知識管理系統(tǒng)與人工智能系統(tǒng)支持

　　摘 要：支持知識管理系統(tǒng)的人工智能系統(tǒng)分為基于知識的專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和案例推理系統(tǒng)。表達和轉(zhuǎn)化隱性知識是人工智能系統(tǒng)的瓶頸。拓展知識價值鏈為動態(tài)循環(huán)模型，結(jié)合 AI技術(shù)開發(fā)潛在性功能，將有助于解決隱性知識問題，形成動態(tài)的“知識螺旋”管理系統(tǒng)。

　　尹飛， 系統(tǒng)科學學報 發(fā)表時間：2021-10-15

　　關(guān)鍵詞：知識管理系統(tǒng);人工智能系統(tǒng);人工智能;隱性知識;知識價值鏈

　　當今的企業(yè)組織陷入到由德魯克(Drucker)定義的“全球知識社會”的漩渦之中。在這樣的環(huán)境之下，智能型組織都在爭求競爭優(yōu)勢，通過使用已有的專家和智能資源產(chǎn)生持續(xù)的向上推動力，達到利用知識的新水準。如何獲取、掌握、重復(fù)利用組織已有的知識資源擺在了管理者的面前。威格(Wiig)將這個管理行為形象地表述如下：“知識理念框架將所有的行為打包其中，它需要企業(yè)組織在持續(xù)發(fā)展的基礎(chǔ)上智能驅(qū)動。”野中郁次郎等學者已經(jīng)分析了智能型組織在創(chuàng)造知識過程中所扮演的角色，特別強調(diào)成功的組織總是那些創(chuàng)造新知識，并且在組織中廣范圍傳播知識的主體。組織快速地將知識注入到技術(shù)當中，并且使用新技術(shù)進行生產(chǎn)。這個過程與創(chuàng)新相融合，并在將來形成最終的競爭優(yōu)勢[1]。

　　1 知識管理系統(tǒng)分類

　　從普遍意義而言，知識流程已經(jīng)通過編碼或者隱性的方式劃分類別，并作為組織發(fā)展的核心策略。但是顯性知識和隱性知識的價值明顯不同。如果是顯性知識，知識被編碼或者清晰刻畫下來，通過轉(zhuǎn)化被系統(tǒng)語言所采納。盡管名義上有法律的保護，但以往經(jīng)驗會告訴競爭者，顯性知識并不具備長久的價值，以當今的知識傳播速度，人們可以通過各種渠道快速掌握顯性知識。競爭者更希望尋找更有價值的隱性知識。相對而言，隱性知識在本質(zhì)上很難被清晰刻畫，進一步來說，隱性知識保持了個性，較難形式化，也不容易獲取。因此，隱性知識被內(nèi)化并且自成體系。內(nèi)化的知識如果經(jīng)過良好的體悟，將會變成常規(guī)化的獨特知識，并且會在企業(yè)執(zhí)行熟悉業(yè)務(wù)的基礎(chǔ)上體現(xiàn)出來，成為競爭力的關(guān)鍵要素。

　　知識的創(chuàng)造過程會集中在隱性知識建構(gòu)和形式精細化兩個方面，更為重要的是要在這兩個方面形成交流。這個動態(tài)性的行為是一個社會化的序列進程，會經(jīng)歷外部化、內(nèi)部化和組合化的過程，這些特征吻合了野中郁次郎提出的“知識的螺旋”的核心理念[2]。然而，知識的復(fù)雜現(xiàn)象并不容易被隱性和清晰刻畫兩個方面的特征所囊括。知識系統(tǒng)分類包含了描述性、程序性、隱性、抽象性、專業(yè)性、清晰刻畫等特征，這些特征具有明顯的交叉狀態(tài)，而邏輯位于系統(tǒng)中心，通過理念、屬性、賦值的方法展現(xiàn)出來，并且可以應(yīng)用于系統(tǒng)中的其他分類。例如專業(yè)性知識可以輕而易舉地聯(lián)系到歸納推理，而抽象性知識更易于和演繹推理相關(guān)聯(lián)。圖 1展示了知識系統(tǒng)的復(fù)雜情況。

