在商业和经济学的研究里，一直有一个流传已久的共识：创业（Entrepreneurship），绝对不是做一道求最优解的数学题。

企业家并不是把一堆已知的数据塞进某个决策公式里，去算一个标准答案。恰恰相反，企业家面对的世界充满了未知。在这个世界里，事件发生的概率是未知的，未来的机会在哪里是不确定的，甚至连你今天采取的行动和未来的结果之间有什么联系，都无法提前预知。

这也解释了为什么判断力（Judgment）会成为创业理论的核心概念。说白了，当世上没有任何现成的模型能告诉你该怎么做时，唯一能靠的，就是判断力！

说到这里，人工智能（AI）的位置就很清晰了。在传统的认知里，电脑负责计算，人类企业家负责判断。机器只能处理那些被整理得明明白白的信息，而企业家则依靠经验、直觉和隐性知识（Tacit Knowledge）。

算法或许能提高预测的准确率，把不确定性的边界往后推一推，但真正的不确定性，依然是人类判断力的专属领地。这种“人机分工”听起来非常合理，在今天关于AI和创业的各种讨论中随处可见。

但是，如果这个大前提本身就错了呢？会不会在某种意义上，机器智能也能拥有“只可意会”的隐性知识？

哲学家塞琳·巴丁（Céline Budding）最近在《科学哲学》期刊上发表了一篇非常迷人的论文，解释了为什么我们应该认真对待这种可能性。巴丁并没有夸张地宣称大语言模型（LLM）真的像人类一样思考，或者拥有意识和信念。她的切入点要窄得多，但也正是因为精准，这个观点才显得格外有趣。

她借鉴了哲学家马丁·戴维斯（Martin Davies）关于隐性知识的理论，提出了一个大胆的推论。她认为，至少在一部分大语言模型内部，可能存在着某种特殊的因果结构。这种结构完全有资格让我们承认，机器也拥有某种形式的隐性知识。

这个论点对创业研究来说，简直是一记重锤。因为过去学者们总是强调，正是因为隐性知识的存在，企业家的判断力才无法被简化成冰冷的算法（不过我个人其实并不捍卫这种观点，下文会细说）。

如果隐性知识不再是人类的专利，那么单靠“只可意会”这一点，就再也无法证明企业家判断力的独特性了。因此，生成式AI的到来，给了经济学学者一个深挖本质的机会。我们不再只是肤浅地讨论ChatGPT能不能写出一份商业计划书，而是要问一个更根本的问题：到底什么是判断力？它和其他形式的智能行为，真正的区别在哪里？

规则与行为之间的灰色地带

巴丁的论文从一个我们都很熟悉的问题开始。当我们说一个语言模型“知道”巴黎是法国的首都时，这到底是什么意思？

一种可能是显性表征（Explicit Representation）。传统的符号AI系统就像一个庞大的数据库，里面存储着各种明确的命题或规则，需要的时候直接调取出来。在这样的系统里，知识是非常明确的。系统里的某个地方真实存在着一条规则，并且直接决定了系统给出的答案。

但现代神经网络完全不是这么回事。它们的信息表征是分散在海量参数里的。我们通常无法拆开模型的某个特定角落，直接找到“巴黎是法国的首都”这句话静静地躺在那里等待被调用。

这种机制引发了很多人的怀疑。怀疑论者认为，大语言模型其实什么都“不知道”，它只是表现得好像知道一样。只要你给对提示词，它就能蹦出“巴黎”这个词，但这种成功的输入输出行为，并不能证明系统真的拥有知识。

然而，巴丁顺着戴维斯的思路，拒绝了这种“非黑即白”的二选一。她指出，这中间还存在第三种可能性。

一个系统可能没有把规则明明白白地写出来，但它内部却包含了某种特殊的结构，能够系统性地、有因果关系地生成行为。戴维斯把这种状态称为隐性知识。

这绝不仅仅是机械地符合某条规则，因为这种能力是深深植根于系统内部的因果组织结构中的。但同时，它又算不上是显性知识，因为你没法直接从数据库或程序代码里把这条规则读出来。

写到这里，那种简单粗暴的“人机二分法”就开始站不住脚了。长期以来，隐性知识总是和人类那些“做得到却说不出原理”的本领联系在一起。学者迈克尔·波兰尼（Michael Polanyi）有句名言，“我们知道的，远比我们能说出来的多”，精准地捕捉到了这种直觉。

举个例子，一个经验丰富的老练企业家，能一眼看出某个潜在合伙人靠不住，能敏锐察觉某项技术终于到了商业化成熟的临界点，或者预感到市场风向马上要变了。但如果你让他写出一套算法来解释自己是怎么得出这个判断的，他绝对写不出来。

