The First Principle：在表达的边界之外

——从 Michael Polanyi、实践与技术史，到 AI 时代的 The Worker Investor

1935 年，Michael Polanyi 在一次访问苏联的旅程中来到莫斯科。

那时的 Polanyi 还不是后来那位因为 Personal Knowledge 和 The Tacit Dimension 而广为人知的哲学家。他首先是一名物理化学家：1891 年出生于布达佩斯，一战期间受过医学训练并作为军医服役，后来进入德国的 Kaiser Wilhelm Institutes，从事吸附、晶体与反应动力学等研究。1933 年，随着德国对犹太学者的迫害加剧，他离开柏林，到曼彻斯特大学担任物理化学教授。¹

Polanyi 后来回忆，访苏期间他与 Nikolai Bukharin 谈起社会主义社会中的纯科学。Bukharin 的回答大意是：在社会主义社会内部的“和谐”中，科学家会自然地选择最有助于当前 Five-Year Plan 的研究问题。这里最值得保留的不是一句转述的政治立场，而是它对 Polanyi 提出的挑战：如果科学发现可以被完整地拆成目标、步骤和产出，那么中心计划为什么不能预先安排 discovery？²

但 Polanyi 自己做过前沿研究。他知道，进入一个真正未知的问题时，没有人能够提前写下完整流程：下一步最值得做哪个实验？一个异常只是 noise，还是新机制的入口？什么时候应该坚持一个 hypothesis，什么时候应该放弃？两个解释都符合已有数据时，哪一个更 promising？

这些判断依赖 skill、judgment、intuition、recognition、taste、imagination 与 commitment。科学家不是沿着一张已经完成的地图前进，而是在地图尚未存在的地方，判断哪里可能有路。

这也是为什么 Polanyi 在 1962 年的 The Republic of Science 中，把科学共同体描述成一种由独立探索者通过 mutual adjustment 形成的秩序：每个人根据专业判断选择问题，同时不断依据同行的新成果调整自己的方向。它不是毫无结构的自由，也不是中心可以预先写完的生产计划。³

从莫斯科开始的政治问题，最终变成了一个认识论问题：人在发现未知时，究竟依靠什么？

一、我们知道的，比能够说出来的更多

1951—1952 年，Polanyi 在 Aberdeen 发表 Gifford Lectures，后来发展成 1958 年的 Personal Knowledge。1962 年，他又在 Yale 发表 Terry Lectures；这些讲座经过继续修改，最终成为 1966 年的 The Tacit Dimension。⁴

这条长达数十年的思考，被他压缩成一句话：

We can know more than we can tell.

我们知道的，比我们能够说出来的更多。

一个人可以在人群中立刻认出熟人的脸，却无法把识别时调用的全部规则写下来。眼睛、鼻子、轮廓、肤色当然都可以描述，但把这些描述交给一个从未见过此人的人，并不会自动复制出同样的 recognition。

原因并不只是少写了一条“秘密信息”。识别本身是一种 integration。我们依赖大量细小线索，把它们整合成一个整体判断：“这是他。”

Polanyi 区分了 subsidiary awareness 与 focal awareness。钉钉子时，我们能感觉到手掌、锤柄、力量和震动，但注意力真正指向的是钉子。身体感觉没有消失；它们作为 subsidiary clues 被整合进完整动作，支撑着 focal attention。Polanyi 把这种由 particulars 指向 whole 的结构称为从 subsidiary 到 focal 的 from-to knowing。⁵

因此，tacit knowing 不能只理解为“还有一些 information 尚未写下来”。有些能力并不是等待翻译成句子的隐藏文本，而是身体、线索、环境与目标之间形成的整合。

医生看见病人时产生的异常感，工程师听到设备声音时觉得“不对”，作家看到一句话时立刻知道节奏坏了，厨师知道这一刻应该关火——它们都可以被继续分析、训练和部分表达，却未必能够无损地压缩成有限条 propositions。

这并不意味着 tacit knowing 神秘、不可学习，也不意味着直觉永远正确。它只意味着：

Articulation does not exhaust knowing.