　　這些關(guān)于隱性知識和清晰刻畫的分類是否會呈現(xiàn)彼此相互分離的狀況，或者是處于一種極端的連續(xù)狀況呢?這就需要認識不同類型的專家診斷，并且聯(lián)系到以往經(jīng)驗的知識。但有一點不能忽視，存在不同的路徑去概念化知識，也存在不同的表述形式。例如傳聞、隱喻、示意圖，都是表述知識的路徑。知識管理蘊含著識別不同表述路徑闡述相同知識碎片的情況，這需要通過輸入信息、分析文本和轉(zhuǎn)化程序以達到令人滿意的目的。人工智能系統(tǒng)可以通過知識系統(tǒng)分類達到管理知識的目的，但能夠提供多大程度的支持去捕捉和組織知識呢?這個問題關(guān)系到人們是否可以快速分享知識給交流區(qū)域的用戶。人工智能系統(tǒng)將通過獲取數(shù)據(jù)來支持知識價值鏈模型，并且會成為一種經(jīng)驗部分存在于智能型組織當中。

　　2 人工智能系統(tǒng)支持

　　技術(shù)支持無論在知識獲取和創(chuàng)造領(lǐng)域還是在知識管理進程方面都具有關(guān)鍵作用。因此，即使在人力資源具有優(yōu)勢的組織中，作為知識管理的組織者和促進者，只要確立了知識管理系統(tǒng)，就必須全力思考管理與技術(shù)的相互影響問題。這提供了潛在的知識循環(huán)誘導(dǎo)因素，也被野中郁次郎定義為當代智能型組織的核心進程。在知識管理系統(tǒng)的文本中，人工智能系統(tǒng)所扮演的角色是具有潛在性的，并且擁有多種處理形式。這樣的系統(tǒng)期望執(zhí)行某些任務(wù)，但是并不會顯式編程。人工智能的特征主要集中在智能模擬和智能學習方面。知識管理系統(tǒng)中的人工智能系統(tǒng)從功能上主要分為基于知識的專家系統(tǒng)(KBES)、神經(jīng)網(wǎng)絡(luò)(NN)和基于案例的推理系統(tǒng)(CBR)。

　　2.1 基于知識的專家系統(tǒng)

　　人工智能的專家系統(tǒng)有別于人類專家的經(jīng)驗咨詢，也有別于人類專家運用知識進行決策的行為。這個系統(tǒng)為無專家的組織提供幫助。早在 20世紀80年代中期，就有案例表明這樣的系統(tǒng)可以檢索一系列的商務(wù)運營范圍。研究表明 23%的英國商業(yè)可以使用類似這樣的系統(tǒng)進行技術(shù)運營和倡議分析[3]5-12。這個專家系統(tǒng)的運作原理如圖 2所示，所謂“以知識為基礎(chǔ)”包含了事件斷定和函數(shù)演算兩個方面。這兩方面緊密結(jié)合了推理引擎，體現(xiàn)了邏輯操作和推演回應(yīng)。

　　可選擇的知識存儲結(jié)構(gòu)是數(shù)據(jù)與操作規(guī)則同時作為客體對象，并將其設(shè)置在可傳遞特征的集合組中。特別是知識領(lǐng)域出現(xiàn)自然分層的時候，這種方法具有簡便性，語義網(wǎng)絡(luò)就為這種自然分層的知識提供了技術(shù)支持。推理規(guī)則的基礎(chǔ)必須是硬性規(guī)則，能夠適用于集合中的元素 x，使得 IF(x)，THEN(y)這樣的推理式有效。同時也必須保留探索方法，為有效判斷的邏輯規(guī)則提供參考。這樣的方法也會使用模糊邏輯，在集合中詳細刻畫連續(xù)變量，成為傳統(tǒng)二值邏輯的補充。推理引擎所檢索的知識都是基于工作記憶中的信息，篩選適合的事件和推演規(guī)則，以適用的數(shù)學形式或論證形式進行推理。這一步驟需要升級工作記憶庫，并且解釋選擇的數(shù)據(jù)和規(guī)則的原因。這個過程會創(chuàng)造新的知識和事件案例，生成了新的數(shù)據(jù)選擇和規(guī)則的循環(huán)。無論選擇還是合取，系統(tǒng)都可以獲取進一步的信息或者是用戶先前問題的闡釋。這個進程一直持續(xù)，直至產(chǎn)生最終輸出結(jié)果，整體的記憶軌跡都是聯(lián)系數(shù)據(jù)和事件的處理規(guī)則。最終，依據(jù)需要形成文檔(見圖 2)。

