本文是在SaaS领域的实操之外，再写一点儿自己对于思考方式的心得，供大家参考，相信这部分内容有更广泛的读者会喜欢。
一、明知识、默知识与暗知识的四象限图
AI被热捧那么久，王维嘉博士的《暗知识》是第一本把它讲明白的中文科普书。
这本书第一个知识框架，就是下面这张4象限图：
(该图来自：王维嘉的《暗知识》）
该图将知识按“是否可表达”、“是否可感受”的两个维度分为四类：
具体来说，暗知识是机器发现的，人类无法感受也无法表达的知识。
就像围棋，人类2000年来保留的棋谱大概有3000万个（8位数），但围棋上棋子的摆放方法的可能性有2的361次方个（108位数），中间何止相差万亿倍。人类对围棋的认知，就是基于3000万这个8位数范围的认知。与机器相比，相差10的100次方。这部分机器能掌握而人不能的，就是暗知识。
这是本书让人惊叹的第一个点，通过设立一个新的二维坐标模型，就能够找到人类以往概念上的盲区！其次，王博士选的词汇也是超一流的，“暗”和“默”两个字都很有神采。
虽然是“科普书”，但书里还是不得不讲到人类的“神经网络”、计算机的“机器学习”、“卷积”等复杂概念。
我用自己的语言，以“识别一只猫”为例，为大家简单讲述一下AI吧：
（1）识别猫与计算“1+2=？”不同，前者是“默知识”—— 无法用准确的语言描述出来。在计算机历史上，通过“尖尖的耳朵”、“长尾巴”、“圆眼睛”等信息来识别猫的程序都失败了。
（2）我们闭上眼睛想想，如何把一只猫与一只豹子的照片区别开，需要补充很多语言描述。把一只猫与一只狗区别开，又需要补充一些描述，其实人是不能把“识别一只猫”这件事情用语言明确说清楚的 —— 既然人说不清，传统计算机程序就做不到。但人，哪怕是三岁的孩子都能区别猫和狗，背后是什么原理呢？
（3）后来科学家通过研究人类大脑的神经网络，发现大脑是通过分层判断，最终在神经元中留下“历史痕迹”的逻辑链条的。这是很有趣的生物学现象，一个神经元受到的刺激（生物电击）越多，得到的营养就越多、就会成长得越强大。而每次判断在每层神经元中留下的痕迹，就会强化今后整个人脑神经网络的判断能力。
（4）计算机科学家根据对人类大脑神经网络的认识，开发了计算机“神经网络”。这个网络不但可以识别“猫”，而且识别猫的过程也同样无法输出成为人能认识的“文字描述”。
（5）这些识别算法就沉淀在“神经网络”中（表现为数据及数据关系），无法被人类直接掌握，人只能通过安装了神经网络的计算机获得这个能力。
（6）不知大家注意到没有，为了让计算机解决这个“默知识”的问题，我们最终是用了“暗知识”来解决。
（7）这类“暗知识”，能够在计算机之间快速复制，但无法在人和人之间复制，人和人之间能传递的只能是控制AI计算机的方法。
暗知识大体说完，我再回到与我们的思考方式相关度更高的“默知识”。
二、《思考，快与慢》的“系统1”
《思考，快与慢》这本书大约是我2013年读到的，我认为这是那一年我读到最好的书。好就好在研究老对象（人类行为与注意力）的过程中，用了新思考框架，并建立了有说服力的体系。
几年来，这本书被我放在电脑显示器下面，意喻为“抬高了我的视野”。当然，最初是为抬高了显示器，起到保护颈椎的作用。
书里是这样定义人的两种思维模式的：
当系统2学习掌握了重复使用的套路后，大脑会将重复工作转给系统1。
我高中时，经常因为简单的数学加减乘除四则混合运算错误，导致考试得不到高分。我训练自己做了大量专项练习，后来不仅计算过程不出错，而且感觉当时是把简单的四则运算从“系统2”挪到“系统1”了。考试时，手上做着乘法竖式，脑子里考虑是否有更好的解题思路。
从另一个角度看，大脑的重复套路工作从“系统2”转给“系统1”，还有一个更大的好处 —— 降低能力消耗。
系统1反应很快，对能量的消耗远低于系统2。我查了《人类简史》、《文明是副产品》等书籍，看到这样的资料：晚期智人的大脑占体重的1/20，但耗能、耗氧量却达到全身的1/5。在工业革命前的5万年里，智人供养这样一个大脑是极其不容易的，所以我推断：
系统1毕竟简化了判断过程，是否会造成很多误判呢？我相信是的，但因为能量的限制，人类当时应该是找到了中间最优解。
我认为：《思考，快与慢》的“系统1”，学习的其实就是前一节说的“默知识”。
还是以骑自行车为例，咱们可以教新手一些保持自行车平衡的要领，但一个新手学会骑车的过程，是实践重于理论的。最后形成的知识，就是无法说清的“默知识”，这个默知识保存在我们每个人的“系统1”当中。
当然，系统1与系统2的关系还有很多层次，并对人类社会产生了深远影响。
例如：遇到紧急情况时（“快撞到行人了”），系统2会从系统1接管人体控制权，多费一点脑力精确控制好自行车的方向，避免造成交通事故。
