[研究論文分享] 基於AI的知識管理：從4象限SECI模型到9宮格AI-KM模型

這一篇文章是我投稿至第83屆AOM國際研討會（Academy of Management）中文版手稿的節錄版本，我將其中比較理論面的部分刪減，把能實務應用的部分進行說明，希望能方便大家閱讀以理解在AI時代，企業面對的知識管理與獨特性競爭策略的議題。

這篇文章獲得 AOM 國際研討會（國科會認可的 Tier One 研討會）的收錄，是對這篇文章非常大的肯定，尤其在我還是博士班學生的身份時，足見科技管理學界對這個議題的重視。

因此，跟大家分享這篇文章的中文版，從比較理論與實務面的角度來看AI時代企業的知識管理。先簡單摘要我的這篇文章，方便大家後面的閱讀，如果時間不足，就看摘要即可。

摘要

人工智慧（Artificial Intelligence, AI）是近年來的發展日新月異，在知識管理文獻中，AI人工智慧僅是被當作是人類結合(combination)顯性知識的輔助工具。隱含的假設是─創造新知識還是要靠人類的創意。研究者透過一個教學醫院的智慧醫材研發團隊個案否證了這個假設，並顯明人工智慧在知識創造過程中所扮演的新角色。藉由這個案例的啟發，本研究提出建模、編碼、機器學習、闡釋、確效等五個擴增知識的活動，將原先知識創造過程中社會化、外化、結合與內化等四個活動的4個象限SECI模型擴增為9宮格的AI- based KM模型，以建立適用於人工智慧時代的知識創造理論。

前言

在數位經濟時代，許多企業成功的關鍵都來自於不斷創造的知識以及可以有效管理的知識創造過程。近年來人工智慧的飛速發展，讓企業將它廣泛應用在技術研發、產品開發、組織創新乃至於商業策略上。而人工智慧在演算法上的最新發展，如機器學習、深度學習、生成對抗等不同的演算法，讓企業、組織、個人開始走向不同於以往的企業創新模式。我們不免好奇：人工智慧在企業的知識創新過程中，到底扮演什麼樣的角色？更重要的是，人工智慧是不是可以成為知識創新的主角？或者只能擔任輔助的角色？

傳統的知識創造理論認為，企業的新知識是透過組織內部的個別員工不斷地互動創造而產生(Nonaka 1994)。所以知識管理的重點是透過在組織內部所創造的互動環境讓團隊中的個人透過激盪而創造新的知識。然而，有些知識並非個人與個人之間互動所創造的，而是機器透過學習過往的資料特徵，在個人與個人之外，產生出新的知識。

例如，2014 年時，谷歌AlphaGo 團隊的研究計劃，讓人工智慧不但具有分析、探勘、預測的能力，更透過機器學習演算法與深度學習演算法的進步，讓原本的大數據分析功能加入了「自我學習」的因素(Granter, Beck et al. 2017)。更進一步，AlphaGo Zero團隊，在沒有學習人類玩家棋譜下，透過自我對弈，竟然能快速地超越之前的AlphaGo (Holcomb, Porter et al. 2018)。前述的案例讓研究者開始思索，人工智慧是否應該納入知識創造過程的元素中？人工智慧演算法是否有可能改變個人與團隊之間的知識疆界？進而可以引起組織知識創造系統的擴大？

知識管理理論架構

知識基礎觀點（Knowledge-Based View, KBV）認為無形資源必須仰賴組合與應用，然後形成企業的一項專有功能，知識會由組織內部的多元實體所承載，例如文化、識別、例規、政策、文件以及個別的員工(Grant 1996)。因為知識為基礎的資源太過複雜通常是很難被模仿，因此可以產生長期性的競爭優勢(Barney 1991)。組織學習理論認為組織行為和創造資訊有關，透過訓練課程中人際的互動，能夠讓管理者學習到如何掌控複雜的資訊(Bartunek, Gordon et al. 1983)。而有些企業之所以會快速回應客戶需求與發展新產品，是有賴於這些企業具有知識創造（Knowledge Creating）的獨特關鍵手法(Nonaka and Takeuchi 2007)。企業的知識會不斷地透過組織內部的個別員工透過互動創造出來，而基本關鍵就是於如何建立一個組織的知識創造空間「Ba」，這是一個空間設計的功能(Nonaka, Toyama et al. 2000)。「Ba」的本質是連續的，可以透過「Ba」將隱性知識轉換為顯性知識，然後再轉化為隱性知識，這說明了知識轉換與知識移轉過程。而「Ba」的概念是需要根據企業不同的需要加以設計的(Nonaka and Konno 1998) 。讓企業員工的創造與融合（Conversion）累積知識。因此，當不同部門之間有共享空間加速知識創造，或者設計知識創造空間，強化部門間協作以考慮如何協作、獲取、採納與修改外部與內部的知識(Nonaka, Von Kroghet al. 2006)，以不斷地累積、創造、融合知識。人與人的互動交流聚焦在傳遞資訊，對於創造知識而言，資訊是一個必要的媒介，知識創造聚焦在資訊的「意義傳遞」的語意（Semantic）過程(Nonaka 1994)。

