歐陽智　魏琴　肖旭

摘 要：人工智能技術(shù)的快速發(fā)展和廣闊應(yīng)用，對組織內(nèi)部的知識(shí)管理產(chǎn)生了巨大的沖擊。文章基于人工智能環(huán)境下知識(shí)管理的變革和發(fā)展視角，通過分析人工智能環(huán)境下的知識(shí)管理和知識(shí)組織，認(rèn)為人工智能對知識(shí)管理特別是知識(shí)創(chuàng)造產(chǎn)生了實(shí)質(zhì)性的變革，也為知識(shí)的組織與應(yīng)用提供了發(fā)展支持。最后構(gòu)建嵌入了深度學(xué)習(xí)、自然語言處理等人工智能技術(shù)的知識(shí)管理系統(tǒng)框架，實(shí)現(xiàn)了從知識(shí)創(chuàng)造到分享到利用的全鏈條的人工智能輔助知識(shí)管理。

關(guān)鍵詞：人工智能；知識(shí)管理；知識(shí)創(chuàng)造；深度學(xué)習(xí)；知識(shí)管理系統(tǒng)

中圖分類號：TP18；G203 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.11968/tsyqb.1003-6938.2017120

Abstract The rapid development and wide applications of artificial intelligence technology have greatly impacted the knowledge management inside organizations. From the perspective of knowledge management transformation and development under artificial intelligence environment， this paper analyzes the influence of artificial intelligence on knowledge creation and management. It shows that artificial intelligence brings in substantial transformation in knowledge management ， especially knowledge creation， and also provides developing support for the organization and application of knowledge. Besides， this paper suggests that knowledge management system framework within artificial intelligence technology embedded， such as deep learning， natural language processing， etc.，in order to achieve all-chain knowledge management from knowledge creation to knowledge sharing to knowledge application.

Key words Artificial Intelligence； knowledge management； knowledge creation； deep learning； knowledge management system

1 引言

近年來，人工智能技術(shù)快速發(fā)展，并得以廣闊應(yīng)用，推動(dòng)因素包括摩爾定律的突破、并行計(jì)算、云計(jì)算的發(fā)展、軟硬件的提升，以及可利用數(shù)據(jù)集的擴(kuò)大等。2017年7月，國務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》（以下簡稱《規(guī)劃》），《規(guī)劃》明確了我國新一代人工智能發(fā)展的戰(zhàn)略目標(biāo)，并提出了發(fā)展人工智能的重點(diǎn)任務(wù)，包括構(gòu)建開放協(xié)同的人工智能科技創(chuàng)新體系、建設(shè)安全便捷的智能社會(huì)等。在此基礎(chǔ)上，很多省市也開始緊鑼密鼓地布局人工智能領(lǐng)域，如 2017年11月14日，上海市政府出臺(tái)的《關(guān)于本市推動(dòng)新一代人工智能發(fā)展的實(shí)施意見》，要求到2030年上海人工智能總體發(fā)展水平進(jìn)入國際先進(jìn)行列，初步建成具有全球影響力的人工智能發(fā)展高地；2017年11月24日，重慶啟動(dòng)人工智能重大主題專項(xiàng)工作，擬在未來三年，在大數(shù)據(jù)智能計(jì)算理論、高級機(jī)器學(xué)習(xí)理論、智能感知、人機(jī)交互、智能網(wǎng)聯(lián)汽車、智能機(jī)器人等領(lǐng)域投入10億元以上，吸引創(chuàng)新實(shí)體投入1000億元以上。

Makridakis[1]指出在人工智能的革命下保證組織競爭優(yōu)勢，最為核心的就是在大數(shù)據(jù)、算法決策以及精益運(yùn)營方面保持先進(jìn)。這意味著，企業(yè)組織的發(fā)展不僅要在數(shù)據(jù)處理和計(jì)算等技術(shù)方面提升，同時(shí)也需對數(shù)據(jù)和運(yùn)營之中的知識(shí)管理方面加強(qiáng)投入；ODell and Grayson[2]認(rèn)為知識(shí)管理就是一種有意識(shí)的策略，目的是使合適的人在合適的時(shí)間里得到合適的知識(shí)，并幫助他們分享，使信息轉(zhuǎn)化為行動(dòng)，以此來改善組織的績效。盡管在組織內(nèi)部經(jīng)常會(huì)有自發(fā)的知識(shí)分享，但是知識(shí)管理更加強(qiáng)調(diào)一種有意識(shí)的、系統(tǒng)化的方法來管理知識(shí)，其核心在于探索如何保存、發(fā)現(xiàn)和應(yīng)用知識(shí)。

當(dāng)前，知識(shí)管理是否會(huì)受到人工智能影響，這一點(diǎn)，學(xué)者似乎沒有異議。如唐曉波和李新星[3]指出人工智能會(huì)將知識(shí)服務(wù)由經(jīng)驗(yàn)主義轉(zhuǎn)為數(shù)據(jù)驅(qū)動(dòng)，從而使服務(wù)主體更多元，內(nèi)容更豐富；張興旺[4]指出人工智能的發(fā)展將會(huì)對圖書館研發(fā)方法論、服務(wù)模式和知識(shí)管理與服務(wù)產(chǎn)生巨大影響。對于組織知識(shí)管理與服務(wù)，張興旺[4]表示，人工智能可能會(huì)重塑其傳統(tǒng)的業(yè)務(wù)面貌，還可能會(huì)改變其獲取→生產(chǎn)→認(rèn)知→體驗(yàn)→推送的知識(shí)管理鏈條；邱均平和韓雷[5]指出，利用人工智能在知識(shí)工程和管理的應(yīng)用是未來十年知識(shí)管理領(lǐng)域的一個(gè)重要趨勢。那么，在人工智能環(huán)境下，人工智能如何影響組織的知識(shí)管理、組織知識(shí)管理是否被顛覆、組織知識(shí)管理系統(tǒng)需如何應(yīng)對都是值得關(guān)注和研究的問題。本文將基于現(xiàn)有的知識(shí)管理和人工智能文獻(xiàn)，從知識(shí)管理相關(guān)理論出發(fā)，對這些問題予以分析討論。

