第二節 構建企業智慧大腦

記得在2017年，我就曾描述過在企業中實現“智慧學習”的場景。當時是基于GPS導航的思考邏輯。我想，如果我們把一家企業中所有的知識內容看作一張導航系統的地圖，并且在所有業務流程、崗位、工作流程之間建立有機的關聯，就像在地圖中劃分了區域、街道、門牌，員工進入相應的門牌，就能獲得該“門牌”代表完成某項工作任務的知識點。這樣，企業中的員工只需要說明他的目的地，系統就能夠自動地為他指出從他的起點到終點的學習路徑。這個場景曾經得到很多人的認可，而且，基于這個場景設定，我提出了通過“微課眾創”方式，由企業全體員工參與，完成“地圖”標注——為每個知識點開發對應的學習內容。

為此，針對企業的微課開發，我們提出了“點—線—面—體—態”的進化路徑。自2015年，《培訓》雜志主辦的“中國企業微課大賽”推出了“企業專屬微課”這一概念，主要以3～5分鐘的視頻內容形式呈現。迄今為止，這種企業微課已成為眾多企業必備的學習資源。這就是我們所說的“點”，每一門微課對應一個工作任務，解決一個具體的問題。

遺憾的是，由于借助了“大賽”這種形式推動眾創，可謂“成也大賽，敗也大賽”，舉辦大賽使很多企業將關注點聚焦于“獲獎”，但多數情況下，大賽的評委并不是微課真正的學員，這就導致往往那些制作精良的微課更容易獲獎，反而一些內容扎實有效的微課名落孫山。將近10年過去，很多企業的微課，雖然數量眾多，但仍然停留在“點”的階段，這不免令人心痛。

“線”，則是指由一系列微課構成的相互關聯的內容。可以對應導航地圖中的“街道”，這能夠使學員在解決“點”的問題的同時，擴展學習的內容；“面”是指以崗位為單位或以企業中某一知識體系，如安全、合規等構成的知識體系，這能夠使學員完整且全面地學習某一類知識；“體”指的是由多個面交叉而成的企業學習“智慧體”，這個智慧體涵蓋了企業所有的知識、技能，由企業中所有崗位的員工共同構建，同時賦能給所有企業成員。

最后，“態”指的是“智慧體”的動態更新，這能夠讓企業及時補充新的內容，淘汰過時的內容，去除冗余，糾正錯誤，等等。

自2017年起，我和我的團隊就一直在不遺余力地按照這個設想推動企業“智慧體”的進程，先后幫助數十家企業完成了“線”和“面”的微課體系構建。在這個過程中，我們遇到了兩個較大的瓶頸。

第一，我們和企業都低估了這項工作的推進難度。與舉辦一場微課大賽相比，構建微課體系需要更高的科學性和嚴謹性，對業務部門的投入要求也更高，需要開發的微課數量也更多。根據經驗，一個崗位通常需要大約百門微課。這意味著企業可能需要投入大量人力，并且需要數年時間才能完成這些內容的開發。

第二，幾乎所有的學習平臺都無法支持“智慧導航”的設想。因此，即使我們制作了大量的微課，也難以通過學習平臺達到理想的呈現效果。

這導致我們在將微課體系建設推進到“面”的階段時，就停滯不前了。

講述這一段經歷并非離題，而是與我們接下來要討論的“構建企業智慧大腦”密切相關。AIGC的出現，在某種程度上推翻了我們通過“GPS導航”方式實現“智慧學習”的設想，同時，也讓我們更加堅信，我們更有資格提出新的企業實現“智慧學習”的規劃，甚至這一次，不僅僅是“智慧學習”。

眾所周知，企業的核心競爭力在很大程度上取決于企業擁有的獨特知識和經驗。這些知識和經驗不可能依靠大模型來實現。我們同樣知道，構成AI的三個核心要素是算力、算法和數據。在這三個要素中，我們認為數據是構成企業競爭力的核心。

在這里，我們首先要重新認識一下數據。

關于數據的定義很多，如果我們以“數據的定義”為關鍵詞搜索搜索引擎，會出現很多結果。這里就不再一一列舉了，僅以圖1-2所示為例。

再問一下Kimi，它給出了這樣的答案（見圖1-3）。

按照這些內容，我們很難繼續關于“數據”的討論。看起來，似乎只是關于數據的定義，就可以寫一本書了。所幸，在探究“數據定義”的過程中，我發現了一條令人非常興奮的消息，這就是由中國人民大學交叉學院的楊翰方教授提出的對“數據”的定義——

“數據是可計算的記錄。”