(Nonaka 1994)提出知識創造（Knowledge Creation）的兩個構面，隱性知識（Tacit Knowledge）與顯性知識（Explicit Knowledge），而兩個構面進一步建構出知識融合SECI 模型。這個模型分別為（1）隱性知識至隱性知識的社會化過程（Socialization），（2）隱性知識至顯性知識的外部化過程（Externalization），（3）顯性知識至顯性知識的組合化過程（Combination）以及（4）顯性 知識至隱性知識的內部化過程（Internalization）。社會化過程解釋了人與人之間分享思考的機制，也就是如何透過觀察與模仿就能學習到另一人的隱性知識而不需要運用言語溝通，這需要體驗（Experience）與意會（Sense-making）。外部化過程解釋了人與人之間透過溝通與分享交換顯性知識的機制，透過重組（Re-configuring）現有的知識產生新的知識。外部化與內部化是兩個相互之間透過轉換與互動的學習機制。因此，新知識透過這四個模式之間的轉換過程被創造出來。

資訊科技在知識管理理論中的角色

資訊科技一直存在於知識創造理論中，屬於外部化機制的角色(Nonaka 1994, Nonaka, Umemoto et al. 1996)，很多研究指出，資訊科技能顯著幫助企業創造新的知識(Irtaimeh, Obeidatet al. 2016)，能夠幫助學習與工作(Valasidou and Bousiou-Makridou 2008, Irtaimeh, Obeidat et al. 2016, Carrión-Martínez, Luque-de la Rosa et al. 2020)。資訊科技被視為影響與促進知識創造的功能，「人」的創造力被視為知識創造的核心(Kane, Fichman et al. 2009, Wagner, Vollmar et al. 2014, Obeidat 2019, Bag, Gupta et al. 2021)。人工智慧雖然在界定上與資訊科技存在著些許差異，但仍屬於資訊科技技術的延伸，在知識管理中的角色一直是輔助、影響與促進的關鍵因素(Tsui, Garner etal. 2000, de Carvalho Botega and da Silva 2020, Lei and Wang 2020, del Mar Roldán-García, García-Nieto et al. 2021, Huang, He et al. 2021)。

人與 AI 之間的互動（interaction）

現今，人與機器頻繁互動，兩者之間透過影像、文字及其蘊含豐富知識的數據在人與機器之間「流動」，不只是傳遞資訊(Burström, Parida et al. 2021)，而是從人與人的溝通，進而轉變成人與機器之間的互動。人類隱性與顯性的知識融合建立在思維與影像，人工智慧則能透過影像特徵與文字解讀讓人類思維與影像透過邏輯模型創造出更具意義的理解(Obembe and Obembe 2020)。人類的智慧憑藉大腦的學習、思考與創造，人工智慧的知識創造是透過深度學習過往的資料建立神經網路模型，精準預測未曾學過的資料 (Brynjolfsson and Mitchell 2017, Jarrahi, Askay et al. 2022)。這種方式有別於先前人際互動的知識創造理論，也有別於人類以規則方式建立知識的專家系統模式。事實上，AI人工智慧是透過學習已知的資訊，衍生出之前所沒有的知識(Agrawal, Gans et al. 2017, Pushpa 2019)。然而，過往的研究鮮少以人工智慧具備創造能力的視角探討知識創造與融合過程，AI人工智慧還是被當作是人類結合(combination)顯性知識的輔助工具，隱含的(implicit)假設是─創造新知識還是要靠人類的隱性創意。

