英伟达、苹果、Google凭什么能值几万亿美元？答案藏在这些人身上，通过搭建专家级知识体系培养专家级员工，通过知识建模促进知识生产

文/田志刚 vx:511956894

2026年5月的时候，英伟达的市值一度达到约5.7万亿美元。

5.7万亿美元，是一个什么概念呢？

根据当时国际货币基金组织的预测，德国2026年GDP预计约为5.45万亿美元。也就是说，英伟达一家公司的股票市值一度超过了欧洲最大经济体德国一年的经济产出。

如果仅仅比较数字规模，英伟达可以排在美国和中国之后，相当于全球第三大经济体的体量。

当然，企业市值与国家GDP是两种完全不同的经济指标，并不适合直接比较。但这样的对比，足以让我们感受到这些科技企业惊人的市场价值。

英伟达并非孤例：截至2026年11月2日，美国股市中被称为 “科技七巨头”（Magnificent Seven）的英伟达、苹果、微软、Google母公司 Alphabet、亚马逊、Meta 和特斯拉，合计市值约 22.8 万亿美元。

作为对比，同期中国内地 A 股市场5000多家上市公司，总市值约115万亿元人民币，折合约17万亿美元。

也就是说，美国七家科技公司的市值加起来，超过了整个中国内地 A 股市场的总市值。

这些数字并不能简单等同于企业实际创造的经济价值，也受到资本市场估值、投资预期和市场环境的影响。

但它们确实提出了一个值得研究的问题：

为什么这些企业能够创造如此惊人的市场价值，它们的竞争优势究竟来自哪里，凭什么值这么多钱？

有人说是技术，有人说是产品，还有人说是商业模式、品牌和生态系统。这些答案都对。

但如果继续追问：他们的技术优势是从哪里来的，优秀产品为什么能够不断推出？那些竞争对手难以复制的技术诀窍、管理流程、知识产权和组织能力，又是如何形成的？

一、全球领先企业真正难以复制的，是集体知识

英国经济学家约翰・凯在《21 世纪的公司》（The Corporation in the Twenty-First Century）中，提出了一个理解现代优势企业的重要视角：

现代企业的竞争优势，越来越不取决于物质资本的占有，而取决于组织内部不同人员所拥有的知识、能力及其协同形成的集体智能。

一家企业的价值表面上看是把一批人组织起来完成工作，而本质上却是将不同领域的知识有效连接，形成个人无法独立实现、竞争对手也难以复制的独特能力。

这一观点可以帮助我们理解全球领先企业的竞争优势。

苹果的优势，不只是有出色的设计师，也不只是拥有操作系统和芯片技术，而是产品定义、工业设计、软硬件协同、供应链、品牌和客户体验等大量知识的高度整合。

英伟达的优势，也不仅是 GPU 芯片本身，还包括芯片架构、并行计算、软件开发工具、系统设计、开发者生态，以及对不同客户应用需求的深刻理解。

Google 的优势，同样不只是搜索引擎或某项人工智能技术，而是长期积累的搜索算法、数据处理、分布式计算、人工智能研究、广告商业化和大规模基础设施运营等领域的集体知识。特别是从搜索引擎到 Transformer 架构，再到 Gemini 等 AI 产品的发展，背后依赖的是大量研究人员、工程师、产品人员和管理者长期的知识积累与协同创新。

2017 年，Google 研究人员参与提出的 Transformer 架构，不仅推动了当时人工智能技术的发展，还成为后来大语言模型的重要技术基础之一。虽然最先做出来应用的是OpenAI这样的公司，但不能否认专家创造的新知识，不仅能够改进企业现有产品，还可能为未来新的技术与业务机会奠定基础。

这三家公司的业务不同、产品不同，但有一个重要共同点：它们的竞争优势都不是依赖某一个天才人物或某项孤立技术，而是来自大量高水平专业人员创造的知识，以及这些知识在组织内部的持续积累、组合和创新形成的流程、制度、规范和隐性的文化等内容。