2 人工智能對知識(shí)管理的影響與支持

相對于傳統(tǒng)的知識(shí)創(chuàng)造過程，人工智能為知識(shí)管理的第一個(gè)步驟——知識(shí)創(chuàng)造[6]帶來了巨大的變革影響，也為已有知識(shí)的組織，即知識(shí)管理的后三個(gè)步驟（存儲(chǔ)、轉(zhuǎn)移和應(yīng)用）提供了一定支持。endprint

2.1 人工智能對知識(shí)創(chuàng)造的影響

知識(shí)創(chuàng)造是知識(shí)管理的開端，也是其最為重要的一個(gè)環(huán)節(jié)。這里所創(chuàng)造的知識(shí)，按照比較廣義的解釋，是指個(gè)人信念一種朝向“真理”驗(yàn)證的動(dòng)態(tài)過程[7]。區(qū)別于其他的狹義的解釋，Nonaka等[7]的定義更加強(qiáng)調(diào)了知識(shí)的動(dòng)態(tài)性和價(jià)值性。這些特性意味著，知識(shí)的創(chuàng)造過程是不同于傳統(tǒng)的信息創(chuàng)造過程。如果從數(shù)據(jù)（data）—信息（information）—知識(shí)（Knowledge）的發(fā)展來看，信息被認(rèn)為是數(shù)據(jù)之間具有意義的排列和組合，而知識(shí)則是信息之間具有意義和價(jià)值的整合。只有通過加工、處理和應(yīng)用，信息才能成為知識(shí)。

就知識(shí)的類型，最為主要的分類就是顯性知識(shí)和隱性知識(shí)。其中，顯性知識(shí)是指通過概括所實(shí)現(xiàn)的可陳述和表現(xiàn)的知識(shí)；隱形知識(shí)則指在具體情境下基于行動(dòng)、經(jīng)驗(yàn)和參與的知識(shí)，其分為認(rèn)知性和技術(shù)性兩種[8]?；谶@種分類，Nonaka and Takeuchi提出了四種知識(shí)創(chuàng)造的過程，即社會(huì)化、內(nèi)部化、結(jié)合化和外顯化[9]。針對人工智能技術(shù)和應(yīng)用場景所帶來的變化，本文將基于該理論來探討人工智能下組織知識(shí)創(chuàng)造所產(chǎn)生的影響。

2.1.1 人工智能下的隱性知識(shí)創(chuàng)造

組織內(nèi)隱性知識(shí)的創(chuàng)造主要有兩種途徑，即社會(huì)化和內(nèi)部化。知識(shí)創(chuàng)造的社會(huì)化過程是指通過對話和交流等方式將隱性知識(shí)轉(zhuǎn)化為其他形式的隱性知識(shí)。隱性知識(shí)在學(xué)界更多地被認(rèn)定為一種無法被編碼和清晰表示的知識(shí)類型，如難以表達(dá)的技能技巧、價(jià)值觀、直覺、組織文化等[8]?，F(xiàn)有技術(shù)縱使發(fā)展迅猛，但是破解意識(shí)層面的神經(jīng)結(jié)構(gòu)和運(yùn)作機(jī)制仍然還存在很大距離。因此，人工智能在這兩方面的知識(shí)創(chuàng)造仍無法帶來實(shí)質(zhì)性的變革。然而，基于人工智能的相關(guān)技術(shù)仍能對社會(huì)化與內(nèi)部化過程產(chǎn)生一定的影響。

傳統(tǒng)上，社會(huì)化主要是在已有的隱性知識(shí)基礎(chǔ)上，通過個(gè)人之間的溝通、交流和對話產(chǎn)生新的隱性知識(shí)，如創(chuàng)新性的觀點(diǎn)和想法。人工智能雖然無法成為隱性知識(shí)的載體，但是其能夠?yàn)閭€(gè)人之間的溝通提供一個(gè)更為便利的平臺(tái)。如基于人工智能的人機(jī)交互系統(tǒng)的組織團(tuán)隊(duì)討論，無論是線上還是線下，均能迅速識(shí)別個(gè)體的文本和語音，通過捕捉關(guān)鍵詞和查找關(guān)鍵詞語與關(guān)鍵問題相關(guān)的顯性材料，為團(tuán)隊(duì)交流提供多源的信息渠道和知識(shí)基礎(chǔ)。

目前人機(jī)交互（Human-Computer Interaction）的發(fā)展已經(jīng)不僅僅包括語音，還可以包括手勢、眼球運(yùn)動(dòng)等[10]。這種基于人工智能參與的知識(shí)分享和討論，不僅促進(jìn)了個(gè)體溝通的便利性，還能夠提升個(gè)體隱性知識(shí)產(chǎn)生的效率。盡管如此，這種影響仍是一種工具性的變化，如需真正產(chǎn)生突破，可能需要腦機(jī)交互（Brain-Computer Interaction）技術(shù)的發(fā)展。目前的腦機(jī)交互系統(tǒng)主要通過對大腦活動(dòng)的識(shí)別，特征抽取技術(shù)，半監(jiān)督分類方法等研究大腦對外部環(huán)境的影響，不過其可靠性、準(zhǔn)確性、信息轉(zhuǎn)化率仍較低[11]。

類似于社會(huì)化過程，內(nèi)部化過程則是通過現(xiàn)有的顯性知識(shí)來產(chǎn)生新的隱性知識(shí)。由于終端知識(shí)的輸出仍為隱性，因此和社會(huì)化過程一樣，人工智能對隱性知識(shí)的內(nèi)部化創(chuàng)造過程也是一種工具性的影響。除了同樣在交流平臺(tái)上提供便捷，人工智能對顯性知識(shí)的整合優(yōu)勢可能對于內(nèi)部化過程具有更突出的意義。內(nèi)部化與社會(huì)化的不同在于其主要是個(gè)人依靠現(xiàn)有的顯性知識(shí)來進(jìn)行學(xué)習(xí)從而獲得隱性知識(shí)。為了提高這種學(xué)習(xí)的便利性和效率，基于自然語言生成的文本摘要、智能代理（Intelligent agents）等工具對于內(nèi)部化具有一定的好處[12]。自然語言生成是基于一定的模板范式，能夠自動(dòng)地獲取文本的摘要和提綱，而智能代理則通過定期收集信息或執(zhí)行服務(wù)程序，在無需人工干預(yù)的情況下，根據(jù)用戶定義的規(guī)則，自我學(xué)習(xí)并按照用戶的興趣來進(jìn)行知識(shí)分發(fā)。因此類似自然語言生成的文本摘要、智能代理等工具將能大大改善個(gè)體對顯性知識(shí)的獲取和吸收，從而促進(jìn)組織內(nèi)部化的知識(shí)創(chuàng)造過程。