AI 創造知識的過程

知識創造被視為人類調整個人信念朝向真理並透過技術逐漸實踐的動態過程(Nonaka, Umemoto et al. 1996)。上述「透過技術實踐的動態過程」與透過電腦輔助有關的定義被廣為接受，而且目前人工智慧與知識創造理論之相關研究中，依舊將人工智慧視為資訊科技的分支，將人工智慧技術界定在「如何輔助人類進行知識創造的資訊科技工具」。因此，限制了人工智慧在知識創造所扮演的角色。隱性知識與顯性知識所創造出的四象限知識創造理論，無法完整涵蓋人工智慧對於生成新詛織知識的實質影響與幫助，也缺 乏探討如何能透過個體間「人與人」和「人與機器」間互動過程，以及描述人工智慧在知識融合機制中實質內涵。其實，在人類能將溝通的語言以文字或器物記載下來之前，知識的創造與傳遞只能透過人與人之間的社會化過程，這是一個1x1 的模組。人類文明的起點是在於人類能夠將心中內隱的知識以文字外部化成為在器物（甲骨、金銅器、竹簡、紙張）上的外顯知識；這個時候，那些和內隱知識擁有者不在同一個時空的人，也可以透過這些器物上的文字來讀懂這些外顯知識，並內化為自己的內隱知識，進而結合各種外顯知識來進行知識創造的過程。這就進到了Nonaka (1994)所提出2x2的四象限模組的SECI知識創造模型 。然而，在人工智慧時代，人類的文明已經進入一個新的階段。在這個階段，電腦已經能夠「讀懂」人類的指令與知識，並且能夠在人的意識及意志之外，獨立產生新知識。因此，為了建立適用於人工智慧時代的知識創造理論，我們認為需要將外顯知識再分化出一類「電腦讀得懂的」知識，形成一個3x3的九宮格模組，並探討5個知識活動模組的意涵。

圖片來源：作者自行繪製

五個知識活動模組的意涵探討

本研究提出可程式化（programable）知識作為「電腦讀得懂的」知識，以補充說明隱性知識與顯性知識在人工智慧演算法時代的內涵，我們抽離出「可程式化知識」，有別於(Nonaka, Umemoto et al. 1996)將隱性知識定義為「內嵌的技術能力（embodied technical skills）」，像是意圖、思考、心智模式與內嵌的技術能力。亦不同於顯性知識具有客觀，同時對於電腦技術並不難進行處理與操作的特性，「能透過清楚的語言包含數字與圖表的有意義的群集（a meaningful set of information articulated in clear language including numbers or diagrams）」的概念。我們聚焦在人工智慧是「能獨立於人之外，來自動處理既有資訊且創造生成新知識」的，因此定義可程式化知識為「透過明確程式語言邏輯所撰寫出具有學習與創造能力的泛用模型」。

因此，在此觀點下，提出知識創造擴增模型九宮格的假說（Hypothesis），包含隱性知識、顯性知識與可程式化知識這三個相互並不完全分離的概念，在這個機制中，前述的三項知識之間會互動與轉換，這也是本研究所提出動態機制（Dynamic Mechanism）的意涵，以說明人工智慧對於知識創造的影響，是符合讓機器「能獨立於人之外，自動處理既有資訊且創造生成新知識的」。本研究也假設如果組織具備可程式化知識，不但能夠以個人與組織面向建立人工智慧解決方案核心引擎，進而能有效生成獨特且不同於以往的新知識，在實務上，能夠創造其獨特的核心競爭力。因此，本研究在知識融合過程中增加了五個互動模式（mode），形成知識創造擴增模型九宮格假說。這新增的五個知識融合模式分別為

(1)建模（Modelling）：

從個人的隱性知識變化成團隊可程式知識的過程（from Individual Tacit to Group Programmable）。建模是指個人的隱性知識透過建構「如何解讀」資料特徵的過程，而將其原本內在的知識轉變成團隊的可程式化知識。將資料依類別、特性、特徵，建立如何擷取資料特徵的標準操作程序（SOP），建構是否需要標記資料、如何標記資料、如何決斷資料取捨等資料梳理的步驟，以及資料整理、轉換流程的演算法 (Algorithm)。