毕竟我的读者都是toB企业同事，我还是讲一个书中与咱们业务有关的故事。作者丹尼尔·卡尼曼是诺贝尔经济学奖获得者，21岁时（1955年）曾经在以色列军队里负责设计士兵面试流程。这之前，面试官完全根据感觉打分，结果筛选出来的新兵合格率很低。卡尼曼做了一套设计，听起来和我在《 SaaS创业路线图（六）：如何高效扩张团队？ 》中的做法类似，就是要求面试官严格按框架打分。
（上图为我系列文章（六）中提供的打分表）
卡尼曼不是他的面试官们的上级，面试官们不喜欢做“打分机器人”。卡尼曼的让步是，同意面试官根据标准格式打分后，最后“闭上眼睛给士兵打个总分”。
最后的结果是，新的测评方法大幅提高了有效率。45年后卡尼曼回到该部队，发现他的面试方法还在延用。
而我的面试表最后也有这样一行：“自己是否愿意带领此人去完成一个困难的任务？”其实这是一个非常感性的问题，与表格其它部分（记录工作年限、记录回答情况等）非常不同。
我观察， 这就是在很多领域中，决策复杂问题的一个优选方法：
把抽象问题具象化：先用理性框架（“明知识”）、从多个角度用数字化的方法分项打分；
再把具象问题抽象化：从内心出发，我是否要用这个人？（使用了“默知识”：更感性，但往往更准确）
这个过程的好处是：
过程可操作性好，让决策者全面思考，不会漏项；
利用决策者的抽象判断能力（“默知识”），更高纬度地做出判断，不会因为打分表的设计缺陷造成决策错误。
我们企业决策中，如果死板地使用调查前设计的“打分表”，往往会错过发展机会。因为环境在剧烈变化，调查前很难做出完美的打分表。而“默知识”会让我们熟悉业务的决策者更准确地做出判断。
三、内隐学习和外显学习
上面说了很多“默知识”的例子，具体怎么学习和使用“默知识”呢？最近“得到APP”的精英日课正好也推出了一篇文章“内隐学习和外显学习”。
简而言之，外显学习就是学习“明知识”的过程，掌握历史知识、化学公式……
内隐学习，则是学习“默知识”的过程，学到的是个“感”。例如：英语的语感。
1993年高考时，记得我的英语成绩大约是140分（满分150）。因为不考口语，这全都是英语语法和单词，大多是“明知识”。
但我工作后能在外企说流利的英文，全有赖于大学时在华中理工（现在的华中科技大学）有一个教“外贸英语”的廖老师。他逼着我们每人整篇整篇地背诵外贸英语，上课经常现场考对话，当时那个厌恶哪……没想到坚持了一个学期，死记硬背了几百句常用对话后，英语“语感”就形成了。大脑中可以用英文思考问题，我是一生受用。
“精英日课”引用的一个调查研究还有个有趣的结论：外显学习明知识，注意力越集中越好；但 集中注意力反而会妨碍内隐学习。
为什么？因为“默知识”是没有明确规则的，越努力找规律越学不会，不如放松一些，让头脑直接沉浸在直观信息中，这样更容易领悟那个“感”。
在企业经营中，我们经常需要新的创意：如何设计一个摆脱俗套的新激励方式？如何做营销上的创新？如何设计一个全新的内容？这时候， 让注意力分散些，看看不相关的书籍、讨论一些别的话题，可能灵感会来的更快。
就像我写这篇文章，目的与路线图系列是一样的，还是想帮助大家提升经营管理能力。但如果不引入更多关于思考方式、关于人类发展史的文章，就会跳不出日常操作的层面，不能给大家带来新的空气。
四、小结
这篇文字是“思考方式革命”的第一篇。我讲的不是明知识、也不是默知识，我讲的是 一些新的思考方法 。
（1）如何通过增添新的维度，让你对研究对象（无论是客户群、团队或产品服务）增加新的评估方式？操作工具就是最前面的四象限图。
（2）设计新体系时，用词要精准。王维嘉博士用一个“暗”字，一个“默”字，把体系讲的很清楚。“名不正言不顺”，这是我经常说的道理。一个事儿的“名字”选错了，要费很多口舌解释，到头来没听到解释的人看了还是会误解。
（3）计算机AI算法是基于人类的“神经网络”模型的。企业管理中，一个体系的设计、一个测算模型的建立，都要基于“自然”的业务规则，基于人性的需求进行考量。我不是讲抽象的“道”，我说的是可以操作的规则。
（4）例如：人的大脑将重复套路工作交给系统1，就是符合降低消耗的规则的。而“能量的限制”就是工业革命前的20万年里控制人类发展的主要因素。
（5）我们做企业，也是同样有很多限制，财务上有利润要求、有任何时点现金流不得低于安全线的要求。这属于“明知识”。
（6） 在不能用“明知识”直接通过计算做出决策的复杂情况下，基于“感觉”的判断实际上更准确。 所以专业知识重要，但业务背景更重要。
（7）但如果只靠“感觉”决策，也很危险。文中举了一个新兵打分的例子。最佳方法是： 让决策者先结构化地全面多维度打分，然后再“感性”地做出最终判断。
（8）注意力分散些，有利于创新。所以需要新点子时，要给团队成员新环境、新场景和一些新时间。
（9）默知识这么重要，如何得到？要反复练习，不专注（忘掉规则）地学习。
哈哈，相对前面的硬核文章，这篇讲得更high level一些。思考能力、创新能力都是经营管理的基础，期待大家勤于思考，勤于构建自己的思考模型。
欢迎各位朋友留言~
