#隱性知識：你知道的，比你說得出的更多

1966 年的著作《隱性維度》提出了一個影響深遠的觀察：

“We can know more than we can tell.”

——Michael Polanyi, The Tacit Dimension

這句話翻成白話就是：人知道的東西，常常比自己說得出來的更多。

這個框架區分了兩種知識。

顯性知識（Explicit Knowledge） 是可以被語言化、文字化、教學化的知識。演算法的時間複雜度、資料庫索引原理、API 文件、部署手冊，這些都能寫成文章、做成課程、印成教科書。

隱性知識（Tacit Knowledge） 則深植在實踐者身上，難以完全說清楚。資深工程師看一眼代碼就知道哪裡可能炸；架構師在設計階段就能嗅到未來瓶頸；老手估工期時那種「這裡一定會拖」的直覺，都是隱性知識。

騎自行車是最常被引用的例子。每個會騎車的人都知道怎麼騎，但很少有人能完整說明自己如何在每一秒調整重心、速度、角度和肌肉出力。那個「知道怎麼做」和「能說清楚為什麼」之間的鴻溝，就是隱性知識所在。

隱性知識的特徵

• 只能在實踐中習得，無法純靠閱讀或聽課掌握
• 往往以「直覺」或「第六感」的形式表現
• 高度個人化，很難完整移轉給他人
• 越複雜的工藝，隱性知識的比重越高

好的代碼，好在隱性知識的部分。

真正體現工程師水平的東西，往往不是某個炫技語法，而是在設計階段預見了未來三年的流量增長，在邊界條件裡埋下防禦性代碼，在壓力場景中準備好降級策略，在故障發生時不讓整個系統陪葬。

這些東西，只對有同等或更高程度積累的人才是可讀的。

你的最強代碼，99% 的人永遠看不懂。不是因為你做得不夠好，而是因為它需要隱性知識才能被閱讀。

#德雷福斯模型：從新手到專家的隱性化過程

如果說 Polanyi 解釋了「為什麼有些知識說不清楚」，那麼 技能習得五階段模型（Dreyfus Model of Skill Acquisition） 則解釋了「人是怎麼一步步變成專家的」。

越往高手方向走，你的知識越是以「隱性」的形式存在。

新手靠規則做事：教程怎麼寫，他就怎麼做。這沒有錯，因為新手需要規則。

進階初學者開始看得出模式：這段錯誤好像跟上次的 CORS 有點像，這個查詢慢可能是索引問題。

勝任者能主動制定計畫：不是只修眼前 bug，而是知道這個 bug 可能牽涉哪幾個模組，應該先驗證哪個假設。

精通者開始有整體感：看到一段架構圖，就能感覺哪裡將來會成為瓶頸。

專家則常常先有答案，再回頭解釋答案。他不是不講道理，而是多年經驗已經把推理壓縮成直覺。

這個框架也能描述 AI 市場裡的多數用戶。很多人停在新手到進階初學者階段：知道怎麼發請求，知道 Token 有成本，但不理解定價機制、不理解基礎設施成本，也看不到中間商在請求上可能做了什麼手腳。

「懂 AI」不是「會用 ChatGPT」，就像「會打字」不是「懂電腦」。

#知識普惠，是個美麗的謊言

很多人說 AI 讓知識民主化了。我不同意這個說法，至少不同意它通常暗示的那個意思。

我一開始其實也很樂觀。我曾經真的相信，AI 會改變世界的規則：普通人可以靠它跨過教育資源差距，年輕人可以靠它少走十年彎路，弱者可以靠它拿到以前只有強者才摸得到的知識入口。

但我親自做了算力、API、中轉站和硬體集群之後，反而越來越清楚一件事：AI 也許能改變很多人的工作方式，但它未必能改變世界最底層的分配規則。

原因很殘酷。閱歷不能被快速下載，判斷力不能靠模型直接灌頂，算力也不是免費的公共空氣。

甜蜜期裡，大家用便宜 Token，用低價訂閱，用各種被補貼過的工具，會產生一種錯覺：知識突然平等了。可一旦 Token 價格回調，高階模型重新變貴，免費額度縮水，低價方案被限制，知識入口就會再次分層。

到那時候，窮人不是完全用不起 AI，而是用不起最好的 AI；不是完全拿不到知識，而是拿不到最高密度、最高效率、最低延遲的知識工具。這跟過去沒有本質不同，只是圖書館、名校、導師、資本，換成了模型、算力、API 配額和訂閱方案。

歷史上每一次「讓知識更普及」的工具出現，無論是印刷術、電報、無線電廣播、網際網路，都沒有真正拉平社會階層。它們改變了資訊抵達不同階層的速度差，卻沒有同步改變每個人使用資訊的能力。

