AI能否复制老师傅的手艺？
木匠面对一块木料时，会先审视木纹走向、掂量分量、感受干湿程度以及变形的可能性；摄影师架起相机时，目光所及不仅是曝光参数，还有光线在物体上的呈现质感；设计师审视某个页面时会说"这里有问题"，虽然说不出具体公式，却能确认问题确实存在。我们通常把这类直觉式的判断称为经验。
哲学家波兰尼在1966年的《默会维度》中为它找到了一个更精确的名称——默会知识，并留下了那句被广泛引用的名言："我们知道的，远比我们能表达的更多。"这大致解释了经验为何难以传递：师父可以讲解方法、带徒弟观摩案例、指出一处修改为何合理，却无法将几十年的判断力直接传授给另一个人，徒弟只能亦步亦趋地观察和实践，在反复的挫折中逐渐接近那种难以言说的感觉。
技术发展的历程一直在解决这个问题：文字保存记忆，印刷术扩大传播范围，数据库和软件接管了信息与规则的存储。但经验长期以来一直依赖于师徒之间的面对面交流，它可以被影响、被模仿，却很难被完整复制。
我的看法是，AI正在改变这一局面——而且改变的不仅仅是让人少写几行代码。当然，这个判断也有其站不住脚的地方，后面我们将从不同角度重新审视这个问题。
Vibecoding表面上看是一种全新的开发模式：你用日常语言描述需求，AI生成代码，你再通过反馈来调整结果。但更值得关注的是，它把软件生产的入口向前推进了一步。过去程序员需要将需求分解为明确的逻辑，按钮点击后的行为、出现异常时如何处理，都要写入条件和流程中，因为代码依赖精确性。然而很多人类经验并不以代码的形式存在：设计师不会每次调整版式都去计算比例，导演不会靠公式决定一个镜头停留多久，真正起作用的往往是大量细微的取舍。
AI为这类取舍提供了入口。设计师可以反复对AI说"这个间距太均匀""这个颜色没有材质感"，这些反馈听起来很主观，背后却压着审美训练和失败记忆。AI无法拥有这些经历，但它可以接收语言、案例、修正和偏好，将它们压缩成可再次调用的模式。Token在这里像一条转换通道：它不保存一个人的完整经验，却让经验通过提示词、样例和工作流程进入计算系统，最终沉淀为一组稳定指令、一个专用工具，或者某个团队反复使用的判断标准。
这个过程已经有人在真实的劳动力市场中观察到了。斯坦福与MIT的经济学家追踪了5179名客服在引入生成式AI助手前后的表现，发现效率平均提升约15%，而提升最显著的是新手——因为这套系统是在最优秀员工的对话记录上训练的，它实际上把顶尖员工的默会知识提取出来，分发给了其他人。入职两个月的新人在AI辅助下，表现接近没有AI时工作六个月的老员工。GitHub那个著名的对照实验也指向同一方向：95名程序员实现同一个HTTP服务器，使用Copilot的一组速度快了55.8%，且经验较浅者获益最明显。AI缩短的主要是"从生疏到合格"的那段路，因为它承载的正是别人走过这段路时留下的判断。
到这里，故事看起来很完美：经验找到了进入软件的通道，师徒制中靠时间积累出来的东西，第一次可以被批量转移。大模型公司又拿到了下一轮融资的门票，皆大欢喜，我们即将奔向AGI的完美世界。
等等！老师傅在后面捂着胸口，用过拟合的声音喊道：你搬运的只是经验的影子！
在波兰尼这个例子上：这篇文章用《默会维度》开头，但波兰尼的论点恰恰是：默会知识在原则上不可完全言说，它不是"还没被说出来的知识"，而是依附于身体和情境、一旦脱离就变质的知识。木匠对木料的判断里，有他手掌接触过的几千块木头。当设计师把"这个颜色没有材料感"说给AI听时，被传输的只是这个判断的语言残渣——AI学到的是这句话和某些像素模式的统计关联，不是那个判断本身。用波兰尼开头、再宣布默会知识可以被token化，等于引用了一位证人，然后当庭违背他的证词。