表达不能穷尽认知。

二、能力可以早于显式理解

每个人都在某种程度上“使用”流体力学和传热学。

洗澡时水太热，我们把龙头往冷水方向调一点；还热，就再调一点。我们没有先写冷热水的 energy balance equation。汤太烫时，人会吹气；并不知道 forced convection、evaporation、boundary layer 或 heat-transfer coefficient，也知道吹过以后会凉得更快。房间闷热时，人会开窗；并不需要先计算 buoyancy-driven ventilation 和 air exchange rate。

这些行动涉及的不只是流体和传热，还包括感觉、控制与反馈。恰恰因为系统复杂，它们才更能说明问题：一个人不需要拥有系统的完整 mathematical model，仍然可以在其中采取有效行动。

实际过程通常不是：

Calculate → Act

而是：

Sense → Act → Sense → Correct

水太热，调一点；仍然太热，再调一点；最后进入可接受区间。这是一个自然的 feedback loop。

孩子在不知道 grammar terminology 时已经会说母语；熟练骑车的人无法写出 bicycle dynamics equation，却能连续修正平衡；木匠、运动员和外科医生也都在动作中调用大量无法即时列出的线索。

所以“知道”至少包含两个不同方向：一种是 know-that，知道某个命题成立；另一种是 know-how，知道怎样完成一件事。人类长期生活在物理世界里，远早于我们建立出描述物理世界的 formal theory。

这使 Polanyi 的命题可以继续向前一步：

We can act beyond what we explicitly know.

三、技术史经常是先会做，再知道为什么

把这个视角拉到技术史，结构会变得更清楚。

古代工匠很早就会冶炼和铸造金属。他们不知道 electron、crystal lattice、dislocation 或 phase diagram，却能在反复试验中发现合金的性质。大都会艺术博物馆在介绍古代青铜技术时指出，公元前三千纪的铸造者已经通过 trial and error 认识到：青铜相较于纯铜熔点更低、铸造性能更好，也具有更高的抗拉强度。⁶

他们先拥有 recipe，后人再逐渐建立 mechanism。

发酵史也是如此。人类利用谷物和水果酿酒已有漫长历史，但对 fermentation 的生物机制并不清楚。直到 1857 年，Pasteur 才用实验说明发酵与活的微生物相关，并进一步区分不同发酵过程中的微生物。⁷

蒸汽机更能说明 practice 与 theory 的时间差。Thomas Newcomen 在 1712 年已经发展出用于矿井排水的大气式蒸汽机；到他 1729 年去世时，欧洲已有至少一百台同类机器运行。112 年以后，Sadi Carnot 才在 1824 年发表 Reflections on the Motive Power of Fire，用理想热机研究热、功与效率上限。早期热机并不是在成熟 thermodynamics 的指导下诞生的；相反，机器的长期运行和效率问题，成为理论形成的重要对象。⁸

医学史同样存在这种顺序。1747 年，James Lind 把 12 名坏血病水手分成六组，比较不同疗法，食用 citrus fruits 的一组恢复最明显。当时并不存在 vitamin C 理论；直到 1932 年，ascorbic acid 才被证明是抗坏血病的有效成分。⁹

这些例子不是要证明 theory 不重要。它们说明的是：

Reality does not wait for our theories to become complete.

人类可以先通过行动获得一个局部有效的 solution：

Practice → Feedback → Tacit know-how → Theory → Better practice

Kenneth Arrow 在 1962 年的 The Economic Implications of Learning by Doing 中，把这种“生产活动本身会带来学习”写进技术进步的经济模型：经验不是既有知识的被动应用，生产过程会暴露问题，长期选择出更好的应对方式。¹⁰

也就是说，doing 不只是 applying knowledge，也可能是在 producing knowledge。

四、行动是向现实发出的查询

假设我脑中有一个关于世界的模型 M_t。我根据它采取行动 A_t，现实返回 feedback，模型因此更新为 M_{t+1}：

这和 scientific method、control theory、Bayesian updating、reinforcement learning 在结构上有相似之处。我们不是先在房间里建立一个 perfect model，等 certainty 达到 100% 才进入世界。更多时候，我们拿着 incomplete model 行动，然后允许世界修改自己。

所以“实践出真知”不能被理解成反智主义的“不用学习，直接干”。那只会让人重复已经有人付过代价的错误。更准确的说法是：

Some information is produced only after interaction with reality.