竞争对手可以买到类似的设备，可以采购软件，也可以高薪招聘优秀人才，但很难在短时间内复制这些企业长期形成的复杂知识体系，并且无法复制他们持续创造出新知识的能力。

因为这些优势不是孤立的知识点，而是大量知识之间的关联，以及不同专业人员在长期实践中形成的协同方式。

从知识管理的角度看，我们可以从两个维度理解知识。

按照掌握和使用知识的主体，可以区分个人知识与集体知识；按照知识的独特性和可获得性，又可以区分公共知识与私有知识。

公共知识包括通用理论、技术原理、行业方法及各种公开资料。企业私有知识则是指企业在特定技术、产品、客户和业务环境中形成的独特认识、判断方法、技术诀窍与解决方案。

这些知识可能存在于个人头脑中，也可能已经成为组织共享的知识。

个人知识不自动等于私有知识，集体知识也不一定都是企业独有的。真正具有较强竞争价值的，往往是企业长期形成的、难以直接从外部获取和复制的私有集体知识。

一家企业最难复制的，不是它知道多少公共知识，而是它如何把不同领域的知识组合起来，在特定环境中形成独特的解决问题和创造价值的能力。

这也是为什么有些企业即使掌握相似的技术原理、购买相同的设备，最终的产品质量、创新能力和经营绩效仍然存在巨大差距。

二、AI让公共知识越来越便宜，私有知识的价值更加突出

过去，知识本身就是一种重要的稀缺资源。大部分人的时间都花在学习人类已经积累的公共知识上，譬如每个人的读书阶段就是获取公共知识的过程。

要掌握某个专业领域的理论、方法和经验，通常需要长期学习和积累。不同员工、不同企业获取知识的能力存在较大差异。

但 AI 正在改变这一点。

从知识角度看今天的所有预训练大语言模型，可以理解为人类大量已有公共知识经过数字化训练形成的一种统计性知识表示与应用工具。

大模型把人类公开可获取的书籍、论文、各种文档库、代码库等等内容进行了训练，超越了任何个人能够学习的范围，并可以让普通人便捷的获取并应用。

从这个角度看，大模型极大降低了人们获取、理解和应用大量通用知识的门槛，这是人类历史上一个飞跃式的进步。

一个普通员工可以通过AI快速了解陌生领域的基本知识，获取技术资料、分析业务数据、编写程序、生成方案。

大量过去需要专业人员花费较多时间才能完成的信息处理、知识检索和常规分析工作，正在变得更加容易。

但这里面有个悖论，当每个组织和个人都能够获得相似的通用AI能力时，仅仅拥有模型本身，就很难成为长期独特的竞争优势：因为你能用，我也能用。

大模型是相同的，但为什么同样使用AI有些企业能够让AI有效支持复杂业务决策，有些企业却只能做文档查询、内容生成和简单问答？

一个重要原因，就是它们能够提供给AI的私有业务知识不同。

要完成企业真实的业务任务，不仅需要外部通用的理论，更需要企业特定的客户知识、技术条件、业务规则、历史经验、异常处理方法和判断依据（这也就是企业内部私有知识及其形成的各类知识结果）。

譬如AI可以告诉销售人员如何识别客户需求的规则，却不可能知道某个特定客户的真实采购动机、组织内部的决策关系和项目推进中的特殊约束。AI可以解释通用设备故障的一般原理，但却不知道这家企业特定设备在长期运行中形成的异常规律。