工具的普及，從來不等於能力的普及。

這正是隱性知識理論告訴我們的事：能力的核心不只在工具，而在工具背後的判斷力和多年積累。

一個沒有深入某個領域的人，即使拿到最好的工具，也只能問出平庸的問題，接受一個自己驗不了對不對的答案。

AI 確實給了每個人一個高學識、多邊形、性格穩定的全天候顧問。但大多數人拿它做什麼？把它當搜尋引擎用，在自己根本讀不懂答案的領域裡問一個很糟的問題，然後把輸出當成事實分享出去。

真正把 AI 用成槓桿的人，本來就有深度。他能輸入真正複雜的問題，能辨別輸出的好壞，能做迭代優化，能把結果接入自己原本就在運轉的工作流。

一個本來就理解資本市場的人，AI 可以讓他的分析效率乘以十倍。一個從來沒看過財報的人，AI 生成的分析文字對他而言，不過是又一份他讀不懂、驗不了、也可能是錯的文件。

從 2023 年到現在，不過三年。一個合格的大學生養成都需要四年，而 AI 跨越式進步一兩年就跨過人類積累百年的知識體量。大多數用戶根本來不及對這個工具建立真正理解，就已經被下一個版本拋下。

等 Token 漲回它本來的價格，這場「普惠」實驗會留下什麼？大概會留下一批曾經短暫覺得自己懂了很多、實際上什麼都沒有真正積累的人。

覺醒從來不是工具給的，是閱歷給的。

#逆向工程行業的終局

我從逆向工程出身，所以我對外掛輔助這個行業的衰退，看得比很多人更早，也更清楚。

先說現狀：這個行業裡的大多數從業者，並不具備系統性的技術積累。有相當一部分人的工作模式是拿開源項目套殼，在別人寫好的驅動基礎上加一層界面，打包之後賣出去。

這個生存空間，接下來幾年會被持續壓縮，直到消失。

壓縮來自兩個方向。

方向一：AI 驅動的行為級反作弊。

遊戲廠商近年已經大規模引入機器學習模型做反作弊，不再只依賴靜態特徵碼比對。AI 反作弊分析的不是「這個程序是什麼」，而是「這個玩家的行為序列是不是人類」。

滑鼠移動軌跡的微分特徵、反應時間的統計分佈、瞄準加速度曲線，這些用時序模型建模之後，規則型外掛幾乎無處遁形。傳統的記憶體讀寫型和代碼注入型外掛，在行為分析面前沒有真正的對抗能力。

方向二：雲遊戲從根源移除本地運算前提。

外掛存在的基本前提，是遊戲核心運算邏輯和狀態資料存在於客戶端本地，可以被讀取和篡改。

一旦遊戲完全遷移到雲端執行，所有渲染和邏輯都在伺服器端完成，客戶端只負責串流顯示輸出和上傳輸入指令。這時候客戶端沒有可以修改的狀態，也沒有可以注入的空間。

中國已經開始大規模鋪開雲遊戲基礎設施。未來主流端遊向雲端遷移，是方向性的趨勢，不是「會不會發生」，而是「什麼時候發生」。

所謂「道高一尺，魔高一丈」，前提是攻守雙方還在同一個技術基礎上對抗。當基礎從「本地可寫記憶體」變成「遠端只讀串流畫面」，這個對抗前提就不存在了。

我做逆向出身，但我很早就判斷這個方向的市場壽命有限，所以在轉型的時間點上沒有猶豫。

#工匠精神：材料的阻力

2008 年的著作《工匠》（The Craftsman）裡有個我一直記著的觀點：

“Craftmanship names an enduring, basic human impulse, the desire to do a job well for its own sake.”

——Richard Sennett, The Craftsman

工匠精神，是「為了把事情做好而做好」的衝動，不只是為了被看見、被認可、被回報。

書裡還引入了「材料的阻力（Material Resistance）」：陶藝師傅在捏製陶器時，粘土不是被動服從他的意志。它有自己的物理特性，會抵抗、會裂開、會和師傅對話。正是在這種與材料的對抗和協商中，師傅學到材料的本質，也訓練出技藝。

對程序員而言，代碼就是材料。

• Bug 不只是障礙，是代碼在告訴你它的邊界在哪裡
• 效能瓶頸不只是問題，是系統在告訴你設計哪裡撐不住
• 維護困難不只是頭痛，是舊代碼在告訴你結構設計有什麼問題