过去我们认为，这种“只可意会”的特性让机器望尘莫及，因为电脑似乎必须依赖明确的指令才能干活。但巴丁的论证提醒我们，这个结论下得太草率了。

机器懂得的，也比能说出来的多？

早年间，戴维斯本人其实很怀疑神经网络能不能满足隐性知识的条件。但巴丁认为，现代Transformer模型（也就是ChatGPT背后的核心架构）彻底改变了游戏规则。

具体来说，模型里的词嵌入（Embeddings）技术，可以把语义相关的输入信息，放置在高维空间里彼此靠近的位置。这些信息的表征不需要完全一模一样。只要模型能够识别出它们在语义上的相似性，并把相关的输入引导到相似的内部因果处理流程中，这就足够了。

为了支撑这个观点，巴丁引用了孟（Meng）等学者关于定位和编辑语言模型内部事实关联的实证研究。他们开发了一种叫ROME的方法，可以精准找到模型内部负责特定事实关系的组件，并对其进行人为干预。

巴丁用了一个很形象的例子来说明。如果一个模型原本把“埃菲尔铁塔”和“巴黎”联系在一起，通过这种技术手段对其进行编辑后，模型就会把“埃菲尔铁塔”和“罗马”绑在一起。

最有趣的结果，并不仅仅是模型从此以后会回答“罗马”。更重要的是，这种人为干预的果效，能够自动泛化到关于这一事实的各种不同问法和句式中去。

这种泛化能力（Generalization）至关重要。假设系统只是像死记硬背一样，把每一句话都单独背了下来，那么修改其中一个输入输出关系，按理说不应该系统性地改变其他语义相关的句子。

但研究发现，这种编辑不仅泛化能力极强，而且具有很高的特异性。也就是说，修改一个事实关联，会同步影响各种换了说法的相关提问，但对其他不相关的知识却基本没有影响。巴丁认为，这就是戴维斯所说的共同因果要素（Causal Common Factor）的初步证据。模型内部似乎真的存在某种结构，在系统性地主导着一整族语义相关内容的输出。

当然，目前的证据还远未到一锤定音的地步。巴丁也在论文中坦诚地讨论了多义性神经元（Polysemanticity）、分布式表征、特异性不完美，以及最近学界对因果追踪方法的质疑等问题。她非常谨慎地把自己的结论描述为“初步的”。

但是，即便今天我们对大语言模型内部机制的具体解读被证明是错的，她在概念层面的突破依然立得住。我们没有任何理由在定义“隐性知识”时，非要把“具备生物大脑”作为前提条件。只要隐性知识的本质是系统内部有一套不以明确规则形式存在、却能实际发挥因果作用并指导行为的结构，那么人工系统就完全有资格拥有它。

隐性知识，绝不等于判断力

既然机器也可能拥有隐性知识，那企业家岂不是要失业了？别急，在基于判断力的创业理论中，判断力指的是在不确定性下做决策的能力（这一点可以参考我之前的文章）。

这个概念的思想渊源，来自经济学家奈特（Frank Knight）对风险（Risk）和不确定性（Uncertainty）的经典区分。在风险状态下，未来可能出现的结果以及它们的概率都是足够明确的，完全可以靠计算来解决。而在奈特氏不确定性下，这些概率根本无从知晓，或者说只在企业家自己的脑海里有数。尽管没有任何客观正确的标准程序来帮他做选择，企业家也必须硬着头皮采取行动。

因此，判断力绝对不能简单地等同于掌握信息，也不能被矮化成高级的预测能力。企业家对不确定的未来形成自己的信念，并基于这些信念真金白银地投入资源。

面对完全相同的外部客观环境，不同的企业家会做出截然不同的判断。为什么会这样？因为各种异质性资产在未来的价值，并不是提前设定好放在那里的，它完全取决于企业家的主观构想。最后，市场会通过事后的盈亏，来检验那些在事前根本无法通过计算得出答案的决策。

这正是巴丁的论文帮我们理清思路的地方。一个大语言模型完全可以在她所说的意义上拥有隐性知识，但同时在奈特的意义上毫无判断力可言。

哪怕模型通过内部的因果结构，真真切切、心照不宣地“知道”埃菲尔铁塔在巴黎，这也丝毫不能说明它能决定现在该不该收购一家工厂、要不要推出一款市场从未见过的新产品、如何重组一家公司，或者该不该杀入一个未来格局完全未知的新市场。