2.1.2 人工智能下的顯性知識(shí)創(chuàng)造

顯性知識(shí)的創(chuàng)造同樣也有兩種途徑，即結(jié)合化和外顯化過程。知識(shí)創(chuàng)造的結(jié)合化過程是個(gè)體通過現(xiàn)有的顯性知識(shí)通過分析、加工、綜合產(chǎn)生新的顯性知識(shí)。這種最為熟悉的知識(shí)創(chuàng)造過程，目前已由大數(shù)據(jù)和機(jī)器學(xué)習(xí)等方法和技術(shù)帶來了巨大突破。傳統(tǒng)上，這種結(jié)合化的過程效率往往有限。一方面，大量的跨領(lǐng)域數(shù)據(jù)已讓研究者和實(shí)踐者目不暇接，而另一方面，他們又苦于某些重要數(shù)據(jù)的缺乏。隨著信息技術(shù)的發(fā)展，之前難以獲取的數(shù)據(jù)已紛至沓來，如消費(fèi)者數(shù)據(jù)、物聯(lián)網(wǎng)數(shù)據(jù)等?；诖髷?shù)據(jù)分析的人工智能和機(jī)器學(xué)習(xí)，能夠從這些數(shù)據(jù)中產(chǎn)生新的重要知識(shí)。可以說，人工智能已經(jīng)對傳統(tǒng)的結(jié)合化過程產(chǎn)生了重大變革。

這種變革已經(jīng)在營銷和金融領(lǐng)域顯現(xiàn)出來了。得力于其可獲得的大量跨時(shí)空數(shù)據(jù)，相關(guān)研究通過進(jìn)行實(shí)時(shí)關(guān)聯(lián)分析、預(yù)測分析、趨勢分析等，產(chǎn)生了豐富的新（顯性）知識(shí)。同時(shí)，一些企業(yè)也基于這些新知識(shí)，開發(fā)了相應(yīng)的商業(yè)模式，實(shí)現(xiàn)了數(shù)據(jù)資源的變現(xiàn)。如阿里巴巴基于信用信息、購物信息、地理位置信息的整合，獲得了消費(fèi)者的個(gè)體畫像，并通過這些畫像實(shí)現(xiàn)精準(zhǔn)營銷和廣告。這里消費(fèi)者的精準(zhǔn)畫像，就是通過結(jié)合化所產(chǎn)生的新（顯性）知識(shí)。因此，通過大數(shù)據(jù)和人工智能的幫助，結(jié)合化的知識(shí)創(chuàng)造在效率和內(nèi)容上獲得了巨大突破，大量新的知識(shí)隨之產(chǎn)生。

外顯化是將個(gè)體的現(xiàn)有隱性知識(shí)轉(zhuǎn)化為顯性知識(shí)。這對于組織而言，是目前最為困難和最為重要的一種知識(shí)創(chuàng)造過程[13]。與內(nèi)部化和結(jié)合化不同的是，外顯化并沒有直接合適的顯性知識(shí)作為輸入，可以從現(xiàn)有的顯性知識(shí)入手，因此目前并沒有一個(gè)真正能夠?qū)崿F(xiàn)外顯化的系統(tǒng)產(chǎn)生，盡管這種系統(tǒng)在組織中尤為重要。雖然管理者大多都承認(rèn)組織所需要的知識(shí)其實(shí)已經(jīng)在組織內(nèi)部了，但是如何識(shí)別這些知識(shí)，如何準(zhǔn)確描述這些知識(shí)，目前卻仍未有頭緒[14]。因此，外顯化過程的實(shí)現(xiàn)對于組織創(chuàng)造知識(shí)、保存知識(shí)、應(yīng)用知識(shí)都具有重大意義。

盡管傳統(tǒng)方法在外顯化過程中折戟，但人工智能能為外顯化的實(shí)現(xiàn)帶來一定的突破和變革。目前的神經(jīng)網(wǎng)絡(luò)方法，無論是卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)，還是對抗神經(jīng)網(wǎng)絡(luò)，也都在模擬大腦的運(yùn)算機(jī)制，盡管其推理和決策的機(jī)制與過程仍不清晰。如Olden and Jackson[15]采用了神經(jīng)元解釋圖、敏感性分析、Garson算法、隨機(jī)方法等機(jī)制來探索人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元數(shù)值和之間的關(guān)系權(quán)重，但是對于多隱層的網(wǎng)絡(luò)結(jié)構(gòu)則效果降低。即便如此，基于監(jiān)督或非監(jiān)督的方法，這種機(jī)器學(xué)習(xí)仍能獲得準(zhǔn)確率較高的結(jié)果。而隱性知識(shí)的顯性化過程如果能提取到足夠的標(biāo)簽信息，其也能依靠深層學(xué)習(xí)來獲得可靠的顯性知識(shí)。就知識(shí)管理理論而言，Pickering and King[16]指出應(yīng)用信息技術(shù)之所以可以推動(dòng)人與人“弱關(guān)系”的建立，事實(shí)上是提高知識(shí)分享的范圍，但是如果兩人沒有共同的隱性知識(shí)空間，那么信息技術(shù)也無法真正得以實(shí)現(xiàn)知識(shí)交換。這種隱性空間實(shí)際上搭建了基于人工智能外顯化的理論基礎(chǔ)。endprint

因此，輸入基本規(guī)則，機(jī)器學(xué)習(xí)似乎可以模仿一些知識(shí)的顯性表達(dá)和產(chǎn)生。在此基礎(chǔ)上，深度學(xué)習(xí)可以嵌入更多隱性的多層感知器；增強(qiáng)學(xué)習(xí)則加入了馬爾科夫過程，通過自我訓(xùn)練，在較少地指導(dǎo)下進(jìn)行預(yù)測。這些技術(shù)能夠?yàn)橥怙@化帶來突破，實(shí)現(xiàn)機(jī)器的自我學(xué)習(xí)。隨著深度學(xué)習(xí)和增強(qiáng)學(xué)習(xí)的發(fā)展，未來人工智能將會(huì)有更高的學(xué)習(xí)能力和速度，而基于人工智能的外顯化系統(tǒng)也將受到更多學(xué)者和實(shí)踐者的關(guān)注。

