文 | 王丰辉（资深金融从业者）

　　你有没有过这种感觉：跟 AI 聊一个问题，它给的答案总差那么一点意思。

　　不是你问题提得不好。是你打出去的那几行字，装不下你脑子里那套背景——你的权衡、你走过的弯路、你心里那个没说出来但一直在想的"为什么"。AI 对你的理解，上限就是你让它看到的那部分。它越懂你，越取决于你让它看到多少。

　　这是 AI 时代每个个体、每个组织都要面对的新课题：怎么让自己，被 AI 看见。

　　AI 是杠杆，是放大器。这句话已经说滥了。但对个体而言，关键是另一句：杠杆需要支点——而你的支点，是你的兴趣、你的好奇心、你想解决的那个具体问题。

　　这就像一碗鸡汤：道理都是对的，但你得给勺子。对个体来说，勺子在哪儿？

　　我的答案是：知识化。

　　先说清楚两个旧概念，你就明白"知识化"新在哪。

　　第一个叫数据化。你的特点、你的属性、你的行为，被沉淀成一条条字段、一个个标签。"你爱看什么""你几点上线""你搜过什么"——你被拆成一张表，表里都是关于你的标签。数据化，是别人给你贴标签。

　　第二个叫数字化。你永远在线，成为线上的部分。你的生活数字化了、工作数字化了、人际数字化了——物理世界的一个实体，在线上有了一套"孪生"。数字化，是你成为线上的人。

　　到了 AI 时代，光有这两样不够。AI 真正需要的，是你脑子里的东西——那些没有以文字、以 AI 能理解的方式呈现出来的隐性知识。

　　你每天大脑当中到底在想什么？无数的想法沉沉浮浮。你跟别人交互的时候，交互的是什么？你日常的工作，是靠大脑中的哪些判断、哪些东西在维持运转？这些都是知识。而这些东西，现在绝大多数没有离开你的大脑。

　　AI 时代，人要疯狂地记录这些东西，把它知识化。

　　数据化是别人给你贴标签，数字化是你成为线上的人，知识化是你把自己交给 AI 能读懂的样子。只有知识化，AI 才能成为你的杠杆——因为支点被搬到了 AI 看得见的地方。

　　这是个体的视角。那组织呢？

　　AI 对组织也是杠杆、是放大器——但这个地方，要打个问号。

　　个体和组织有个根本差别：个体没有流程，没有协同。个体用 AI，就像个人消费者买东西，决策路径极短——打开就用，不好就换。而企业组织有流程、有协同、有审批。AI 进来，不是直接放大，而是要先过流程这一关。

　　为什么很多组织买了 AI 平台，最后用起来还是那几个人？因为组织提效的上限，从来不是技术决定的。

　　计算机领域有个定律叫阿姆达尔定律：系统性能的提升幅度，受限于"无法被并行优化的串行部分"。翻译成组织的话就是——组织提效的瓶颈，在技术不能优化的那部分。

　　假设一个组织的工作里，执行环节占百分之八十，判断、审核、协同占百分之二十。AI 让执行环节快十倍，整个组织快多少？按阿姆达尔定律，只有大概三倍半。执行环节被 AI 压缩到极致之后，剩下那百分之二十——判断、审核、协同——反而成了决定整体速度的关键。

　　瓶颈不会消失，它只会换地方。

　　那这百分之二十是什么？协作的本质，是认知的对齐、信息的对齐、知识的共享。判断和决策的本质，是掌握关键信息——我们常说领导英明神武，他英明在哪？往往是他掌握着别人不知道的关键信息。所以组织里 AI 起不起杠杆，最终取决于一件事：组织内部那些隐性知识，有没有被显性化。

　　领导脑子里对行业的判断，资深员工手里做事的门道，跨部门协作时心照不宣的规矩——这些不写下来，AI 就看不见，组织就还是那百分之二十的串行瓶颈。

　　所以对组织而言，结论和个体一模一样：要让 AI 发生杠杆的作用，你也必须疯狂地做知识的沉淀、做隐性知识的显性化。这个逻辑，个体和组织是相通的。

　　到这里，我们得面对一个更挑战认知的追问：知识化，到底在把什么变成什么？

　　先看"大模型"这三个字。我们天天说大模型，说的是"大"、是"模型"——里面好像没有数据。于是很自然地，我们把数据和模型理解成两个东西：数据在外面，模型在里面；数据是原料，模型是机器。但这是个错觉。

