隐性知识
Tacit Knowledge（隐性知识）是由物理化学家兼哲学家迈克尔·波兰尼（Michael Polanyi）提出的概念，他那句著名的“我们知道的，比我们能说出来的多”（"We can know more than we can tell"）精准地定义了这一概念。在医学领域，隐性知识表现为临床医生的“直觉”、“手感”或“临床眼光”（Clinical Gaze）。它是高度个人化、情境化且难以形式化的。与记录在指南中的显性知识不同，隐性知识是 AI 最难习得的部分，也是导致 AI 医生在复杂病例面前显得“笨拙”的主要原因。
冰山模型：看不见的才是关键
如果把医学知识比作一座冰山：
• 水面之上 (显性)： 是教科书、指南、论文。这部分仅占 10%，AI 通过 OCR 和 NLP 很容易学会。
• 水面之下 (隐性)： 是医生在成千上万次看诊中积累的微观判断。例如外科医生缝合时的手感力度、精神科医生对患者微表情的捕捉。这占了 90%。
横向测评：显性知识 vs 隐性知识
| 维度 | 显性知识 (Explicit) | 隐性知识 (Tacit) |
|---|---|---|
| 存在形式 | 文档、代码、数据库、指南。 | 大脑中的直觉、思维模式、肌肉记忆。 |
| 传递方式 | 阅读、下载、复制。效率高。 | 学徒制、观摩、共同工作。效率低。 |
| 医学示例 | “空腹血糖 > 7.0 mmol/L 可诊断为糖尿病”。 | “这个病人虽然指标正常，但他面容晦暗，呼吸急促，我感觉他马上要休克。” |
| AI处理难度 | 低。 规则引擎、知识图谱即可处理。 | 极高。 需要深度学习模拟，并需要人类专家去“调教”。 |
AI 如何习得隐性知识？
The Feigenbaum Bottleneck (费根鲍姆瓶颈)
早期专家系统失败的原因，就是因为工程师试图把专家的每一条隐性直觉都写成 If-Then 代码，结果发现写不完，或者专家自己也说不清楚。这就是著名的“知识获取瓶颈”。
现代解法：RLHF (人类反馈强化学习)
对于“智慧医生”，我们不强迫专家写规则，而是让 AI 生成多个回答，然后让专家去**“打分”**或**“排序”**（Preference Ranking）。
例子： AI 对同一个病例给出了三个方案。专家选了 B，并评价“B 方案虽然激进，但考虑到患者年轻且耐受力强，是最佳选择”。
通过海量的这种反馈，AI 的神经网络参数被微调，从而隐式地捕捉到了专家的“直觉偏好”。
关键参考文献
[1] Polanyi M. (1966). The Tacit Dimension.
[起源]：波兰尼在这本书中首次系统阐述了隐性知识，指出所有的知识根源都是隐性的。
[2] Collins HM. (2010). Tacit and Explicit Knowledge.
[进阶]：深入探讨了隐性知识是否真的能被转化为显性知识，对于 AI 工程师理解模型能力的边界至关重要。