綜上，社會(huì)化和內(nèi)部化，由于其最終知識(shí)載體在于個(gè)體內(nèi)部，因此人工智能目前所帶來的影響主要是工具性的；相反，外顯化和結(jié)合化，人工智能不僅能在工具方面帶來便利，也會(huì)對最終知識(shí)產(chǎn)生的方式和內(nèi)容都帶來實(shí)質(zhì)性的影響（見表1）。尤其需要指出的是，外顯化可能是人工智能所帶來最具有價(jià)值和最大變革的一方面。傳統(tǒng)基于IT的知識(shí)管理都主要關(guān)注于那些可以被編碼的知識(shí)（即顯性知識(shí)），其往往忽略了個(gè)人有價(jià)值的隱性知識(shí)資源[17-18]，而發(fā)展成熟的信息系統(tǒng)也主要是關(guān)注已編碼好的知識(shí)，而隱性知識(shí)則無法處理[13]。因此，通過人工智能實(shí)現(xiàn)知識(shí)的外顯化，對于組織知識(shí)的保有和利用，都具有重大意義。

2.2 人工智能對知識(shí)組織的支持

在新知識(shí)得到創(chuàng)造以后，組織最關(guān)心的則是如何對這些知識(shí)進(jìn)行組織和應(yīng)用，即知識(shí)的存儲(chǔ)、轉(zhuǎn)移和應(yīng)用。人工智能的發(fā)展不僅能夠?yàn)橹R(shí)的創(chuàng)造提供新的手段，也能為知識(shí)的存儲(chǔ)、轉(zhuǎn)移和應(yīng)用提供支持。

組織內(nèi)的知識(shí)存儲(chǔ)，區(qū)別于計(jì)算機(jī)領(lǐng)域的數(shù)據(jù)庫（database）、數(shù)據(jù)倉庫（Data Warehouse）等，其考慮的則是組織記憶，即那些存儲(chǔ)于組織內(nèi)部、可用于當(dāng)前決策的知識(shí)，包括手寫的檔案、格式化的電子信息，存在專家系統(tǒng)中的已編碼知識(shí)、組織過程和章程以及組織內(nèi)員工的隱性知識(shí)等。這里已編碼的部分目前已隨著IT技術(shù)的滲透，得到了有效存儲(chǔ)和管理。汪建基等[19]指出，碎片化的知識(shí)處理和保存，都會(huì)以云平臺(tái)、云存儲(chǔ)、云計(jì)算為基礎(chǔ)，利用網(wǎng)絡(luò)化人工智能，實(shí)現(xiàn)場景下的知識(shí)應(yīng)用。盡管隱性部分如組織文化可以隨著組織慣性的影響而長期存在，但是如個(gè)人經(jīng)驗(yàn)、團(tuán)隊(duì)氛圍等隱性知識(shí)則因個(gè)人或團(tuán)隊(duì)的離開而很難保有。目前，研究的突破主要是在個(gè)人經(jīng)驗(yàn)這方面：通過利用人工智能的方法，探索外顯化系統(tǒng)，來實(shí)現(xiàn)組織內(nèi)個(gè)人經(jīng)驗(yàn)知識(shí)的保留。

組織中的知識(shí)轉(zhuǎn)移，主要包括個(gè)人與個(gè)人之間、團(tuán)隊(duì)與團(tuán)隊(duì)之間、組織與組織之間的知識(shí)交換和轉(zhuǎn)移，其核心在于知識(shí)分享。由于企業(yè)組織的扁平化，組織內(nèi)部個(gè)人的有效知識(shí)遷移成為目前的研究熱點(diǎn)，尤其是在現(xiàn)有的IT系統(tǒng)下對知識(shí)分享進(jìn)行推進(jìn)[20]。信息分發(fā)平臺(tái)、專家系統(tǒng)、內(nèi)部論壇等都在于促進(jìn)個(gè)人之間、團(tuán)隊(duì)之間、子組織之間的信息溝通和交流。人工智能時(shí)代的到來，能夠?yàn)閭€(gè)人實(shí)現(xiàn)更加定制化的信息傳輸服務(wù)。通過將大量信息和知識(shí)的搜索和整合，人工智能可以為這種知識(shí)轉(zhuǎn)移過程提供一定的便利。

組織內(nèi)的知識(shí)應(yīng)用是考慮組織如何利用已有的知識(shí)來提高績效。這其中最為關(guān)鍵的就是知識(shí)選取和展示。已有的知識(shí)庫不僅包含了可編碼的知識(shí)，也包含那些具有特殊隱性知識(shí)的專業(yè)人員。面對組織的管理和戰(zhàn)略問題，選取哪些知識(shí)，尋找哪些人員都是知識(shí)應(yīng)用過程的難點(diǎn)，而人工智能能夠?yàn)檫@個(gè)問題帶來新的突破?；趩栴}的關(guān)鍵字，人工智能可將搜索的范圍從傳統(tǒng)的文本擴(kuò)展到圖片、語音和視頻；通過將相關(guān)的多結(jié)構(gòu)信息和具體的人員聯(lián)系，可以實(shí)現(xiàn)信息-人物-事件的知識(shí)鏈條，為組織知識(shí)應(yīng)用提供更為高效的渠道。此外，知識(shí)的有效展示對于知識(shí)的應(yīng)用也非常重要。曾文和劉敏[21]指出，無論是顯性知識(shí)還是隱性知識(shí)，其有效的可視化方法和技術(shù)都能提高知識(shí)的利用水平。利用基于人工智能的相關(guān)技術(shù)如語音交互、混合現(xiàn)實(shí)等，可以幫助不同類型知識(shí)的可視化實(shí)現(xiàn)，方便個(gè)人或團(tuán)隊(duì)的知識(shí)理解和應(yīng)用。

3 嵌入人工智能的知識(shí)管理系統(tǒng)框架設(shè)計(jì)

