如果我们要依赖机器智能，就需要理解两种类型的知识。
理解知识意味着我们能够区分：哪些单调的工作应交由机器完成，哪些需要直觉的任务应由人类承担。
这种方法对商业和教育都同样有益。
随着虚拟世界与物理世界日益相互依存，知识以及我们如何管理知识，将成为应对当下局面并实现繁荣发展的秘密武器。
虚拟技术正迅速与我们的物理世界交织在一起，企业需要适应这一变化。但这并不仅仅意味着用机器人取代人类，或依赖人工智能（AI）做出我们所有的决策。
这是因为技术虽然强大，但只是等式的一部分。事实上，在当今的第四次工业革命（FIR）中，人类智慧将成为最宝贵的资产之一，如果企业未能在自动化技术与人类洞察之间取得恰当平衡，便可能陷入困境。
这归结于知识管理。在领导由人类与机器共同组成的团队时，管理者需要理解两种主要的知识类型——隐性知识与默会知识——以及如何最好地运用每一种知识。
我们是如何走到今天的？
“第四次工业革命创造了一个世界，在这个世界中，制造业的虚拟系统与物理系统在全球层面以灵活的方式相互协作，” 写道 世界经济论坛创始人兼执行主席克劳斯·施瓦布（Klaus Schwab）在其2016年出版的著作中《第四次工业革命》。
在同一本书中，他创造了这一术语本身，并写道：“我们正处于一场根本性改变我们生活、工作和彼此关系方式的革命之初。”
与前三次工业革命一样，第四次工业革命将从根本上改变我们的生活方式以及企业的运营方式。此前的革命曾带来蒸汽机与机械化，以及电力与大规模生产。最近一次，即第三次革命，则加入了数字化与计算机。
第四次工业革命已经在众多行业引发了剧烈变革。关键在于，它将使我们的物理体验与快速发展的技术相融合，例如人工智能、机器学习、虚拟现实与增强现实、机器人技术、生物工程和云计算。
它将模糊线上与线下、技术与生物之间的界限——例如实时自动语音识别、灾难救援无人机、基因组编辑以及由人工智能驱动的客户服务聊天机器人。
虽然许多人将第四次工业革命描述为一场虚拟革命，但这只说对了一半。其核心在于，第四次工业革命也是一场知识革命——展望未来，我们将依靠人类智慧与机器智能的结合，创造真正具有变革意义的企业、服务和产品。
你真的了解什么是知识吗？
要在第四次工业革命中取得成功，企业领导者首先需要理解知识的运作方式。简而言之，知识分为两种类型：显性知识与隐性知识。
显性知识可以轻松地被表述、量化、编码、分享和编程。例如：公司手册、研究报告、白皮书、操作指南视频和数据集。它们可以被编入常规任务和流程，然后交由机器执行。
相比之下，隐性知识则更难把握。它无形无质，范围涵盖从个人经历中获得的洞察，到积累的专业技能，乃至基本的直觉。
例如，一位资深销售代表可能自然而然地感觉到自己能够促成一笔交易，而一位医生则可能凭直觉认为应当开具某项诊断检查，以排查一种与患者症状并不相符的疾病。
人类可以轻松地将显性知识传递给机器，但要让机器内化并复制隐性知识，难度显著更大，甚至即便并非完全不可能，也极具挑战。
话虽如此，隐性知识并不一定要局限于孤立的状态。
我们可以通过访谈、培训、指导、工作坊和论坛来捕捉部分隐性知识。随后，企业可以利用人工智能语音识别软件对这些洞察进行转录、分析和整理，从而建立宝贵的机构知识库，并用于培训新员工。
管理知识将决定商业成功
我们管理知识的方式将影响业务运营的各个方面，从路线规划流程、培训，到高层决策和客户服务。自然，许多人抵制第四次工业革命，担心机器人或自动化会使人类变得多余。但实际上，变化的只是我们工作的性质。
据英国德勤（Deloitte UK）的一项研究，过去15年间，技术在英国消灭了80万个工作岗位，同时创造了350万个新岗位。值得注意的是，这些新工作的平均年薪比被淘汰的工作高出1万英镑，为英国经济增加了约1400亿英镑。英国德勤的一项研究。
人工智能和机器接管了由隐性知识指导的例行、重复性任务，使人类能够转向需要智慧、创造力、经验、直觉和才能的岗位——即隐含知识。
施瓦布在指出这一转变的重要性时写道：“我坚信一点：未来，人才而非资本，将成为关键的生产要素。”
当然，知识管理的形式因行业而异。例如，在银行业，企业已经实现了存款、转账，甚至常见客户服务咨询等常规流程的自动化。
与此同时，人类负责处理高层次的交易和复杂的客户服务问题。
交易领域也遵循了类似的发展轨迹。虽然机器可以处理基本交易，但具备丰富隐性知识的分析师负责管理复杂的交易策略，并首先输入实际数据点——即买入和卖出的时机、数量与方式——以对交易算法进行编程。
教育领域的知识管理
在教育领域，改进知识管理同样潜力巨大。
学校或许可以将围绕显性知识的学习目标实现自动化——无论是乘法口诀还是化学原理——同时也可以将行政事务、文书工作、课程规划、库存管理和备课工作自动化。
这样一来，负担过重的教师便能腾出精力，专注于更具直觉性的任务，例如培养批判性思维、创造力、个性化反馈、实践培训、辅导、指导以及真实世界的职业培训。
相反，医疗保健行业则依赖隐性知识——将多年的医学培训加以编码极为复杂，因为许多症状、诊断和治疗并不遵循预期的模式。而糟糕数据的代价便是人命。
不过，人工智能可以应用于诊断。例如，人类可以训练机器读取检测结果和X光片，并在人类医生做出治疗建议之前提供初步诊断。
无论身处哪个行业，如果企业领导者真正理解并管理隐性知识与显性知识，他们便能够优化运营、打造更优质的产品和服务，并最终在第四次工业革命中实现繁荣发展。
James Lin拥有麻省理工学院博士学位，研究方向为综合能源、经济与环境建模。