　　王坚院士讲过一个反直觉的观点：数据不是简单地喂给模型的材料，而是模型能力形成的根基。模型的能力，是数据长出来的。剥离数据谈模型能力，没有意义。

　　这个观点，放到个体和组织身上，就是我们要说的那层挑战认知的地方：你的知识，就是你能力的根基。你脑子里那些判断、经验、想法，不是等待被记录的"材料"，而是你作为一个可解析的存在，赖以立身的"根基"。不被解析，它们只是你脑子里的一团混沌；被解析了，它们才成为你的能力可以被 AI 看见、被接续、被放大的根基。

　　数据与模型的一体，不仅在 AI 里成立，在人身上其实更早被验证了。

　　现在的认知科学有一批很有意思的研究。用核磁共振扫新生儿的脑子，发现出生时大脑就已经长好了七个主要功能网络里的五个——视觉、高级视觉、感觉运动、默认模式（人闲下来发呆走神时活跃的脑网络）、腹侧注意（对突然出现的意外刺激保持警觉的脑网络），这些先天结构在出生那一刻就已经在工作了。这跟我们以为的"白纸一张"完全不同：大脑不是一个空白的本子，等着被经验写满；它天生就带一套架构。

　　但注意，这五个网络，只是架构。它们空空如也，像一座刚建好的空城。城里住进什么，靠的是这个孩子出生后每一秒的观察、每一次的互动、每一段爬行和跌倒——现实世界的各种情况，经过他的眼睛和身体进入大脑，不断改变网络里的连接。用得多的连接被保留、被加固，用得少的被修剪掉。

　　新生儿一开始就带着五分之七的网络——这是"模型"；然后一生的经验流进这些网络，把空城填成独一无二的心智——这是"数据"。模型和数据从来不是两件事，它们是一个东西的两面：网络是模型，网络被数据塑造的过程，就是它成为"这个人的心智"的过程。你之所以是你，不是因为你有某种天生的"算法"，而是因为先天架构 + 你这一生的数据，融合成了你。

　　AI 前沿的研究也在往同一个方向走。早期做 AI 的人迷信参数——模型越大越聪明。但 2022 年 DeepMind 的研究（Chinchilla）把结论翻了过来：把同样的算力花在"更多数据"上，比花在"更大模型"上更划算。后来的研究更进一步：精心筛选的高质量数据，效果可以抵得上把模型做大十倍。现在业内有个共识正在形成——Scaling Law（规模化定律）的天花板，本质是数据的天花板；人类高质量数据的增长是缓慢的，所以模型的成长也会被卡住。数据不是模型的"饲料"，数据就是模型。

　　把这三点放在一起看，指向同一个判断：数据与模型是一体的、是互为根基的，无论是在 AI 里，还是在人身上。

　　那这对"知识化"意味着什么？意味着你不再是一个"使用者"，在模型的边界外等着调用它。你和 AI 的关系，是你与模型的融合：你把自己脑子里的知识显性化、知识化，交出去——这些知识就成了 AI 理解你的"数据根基"；AI 的可解析性承载它们，你的能力才被放大。面向 AI，不是去"用"它，而是让它可以"解析"你——而你解析出去的，就是你的知识根基。

　　王坚还讲了一个故事。一篇天文顶刊论文，唯一作者是个十八岁的中学生。他用的数据，来自一颗已经退役的卫星——那颗卫星当初收集数据，是为了监测小行星，不是为了他后来的发现。王坚说，范式变革发生的时候，人们常常能从旧数据里发现新问题。伽利略当年用的数据，也不都是他自己重新找来的新数据。

　　这个故事放在"知识化"面前，含义很深：你过去沉淀下来的知识——那些笔记、判断、经验、走过的弯路——在 AI 可解析之后，可能长出你意想不到的新认知。旧知识 + 新视角 = 新发现，这本来就是科技发展的道路。而你如果不记录、不知识化，这些旧知识就永远只是一堆没能被看见的过去。

　　把个体和组织两条线合在一起，其实是一件事：AI 时代，最值钱的动作，是把自己写下来——把脑子里的变成能被解析的，把组织的隐性变成显性的。

　　数据化和数字化是过去式，知识化是未来式。而面向 AI 的本质，就是让 AI 可解析。

　　鸡汤是对的，勺子是自己做的。知识化，就是做勺子的过程。（本文为作者观点，不代表本头条号立场）