Davenport和Prusak[22]指出了知識(shí)管理的主要目的：將隱性知識(shí)顯現(xiàn)化；促進(jìn)知識(shí)分享（形成知識(shí)密集型的文化氛圍）；建立知識(shí)基礎(chǔ)設(shè)施（構(gòu)建平臺(tái)和工具）。為了實(shí)現(xiàn)這些目的，在知識(shí)管理四個(gè)過程的基礎(chǔ)上，一些學(xué)者和實(shí)踐者提出了知識(shí)管理系統(tǒng)。所謂知識(shí)管理系統(tǒng)（Knowledge Management System， KMS）就是一種用于支持組織內(nèi)部進(jìn)行知識(shí)管理的管理系統(tǒng)、技術(shù)系統(tǒng)和組織系統(tǒng)[23]。

知識(shí)管理系統(tǒng)橫跨計(jì)算機(jī)和知識(shí)管理領(lǐng)域。Tiwana[24]基于開放式系統(tǒng)互聯(lián)（Open System Interconnection， OSI）提出了一個(gè)七層的知識(shí)管理系統(tǒng)架構(gòu)模型；而在知識(shí)管理領(lǐng)域，Abou-Zeid[25]則從開發(fā)技術(shù)解決方案視角提出了知識(shí)管理系統(tǒng)概念模型。在這些基礎(chǔ)上，Chua[26]整合了技術(shù)框架和概念模型，提出了知識(shí)管理系統(tǒng)的三層架構(gòu)：最底層為基礎(chǔ)設(shè)施層，提供知識(shí)的存儲(chǔ)和通訊；中間層為知識(shí)服務(wù)層，是KMS架構(gòu)的核心業(yè)務(wù)，包括知識(shí)創(chuàng)造模塊，知識(shí)分享模塊和知識(shí)再使用模塊；最高層是展示服務(wù)層，是知識(shí)的個(gè)性化和可視化展現(xiàn)平臺(tái)。通過整合三層結(jié)構(gòu)的服務(wù)，從知識(shí)管理的邏輯鏈條出發(fā)，知識(shí)管理系統(tǒng)提供了一個(gè)閉環(huán)的知識(shí)管理解決方案。

基于上節(jié)的分析，人工智能將對知識(shí)管理產(chǎn)生巨大的影響。反應(yīng)在具體的知識(shí)管理系統(tǒng)方面，人工智能又是如何體現(xiàn)的呢？

針對這個(gè)問題，目前學(xué)界正在積極探索。張建華[27]從系統(tǒng)工程與協(xié)同合作的視角出發(fā)，提出了基于人工智能的集成化KMS。該系統(tǒng)框架同樣從知識(shí)鏈條出發(fā)，包含組織內(nèi)外部環(huán)境的交互，并通過人工智能技術(shù)支持知識(shí)管理的智能化，但并沒有指出人工智能在系統(tǒng)中的具體應(yīng)用場景。馬思言等[28]在具體的制造背景下，討論了人工智能知識(shí)管理系統(tǒng)的應(yīng)用；通過提取關(guān)鍵字，從事實(shí)庫、規(guī)則庫和推理機(jī)等，獲取相應(yīng)的專家知識(shí)；鐘英姿[29]則是在傳統(tǒng)的KMS之中添加了數(shù)據(jù)挖掘功能，以期從現(xiàn)有知識(shí)庫中產(chǎn)生新的知識(shí)。這類研究主要是針對KMS某個(gè)功能下的人工智能使用，但是沒有討論人工智能下集成化的KMS。endprint

主流知識(shí)管理工具則還未廣泛應(yīng)用人工智能。李穎和姚藝[30]通過現(xiàn)有KMS文獻(xiàn)的梳理，指出大多數(shù)KMS主要是基于多agent，基于XML，以及基于Web存儲(chǔ)系統(tǒng)的管理系統(tǒng)。這些基于傳統(tǒng)信息技術(shù)的工具對人工智能的應(yīng)用一般不多。如ONES Wiki能夠?qū)崿F(xiàn)多點(diǎn)信息同步、知識(shí)分享和文檔協(xié)作，能夠結(jié)構(gòu)化會(huì)議記錄等信息。開源組織KMS，Alfresco則能為組織開發(fā)具體場景的知識(shí)管理應(yīng)用提供幫助，組織文檔數(shù)據(jù)庫、可擴(kuò)展的內(nèi)容數(shù)據(jù)庫、工作記錄管理、知識(shí)平臺(tái)信息共享平臺(tái)等。iManage Insight可以幫助組織進(jìn)行知識(shí)庫管理，通過強(qiáng)大的組織級搜索引擎，尋找相關(guān)的知識(shí)點(diǎn)和知識(shí)源。這些工具主要是在現(xiàn)有的軟件基礎(chǔ)上實(shí)現(xiàn)基本的知識(shí)管理功能，沒有直接使用人工智能可能源于其技術(shù)仍未成熟推廣。不過，一些新的組織開始在這方面進(jìn)行了探索。如超虛幻境CMS系統(tǒng)，便在滿足基本的文檔組織和管理的基礎(chǔ)上，還增加了AI解說和AR呈現(xiàn)等功能，將知識(shí)的表現(xiàn)通過聲音和影像予以表現(xiàn)。

本文在現(xiàn)有應(yīng)用的基礎(chǔ)上，嘗試對人工智能下的知識(shí)管理系統(tǒng)進(jìn)行探索，提出了嵌入人工智能的集成KMS架構(gòu)，試圖分析人工智能為整個(gè)知識(shí)管理所產(chǎn)生的價(jià)值。該KMS框架主要基于Chua[26]的知識(shí)管理系統(tǒng)架構(gòu)，嵌入并結(jié)合了目前的深度學(xué)習(xí)、自然語言處理等人工智能技術(shù)（見圖2）。

4 嵌入人工智能的知識(shí)管理系統(tǒng)功能結(jié)構(gòu)

4.1 基礎(chǔ)設(shè)施層

基礎(chǔ)設(shè)施層在傳統(tǒng)的KMS中主要提供存儲(chǔ)和通信的功能。AI背景下，這些功能并沒有改變，但是其可以加入基于AI芯片的計(jì)算機(jī)硬件和分布式數(shù)據(jù)庫的管理。盡管目前的軟硬件水平仍然能夠滿足人工智能的處理，但是通過使用相應(yīng)的AI處理芯片，將提高整個(gè)KMS的運(yùn)算效率。