这些内容很多属于企业的私有知识。

2026年6月，微软CEO纳德拉在接受Stratechery采访时，也强调了企业内部隐性知识的重要性，尤其是企业独有的评价标准、质量判断和持续反馈。

这与企业AI落地中越来越显现的问题一致的：通用模型提供了越来越强大的基础能力，而企业独有的知识和业务情境，决定了这些能力能否真正转化为差异化的业务价值。

但这里不能只停留在 “企业要建设私有知识库” 的结论上。

因为更重要的问题是：企业的私有知识并不是天然存在的。它们究竟从哪里来？

三、专家不仅是知识的使用者，更是知识的创造者

一家制造企业在某项技术上拥有独特诀窍，这个诀窍不是凭空产生的。

它可能来自工程师在长期实践中发现的一个新规律，也可能来自研发团队经过多次失败之后形成的新认识。

一家企业对某类客户的深刻理解，也不是简单依靠客户档案积累起来的，而是优秀销售人员、产品经理和管理者在长期接触客户、解决问题的过程中逐渐形成的。

优秀管理者同样如此。

为什么有些管理者能够提前识别经营风险，为什么有些人能够在复杂环境下做出更好的资源配置决策，为什么有些管理者能够组织不同专业背景的人，完成其他团队难以完成的任务？

这些表现背后，同样存在大量经过长期实践形成的专业知识。

我们所说的专家级员工，不仅包括研发专家、技术专家、销售专家等专业人员，也包括在战略决策、经营管理、组织协调、人才培养等关键任务上达到专家级水平的管理者。

专家级不是一种职称或职位，而是一个人在特定领域、关键任务或复杂问题上达到的专业水平。

专家为什么比普通员工更有价值？

不仅因为他们掌握更多知识，或者完成同样任务的速度更快。更重要的是，当他们面对复杂问题，尤其是没有现成答案的新问题时，能够通过分析、研究和实践形成新的认识，创造企业过去没有的知识。

这里有一个跟大家赶出不同的是，我们通常认为解决问题就是运用已有知识，但真实情况下，对于真正的新问题，既有知识并不一定能够提供完整答案。解决问题的过程，其实也是知识创造的过程。

例如一名研发专家遇到从未出现过的技术故障：他首先需要运用过去掌握的专业理论和技术经验，分析可能的原因；但如果已有知识不足以解释当前现象，他就必须进一步收集数据、提出假设、设计试验、排除错误解释，最终找到问题的原因和解决办法。

在这个过程中，他可能发现了一个以前没有认识到的因果关系，或者发现某种技术规律在特定条件下存在新的适用边界。

结果就是，他不仅解决了一个问题还形成了新的知识。

一名销售专家进入一个此前没有接触过的行业，可能在开拓客户的过程中发现新的采购决策规律。一名优秀管理者面对新的组织协同难题，可能通过反复实践探索出新的管理方法。

这些新知识，在企业环境中大部分并没有表现为论文、专利或理论创新。

可能这些知识，只适配于某种设备、某类客户、某个组织情境，并不具备普适性。

但对于企业而言，这些局部知识却可能具备非常高的价值。

实际上专家级员工解决新问题的过程，通常同时包含三类知识活动：

第一，运用自己已经掌握的知识。

第二，发现知识不足，从外部学习和获取已有知识。

第三，对于尚无现成答案的问题，通过研究、分析、试验和验证形成新的知识。

因此专家解决新问题的过程，往往也是新知识被创造出来的过程。

当然这并不意味着每次解决问题都会产生具有普遍推广价值的新理论，但在特定业务条件下形成的新认识、新方法和新规律，同样可能成为企业独特的私有知识。

而这些知识不断积累、相互连接，就逐渐形成企业的集体知识。

这揭示了专家级员工一个长期被低估的价值：他们不仅是企业已有知识的使用者，更是企业新知识的重要生产者。这也符合《卓越密码如何成为专家》对于专家的定义，只有专家级员工才能持续地生产新知识。

