且受情境影响的环境中。课堂因年龄、文化、语言、先前知识、动机、社会互动、制度期望、家庭状况以及即时情绪状态的不同而各不相同。

任何人工智能系统都无法以完全替代情境化专业判断的方式，全面捕捉这种复杂的组合性因素。即便人工智能系统能提供有用的解释、反馈、分析或自适应学习材料，教师仍需结合具体学习者、课堂历史、课程目标及伦理责任来解读这些输出结果。教师的角色依然在于情境化：决定人工智能生成的建议含义，是否符合当前情境，以及应如何针对在场的学习者进行调整。

评估方式也必须改变。如果教育的目标是培养判断力，那么评估就不能仅关注正确答案或最终成果，还必须考察推理过程、解释、论证、修改、协作以及工具的负责任使用。

学生不应只被要求完成作品，还应被要求说明他们如何评估资料、如何使用人工智能、还存在哪些不确定性，以及为何做出特定决策。这使得隐性判断更加明显，而不会完全将其简化为明确的规则。

最后，教育必须培养认知主体性和伦理主体性。教育必须保留并培养那些无法被外化至技术系统的判断方式。人工智能可以支持信息处理、生成合理输出、模拟专家交流，并批量识别模式。但它并不承担解释、决策、论证或行动的责任，这些责任仍属于人类和机构的职责。

责任并不等同于因果贡献。一个系统可能在因果上影响某个结果，但在道德、法律或教育意义上无法对其负责。责任要求具备提出和回应理由的能力，理解后果的意义，处于规范与义务的框架之中，并受到他人的问责。

在这种意义上，人工智能系统并不参与责任实践。它们不关心后果，不承认义务，更不承担专业职责。它们生成输出，而人类和机构则决定这些输出如何被解读、授权和执行。

这种区分在教育中至关重要。在职业和公民生活中，判断远不止在选项中做出选择，更需要辨别哪些内容具有相关性，解读模糊情境，权衡不同价值观，识别不确定性，并决定应采取何种行动。这些能力依赖于知识，同时也依赖于隐性理解：即对重要性、比例、时机、背景和责任的敏锐感知。

它们无法简单地归结为形式化的规则或统计模式，因为其内涵要求将事实、价值、目的与后果融为一体加以整合。

因此，教育必须培养认知主体性和伦理主体性。认知主体性指负责任地参与知识实践的能力：提出问题、评估证据、论证主张以及修正信念。伦理主体性指在行动中意识到自身行为对他人的影响的能力。这两种能力密切相关。在数据驱动的认识论中，判断失误不仅是智力上的失败，也可能演变为道德和公民责任上的失败。

对于K–12教育而言，这意味着学生应逐步学会论证观点、评估证据、识别不确定性，并反思自身选择的后果。他们应学会将人工智能用作需要解释其输出的工具，而非简单的答案机器。

对于高等教育和职业教育，则意味着人工智能的应用应嵌入到涉及不确定因素、权衡取舍与责任承担的特定领域案例中。未来的医生、教师、工程师、律师、研究人员和公职人员不仅需要了解人工智能如何运作，还必须学会在使用人工智能时保持责任意识。

因此，教育的核心任务既不是保护学习者免受技术影响，也不是仅仅训练他们高效地使用技术，而是培养内在的知识形式、隐性判断和责任感，使他们能够在与强大的外部系统互动时，不被其左右。从这个意义上说，人工智能并未削弱教育的人文维度，反而使其更加清晰可见，也变得更加紧迫。

因此，在人工智能时代，教育应被理解为综合能力的培养：即整合显性知识、隐性理解、外部认知工具和负责任的判断力。隐性知识并未消失，而是正在重新分配、受到挑战并被重构。教育的任务在于确保在这一重新分配过程中，人类的判断力不会减弱，反而得到深化。

报告最后指出，自动化或许能拓展人类能力，但也可能削弱判断力、技能与专业直觉得以培养的环境。因此，隐性知识的未来将取决于机构是否主动培育它、使其可见，并负责任地将其融入人机协作的知识实践中。未来的任务不仅是理解机器能够从人类隐性知识中学习什么，更在于理解人类为了保持能力、责任感和担当，必须不断学习什么。

资料来源：

Van Damme, D., with contributions from Fadel, C. (2026). Tacit Knowledge, Human Cognition and Artificial Intelligence. Center for Curriculum Redesign. https://curriculumredesign.org/wp-content/uploads/Tacit-Knowledge-CCR.pdf

[本文为教育部国别和区域研究基地中国教育科学研究院国际教育研究中心成果]

本文由中国教育科学研究院“教育国际前沿”课题组整理，课题组负责人张永军，编辑刘强。点击左下角阅读原文可下载该文献。