相較而言，AI芯片的核心就是在傳統(tǒng)CPU/GPU/ISP/DSP的基礎(chǔ)之上，加入了嵌入式神經(jīng)網(wǎng)絡(luò)處理器。目前，英偉達(dá)、英特爾、IBM、谷歌等巨頭都在著力開發(fā)云服務(wù)器端的AI芯片，以支持復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)的運(yùn)算需要并保證算法的正確率和泛化能力。中國組織寒武紀(jì)也在進(jìn)行專用芯片的研發(fā)，以保障云服務(wù)器和智能終端上的圖像識(shí)別、語音識(shí)別等應(yīng)用。因此，作為人工智能的發(fā)動(dòng)機(jī)，AI芯片對于應(yīng)用層的人工智能服務(wù)提供物理層的保證；未來的知識(shí)管理系統(tǒng)也會(huì)隨著AI芯片的成熟而將其嵌入其中。

另一方面，由于計(jì)算機(jī)視覺的發(fā)展，目前的基本數(shù)據(jù)不僅僅包括傳統(tǒng)的文本，還可能有占用空間更高的圖片、語音和視頻等。分布式數(shù)據(jù)庫則是針對大型AI應(yīng)用在容量和性能方面，保證大量數(shù)據(jù)和信息的存儲(chǔ)和搜索。這種分布式的數(shù)據(jù)庫管理不僅可以在組織的服務(wù)器上，也可以利用第三方云存儲(chǔ)。通過云計(jì)算，將大量的知識(shí)數(shù)據(jù)存儲(chǔ)到后端不同的物理節(jié)點(diǎn)之上。

4.2 知識(shí)服務(wù)層

知識(shí)服務(wù)層是KMS實(shí)現(xiàn)知識(shí)管理的核心部分。在該層中，知識(shí)創(chuàng)造、知識(shí)分享和知識(shí)再利用都能夠嵌入AI的相關(guān)功能。

知識(shí)創(chuàng)造方面，未來嵌入AI的KMS可以將文本擴(kuò)展到更多媒體形式中。盡管現(xiàn)在的KMS工具如企微云，也能上傳圖片、視頻和音頻，但目前只能作為知識(shí)庫進(jìn)行管理、標(biāo)題搜索和調(diào)取。嵌入AI的KMS應(yīng)對這些非結(jié)構(gòu)數(shù)據(jù)進(jìn)行內(nèi)容的搜尋和存儲(chǔ)。不過現(xiàn)在這方面的人工智能技術(shù)并未推廣，如科大訊飛在中文語音識(shí)別的優(yōu)勢便很難任意嵌入到一個(gè)自定義的KMS系統(tǒng)之中；而圖片和視頻關(guān)鍵信息的抽取，則是目前機(jī)器視覺的一個(gè)前沿，如Ramanathan等針對圖像和視頻的自然語言描述和搜索[31]；楊陽和張文生[32]通過深度學(xué)習(xí)實(shí)現(xiàn)圖片物體自動(dòng)標(biāo)注，但是這離最終圖片含義、視頻信息提取還存在一定的距離。

在獲取基本的知識(shí)后，未來嵌入人工智能的KMS應(yīng)能夠基于關(guān)聯(lián)分析、預(yù)測分析、趨勢分析實(shí)現(xiàn)現(xiàn)有知識(shí)的再創(chuàng)造（結(jié)合化），并通過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、增強(qiáng)學(xué)習(xí)實(shí)現(xiàn)組織個(gè)體隱性知識(shí)的轉(zhuǎn)化（外顯化）。目前這些技術(shù)以及具體的場景應(yīng)用已比較廣泛，如沈敏等[33]利用機(jī)器學(xué)習(xí)的方法進(jìn)行關(guān)聯(lián)和預(yù)測分析，探索圖書館中用戶對不同書籍的檢索偏好。通過利用TensorFlow、Caffe、DMTK、Torch等工具對現(xiàn)有知識(shí)進(jìn)行機(jī)器學(xué)習(xí)創(chuàng)造新知識(shí)，可以嵌入到組織自定義的KMS之中。未來如何自動(dòng)化、智能化地實(shí)現(xiàn)這種知識(shí)創(chuàng)造則依賴于初始知識(shí)輸入的標(biāo)準(zhǔn)化，其需要更多學(xué)者的關(guān)注和研究。

在知識(shí)分享模塊中，未來KMS可以對信息構(gòu)建知識(shí)圖譜，對個(gè)人構(gòu)建社交圖譜，通過基于深度學(xué)習(xí)的圖計(jì)算方法為知識(shí)創(chuàng)造和知識(shí)利用提供支持?？蛇m應(yīng)工作流系統(tǒng)在自動(dòng)化辦公系統(tǒng)中已經(jīng)有成熟應(yīng)用，如吳少俊[34]為動(dòng)態(tài)工作流所提出的基于Web面向服務(wù)的解決方案，保障了辦公自動(dòng)化系統(tǒng)的自適應(yīng)和柔性。因此，針對于零散的知識(shí)獲取和分享過程，未來的KMS也加入可適應(yīng)工作流系統(tǒng)來推動(dòng)更靈活的知識(shí)管理。

就知識(shí)再利用模塊，人工智能的應(yīng)用最為主要的一方面就是相關(guān)知識(shí)的搜索和推薦。傳統(tǒng)搜索引擎通過目錄搜索、全文搜索來選擇關(guān)鍵字匹配的信息，目前則通過深度學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)等方法來提高信息搜索和推薦。如Shen等[35]利用卷積神經(jīng)網(wǎng)絡(luò)來提高網(wǎng)頁搜索的效率，而Elkahky等[36]則在跨領(lǐng)域用戶的推薦系統(tǒng)中采用了深層學(xué)習(xí)的技術(shù)等。搜索引擎獲取相關(guān)的信息，而推薦系統(tǒng)就用戶過去的興趣輸入實(shí)現(xiàn)自動(dòng)推送相關(guān)知識(shí)。圖像識(shí)別和自然語言挖掘不僅在基礎(chǔ)知識(shí)創(chuàng)造上可應(yīng)用，在最終的知識(shí)搜索和利用中也同樣需要。