让专家解决一个复杂问题，企业获得的是当前的业务成果；如果能够把解决问题过程中形成的新知识积累下来，企业还获得了未来继续创造价值的能力。

但具体实践中，很多企业只关注前一个结果：设备修好了，客户拿下了，项目完成了，管理问题解决了，任务就算结束。

至于专家在这个过程中发现了哪些新规律、形成了哪些新方法、积累了哪些新知识，企业却没有系统地识别和保存。

结果是，企业解决了很多问题，却没有同步积累相应的知识资产。这不仅是知识管理的问题，更是企业对专家价值认识不足的问题。

四、为什么全球领先企业如此重视专家级人才？

乔布斯很早就认识到了顶尖人才的重要性。

他有一段被广泛传播的观点，在1999年的一次访谈中提到：

“我过去常常认为一位出色的人才能顶两名平庸的员工，现在我认为能顶 50 名。”

这句话真正值得关注的，不是具体的倍数，而是乔布斯对高水平人才价值差距的认识发生了巨大变化。

在史蒂夫・乔布斯档案馆收录的访谈中，他回忆了自己与苹果联合创始人沃兹尼亚克共事的经历。乔布斯观察到，沃兹尼亚克一个人就能够完成许多工程师难以完成的工作。后来组建 Mac 团队时，他又看到一个大约 50 人的优秀团队，能够完成其他公司数百乃至数千人难以完成的任务。

这使他认识到，人与人在创新性工作中能够创造的价值，可能存在远远超过普通工作效率的差距。

这种差距，并不是简单的工作时间或工作速度差距。

对于创新性工作，真正优秀的人能够提出不同的问题，建立不同的知识关联，发现别人没有发现的机会，创造别人无法创造的成果。

这也是为什么一些全球领先企业愿意为高水平专业人才提供极具竞争力的报酬。

英伟达就是一个值得关注的例子：根据其 2026 财年公开披露的数据，英伟达约有 4.2 万名员工，其中约 3.1 万人从事研发工作，超过 80% 的员工承担技术岗位，超过一半拥有研究生及以上学位。

英伟达的竞争优势，不可能由某一位顶尖工程师独立创造，而是来自芯片、系统、软件、算法、产品及市场等多个领域高水平专家级人才长期协同的结果。

真正NB的企业，其专家级人才的密度都是极高的。

专家级人才密度并不是指高级职称人数，也不是指高学历员工比例，而是企业在关键业务领域中，真正具备高水平判断、复杂问题解决和知识创新能力的人才所占的比例。

专家级人才密度的重要性，不只是让企业拥有更多能够独立解决难题的人。更重要的是，当多个领域的高手共同工作时，他们可以相互启发、提出不同解释、发现知识盲区、连接原本分散的知识，从而更容易形成新的技术、新的方法和新的解决方案。

譬如一项创新可能需要材料专家、结构工程师、软件工程师和市场人员共同完成。反过来讲，任何一个领域的知识层级不够，都可能阻碍创新的发生，因为真正的创新往往发生在不同知识的连接处。

当然专家密度还必须与专家之间的协同能力结合起来。

高水平人才的集聚与协同，可以促进知识创新；持续创新能够增强产品与技术优势；竞争优势可能带来更好的经营成果，进一步提高企业吸引和培养优秀人才的能力。

好的企业形成这种正向循环，坏的机构则相反。

这对我们企业有一个现实启示：

当全球领先企业能够通过高薪、先进项目和良好的专业环境持续吸引优秀人才时，中国企业该如何提升自己的专家级人才密度呢？

可能不是去比高薪，也无法提供完善的创新环境，但中国企业可以充分利用我们的工程师红利，更需要中国企业去主动建立持续培养专家级员工的能力，让更多已有员工从胜任水平成长为真正的高手和专家。

但问题是，我们过去在这方面做得并不充分。

五、AI 时代，专家级人才的价值被进一步放大

如果说乔布斯早就认识到不同水平人才之间存在巨大的价值差距，那么AI和Agent的普及应用，可能进一步放大这种差距。

2026年2月，理想汽车创始人李想在谈及AI与 Agent时，提出了一个非常鲜明的判断：在大多数领域，顶级专家使用Agent产生的杠杆价值，将远高于普通人使用Agent。他甚至预测，在非AI时代，普通水平与顶级专家之间的价值差距可能是100倍；到了AI时代，这种差距可能扩大到10000 倍。