　　2.2 神經(jīng)網(wǎng)絡(luò)

　　神經(jīng)網(wǎng)絡(luò)具備的明顯優(yōu)勢在于對不完整數(shù)據(jù)進行概括和抽象。網(wǎng)絡(luò)包含了以自然數(shù)計數(shù)的節(jié)點，類似于生物大腦的中樞，通過測算信息鏈結(jié)合在一起，模糊邏輯非常適宜這樣的環(huán)境。通過輸入信息和神經(jīng)元之間的相互影響產(chǎn)生輸出結(jié)果，一般而言是一種復(fù)雜的函數(shù)。神經(jīng)網(wǎng)絡(luò)的實質(zhì)在于能夠輸出最終決策結(jié)果，如果面對同樣的輸入信息集合，網(wǎng)絡(luò)測算至少要與人類專家系統(tǒng)的測算功能持平，很多時候會優(yōu)于人類專家系統(tǒng)的測算。這個成績基于多次的重復(fù)學習循環(huán)，包括系統(tǒng)中輸入集合與對應(yīng)知識的運用。節(jié)點之間的箭頭代表測算鏈，判斷進程體現(xiàn)的是最優(yōu)化的路徑，內(nèi)置于系統(tǒng)之中。神經(jīng)網(wǎng)絡(luò)提供的答案盡量減少與理想型答案之間的誤差。進程會在提供不同的數(shù)據(jù)集合中反復(fù)演算，直至出現(xiàn)持續(xù)穩(wěn)定性或者可接受的準確答案。這個階段的熟練性系統(tǒng)會對輸入相似集合的演算形成有效的潛在性幫助。神經(jīng)網(wǎng)絡(luò)與知識基礎(chǔ)的專家系統(tǒng)不同之處在于并沒有內(nèi)置清晰刻畫的知識庫，只是輸入了數(shù)據(jù)之間假設(shè)的經(jīng)驗聯(lián)系，功能函數(shù)產(chǎn)生了復(fù)雜的輸出結(jié)果，這都是基于前置的經(jīng)驗學習(見圖 3)。

　　2.3 案例推理系統(tǒng)

　　基于案例的推理是人工智能可選擇的另外一個技術(shù)，比如 CBR系統(tǒng)，這是基于原生數(shù)據(jù)(包括曾經(jīng)的案例和解決方法)的推理方法，而并非基于清晰化的事件和邏輯規(guī)則。與神經(jīng)網(wǎng)絡(luò)不同之處在于此系統(tǒng)并不是操縱輸入信息或者找出信息點之間的聯(lián)系。它只是選擇和展現(xiàn)有幫助的潛在案例，然后配位描述性的問題，并將這種形式提交給新的案例。這種進程在用戶的提問與回答中反復(fù)迭代，持續(xù)發(fā)展的新案例被附加到存在的數(shù)據(jù)庫中，以備未來之需。

　　3 挑戰(zhàn)與解決方案

　　盡管強調(diào)人工智能的功能性，但是這些系統(tǒng)依然存在一些質(zhì)疑，特別是跟真正的生物大腦作比較的時候，擅自調(diào)用網(wǎng)絡(luò)節(jié)點對應(yīng)多樣化的問題是否合適?這需要一個充分完備的數(shù)據(jù)庫，而在現(xiàn)實中這樣的數(shù)據(jù)庫通常難于實現(xiàn)，這將導(dǎo)致測算鏈條的準確性大打折扣。即使未來真的出現(xiàn)了純粹經(jīng)驗集合的數(shù)據(jù)庫，也不能保證神經(jīng)網(wǎng)絡(luò)會測算一切可滿足性的行為，畢竟紛繁復(fù)雜的市場存在正在進行時的經(jīng)驗需要學習，這將導(dǎo)致不切合實際的外延產(chǎn)生。而人類則不同，人類的大腦可以清晰意識到周邊環(huán)境正在發(fā)生變化，這是不需要附加任何機械語句條件的。正 如 亨 德 里 克 斯 (Hendriks)和 威 爾 森(Vriens)指出，知識是知識專家系統(tǒng)和知識管理系統(tǒng)的共同基礎(chǔ)。而時下流行的知識管理理念在人工智能和專家系統(tǒng)方面具有先進性，但對隨后發(fā)展的影響卻是不利的[4]。這等同于是說正在發(fā)展的專家系統(tǒng)過度強調(diào)技術(shù)層面，而對知識管理的根源，特別是接近哲學和人力資源的部分視而不見。因此，當務(wù)之急是要在隱性知識管理領(lǐng)域里找到破解這個對抗的方法，并且將其內(nèi)置于人工智能框架之內(nèi)[5]。

