证明“隐性知识是很难传递的”，但作者提醒：我们不应该把隐性知识当作令人敬畏的神秘，而应该把它视为有待攻克的工程问。Collins在论文里其实提了一个非常具体的建议：科学论文应该增加一项"二阶技能度量"，明确写出某个实验最初花了多少次尝试、花了多长时间、现在仍有多难（这种信息现在几乎被默认排除在写作规范之外）。
最有意思的部分，是作者用自己参与设计的 Rejuvenome 抗衰老项目作为例子，展示了在前沿科研中知识是分层的：核心事实 → 事实间关系 → 知识如何产生 → 如何设计新实验。在这个链条里，越往下越难显性化。比如，某种"多样性远交"小鼠的雄性极具攻击性必须单笼饲养——这个事实本可以公开，但实际上是某位研究者顺口告诉他的；很多论文只用雌性小鼠却从不说明原因，背后藏着没写出来的判断。他得出一个很有冲击力的结论：你不知道该问什么问，本身就是一种隐性知识。新手听到“我们要对血液做 X、Y、Z 分析”只会点头，专家会立刻反问"每种分析要多少血？小鼠总共才多少血？"——这种问的显著性，不是想出来的，是经验长出来的。
那么，隐性知识到底能不能规模化？作者从语言学习和象棋这两个我们已经"解决了"的领域里找答案。语言学习证明：成人通过大量带上下文的输入，一年左右就能达到接近母语水平，全程可以不跟任何人说。象棋更有意思——研究显示，提升棋艺最有效的方式不是下棋本身，而是做棋和记忆大师对局；而且教练并不是必需的，最强的预测因子是"独自认真学习的时间"。记忆之所以重要，不是为了快速检索（互联网就能做到），而是强迫你理解、强迫你把信息"分块"成可调用的内部结构。
由此，作者提出了他的核心猜想：我们应该建立”带上下文的专家执行示例库“。不是讲解、不是教学视频，而是大量真实的专家在做事的录像，包括失败、修改、甚至是自言自语。软件工程里的live coding已经有这个雏形，但还远远没有被当作系统化学习工具来用。
文章最后一部分讨论”管理专家“也很有启发。Ben Reinhardt说，“只有做过这件事的人才应该管这件事”，因为做过才有直觉。但作者指出了反例：Elon Musk 创办 SpaceX 之前是做支付的，Leslie Groves 不是物理学家却领导了曼哈顿计划。LIGO项目经理 Gary Sanders 的自述很精彩——他六到九个月就能获得 Collins 所说的"交互式专长"，能跟专家讨论、能拍板决策，但无法亲自写出方程或设计系统。“我能听懂交响乐，但是写不出来”。所以真正的能力组合，可能是对领域有足够交互式理解 + 能识别人才 + 能在合适时候终结争论。而这套能力本身，又是另一种需要被传递的隐性知识。
总的来说：
1. 承认隐性知识真实存在这件事，远比想象中重要。STEM领域的训练让我们倾向于相信"凡是重要的都能被显式化、被表格化、被数据点化"，但其实那些以案例、轶事、商业图书形式存在的东西，恰恰是传递隐性知识所必需的形态。
2. 理解深度的排序是：打入圈子 > 读论文 > 跟专家聊。和专家单次聊天能快速给你答案，但理解会很浅；读论文能给你深得多的理解；而真正最后那10-20%的领域知识，只能靠混进圈子里——在会议、研讨会、咖啡馆里偶然听到的那句里。这也回答了为什么 colocation、conference、私下吃饭都不是浪费时间。
3. 学习策略应该服从于目标。如果你想做投资判断或寻找开放问，没必要花三年读完整个领域的论文；如果你想识别人才并管理项目，"交互式专长"就够了；只有当你要亲手做事，才必须深入到能动手的程度。把"我要把这个领域学透"当成默认目标，反而是低效的。
@aigc1024
最有意思的部分，是作者用自己参与设计的 Rejuvenome 抗衰老项目作为例子，展示了在前沿科研中知识是分层的：核心事实 → 事实间关系 → 知识如何产生 → 如何设计新实验。在这个链条里，越往下越难显性化。比如，某种"多样性远交"小鼠的雄性极具攻击性必须单笼饲养——这个事实本可以公开，但实际上是某位研究者顺口告诉他的；很多论文只用雌性小鼠却从不说明原因，背后藏着没写出来的判断。他得出一个很有冲击力的结论：你不知道该问什么问，本身就是一种隐性知识。新手听到“我们要对血液做 X、Y、Z 分析”只会点头，专家会立刻反问"每种分析要多少血？小鼠总共才多少血？"——这种问的显著性，不是想出来的，是经验长出来的。
那么，隐性知识到底能不能规模化？作者从语言学习和象棋这两个我们已经"解决了"的领域里找答案。语言学习证明：成人通过大量带上下文的输入，一年左右就能达到接近母语水平，全程可以不跟任何人说。象棋更有意思——研究显示，提升棋艺最有效的方式不是下棋本身，而是做棋和记忆大师对局；而且教练并不是必需的，最强的预测因子是"独自认真学习的时间"。记忆之所以重要，不是为了快速检索（互联网就能做到），而是强迫你理解、强迫你把信息"分块"成可调用的内部结构。
由此，作者提出了他的核心猜想：我们应该建立”带上下文的专家执行示例库“。不是讲解、不是教学视频，而是大量真实的专家在做事的录像，包括失败、修改、甚至是自言自语。软件工程里的live coding已经有这个雏形，但还远远没有被当作系统化学习工具来用。
文章最后一部分讨论”管理专家“也很有启发。Ben Reinhardt说，“只有做过这件事的人才应该管这件事”，因为做过才有直觉。但作者指出了反例：Elon Musk 创办 SpaceX 之前是做支付的，Leslie Groves 不是物理学家却领导了曼哈顿计划。LIGO项目经理 Gary Sanders 的自述很精彩——他六到九个月就能获得 Collins 所说的"交互式专长"，能跟专家讨论、能拍板决策，但无法亲自写出方程或设计系统。“我能听懂交响乐，但是写不出来”。所以真正的能力组合，可能是对领域有足够交互式理解 + 能识别人才 + 能在合适时候终结争论。而这套能力本身，又是另一种需要被传递的隐性知识。
总的来说：
1. 承认隐性知识真实存在这件事，远比想象中重要。STEM领域的训练让我们倾向于相信"凡是重要的都能被显式化、被表格化、被数据点化"，但其实那些以案例、轶事、商业图书形式存在的东西，恰恰是传递隐性知识所必需的形态。
2. 理解深度的排序是：打入圈子 > 读论文 > 跟专家聊。和专家单次聊天能快速给你答案，但理解会很浅；读论文能给你深得多的理解；而真正最后那10-20%的领域知识，只能靠混进圈子里——在会议、研讨会、咖啡馆里偶然听到的那句里。这也回答了为什么 colocation、conference、私下吃饭都不是浪费时间。
3. 学习策略应该服从于目标。如果你想做投资判断或寻找开放问，没必要花三年读完整个领域的论文；如果你想识别人才并管理项目，"交互式专长"就够了；只有当你要亲手做事，才必须深入到能动手的程度。把"我要把这个领域学透"当成默认目标，反而是低效的。
@aigc1024