你可以让 AI 分析一个 product idea 一百次。它能梳理用户、市场、竞争、定价、MVP 和风险；但直到真实用户打开页面、拒绝付费、愿意付费、抱怨某个 feature 或持续回来，另一类信息才会出现。这些信息不是“早已存在但尚未搜索到”，而是 interaction 发生后才形成。

投资也是如此。读到“市场可能下跌 40%”与看见自己的 capital 从 100 变成 60，并不是同一个 knowledge state。后者才会暴露真实的 risk tolerance：恐惧出现时会不会改变 strategy？过去相信的长期主义，是否只在上涨中成立？

有些知识需要用时间购买，有些需要用失败购买，有些只能通过承担 opportunity cost 和 consequence 获得。

Explanation ≠ Experience
Simulation ≠ Consequence
Advice ≠ Agency

随着一个人反复进入 reality feedback loop，他形成的不只是更多 explicit information，还包括 judgment、pattern recognition、timing、risk perception 与 situational awareness。

于是这条链完整了：

We can know more than we can tell.
We can act beyond what we explicitly know.
Through acting, we can know what we could not have known before.

第一句来自 Polanyi；后两句是我从实践与技术史中作出的延伸。

五、Formal knowledge 为什么仍然不可替代

如果实践可以先于理论，为什么还要学数学、物理、经济学？为什么不全部依靠 trial and error？

因为未经抽象的经验有三个明显限制。

第一，它是 local 的。铁匠在某种材料、某个炉子和某种尺寸上形成的判断，换到另一个条件可能突然失效。

第二，它难以 transfer。徒弟可能需要跟随师傅多年，通过观察、模仿和纠正才能形成类似能力。

第三，它缺少 counterfactual power。经验能说“过去这样做有效”，理论则可以继续问：温度提高 20% 会怎样？尺寸扩大十倍会怎样？材料改变以后，哪些关系仍然成立？

Formal knowledge 把 local experience 提升成 generalizable representation，把 recipe 提升成 model，把 what worked 推向 why it worked，再推向 what else might work。

所以，我更愿意把 formal knowledge 理解成：

Formal knowledge is compressed history of reality checks.

一个公式可能压缩了几百年的实验、仪器、失败假设、争论和数学工具。后来者只需要几分钟就可以把它写下来；真正被节省的，是重新付出几百年代价的生命。

文明最重要的能力之一，就是 do not restart from zero。

理论降低 search cost，实践提供 reality check。没有理论，人会重新走一遍已经失败的道路；没有实践，人会困在越来越精美的 representation 中，忘记 representation 最终必须面对现实。

因此，真正有效的学习循环不是 theory 与 practice 二选一，而是：

Learn → Act → Observe → Abstract → Act again

这也给“应该学什么”提供了一个更严格的标准。值得长期进入 mental model 的 fundamental knowledge，通常具有较高的 transferability、较长的 half-life、较强的 constraint power 与 generative power。守恒、尺度、概率、opportunity cost、feedback 和系统边界之所以重要，不是因为它们听起来基础，而是因为它们可以跨场景排除大量错误方向。

其中最容易被忽略的 constraint，是 lifetime。信息可以继续增加，人生却不会因此延长。现实中的 rational action 不可能要求 information = 100%。我们只能研究到足够好，做一个与风险相称的 bounded bet，再用反馈更新。

六、The First Principle

我们经常听到：这条路走不通；这个行业就是这样；已经没有改进空间；没有办法。

这些话很容易被大脑自动翻译成 impossible。但它们真正表达的，可能只是 no known method；再弱一点，甚至只是 no method that this person can articulate。

三者之间存在巨大的逻辑距离：

No known path ≠ No possible path

如果人可以知道多于能够表达的内容，那么一个领域已经写进论文、manual 与 best practices 的全部知识，就不等于这个领域的全部 capability。如果行动能够先于显式理解，那么当前 formal theory 的边界，也不必然等于 possible action 的边界。如果一部分信息只有在 interaction 发生后才出现，那么未来知识本来就需要有人继续进入现实、继续 experiment 才会产生。

因此，我把这篇文章的第一原则写成：

Never mistake the boundary of articulation for the boundary of reality.

永远不要把表达的边界误认为现实的边界。

再向前一步：

Never mistake the boundary of current knowledge for the boundary of possibility.

