知识是智能的根基 信息系统价值取决于知识养成能力
人读一篇文章,从识字的感知到句意的理解,再到全文主旨的把握,整个过程只需几秒。一台计算机处理数据、生成判断,走的是一条几乎相同的路径。从感官接收信号到形成理解、做出判断——人类积累几十万年的认知流程,计算机在几十年里也走过了类似的几步。
但两者之间有一个根本的共同点:无论是人,还是一套信息系统,真正产生价值的那把钥匙,始终是对知识的养成能力。
数据遍地都是,信息也不稀缺,但知识——那种能把零散信息连成体系、在遇到新问题时能派上用场的东西——才是决定高下的分水岭。
人认识世界,从感官开始。眼睛接收光,耳朵接收声波,皮肤感知温度和触感。这些原始信号本身没有任何含义。视网膜上的光斑不过是一堆明暗不同的光信号,耳蜗传来的也不过是一串振动频率。
婴儿出生后的头几个月,视野里只有光和影,耳畔只有嘈杂声。他分不清母亲的面孔和墙上的画有什么区别,也听不懂“吃饭”和“睡觉”的发音有何不同。这些原始信号大量涌入,和硬盘上存储的原始字节没有本质区别——它们都被记录下来了,但谁也读不懂。
在信息系统中,这一步叫做数据采集。传感器记录温度,摄像头拍下图像,日志系统记下每一次点击。一座城市一天的交通监控视频,原始数据可能有好几个PB。但仅凭原始像素,什么也看不出来。
采集不难,难点在后面。
人把信号变成有意义的信息,靠的是归类。
婴儿大约三个月大时开始能辨认人脸。不是因为他理解了“脸”这个概念,而是大脑在反复处理大量人脸图像后,自动形成了一种模式:两只眼睛在上,嘴巴在下,大致对称。下次再看到类似的图案,大脑就把它归入“人脸”这一类。
学认字的过程也一样。小学一年级时,“大”和“太”笔画如此接近,写错多少遍才分清楚?老师反复纠正,学生反复练习,直到某一天不用想就能分辨。这不是逻辑推理的结果,而是大量重复之后的本能反应。
在信息系统中,这一步叫做数据处理与信息提取。原始数据经过清洗、标注、分类,变成了“信息”。比如一张照片,经过图像识别算法处理后,不再是一堆像素,而变成“这是一张猫的照片,品种可能是英国短毛猫,置信度92%”。
但到此为止,系统的行为和婴儿辨认人脸并无二致——它知道“这是什么”,但不知道“这意味着什么”。认识猫和知道猫怕水、会抓老鼠,完全是两码事。
手机相册搜索“猫”能搜出结果,但如果问它“这只猫为什么不喜欢吃鱼”,大概率答不上来。
因为信息不等于知识。
人如何获得知识?靠的是把一条一条的信息连成网。
一个孩子知道火烫手,是因为某次不小心碰到了。这是信息——一个孤立的、具体的事件。但当他进一步知道了“所有热的金属都烫手”,再进一步知道了“金属导热快,所以刚烧过的锅柄也不能碰”——这就不是信息了,这是知识。
知识的核心特征是迁移能力。不需要碰过每一口烧过的锅,才能知道它们烫手。掌握了一条通用规律,就可以举一反三。
工作经验同样如此。一位经验丰富的审批人员审阅一份材料,扫几眼就能发现关键问题所在。他不是逐字逐句地读,而是脑子里有一套判断框架:这份材料缺了什么、格式是否合规、依据的政策条文是什么、与之前的类似案例是否存在矛盾。这套框架就是知识,是多年审批经验沉淀下来的东西。
信息系统走到这一步,叫做知识工程。把分散在文件、表格、规程、经验里的信息,提炼成结构化的、可复用的知识。比如政府审批系统中,把每一种审批事项的法定依据、申请条件、材料清单、办理流程、常见驳回原因、关联事项全部梳理出来,形成一套完整的业务知识库。
这项工作繁重而琐碎,远没有训练一个模型听起来那么光鲜。但它恰恰是整个链条中最值钱的环节。
打个比方:请一位厨师来做饭。数据是菜市场里还没洗的菜,信息是洗好切好的净菜,知识则是厨师脑子里的菜谱和火候感觉。给再好的食材、再锋利的菜刀、再大的厨房,如果厨师自己不会做菜,端上桌的仍是一锅乱炖。
那么,现在大家都在说的AI,到底处在哪个阶段?