你看，这里的核心区别，根本不在于认知是显性的还是隐性的。真正的鸿沟，横亘在知识与判断力之间。

厘清这一点太重要了，因为研究创业的学者们经常在这些概念之间滑坡混用。哈耶克的分散知识问题、波兰尼的隐性知识，以及奈特的不确定性，虽然彼此相关，但绝对不能混为一谈。

企业家在运用判断力时，确实可能会依赖隐性知识。但我们需要判断力，绝不仅仅是因为某些相关知识“只可意会”。真正的原因在于，经济问题本身是完全开放的、没有标准答案的，要解决它，就必须在看清未来之前先把资源押上去。

换句话说，就算巴丁是对的，机器正在一步步跨越“隐性知识”的边界，这也绝不意味着它们已经跨过了“判断力”的边界。

那么，留给企业家的还有什么？

这种视角的重构还给我们提了个醒：与其绞尽脑汁去寻找某种机器永远无法具备的认知能力，不如换个研究方向。毕竟从历史经验来看，断言“机器永远做不到某事”的观点，最后往往会被打脸。更稳妥、在理论上也更有价值的做法，是直接去界定企业家判断力的核心属性，而不需要在定义里强行塞入“人类专属”的限定词。

第一个核心属性是构想能力（Conjecture，这建立在某种溯因推理之上）。企业家的行动，绝不仅仅是预测已知的几个选项里哪一个会发生。

企业家是在凭空想象资源可能的新用途、可能的新产品、可能的新组织形式，以及未来的各种新状态。这些可能性，根本不是预先列在菜单上供人挑选的备选项。用创业理论的行话来说，商业机会并不是客观存在于某处等待被探测到的物体，它们是通过企业家的想象、试错和实际行动才得以涌现出来的。

第二个核心属性是所有权与资源投入（Ownership and Resource Commitment）。正如我和彼得·克莱因（Peter Klein）所讨论过的，判断力与所有权是死死绑在一起的，因为世界上不存在一个可以买卖“判断力”的完备市场。

打个比方，如果我判断某项新技术一定会大获成功，但我和买家谁都不掏钱投入资源，光靠我把这个想法卖给你，那么实际的经济问题依然没有解决。真正行使企业家判断力，意味着要在不确定性下调配并押上各种异质性的资产。企业家不仅是在回答“未来会发生什么”，她更是在基于对未来的构想，决定要把哪些资源组合起来并牢牢控制在手中。

把这两点摆出来，人类与大语言模型的对比就变得无比锋利了。巴丁所分析的模型，确实拥有某种内部因果结构，这或许足以让我们把它的某些信息表征称为“知识”。

但是，这个模型依然需要外部的人类去给它输入提示词、去评估它的表现、去对它进行干预。它内部的事实表征确实能影响输出的内容，但这篇论文没有任何证据表明，模型能够自己发起一个创业项目、去获取产权、自己决定把哪些资源暴露在不确定性的风险之下，或者去亲自承担这些资源投入带来的经济后果。

事实上，巴丁自己在论文中也刻意避开了更深层的问题，比如隐性知识是否足以证明模型拥有信念、概念或其他更高级的认知状态。当然，这并不能彻底断定未来的AI系统永远无法行使判断力，但它清清楚楚地告诉我们，单凭巴丁目前的论证，还远不足以证明AI已经做到了这一点。

AI：创业理论的“压力测试”

聊到这里，其实有一个更宏大的启示。人工智能之所以对创业研究如此迷人，是因为它为我们的理论概念提供了一场绝佳的压力测试（Stress Test）。

过去，太多人习惯性地把显性知识归于机器，把隐性知识归于人类。但深度学习技术的爆发，让这种一刀切的二分法越来越难以为继。

如果巴丁是对的，人工系统完全可以习得那些从未被明确写入代码、也无法直接从系统架构中读出来的有效知识。这样一来，那种认为“因为依赖隐性知识，所以企业家判断力必然属于人类”的传统论点，就变得非常脆弱了。

尽管如此，基于判断力的创业理论（以及其他创业理论），最终并不需要靠“机器无法拥有隐性知识”这一条来撑腰。

经济学理论更深层的底气在于，人类的经济活动发生在一个未来无法被简化为已知状态和已知概率的世界里。在这样一个充满未知的世界里，总得有人站出来，拍板决定该如何配置和使用那些千差万别的资源。

算法把预测能力提升得再高，也消除不了这个根本问题。人工系统的隐性知识哪怕变得再精妙绝伦，也无法把充满变数的未来，变成一道有确定答案的算术题。