永远不要把当前知识的边界误认为可能性的边界。

但这条原则必须带着限制，否则会迅速退化成廉价的“anything is possible”。Epistemic openness is not magical thinking。

“没有人找到路径”与“物理上不可能”不是同一个命题。“我不知道怎么做”与“在给定 assumptions 下已经被严格证明不可能”也不是同一个命题。行动以前仍然要问：这里是 physical constraint、mathematical impossibility、current engineering limitation、economic infeasibility，还是 merely no known path？

这条原则不是拒绝前人的知识，而是从最好的 map 出发，同时不把 map 当作 territory。Alfred Korzybski 在 1930 年代提出的那句 the map is not the territory，并不是说地图没有价值；恰恰因为正确的地图与现实具有相似结构，它才有用。但再好的 representation 仍然不是它所代表的现实。¹¹

七、AI 让表达变便宜，却没有终结 tacit dimension

Polanyi 的问题在今天重新变得重要，是因为 generative AI 正在快速降低一部分 explicit knowledge 的获取、整理与生成成本。

过去，人经常被 information scarcity 困住：找不到一本书，接触不到 expert，不会写代码，不知道一个概念属于哪个领域。今天，AI 可以很快提供 introduction、课程路径、coding prototype、research directions、proof sketch、business plan 与 writing angles。

这不只是一种主观感受。Noy 与 Zhang 对 453 名大学教育背景的专业人士进行随机实验，在一组中提供 ChatGPT，用于完成中等难度的职业写作任务。实验中，使用 AI 的参与者平均完成时间减少 40%，产出质量提高 18%。这项结果只能说明特定任务与实验条件，不能外推成“所有知识工作都提高同样幅度”，但它足以证明 articulation cost 可以被显著压低。¹²

于是：

Cost of articulation ↓
Cost of option generation ↓

但这里必须修正一个容易出现的误解：tacit 不等于 AI 无法触及。

早期关于 computerization 的讨论常把可编码的 routine tasks 与需要 flexibility、judgment、common sense 的 tacit tasks 区分开来。David Autor 因此借用 Polanyi 的命题解释，为什么一些人类轻松完成却难以写出规则的工作，长期难以自动化。¹³

现代 machine learning 改变了这条边界。AI 不必等待人类把所有规则显式写出；它可以从大量 examples 中学习 statistical patterns。2025 年发表在 Journal of Political Economy 的一篇理论研究，甚至直接把现代 AI 的独特之处概括为：它能执行一部分依赖 noncodifiable knowledge 的认知工作，从而模糊 codifiable 与 noncodifiable work 之间的传统边界。¹⁴

所以，The Worker Investor 不能把 tacit knowledge 当作一条永不移动的人类护城河。今天仍然稀缺的 skill、judgment 与 taste，明天可能被模型学习、放大或部分自动化。

更稳固的判断是：AI 可以帮助形成 tacit capability，也可以从 examples 中捕捉一部分 tacit patterns；但 AI 输出的信息，不会自动在使用者身上变成经过后果检验的能力。

它可以描述路径，却不能替我把路径走进自己的 nervous system。它可以生成一个产品，却不能自动替我承担三年的维护。它可以给出投资建议，却不能替我承受亏损。它可以写出文章，却不能替我决定是否把 reputation 放到 public space。

Prediction ≠ Responsibility

八、Answer 丰富以后，Agency 变得稀缺

Herbert Simon 在 1971 年讨论 information-rich world 时指出，信息的丰富会消耗接收者的注意力；因此，information wealth 会制造 attention poverty。更有意思的是，他同时提醒，试图在行动以前穷尽全部事实与后果，是忽略人类思考和注意力限制的幻想；世界本身仍然是最大的实验室，我们必须从行动的结果中学习。¹⁵

Generative AI 把这个问题向前推进了一层。过去 generating options 很贵；现在 AI 可以一分钟给出一百个项目，但人只能真正活一个人生。

新的 scarcity 逐渐变成：

Attention → Selection → Commitment

当 option space 不断扩张，真正选择一个 option，意味着主动关闭其他 possibilities。AI 时代危险的 cognitive state 不是无事可做，而是不断 prompt、不断 refine、不断 compare，最后始终没有 reality feedback。

整个循环变成：

Ask → More options → More comparison → More uncertainty → Ask again

语言一直在前进，现实没有移动。

AI 还会制造一种完成感。Background、framework、pros and cons、reference 与 action plan 被组织得越流畅，人越容易觉得“好像已经懂了”“好像已经解决了”。但 sense of completeness 不等于 completeness。A better map is still not the territory。

所以 bottleneck 会从 Can you think of it? 移向 Will you do it?，再移向 Will you stay with it?

答案丰富以后，agency、selection、commitment 与 responsibility 反而更清楚地显露出来。

九、Human Capital 的 composition 正在改变

过去谈 human capital，我们很容易想到学历、知识、技能、工作经验和证书。这些仍然重要。但当一部分 explicit knowledge 变得廉价，Human Capital 不会消失，它的 composition 会改变。

过去的优势经常来自：

I know something you do not know.