人掌握了知识之后,用得越多就越顺手。一位老会计闭着眼听几笔账目,就能大致判断是否有误,因为他见过太多真实的账目,心里有一个“常态的样子”。数字如果偏离这个样子太多,他不用逐行核对就会起疑心。
这种“凭经验直觉做出判断”的能力,和AI模型在做的事情有几分形似。
在信息系统中,当知识被组织好之后,下一步就是用大量案例去训练模型,让它学会像那位老会计一样——不需要逐条核对规则,就能快速给出一个合理的判断。这就是人工智能应用。
但顺序不能颠倒:先有知识,再有智能。
如果知识库里的审批规则本身就不完整、不准确、甚至自相矛盾,那么AI学到的就是一堆有问题的“经验”。它能很自信地给出审批建议,但给出的建议可能是错的。这就像一个学徒跟着一个半吊子师傅学手艺——练得再熟,功夫也是偏的。
不少人有一种错觉,觉得AI足够强大,自己就能从海量数据中发现规律,不需要人去整理知识。这个想法对了一半。AI确实可以从数据中找到一些不易发现的模式,但它找到的这些模式如果不和已有的知识体系对接,就很零散、不可靠。一个只处理了十万份审批材料、但完全不了解法律法规的AI,很难做出靠谱的审批判断。
这也解释了为什么许多政府和企业投入大量资源做AI项目,最后却发现效果不理想。问题往往不在于算法不够先进、数据不够多,而在于知识这个环节没有夯实。数据堆了一座山,但从数据到知识的转化做得很粗糙,知识本身的准确性、完整性、一致性也缺乏专人把关。
一句话:食材堆满了仓库,但没有一本靠谱的菜谱。
理解了这条链路,就不难看清今天许多AI产品的底层逻辑。
搜索引擎为什么从早期的关键词匹配,进化到了语义理解?其中一个原因是后者多了一层“知识”。它不只是找到输入的那个词在哪里出现,而是理解搜索者“想找什么”。这背后需要庞大的知识库做支撑,知道“苹果”和“iPhone”有关系,和“水果”也有关系,能根据上下文判断需要的是哪一个。
智能客服为什么有的好用、有的不好用?好用的那些,背后往往有一套经过精心梳理的业务知识库。不是简单地把FAQ丢进去让模型自己学,而是有人把业务场景、政策规则、常见问题、标准答案、例外情况全部分门别类整理好了,模型再在这个基础上学习。这比纯靠海量对话数据训练出来的结果要靠谱得多。
政务领域的智能审批、智能辅助决策,道理也是一样的。法律条文、审批规程、历史案例、裁量标准——这些东西不是靠算法能自动生成的,它们是人在长期实践中总结出来的,需要被认真梳理、准确表达、持续维护。
这些东西才是核心资产。
算法是厨艺,算力是灶台,数据是仓库里的食材,知识则是那本被翻旧了的菜谱。换一位厨师、换一口灶、换一批菜,都能接着做。但菜谱丢了,一切要重来。
人脑处理一篇文章的过程,浓缩了从数据到信息到知识的完整链路:识字是信息处理,理解句意是知识提取,把握全文逻辑是知识迁移。这套能力从幼年起开始积累,练了几十年,到了毫不费力的地步。
信息系统则在用另一套方式追赶同样的目标。它速度快,但底子薄。它需要有人帮它把知识整理好,就像学生需要好的教材和好的老师,才能学得更快更准确。
所以“知识就是力量”这句话,放到信息时代,可以换一个说法:知识是智能的根基。没有扎实的知识体系,再强的算力也只是空转。
这不是一句口号。这是每一个真正想把AI用好的组织,迟早要面对的事实。