6svjszwk on Nostr: Tyler, the Austrian ...

Tyler, the Austrian (nprofile…xrud)

昨天刚跟朋友解释了这一点，Foss就发了篇博substack文：
https://nicolaijfoss.substack.com/p/ai-knowledge-and-the-reorganization
让AI总结一下：

———
这篇文章的核心观点是：AI 不会取代研究者，而是正在从根本上重组大学的研究组织方式。它既是一场生产力变革，更是一场组织设计的变革。

文章结合交易成本经济学与知识基础观，指出AI的关键影响在于改变了“可编码知识”与“隐性知识”之间的边界：

· 可编码、规则明确的任务（如文献整理、代码生成、数据清洗）正被AI低成本替代，过去需通过层级组织（导师—博士生）协调的工作，现在可嵌入工具中完成。
· 依赖隐性知识、情境判断的任务（如提出真问题、设计识别策略、整合理论、解读模糊证据）仍是人类核心优势，且其相对重要性会上升。

文章进一步提出一个分析框架：按“知识可编码性”和“所需专业深度”两个维度，可将研究活动分为三类：

1. 高编码+通用知识 → 易被AI替代；
2. 低编码+深度专长 → 仍以人为主；
3. 中间地带 → AI作为辅助工具，但判断权在人。

此外，AI带来了新的治理成本（验证、防错），也改变了人才培养路径——若初级研究者跳过大量“动手做”的训练环节，可能影响隐性知识的积累，进而削弱大学长期的知识根基。

组织层面，AI会推动：

· 研究分工重组，学者更多聚焦于判断与整合；
· 技能偏向性变革，深专长者更受益（马太效应）；
· 学术标准提升：文献综述、稳健性检验等成为底线，真正的区分度转向原创性与理论洞察；
· 评价体系可能更依赖研讨、答辩等直接检验判断力的场景。

最后，作者将AI定位为一种新的知识基础设施，它放大了可编码知识的可及性，也提升了不可编码知识的战略价值。大学的挑战在于：如何整合AI工具，同时保护好“难以复制的人类知识”这一核心。