　　這反映了格拉澤(Glaser)和施特勞斯(Strauss)以歸 納 和 演 繹 循 環(huán) 進 程 為 特 征 的 普 遍 性 理論[6]23-25。他們的理論對于研究智能型組織的核心業(yè)務(wù)進程提供了研究框架。數(shù)據(jù)的收集來自于法國Baypoint技術(shù)中心，這個中心是國際計算機互聯(lián)網(wǎng)公司 BayNetworksInc.的分支機構(gòu)，為企業(yè)法人、服務(wù)供應(yīng)商、電信運營商提供完備的服務(wù)產(chǎn)品線。其內(nèi)容包括：ATM交換技術(shù)、共享媒體、IP服務(wù)以及其他網(wǎng)絡(luò)應(yīng)用設(shè)備，以上這些融入智能組織所適用的互聯(lián)網(wǎng)發(fā)展倡議。

　　3.1 知識價值鏈的階段

　　智能型組織核心業(yè)務(wù)在于知識價值鏈理念，主要是應(yīng)對網(wǎng)絡(luò)中心的質(zhì)詢。這個業(yè)務(wù)的主要流程是通過知識數(shù)據(jù)檢索原始信息，其中包含了 5個階段，并且附加相互鏈接的價值。

　　(1)查詢。這個功能主要是編輯所需求的原始信息文檔。展開普遍式的詢問，其階段包括整體文件檢索或呈現(xiàn)關(guān)鍵詞檢索，其核心特征是所有的進程必須以時效性和便捷性的方式完成。

　　(2)篩選。這個階段主要是篩選來自于選擇文本的信息和提取特殊知識的任務(wù)信息。包括運用持續(xù)性敘述序列標準進行分類，確定需求信息的準確位置。

　　(3)格式化。這個階段屬于基礎(chǔ)評估，質(zhì)詢哪個主體需要進入獲取信息端口。目的在于提供充分的變量，建設(shè)溝通有效性文本，探求可能受關(guān)聯(lián)影響的主體。這個進程包括典型文本格式化、文本檢索、文本展現(xiàn)和構(gòu)圖、多媒體及表格程序等等。便利性在于允許用戶便捷性確定重要信息之間的關(guān)聯(lián)。

　　(4)展望。格式化的結(jié)果必須能夠被個人或群體用戶更高效使用。這就包含了使用何種格式化文本在最適宜的媒介上傳輸。選項有報告、郵件概要、個人數(shù)據(jù)庫、聯(lián)系文本、內(nèi)網(wǎng)頁面、傳真、電話、紙質(zhì)稿等等。如果在整個進程中需要添加潛在用戶確認，那么在格式化階段，甚至是查詢階段都需要進行迭代設(shè)置。

　　(5)反饋。這個階段緊密連接知識循環(huán)。因為組織若要在信息轉(zhuǎn)化為知識中獲取經(jīng)驗，就必須有效發(fā)展功能函數(shù)，爭取進一步獲取未來需求的知識。反饋作為最終環(huán)節(jié)，將會使前 4個階段納入新一輪的知識循環(huán)當中。

　　以上 5個階段聚合在一起構(gòu)造了知識價值鏈模型，類 似 于 哈 夫 曼 (Huffma)提 出 的 知 識 循 環(huán) 理念[7]。價值鏈模型將積攢的信息轉(zhuǎn)化為知識，通過反饋階段的鏈接，能夠升級組織的工作記憶庫，反過來促進組織的學習能力提升。