就這么簡單的一句話，打開了我對“數據”思考的新世界。此處，我特別想按下“暫停”鍵，與各位讀者一起感受這一極簡定義之美。

由此，我們開始重新思考，要構建企業智慧大腦，需要哪些數據呢？于是，我們得到了下面這張圖（見圖1-4）。

企業知識庫

企業知識庫包含顯性知識和隱性經驗兩個部分。顯性知識是指那些已經被“記錄”下來的數據，包括靜態的如企業的制度、流程、標準等，以及動態的如會議紀要、領導講話、培訓課件等。要讓這些記錄能夠被AI“計算”，需要進行“數據治理”。因為這些記錄可能以文檔、表格、圖片、視頻、音頻等各種形式存在，并不一定能被AI方便地讀取。

顯性知識的治理現在可以由AI來完成。過去一年中，我們和技術團隊在這個方面進行了很多探索，但由于這不是本書討論的重點，這里就不詳細展開了。

組成企業知識庫的另一個重要部分，也是與培訓部門關系最密切的部分，就是隱性經驗的萃取。所謂隱性經驗，指的是那些被封裝在人類頭腦中的知識和思維模式。關于隱性經驗的價值，有一個非常有名的故事：

有一艘船的發動機出現了故障，很多人來維修都沒有修好。后來，他們請來了一位非常有經驗的技師。這位技師拿著一把錘子，這里敲敲，那里敲敲，然后仔細地傾聽，直到他指著一個地方說：“就是這里！”他用錘子以特殊的手法在那個地方敲了幾下，發動機就神奇地恢復了運轉。

幾天后，船公司收到了技師寄來的賬單，1000美元。管理人員疑惑地問技師：“你只是用錘子敲了幾下，就值1000美元嗎？”技師說：“不，敲幾下我收2美元，而知道敲哪里，值998美元。”

這，就是隱性經驗的價值。近年來，越來越多的企業開始關注隱性經驗的萃取。企業內部做知識管理和課程開發，就是隱性經驗顯性化的一種重要方式。對于未來的AI時代，這些隱性經驗更是最為重要的數據來源。

我們曾經用在微課開發時完成的一個項目數據，用RGA的方式訓練了一名“個險營服經理助手”，這個助手的數據，主要就來源于我們為該崗位開發的超過100門微課的腳本。在對腳本數據進行簡單的清洗、標注后，AI助理的回答可以達到很高的滿意度。

業務數據庫

企業的數字化轉型已經開始很久了，在培訓領域卻并未受到太多關注。直到我們開始探索AIGC在企業中的應用時，才發現企業的數字化程度對實現“智能化”有著極為重要的影響。

借助AIGC的優勢，企業在數據采集、數據分析、數據應用等方面都將迎來突破性的進展。

外部數據庫

外部數據庫指的是企業可以利用大模型、行業大模型以及智能搜索、行業數據庫等大量外部資源，豐富企業智慧大腦。這些數據不需要企業投入更多精力進行研發，例如不同行業的政策要求，合規要求，對應的國際、國家和團體標準等。同時，很多公司開始專注于這個領域的研發，這將大幅度降低企業獲取數據的成本，也使數據的應用價值得以提升。

我們不妨設想，未來每家企業都將擁有一個這樣的“智慧大腦”，大腦中存儲的內容來自企業經營管理中沉淀的數據，并且能夠持續不斷地“學習”新的數據。這些數據將賦能企業中的所有員工，不僅是人類員工，也包括“機器人”員工。隨著“腦機接口”等技術的發展，也許企業未來的“新員工”只需要花數秒鐘讀取“智慧大腦”中的數據，便能夠瞬間擁有企業過往所有的知識和經驗，并且能夠指導“新員工”完成工作。

在我心中，一直有一個執念。未來，企業培訓部門的核心工作，并不是如現在這樣不斷地組織培訓課程或培訓項目，培訓部門至少要花一半，甚至更多的精力，建設企業的學習資源。因為我們服務的是成年人，成年人的學習是非常“功利”的，換句話說，他們的學習多數時候不會由組織者決定，而是由他們自己決定。不管是基于“GPS導航”模式還是借助AI構建數據庫的模式，培訓部門要做的，就是滿足員工在他們想要學習的時候，為他們提供精準的學習內容。

“機器人”的學習更是如此。備受關注的AGI（Artificial General Intelligence，通用人工智能）最多也就是為企業提供了更多優質的“人才”，就像今天即使畢業于985/211的優秀畢業生，無法直接成為企業中某個崗位勝任的員工一樣，企業仍然需要為他們提供工作的標準和要求，這些當然也來源于企業智慧大腦。

因此，我要說，AIGC的出現，為企業培訓工作帶來了一個前所未有的轉折。理論上說，在構建企業智慧大腦所需的各類數據中，培訓部門有可能是企業中積累最多或者最具有整合這些數據優勢的。培訓部門要么積極投身其中，擁抱AI，甚至首先“干掉”自己，讓AI替代自己的工作；要么被別人訓練的AI替代。

這一段，迄今為止還都是我們基于自身認知的思考，正像2017年關于“智慧學習”的設想一樣，我不能確保這些思考一定能夠實現，但這些思考能夠指導我們盡量將更多的精力投入對未來更有價值的工作中。