在斯坦福这个客服的案例中，客服研究里被转移的是什么？是话术、应答模板、安抚流程——这类知识本来就高度程序化，只是以前没人整理。拿"客服话术可以蒸馏"去推论"导演的镜头感、厨师的火候也可以蒸馏"，是把论域悄悄换掉了。事实上文章自己引的另一项研究已经露出了裂缝：METR在2025年做的随机对照试验里，16名资深开源开发者在自己平均维护五年的代码库中完成246个任务，允许用AI时反而慢了19%——而他们事后还以为自己快了20%。对深度绑定于具体语境的经验来说，把意图翻译给AI、再校验AI输出的成本，高于直接动手。越接近默会知识的核心，管道越堵。
其实问题出在"转移"这个词本身。文章庆祝新手借助AI达到老手的表现，却没有问：这些新手自己的经验，还长得出来吗？那位老客服的判断，是在无数次被客户骂、说错话、救回来的循环里长出来的；现在新人跳过了这个循环，直接调用蒸馏好的结果。这在自动化研究里是个有四十年历史的老问题——Bainbridge在1983年那篇《自动化的反讽》里就指出：自动化接管了常规操作，人的技能因缺乏练习而萎缩，而系统偏偏在最需要人类技能的异常时刻把控制权交还给人。2025年8月，《柳叶刀·胃肠病学与肝病学》发表了第一个临床证据：19名各自做过两千例以上肠镜的资深医生，在使用AI辅助检测三个月之后，回到无AI状态独立操作时，腺瘤检出率从28.4%降到了22.4%——相对下降20%。注意，这不是新手没学会，而是老手在退化。AI不只是没能完整搬运经验，它还在腐蚀经验赖以生成和维持的那条肌肉。
如果反对者要压成一句话，大概是：你以为建成了经验的输送管道，实际上建成的是经验的降解装置——它输出经验的平均值，同时拆掉经验的生产线。
第一个问题在于把"不可完全言说"滑向了"完全不可言说"。波兰尼说的是经验无法穷尽地形式化，但没说经验的任何部分都不能外化——事实上他自己承认默会知识有可被指认、示范、逐步明晰化的成分。客服研究证明的正是这一点：经验里确实存在一个可外化的表层，而且这个表层比我们以前想象的厚得多。AI没有搬走木匠的手感，但它搬走了木匠愿意讲给学徒听的那部分，并且搬得比任何师徒制都快。承认这一点，不需要否认核心的不可言说。
第二个例子中，客服、初级编程、模板化设计——目前所有"AI成功蒸馏经验"的强证据，都集中在知识本来就偏程序化的领域；而METR的结果提示，越往语境深处走，蒸馏的收益越低甚至为负。所以更诚实的说法不是"经验正在被计算化"，而是经验正在被分层：语言够得着的那层进入机器，语言够不着的那层留在身体里——而这条分界线本身，是被AI的出现第一次清晰照亮的。以前我们笼统地说"经验"，现在每个行业都被迫搞清楚，自己的经验里有多少是话术、多少是手感。
第三个问题只能正视。肠镜研究和Bainbridge的反讽指向同一个结构性风险：经验的外化是一次性收割，收割的是过去几十年老师傅积累的存量，但如果新人不再经历完整的失败循环，二十年后就没有新的存量可供蒸馏——模型只能学习自己的输出，行业的判断力停在被收割的那一刻。这不是AI能力问题，是经验再生产的问题，而它目前没有好答案。也许答案在训练方式的重新设计里，比如刻意保留"无辅助练习"的比例——肠镜领域已经有人在讨论这样做，就像飞行员必须定期手动飞行一样。
所以这篇文章最初的判断需要修正，但不是推翻。
AI确实第一次让经验的一部分获得了可计算的形式，这个转移是真实的、有数据的、正在改变劳动力市场的定价——被整理过的判断正在成为新的交换对象，这一点站得住。但被转移的不是经验本身，而是经验中可言说的表层；转移的收益集中在从生疏到合格的路段，对最深处的判断可能是负担；而最严重的隐患是，这场转移在消费经验存量的同时，可能正在关闭经验的再生产。
AI最有意思的地方，可能不在于它生成了多少结果，而在于它迫使人把经验从身体里取出来摊在桌面上——然后所有人第一次看清：哪些部分是可以写下来的流程，哪些部分离开了那双手就不存在，以及，如果没有人再花二十年去长出那双手，我们打算怎么办。
人的经验正在换一种存在方式。这句话是对的，只是它同时也在换一种消耗方式——而第二件事，我们才刚刚开始理解。