　　3.2 人工智能系統(tǒng)的標桿分析

　　沒有相應(yīng)的技術(shù)支持，潛在性的知識很難達到最優(yōu)化的操作。人工智能能否成為知識管理的有效支持技術(shù)噬待解答。為了解決這一問題，Bay-point技術(shù)中心采用標桿分析法，對于現(xiàn)存的人工智能系統(tǒng)進 行 評 估，評 估 對 象 包 括 Backweb、FulcrumKnowledgeNetwork、KnowledgexEnterprise等幾個代表性的系統(tǒng)。評估所采用的標準是知識價值鏈模型的線上應(yīng)用部分，測試幾個系統(tǒng)如何應(yīng)對客戶咨詢。測試的結(jié)果是 3款系統(tǒng)都可以對組織提供一些幫助，能夠傳遞客戶價值并捕捉有效信息。但是并沒有足夠的證據(jù)表明，這些系統(tǒng)可以在組織的核心業(yè)務(wù)層中捕捉隱性知識，也不能形成顯著的特征描述。而真正的價值就在于隱性知識，這是內(nèi)置的形式化和信息交流的問題，而隱性知識通常是面對面交流的自然語句。人與人之間的交流互動保持了涵蓋知識的唯一源泉。

　　典型的 Baypoint知識管理文本需要有一線工程師輔助解答客戶咨詢。客戶也許會質(zhì)疑，通過自動流程產(chǎn)生的人工智能分析結(jié)果是否為最優(yōu)選擇。基本的搜索是使用瀏覽器前端參數(shù)引導(dǎo)鏈接的文本。基于知識的人工智能專家系統(tǒng)雖然能夠解決這一問題，但是如果相似案例出現(xiàn)，那么系統(tǒng)會直接檢索記憶庫，而不是附加新的知識內(nèi)容。尋找和篩選配位原始咨詢的信息，必須使用適用的格式化方法。神經(jīng)網(wǎng)絡(luò)可以支持這一功能，但是需要交代信息的背景。而信息背景又需要前置案例，要和基于案例推理的系統(tǒng)結(jié)合使用。因此，從必要性角度而言，所謂“專家咨詢”必須可以直接訪問，也就是說需要更深層次的隱性知識轉(zhuǎn)化進程，才可以獲取完備性的信息。整體的轉(zhuǎn)化進程需要以一種適用的格式化形式保存在組織記憶庫當中。人工智能信息技術(shù)的各個系統(tǒng)仿佛各自為戰(zhàn)，以不同的階段存在于知識價值鏈的循環(huán)當中。人工智能需要發(fā)展?jié)撛谥R的系統(tǒng)對照如表 1[8]。

　　所以，上述人工智能系統(tǒng)必須附加功能函數(shù)，在人員交流的環(huán)境語句方面形成突破。這就意味著需要在智能組織中建立功能更為強大的引擎，用以完善知識價值鏈的標準，同時也能夠為人員交流量身制定一種隱性知識表述的系統(tǒng)。

　　3.3 知識價值鏈動態(tài)模型

　　在分析了純粹的人工智能系統(tǒng)對于知識價值鏈支持的短板之后，就需要拓展研究知識輔助系統(tǒng)和智能代理服務(wù)器。聚焦的難題是如何動態(tài)應(yīng)對客戶需求，典型的做法是發(fā)展動態(tài)文本技術(shù)支持服務(wù)進程，對客戶需求進行進一步解釋和建議。這個技術(shù)結(jié)合了人工智能和人類思考的環(huán)節(jié)，并非是單純的人工智能方案，大大加強了問題解決能力，提高了使用者的接受程度。類似于這種協(xié)作操作系統(tǒng)可以概況出一種特征，即“IA >AI”。這意味著人類心靈附加機械擴充原有的人工智能系統(tǒng)，在效益上超越了只是模仿人類心靈的人工智能系統(tǒng)。將形式化的清晰刻畫的機械執(zhí)行知識與使用者表述的隱性知識結(jié)合起來，超越了兩者之一的單獨運行。原有的知識價值鏈模型也得到了擴充，成為了知識價值動態(tài)循環(huán)模型。知識價值鏈動態(tài)循環(huán)模型見圖 4。