4.3 展示服務(wù)層

最頂層展示服務(wù)層體現(xiàn)了組織人員對KMS的實(shí)際應(yīng)用。除了原有的個(gè)性化和可視化，目前的人工智能已經(jīng)能夠?qū)崿F(xiàn)基本的人機(jī)交互。如蘋果iOS系統(tǒng)的Siri，基于Windows系統(tǒng)的小娜，Android系統(tǒng)的Google Assistant， 靈犀等語音助手，都能夠通過與用戶進(jìn)行溝通交流，提供更為便捷的服務(wù)。類似的技術(shù)還有AR、VR等，如前文所述的超虛幻境CMS系統(tǒng)，將知識(shí)通過影像和聲音進(jìn)行展示和表現(xiàn)。任宗強(qiáng)和劉冉[37]指出，人機(jī)交互的知識(shí)管理集成平臺(tái)能夠提高知識(shí)管理過程的智能化，改善知識(shí)創(chuàng)造的效率。未來嵌入AI的KMS應(yīng)將自然語言在文本和語音的識(shí)別等作為知識(shí)管理系統(tǒng)的前端，更好實(shí)現(xiàn)人機(jī)之間的交互。這種交互系統(tǒng)能夠獲取所需要的關(guān)鍵信息和問題，并在知識(shí)庫中搜索解決方案，并實(shí)時(shí)地予以表示。endprint

未來嵌入AI的KMS也應(yīng)該包含智能代理工具。智能代理可用于知識(shí)管理系統(tǒng)中知識(shí)的搜尋和檢索，用于分析知識(shí)、郵件、網(wǎng)頁等，并實(shí)時(shí)分發(fā)摘要和信息。李偉超和牛改芳[38]表示，利用基于人工智能的智能代理，通過知識(shí)庫和規(guī)則庫設(shè)定以及推理機(jī)算法，智能、自主式地信息分發(fā)。這種智能代理作為KMS的前端，可以將新產(chǎn)生的知識(shí)及時(shí)傳輸，便于組織團(tuán)隊(duì)的使用。

通過整合三個(gè)層次的服務(wù)，該知識(shí)管理系統(tǒng)可以實(shí)現(xiàn)知識(shí)全鏈條的管理，同時(shí)人工智能也可以得到更為廣泛的應(yīng)用。如更針對KMS的功能（獲取過去項(xiàng)目信息和專業(yè)知識(shí)，文本挖掘、智能代理等）可以快速搜索需要的信息；針對上游供應(yīng)商或下游顧客關(guān)系的管理，基于顧客或供應(yīng)商信息的大數(shù)據(jù)分析可以探索他們的潛在需求和行為；針對組織知識(shí)庫存儲(chǔ)，人工智能可以參與管理，如用于質(zhì)量管理和標(biāo)桿學(xué)習(xí)的某具體過程行業(yè)最佳實(shí)踐案例存儲(chǔ)，AI則可以加入組織的現(xiàn)實(shí)情況，提高案例應(yīng)用的決策效果等。這種嵌入AI的知識(shí)管理系統(tǒng)，大大方便了組織員工的知識(shí)創(chuàng)造、分享、傳遞和利用，提高了組織內(nèi)部知識(shí)管理的效率和質(zhì)量。

5 結(jié)語

人工智能已成為了近年社會(huì)最為關(guān)注的領(lǐng)域之一。隨著人工智能技術(shù)的快速發(fā)展和廣闊的應(yīng)用，其對組織知識(shí)管理也產(chǎn)生了巨大的影響，對于組織知識(shí)創(chuàng)造，尤其是結(jié)合化和外顯化，產(chǎn)生了巨大變革。這種變革意味著，無論是在知識(shí)管理的實(shí)踐或研究中，基于結(jié)合化和外顯化的知識(shí)創(chuàng)造，都應(yīng)該加大人工智能技術(shù)的關(guān)注和應(yīng)用。具有優(yōu)勢人工智能技術(shù)的組織知識(shí)管理，將會(huì)獲得更明顯的裨益，從而在行業(yè)競爭之中脫穎而出。尤其重要的是，基于人工智能的外顯化模式，可以將個(gè)體隱性知識(shí)轉(zhuǎn)化為顯性知識(shí)，實(shí)現(xiàn)員工知識(shí)在組織中的沉淀和固化，這對于解決傳統(tǒng)知識(shí)管理的關(guān)鍵難題具有顯著的意義。

此外，本文針對人工智能在知識(shí)管理系統(tǒng)應(yīng)用，提出了嵌入人工智能的知識(shí)管理系統(tǒng)框架。通過在基礎(chǔ)設(shè)施層、知識(shí)服務(wù)層和展示服務(wù)層中，分別嵌入人工智能模塊，實(shí)現(xiàn)從知識(shí)創(chuàng)造到分享到利用全鏈條的AI輔助知識(shí)管理。盡管嵌入AI的知識(shí)管理系統(tǒng)仍需實(shí)踐檢驗(yàn)以及現(xiàn)實(shí)組織的匹配，但人工智能在知識(shí)管理應(yīng)用的發(fā)展趨勢已經(jīng)毋庸置疑。隨著人工智能技術(shù)的成熟，嵌入人工智能的知識(shí)管理系統(tǒng)也會(huì)愈發(fā)成熟，得到產(chǎn)業(yè)界的認(rèn)同和應(yīng)用。

參考文獻(xiàn)：

[1] Makridakis S.The Forthcoming Artificial Intelligence（AI）Revolution： Its Impact on Society and Firms[J].Futures，2017（90）： 46-60.

[2] O'Dell C，Grayson C J.If only we knew what we know：Identification and transfer of internal best practices[J].California management review，1998，40（3）：154-174.

[3] 唐曉波，李新星.基于人工智能的知識(shí)服務(wù)研究[J].圖書館學(xué)研究，2017（13）：26-31.

[4] 張興旺.從AlphaGo看人工智能給圖書館帶來的影響與應(yīng)用[J].圖書與情報(bào)，2017（3）：43-50.

[5] 邱均平，韓雷.近十年來我國知識(shí)工程研究進(jìn)展與趨勢[J].情報(bào)科學(xué)，2016，34（6）：3-9.

[6] Holzner B，Marx J H.Knowledge application：The knowledge system in society[M].Allyn & Bacon，1979：15-34.