当然，这些倍数是李想用来表达趋势的观点性预测，并不是已经得到验证的普遍统计规律。但这个观点触及了一个非常重要的问题：

AI究竟是在缩小人与人的能力差距，还是在放大高手与普通人的价值差距？

一个普通水平的员工使用AI，主要是让AI帮助自己完成已经明确的任务。而一个真正的专家，可能利用AI快速获取跨领域知识、分析大量数据、提出和比较假设、模拟不同方案，探索过去因为时间、资源和知识限制而无法解决的问题。

前者主要是在提高已有工作的效率，后者则可能是在扩大能够解决的问题范围，创造原来无法创造的价值。

更重要的是，专家并不只是自己使用AI提高效率。当专家创造的新知识通过知识建模进入企业的知识体系，再被其他员工和AI系统反复使用时，专家个人的知识创造活动就可能被放大为组织整体的能力。

这里实际上存在两层放大：

第一层，AI 帮助专家提高研究、分析、判断和知识创造的效率。

第二层，知识建模和 AI 共同扩大专家知识的应用范围，让更多员工和业务系统能够使用这些知识。

一个专家的价值不仅在于自己能够解决多少问题，还在于他创造的知识能够帮助整个企业解决多少问题。这也解释了为什么 AI 时代企业不仅需要投资AI，更需要重视专家级员工的培养与知识创造。

AI是放大器和加速器，会让厉害的人更厉害，并且把他们的能力通过AI放大服务更广泛的人群，结果可能是普通人的空间越来越小。

六、过去企业的专家，主要是靠个人自然成长

企业一直重视人才培养，但当你仔细观察就会发现，过去企业投入大量培训资源，主要解决的是让员工达到岗位胜任水平的问题。

新员工需要学习基础知识、规章制度、操作流程和常规技能，逐步达到能够独立完成工作任务的程度。

这一类培训的内容相对明确，也容易形成教材、课程和考核标准。

但是当一个员工已经能够胜任岗位，怎样进一步成为高手、成为专家？很多企业其实没想过也说不清楚。

通常的建议是：多学习、多做项目、多积累经验、多思考、多复盘，向优秀的人学习。

这些建议当然没有错，但有一个更重要的问题没有得到充分回答：一个岗位上的高手专家，究竟比胜任级员工多掌握了哪些知识？一个胜任层级的人，到成为高手专家具体缺什么东西？

• 为什么面对同一个问题，高手能够迅速注意到关键因素，而普通员工却不知道应该观察什么？
• 为什么有些人工作十年已经能够独立处理复杂问题，有些人工作二十年仍然主要依赖既有流程和经验？
• 为什么同样做了大量项目，有些人能够不断形成新认识，有些人却只是重复过去的做法？

我们往往把这些差异归结为悟性、天赋、经验、勤奋程度，这些话虽然对却没什么用，因为这些解释很难直接转化为具体的培养方案，也不能让期望上进的员工找到提升的路径。

你不能简单要求一个员工 “提高悟性”，也不能因为知道经验重要，就认为只要多工作几年自然能够成为专家。

过去当然存在导师制、轮岗、行动学习、刻意练习以及重大项目历练等培养方法，但对于大量具体岗位，如何系统分析专家级表现需要的知识体系，并据此制定精准培养方案，仍然缺乏足够成熟、可复制的实施机制。