　　下面模型通過搜索引擎將推理規(guī)則內(nèi)置其中，并且提供多維度信息的準入接口，整個框架被數(shù)據(jù)模擬技術(shù)所支持。數(shù)據(jù)庫確定的專家經(jīng)驗依照以前的創(chuàng)造性貢獻。這個模型還表述關(guān)于信息的背景知識，提供了混合型文本用以將信息轉(zhuǎn)化成知識。模型的綜合能力聯(lián)系到了人類專家，意味著通向了隱性知識。當客戶咨詢需要清晰刻畫的知識，那么系統(tǒng)就會運用機械方案，如同圖 4知識循環(huán)鏈包含的4個階段，如果遇到非常強烈的隱性知識需求，那么模型就會將質(zhì)詢轉(zhuǎn)化給領(lǐng)域內(nèi)的專家，如此在質(zhì)詢問題和解決方案之間循環(huán)往復(fù)。與此同時，該模型還將發(fā)生過的案例源源不斷存入記憶系統(tǒng)，成為未來有用的知識。

　　知識價值動態(tài)循環(huán)模型是知識價值鏈的拓展，正視了人工智能在知識價值鏈中的短板，是野中郁次郎“知識的螺旋”理念的一種技術(shù)補充。尤其是當智能型組織深入到知識創(chuàng)造過程中的時候，組織在隱性知識方面取得短暫性的競爭優(yōu)勢就更為明顯。知識管理的核心業(yè)務(wù)就是要深挖并發(fā)展知識競爭力，將價值鏈嵌入到業(yè)務(wù)的核心流程。動態(tài)循環(huán)模型的價值就在于將人工智能的三個系統(tǒng)融合在一起，在隱性知識和顯性知識之間形成動態(tài)性的交互，并且能夠創(chuàng)造新的知識存入組織的記憶庫，形成知識的螺旋(見圖 4)。

　　3.4 開發(fā)潛在性功能

　　當然，隱性知識還意味著可以使用非邏輯的形式，自由憑直覺重新運作，心靈的知識也許包含了高級的人類性格，這些基于人類一生的經(jīng)驗積攢，而不是僅僅的純邏輯或者客觀事實。這種清晰的反機械規(guī)則針對計算機科學，當然也包括人工智能。至少，目前的人工智能系統(tǒng)依然難以處理文化、領(lǐng)導(dǎo)力和其他人力資源方面的問題。但這些方面并非無法改進，人工智能系統(tǒng)至少可以作為人機交互的功能部件存在，并且可以保留知識匯總的基本功能，還能提供機械式的支持，促進知識管理進程的發(fā)展。因此，應(yīng)當接受人工智能開發(fā)潛在性的功能，用以高效快速地捕捉、重述、轉(zhuǎn)換信息數(shù)據(jù)。

　　人工智能也能夠處理原始信息，產(chǎn)生高級別的信息指令，對于知識學習提供高效新穎的方法。利用動態(tài)循環(huán)模型，基于規(guī)則的專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)將形成混合系統(tǒng)，提供缺乏部分標準數(shù)據(jù)的功能函數(shù)用以接入嵌入式知識。另外，基于經(jīng)驗的案例可以通過 CBR的路徑進行反映，這樣就拓展了系統(tǒng)能力，并且削弱了專家系統(tǒng)的質(zhì)詢瓶頸問題。當前的知識管理對于表達隱性知識的確存在困難，但這并不是新穎的問題，知識引擎的理論和實踐都要求找出隱性知識的抽象，進而進行編碼。知識引擎的必要性條件是要同時處理事件和人類專家的邏輯進程，需要同時進行質(zhì)詢和確認。邏輯或事件推理進程在本質(zhì)上來說屬于高級別的隱性知識。這個過程長期以往都被認為是專家系統(tǒng)的困難。但專家處理系統(tǒng)可以通過捕捉對話和描述回應(yīng)，在系統(tǒng)中內(nèi)置規(guī)則，捕捉人類心靈的推理規(guī)則。尤其是當知識作為專家記憶的存儲器的時候，這樣的特征更為明顯。對于那些語句模糊，或者并不常見的問題，專家系統(tǒng)要么通過經(jīng)驗進行學習，要么通過類似的新事件重新構(gòu)造知識。