未来越来越重要的问题可能是：

What can I do—and keep building—with what everyone can access?

这不是把 explicit knowledge 排除出去。恰恰相反，AI 让一个人更容易站到现有知识的前沿，也更容易得到即时 critique、simulation 与 feedback。但 input 必须继续穿过一条更长的链：

Knowledge → Practice → Feedback → Judgment → Build → Ownership

在 Human Capital ETF 的框架里，AI 可以显著放大 Growth 与 Meta：帮助学习、编码、研究、复盘和建立系统。但 Core 仍然需要健康、专业基础与可信的执行；Distribution 仍然需要真实作品进入公共空间；而整个组合最终是否形成 future optionality，取决于有没有人持续做出选择并承担后果。

AI 是 multiplier，却不是一个抽象的万能乘数。没有目标、行动和反馈时，更多 output 只会增加未实现的 possibility。

十、The Worker Investor 应该 Build and Own 什么

一个传统 worker 的基本交换是：

Time → Labor → Paycheck

今天工作一天，换取对应的 compensation。这个模型没有错，但如果一个人一生只把 human capital 理解为“我掌握了多少岗位需要的知识”，当这些知识越来越容易调用时，他会直接面对 commoditization。

The Worker Investor 因此要追问：当 information 不再是最稀缺的东西，一个 worker 应该积累什么？

答案不能只是“学更多”。学习必须进入 practice，practice 必须接受 feedback，feedback 必须形成 judgment，judgment 最后要进入 build。

这就是为什么做一个 project 与读十本书拥有不同的 human-capital structure。书给我 representation；project 强迫 representation 遇见 reality。我必须面对 scope 不清、时间不足、用户不喜欢、代码会坏、文章没人看、自己的估计错误，以及现实比想象更复杂或更简单。

一个 project 的 return 也不只来自最终收入。它可能同时产生 skill capital、tacit capital、reputation、relationships、distribution 与 ownership。即使项目失败，只要它完成了下面这条循环，一部分 return 仍然留下：

Think → Build → Ship → Receive feedback → Iterate

这部分留下来的东西，我称为 durable residue：文章、代码、产品、研究、视频、audience、reputation、relationships、systems 与 ownership。它们让一部分劳动不再和 payday 同时结束。

为什么要 build？因为 build 迫使 knowledge 进入 reality。

为什么要 own？因为 ownership 让过去的 effort 有机会在未来继续提供 optionality。

不是所有 ownership 都会赚钱，写一篇文章也不意味着未来一定产生 monetary return。Ownership 更像保留一个 option：只要作品存在、属于我、可以继续被迭代、发现和连接，它就保留了一部分 future state space。

所以，Worker → Worker Investor 不只是从工资里拿钱购买金融资产。更深的一层是：把时间、注意力、健康、知识与 agency 当作 capital，配置到那些能够形成长期 capability、ownership 与 future optionality 的事情上。

结语：从最好的地图出发，然后让现实回答

回到 Michael Polanyi。

他写下：

We can know more than we can tell.

AI 时代让这句话获得了他本人不可能完全预见的新语境：越来越多能够被表达、整理和生成的知识，可以被普通人以极低成本调用；同时，机器也开始从 examples 中学习过去难以编码的 patterns。

这并没有让 Polanyi 失效。它迫使我们更准确地理解他：表达不是知识的全部，知识也不是行动的全部；无论 human 还是 AI 生成的 representation，都需要在具体情境中接受 reality check。

所以，最终不必在 theory 与 practice 之间选择。

Knowledge saves us from repeating all the experiments of the past.
Practice lets us run the experiments the past has not answered.

前人的知识给我们 map，自己的实践让我们进入 territory，反馈让我们修正 map，然后新的 map 成为后来人的 starting point。

这也是 The Worker Investor 最底层的第一原则：不要只积累能够被 AI 随时重新生成的信息。学习最好的 theory，使用最好的 AI，减少不必要的 trial and error；但做完这些以后，仍然要进入现实，做一个与风险相称的 bounded bet，承担 consequence，接收 feedback，更新 model。

然后 build something different and valuable。

最后，own the residue。

因为在 answers 越来越便宜的世界里，真正稀缺的不只是知道答案，而是成为那个能够拿着不完整的地图进入现实、持续行动、让现实修正自己，并从未知中带回一点新东西的人。

参考资料