對算力基礎設施來說，這個材料阻力更直接，也更昂貴。

• 機房斷電告訴你 UPS 配置不夠
• API 請求雪崩告訴你限流邏輯有問題
• H100 的 NVLink 頻寬告訴你模型並行策略的天花板在哪裡

最好的工匠，是那些願意傾聽材料阻力的人。

不是那些只想「任務完成」的人。

#AI 能生成顯性知識，不能替你長出隱性知識

AI 代碼生成工具的出現，讓「寫出能跑的代碼」這件事成本大幅降低。但它也把一條分水嶺照得更清楚。

AI 能生成顯性知識的輸出，但它無法替你長出隱性知識。

AI 可以寫一個 Redis 緩存的範例代碼，但它不知道在你這個特定業務場景下，這個緩存策略在黑色星期五流量下會不會雪崩。

AI 可以生成一段負載均衡配置，但它不知道你的服務在某個特殊硬體環境下，這個配置會不會引入新的副作用。

AI 可以給你一份漂亮的架構圖，但它不知道你團隊裡誰能維護、誰會誤用、誰會在三個月後離職，誰會在凌晨三點接到告警電話。

這些「知道什麼是對的，而且知道在這個特定情境下什麼才是對的」，正是隱性知識的核心。

它只能從實踐積累中來，不能從 prompt 裡召喚。

所以 AI 時代，隱性知識不是變得更不值錢，而是變得更稀缺、更有區分度。

講到這裡，如果文章只停在「隱性知識很稀缺、算力會被壟斷、普通人會再次被甩開」，那它就只剩一種冷冰冰的悲觀。

但我真正想問的不是「誰會壟斷」，而是：當我已經知道壟斷會發生，當我已經看見知識、算力和工具會重新分層，我要站在哪裡？我要做什麼？

這才是我後面所有布局真正想回答的問題。

#我想走的方向：把道落到日用

我在這裡提天聖教，不是要突然把文章轉成宗教宣言，也不是想把技術問題包上一層玄學外衣。

相反，它剛好給了我一個能貫穿整篇文章的尺度：如果一套道理不能落到人的日用，不能讓普通人真的少受一點限制、少踩一個坑、少被騙一次，那它再宏大，也只是另一種圈層語言。

天聖教有一句話，我一直記得很深：

聖人之道，無異於百姓日用，凡有異者，皆是異端。

這句話對我的意義不是玄學，而是一種很硬的標準：真正有價值的道，不應該只停在殿堂裡、術語裡、少數人的圈層裡。它最後要能落到人的日用，落到弱者能不能多一點能力，普通人能不能多一點選擇。

放回 AI 這件事裡，它其實很直接。

如果 Token 的成本結構只有少數人看得懂，那我就把它拆開寫清楚。
如果中轉站供應鏈裡有灌水、偷換模型和資訊不對稱，那我就把那些暗招攤開。
如果工程裡的熔斷、故障轉移、零停機部署只有圈內人懂，那我就把它翻成普通讀者能理解的話。
如果 AI 最後仍然會回到算力、電力、硬體、機房和政策，那我就不假裝它只是 prompt 技巧。

這不是單純寫文章，也不是單純做生意。這是在把那些被藏起來的規則搬到檯面上。

我一直想走的方向，是這樣一條線：

民弱，則傳道利民，以壯其民。國弱，則變法圖強，以壯其國。兵弱，則改革兵器，以壯其兵。君昏聵，則一諫之，陳述厲害，勸君改之。君不改，二諫之，再不改，反之立新君。天無道，則一變法，改天法以順天下。天不改，則以變法求變道，再不改，伐天立道。

我把它理解成一套技術人的倫理：不要迷信既有規則，不要把工具供在神壇上，也不要只做一個旁觀者。

民弱，就做讓人變強的工具。
知識被壟斷，就做能降低理解門檻的系統。
算力被少數人握住，就盡可能做出更穩、更透明、更不欺騙用戶的分發方式。
規則不合理，就先理解規則，再想辦法改規則。
如果連天法都不順天下，那就不只是修補，而是要重新思考這套法本身。

這裡的「天」，對我來說不是神明，而是那些大到普通人看不見、碰不到、改不了的規則：平台條款、模型定價、硬體供應鏈、電力資源、資本門檻、知識門檻、話語權。

當這些規則合理，我就順著它做事。當它不合理，我至少要先把它說清楚，讓更多人知道自己被什麼限制。再往後，才是做工具、做基礎設施、做替代方案，讓人不用永遠被同一套規則壓著走。

所以「伐天立道」不是一句空泛的豪語。它在我的語境裡很具體：如果世界把知識變成少數人的牆，我就做梯子；如果平台把算力變成黑箱，我就做更透明的分發；如果工具越來越貴，越來越只服務高階用戶，我就盡量做出普通人也能碰到的入口。

這也是我為什麼在意「看不見的地方」。真正能利民的東西，往往不是最會喊口號的東西，而是能讓人在日常裡真的少踩一個坑、少被騙一次、多理解一層規則的東西。

而這一點，正好接回前面所有討論：隱性知識看不見，所以要把能說清楚的部分說清楚；算力成本看不見，所以要把它背後的錢、電、硬體和風險攤開；AI 的普惠幻覺看不見，所以要提醒人，工具普及不等於能力普及。