　　實際上，人類專家形成的結(jié)論往往根據(jù)不同的規(guī)則總結(jié)以往的正、反方面的經(jīng)驗。這樣的進程類似于 CBR。具有價值的案例可以被重新采用，判斷是否適用于下一個階段，并會形成建議性的問題描述、相關(guān)提問、建設(shè)性解決方案等等，最終形成新的知識存儲在記憶庫里。CBR可以通過記憶庫中的清晰刻畫知識來判斷隱性知識的范圍，特別是記憶庫中被存儲后又被重新激活的知識，它的靈活性要強于剛性規(guī)則的專家系統(tǒng)。CBR的處理類似于檢索功能的進程，需要有代數(shù)表格進行配位。而神經(jīng)網(wǎng)絡(luò)則應(yīng)用統(tǒng)計權(quán)重測算未來結(jié)果。即便沒有事實為基礎(chǔ)的推理機制和知識記憶庫，神經(jīng)網(wǎng)絡(luò)也可以正常工作。但是神經(jīng)系統(tǒng)需要有從屬于代數(shù)學習機制的數(shù)學符號輸入。這比當前的計算機更能模仿人類大腦，可以通過類比和中間媒介，選擇性輸出適用結(jié)果。例如筆跡識別就是這樣的功能。神經(jīng)系統(tǒng)還可以創(chuàng)造智能代理，用來尋找配位的資源，用來決定如何分類，并形成新的文檔。

　　所以，理性與經(jīng)驗并非水火不容，統(tǒng)一起來恰為人工智能獲得新的進步與發(fā)展提供了科學的指向[9]。智能型組織的知識管理系統(tǒng)理應(yīng)擁有人工智能的三大功能系統(tǒng)(KEBS，NN，CBR)支持，三大技術(shù)在各自獨立系統(tǒng)中都在不斷進化。相反而言，如果摒棄人工智能的技術(shù)支持，那么容易形成所謂的“知識筒倉”，雖然各自專家領(lǐng)域內(nèi)容易獲得范疇內(nèi)的充分知識，卻難于介入或者獲取潛在用戶的交流，這將是處理隱性知識更為不利的方面。國際化及客戶需求個性化使組織需要了解不同顧客、行業(yè)和地域的知識，這已超出單個組織已有知識儲備與積累[10]。因此，就需要一個綜合性的靈活工具，將知識的收集、組織、篩選、傳遞等功能高效統(tǒng)一起來。使知識價值鏈呈現(xiàn)動態(tài)性，配合人工智能三大系統(tǒng)的潛在性支持，將是一種良性的方案。

　　結(jié)論及展望

　　當前國際競爭形勢下，知識被認為是能夠產(chǎn)生持續(xù)競爭優(yōu)勢和最具價值的倡議性資源[11]，有效的知識獲取作為企業(yè)創(chuàng)新的基礎(chǔ)和創(chuàng)新過程的開端，是企業(yè)創(chuàng)新能力提升的關(guān)鍵[12]。知識管理系統(tǒng)強調(diào)人類視角的隱性知識，在智能型組織中已經(jīng)成為獲取競爭力的關(guān)鍵要素。但是，知識管理同樣需要人工智能提供的信息技術(shù)，用以經(jīng)營知識、分享知識。認識到技術(shù)的局限性十分重要，特別是管理隱性知識方面，這涉及到知識管理復(fù)雜性的動態(tài)進程。知識管理進程通過知識價值鏈清晰刻畫出來，人工智能的潛在作用和人機交互綜合系統(tǒng)拓展了知識價值鏈，成為動態(tài)的循環(huán)系統(tǒng)。加強知識價值鏈動態(tài)循環(huán)，內(nèi)置人工智能系統(tǒng)，將是獲取潛在競爭力的重要環(huán)節(jié)。這種內(nèi)置人工智能的綜合系統(tǒng)正在類似Baypoint這樣的智能組織中發(fā)揮著重要作用。知識價值鏈動態(tài)循環(huán)系統(tǒng)體現(xiàn)了知識螺旋理念，綜合了人工智能系統(tǒng)，表達了各種知識集合，涉及人類的隱性知識，具備先進性。

　　更為重要的是，這種動態(tài)循環(huán)系統(tǒng)為未來的潛在性知識學習提供了一個分支，反映了拓展知識價值鏈在智能輔助技術(shù)方面的重要性，提供了知識管理方面的人工智能系統(tǒng)支持研究。將來的研究可以細化知識價值鏈的各個階段，為應(yīng)用和拓展知識價值鏈提供更多的經(jīng)驗文本。