(2)編碼（Encoding）:

從顯性知識變化成「電腦讀得懂的可程式知識的過程」（Explicit to Group Programmable），編碼的過程是將標註或分類的資料進行剖析，發展一套電腦可以學習資料的程式，讓人工智慧演算法使得機器可以透過學習、運算，學習資料當中的特徵，建立出來可以預測、分群與推論的核心解決方案核心引擎。

(3)機器學習（Machine Learning）:

泛指所有演算法的訓練、調參、測試、驗證，是可程式化知識變化成可程式知識的過程（Programmable to Programmable），我們定義為「機器學習」，儘管在演算法領域，機器學習是涵蓋深度學習的演算 法名詞，但本研究重視AI可以讓「機器（電腦）」獨立進行「學習」大量資料特徵的概念，對於演算法中機器學習、深度學習、監督式或非監督式的概念並不做深入引用，而將焦點放在人工智慧學習的概念，這涵蓋了機器學習乃至於深度學習、生成對抗等演算法，將資料透過人類標註後，透過演算法進行訓練與學習該資料的特徵，轉換成可以進行後續分析、判讀與預測的模型，我們也稱為解決方案核心引擎。我們將這個從資料，轉變成解決方案核心引擎的過程為「機器學習」。

(4)闡釋（Explaining）:

是從顯性知識變化成可程式知識的過程（Explicit to Programmable），經過學習後的解決方案核心引擎，如何能讓人類理解是重要的事，將解決方案核心引擎(Explicit)所理解到的特徵透過可解釋AI演算法(Programmable)以熱點方式再標註回原本的圖像上或者產出合適的文件，方便人類檢視與閱讀。有別於傳統的線性迴歸分析，深度學習是以多維度的分析去探索因子對於目標函數的影響性。因此，影像、數據、 文字都可以「可視化」的方式將可解釋部分提出，協助人類理解。

(5)確效（Verifying）:

是從團隊隱性知識變化成可程式知識的過程（Group Tacit toProgrammable），這個過程不只是指以人類的角度針對人工智慧進行確效，而是提出當團隊的隱性知識發展完成後，是否能實質產出新的可程式知識，而且這個知識是會被檢驗的。人工智慧「提供的預測或分類（結果）」是否正確是斷定人工智慧可實施性很重要的依據，因此確效還有包含另一層意義，就是形成可程式化知識後，對於沒有學習過的資料，人工智慧是否能精確的判斷，如同人類考試的過程一樣，用沒有學習過的題目測試人類對於學習的內容是 否全盤的理解。所以，影響所及不僅是外化或內化而已，還會影響後續知識對於個人與團體隱性知識。因此，經過驗證之後，知識創造過程會進一步影響個人或團隊的顯性與隱性知識，並會再次進行進展與修正，使得整體組織進步，進而能不斷地建立組織或企業的核心競爭優勢。

圖片來源：作者自行繪製

結論

本研究建構出以人工智慧為基礎的知識創造框架，以智慧醫材研發的實務案例作為導引，提出了9宮格AI based KM模型。這個框架強調了在建模、編碼、機器學習、闡釋與確效等不同階段，人工智慧能夠以學習到的特徵自行進行疾病偵測以及知識創造與融合的過程。這個架構說明了人類、團隊與機器之間如何進行知識互動、創造與融合，從而將原先知識創造過程中4 個象限SECI模型擴增為9宮格的AI- based KM模型。 基此，本研究認為人工智慧不只是知識創造中的關鍵元素，而且會大幅改變個人與團隊之間的知識疆界，並擴大組織的知識創造能量。透過本研究的9宮格模型，實務管理者可以有對於人工智慧知識創造的過程有更全面的掌握。這個模型也指引著未來的學術研究者能針對這9個知識活動模式在智慧醫材、智慧製造與智慧法律等方面進行更深入的研究。

參考文獻：

Hsu, Mu-Yen, Han, Juin Yi*, (2023) Artificial Intelligence-Based Knowledge Management: From 4-Quadrant SECI Model to 9-Square Grid AI-Based KM Model, 2023 Academy of Management Proceedings, Boston, USA.

歡迎各領域研究者，共同合作研究：

https://www.facebook.com/akousist

https://line.me/R/ti/p/@875lzikp