我的方向不是反 AI，也不是崇拜 AI。我的方向是把 AI 從神壇上拉回日用，讓它成為人真的能掌握的工具，而不是下一套更漂亮、更昂貴、更難反抗的壟斷。

#我的三層布局

所以我目前的布局分三層，每一層都是為下一層做準備，也都在回應同一件事：知識與權力如果正在重新集中，那我就要在能動手的地方，做出一點分流。

第一層：中轉站與 Token 分發，解決短期現金流。

通過官方 API 直連加自有算力補量，向下游分發高品質 Token。保守估算，以目前用量和定價結構，六個月左右可以回本。這一層是現金流引擎，不是終點。

第二層：算力基礎設施持續卡位，形成中期護城河。

算力稀缺性只會增加，不會減少。現在入場相比三年後入場，在硬體採購成本、上下游資源卡位上有明顯先行者優勢。等 Token 價格回歸正常水位，自持算力的業者會有其他人沒有的成本緩衝和定價彈性。

第三層：純視覺 AI 集成軟件，建立長期護城河。

我目前在開發一款以純視覺感知為核心的 AI 集成軟件，架構上採用插件化付費模式。用戶根據需要啟用不同功能模組，涵蓋遊戲環境輔助、桌面任務助理、代碼靜態審計、文件視覺解析等垂直場景。

純視覺架構的核心邏輯在於：不依賴 API Hook、不讀取進程記憶體、不注入任何運行時。它只「看」，通過螢幕視覺理解在顯示層面做判斷和輸出。

這種介入方式在跨平台相容性和對抗穩定性上有本質優勢：平台可以封鎖記憶體讀取，封鎖不了眼睛。

插件化商業模式則讓收入具備可預期性，不依賴某一個功能的市場需求峰值。

這三層看起來是商業布局，其實對我來說也是一種「傳道利民」的落地方式。不是把知識講得越玄越好，而是把模型、算力、工具、視覺理解和自動化能力，變成普通人真的能用、也比較不容易被騙的東西。

#誰是這輪浪潮真正的贏家

不是每個買了 ChatGPT Plus 的人，不是每個學了提示詞的人，也不是每個說「AI 讓我效率翻倍」的人。

依我目前的判斷，真正的贏家集中在三類。

算力擁有者。

掌握推理基礎設施的人，無論是大廠，還是具備規模自持能力的中小算力站，都是這個時代的「地主」。算力稀缺性讓這個位置有很強的防禦性。

模型開發商。

OpenAI、Anthropic、Google DeepMind，以及具備真正研發能力的開源社群，例如 DeepSeek。這些人掌握這個時代最核心的智識資產，也掌握了下游很大一部分定價權。

有護城河的應用層開發者。

不是做 GPT 套殼的人，而是在某個具體垂直場景裡，把 AI 嵌入不可替代的工作流，並且積累真正業務壁壘的人。

這裡的關鍵詞是「不可替代的工作流」，不是「有一個 AI 功能的產品」。

那底層的大多數人呢？

本地部署永遠有硬體成本天花板。現在這個天花板叫「你買不起夠好的 GPU」。Token 漲回正常價格後，這個天花板叫「你用不起好模型」。名字不同，邏輯一樣。

技術每次奇異點式突破，都會重新洗牌財富分配，但從來不會自動拉平它。

蒸汽機讓工廠主變成大資本家，電話讓基礎設施運營商取得壟斷地位，網際網路讓平台變成新一代土地。AI 也是一樣。它在放大每個人，但放大的倍率，從來不是均等的。

#在看不見的地方繼續做

回到最開始的困境：你做了一個很好的系統，大多數人看不懂它好在哪裡。

《隱性維度》說明了，這是知識的本質。越深的理解越隱性，越隱性越只能被同等程度的人看見。

《工匠》回答了，這不代表做好工作的理由消失了，反而是「為什麼而做」這個問題變得更清晰。

不是為了掌聲，是為了把它做對。

不是為了讓老闆看懂，是因為這個系統在凌晨三點遇到突刺流量時，它能撐住。

不是為了炫技，是因為三年後維護這段代碼的人，能讀懂這裡的設計意圖，而不是罵你留下了一堆謎。

Token 的骰局也是一樣。真正的基礎設施不是為了讓用戶知道你有多少 H100，而是為了在有人需要的時候，它在那裡，它能撐住，它不會騙你。

工匠精神的本質，是把標準設在「它應該是什麼樣」，而不是「別人能不能看出差別」。

這是程序員的宿命，也是程序員的驕傲。

接受它，然後繼續在沒人看見的地方做對的事。

覺醒不靠工具，靠閱歷，靠你用時間和代價換來的判斷力。

這個東西，AI 教不了你。

上一篇：隱形的佈局（上）：Token 與算力