[7] Nonaka I，Toyama R，Konno N.SECI，Ba and leadership：a unified model of dynamic knowledge creation[J].Long range planning，2000，33（1）：5-34.

[8] Nonaka I.A dynamic theory of organizational knowledge creation[J].Organization science，1994，5（1）：14-37.

[9] Nonaka I，Takeuchi H.The knowledge-creating company：How Japanese companies create the dynamics of innovation[M].Oxford university press，1995：40-45.

[10] Turk M.Multimodal interaction：A review[J].Pattern Recognition Letters，2014（36）：189-195.

[11] Amiri S，F(xiàn)azel-Rezai R，Asadpour V.A review of hybrid brain-computer interface systems[J].Advances in Human-Computer Interaction，2013：1-8.

[12] Kumaran D，Hassabis D，McClelland J L.What learning systems do intelligent agents need？ Complementary learning systems theory updated[J].Trends in cognitive sciences，2016，20（7）：512-534.

[13] Alavi M，Leidner D E.Knowledge management and knowledge management systems：Conceptual foundations and research issues[J].MIS quarterly，2001，25（1）：107-136.endprint

[14] Zack M，McKeen J，Singh S.Knowledge management and organizational performance：an exploratory analysis[J].Journal of knowledge management，2009，13（6）：392-409.

[15] Olden J D，Jackson D A.Illuminating the“black box”：a randomization approach for understanding variable contributions in artificial neural networks[J].Ecological modelling，2002，154（1）：135-150.

[16] Pickering J M，King J L.Hardwiring Weak Ties：Interorganizational Computer-Mediated Communication，Occupational Communities，and Organizational Change[J].Organization Science，1995，6（4）：479-486.

[17] Storey J，Barnett E.Knowledge management initiatives：learning from failure[J].Journal of knowledge management，2000，4（2）：145-156.

[18] Ragab M A F，Arisha A.Knowledge management and measurement：a critical review[J].Journal of Knowledge Management，2013，17（6）：873-901.

[19] 汪建基，馬永強(qiáng)，陳仕濤，等.碎片化知識(shí)處理與網(wǎng)絡(luò)化人工智能[J].中國科學(xué)：信息科學(xué)，2017（2）：172-192.

[20] Frank A G，Ribeiro J L D，Echeveste M E.Factors influencing knowledge transfer between NPD teams：a taxonomic analysis based on a sociotechnical approach[J].R&D Management，2015，45（1）：1-22.

[21] 曾文，劉敏.信息服務(wù)中的知識(shí)組織系統(tǒng)及應(yīng)用研究[J].圖書與情報(bào)，2017（3）：51-55.

[22] Davenport T H，Prusak L.Working knowledge：How organizations manage what they know[M].Harvard Business Press，1998：162-165.

[23] Massa S，Testa S.A knowledge management approach to organizational competitive advantage：evidence from the food sector[J].European Management Journal，2009，27（2）：129-141.

[24] Tiwana A.The knowledge management toolkit：practical techniques for building a knowledge management system[M].Prentice Hall PTR，2000：137-142.

[25] Abou-Zeid E S.A knowledge management reference model[J].Journal of knowledge management，2002，6（5）：486-499.

[26] Chua A.Knowledge management system architecture：a bridge between KM consultants and technologists[J].International journal of information management，2004，24（1）：87-98.

[27] 張建華.基于人工智能的集成化知識(shí)管理系統(tǒng)模型[J].情報(bào)雜志，2005，24（10）：49-51.

[28] 馬思言，何寧，李亮.人工智能知識(shí)管理系統(tǒng)在制造型企業(yè)中的應(yīng)用[J].機(jī)械制造與自動(dòng)化，2008，37（3）：10-13.

[29] 鐘英姿.基于數(shù)據(jù)挖掘的知識(shí)管理系統(tǒng)研究[J].科技管理研究，2006，26（11）：173-175.

[30] 李穎，姚藝.國內(nèi)外知識(shí)管理系統(tǒng)研究：回顧與展望[J].圖書情報(bào)知識(shí)，2010（5）：103-110.

[31] Ramanathan V，Liang P，F(xiàn)ei-Fei L.Video Event Understanding using Natural Language Descriptions[C].International Conference on Computer Vision （ICCV），2013.

[32] 楊陽，張文生.基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法[J].數(shù)據(jù)采集與處理，2015，30（1）：88-98.

[33] 沈敏，楊新涯，王楷.基于機(jī)器學(xué)習(xí)的高校圖書館用戶偏好檢索系統(tǒng)研究[J].圖書情報(bào)工作，2015，59（11）：143-148.

[34] 吳少俊.動(dòng)態(tài)工作流辦公自動(dòng)化系統(tǒng)關(guān)鍵技術(shù)的分析[J].數(shù)字技術(shù)與應(yīng)用，2015（9）：120.

[35] Shen Y，He X，Gao J，et al.Learning semantic representations using convolutional neural networks for web search[C].Proceedings of the 23rd International Conference on World Wide Web.ACM，2014：373-374.

[36] Elkahky A M，Song Y，He X.A multi-view deep learning approach for cross domain user modeling in recommendation systems[C].Proceedings of the 24th International Conference on World Wide Web.International World Wide Web Conferences Steering Committee，2015：278-288.

[37] 任宗強(qiáng)，劉冉.人機(jī)交互模式下企業(yè)知識(shí)管理平臺(tái)研究[J].技術(shù)與創(chuàng)新管理，2017（5）：526-529.

[38] 李偉超，牛改芳.智能代理技術(shù)分析及應(yīng)用[J].情報(bào)雜志，2003，22（6）：29-30.

作者簡介：歐陽智（1987-），男，貴州大學(xué)貴州省大數(shù)據(jù)產(chǎn)業(yè)發(fā)展應(yīng)用研究院校聘副教授，博士，研究方向：知識(shí)管理、大數(shù)據(jù)治理；魏琴（1983-） ，女，貴州大學(xué)貴州省大數(shù)據(jù)產(chǎn)業(yè)發(fā)展應(yīng)用研究院副教授，研究方向：機(jī)器學(xué)習(xí)、人工智能；肖旭（1994-），男，貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室碩士研究生，研究方向：機(jī)器學(xué)習(xí)。endprint