这意味着过去很多企业专家的产生，具有明显的自发性：企业创造了一些条件，但最终谁能成为专家，在很大程度上依赖个人努力、实践机会和长期摸索，外加运气。

而AI时代企业需要大量专家的需求下，这种模式就越来越难以满足企业竞争的需要。

七、AI正在改变专家成长的路径，中国企业不能再等待专家自然出现

AI对企业人才的影响，不能简单理解为 “取代人” 或者 “提高效率”。

更深刻的变化是它正在改变不同类型知识劳动的价值，以及员工从新人走向专家的成长过程。

对于知识要求明确、流程标准、答案相对确定的任务，AI已经能够完成越来越多过去由初级和部分中级员工承担的工作。

这个结果就是：依靠掌握通用知识、熟练执行常规任务形成价值的员工，可能受到越来越大的冲击。

但是，在复杂问题识别、重要判断、跨领域创新、情境化决策以及新知识创造等方面，对专家级员工的需求却越来越紧迫。

当然这里还有一个问题：如果大量初级工作被AI完成，未来的专家又从哪里来？

之前国家传染病医学中心（上海）主任，复旦大学附属华山医院感染科主任张文宏在讲到新医生要不要用AI的时候就提到了类似的问题。

过去，新人通过查资料、做基础分析、编写方案、处理简单问题、参与项目等工作，不断积累知识和经验。

这些工作虽然基础，却是许多人形成专业判断能力的重要过程。当AI承担越来越多此类工作时，新人可能更快完成任务，却未必经历了形成专业能力所需要的思考和实践。

2026年7月，麦肯锡在一篇讨论AI时代专家培养的文章中，专门提出了类似问题：当 AI 接管大量基础工作后，谁来培养下一代专家？这与我们长期研究的问题非常接近。

过去企业主要关注如何让员工尽快达到胜任水平；AI时代企业必须进一步关注如何让更多员工从胜任走向高手和专家。

这不仅是人才培训部门的工作，而是关系到企业未来知识创新能力和竞争优势的战略问题。

特别是对于中国企业这个问题还有另一层紧迫性。

目前，一批在技术、生产、销售和经营管理等领域积累了几十年经验的资深员工正在逐步进入退休阶段（60、70后，1962-1975年出生人生每年都超过2000万以上）。

这批人一定有不少真正的专家，他们掌握着大量组织特有的技术诀窍、客户知识、异常处理经验和复杂问题判断方法。

如果这些知识没有及时形成组织资产，他们的退休可能意味着企业多年积累的一部分专业能力随之流失。

于是，企业面临着两个同时发生的问题：

一方面，AI 正在改变新人通过传统工作积累经验的路径；

另一方面，一批拥有丰富实践知识的资深专家正在逐步退出岗位。企业既需要保留已有专家创造的知识，又需要加快培养下一代专家。

如果我们还主要依靠过去那种自然成长模式，显然是无法应对未来的挑战的，也无法满足企业AI对于私有知识的需求。

八、如何批量培养专家？从依靠个人摸索走向系统的方法论

前阵子一个企业的总工给我讲了个故事，今年他们新招的员工入职，他要讲话还要跟这些新毕业的硕士博士交流，其中有一个小伙子问了一个问题，他自己感觉回答的不好，这个问题是：

“王总，我该怎么努力，能成为你这样的总工？”

他说自己当时挺佩服现在的年轻人，当时他想了一下回答说：

“要改变认知，核心是多干活、多思考、多学习。”

他后来自己反思，说我说的话可能是对的，但却没什么用。

“跟我差不多毕业一起上班的人，可能也干了不少活，学习能力也不错，也爱思考，但真正成为总工的人却不多。”

传统的个人成长像玄学，带着学生时代的思维，就是我多努力就能成。这个假设在学生阶段可能是有效的：你只要多做点题、多读点书、深入的总结你的错题，成绩就能提升。

但这有个前提，就是你要学习的东西已经规定好了（教学大纲、培养方案），还有老师上课，准备好的练习题目和考试。

但这种方式，在工作场下就不灵了，无论你做技术还是做管理、运营，这个时候既没有教材也没有老师，更没有练习题目和考试，你想提升自己都不知道在哪里提升。

而企业培养员工，除了之前讲的主要还是培训新人到胜任这个阶段的，对于高手专家级的培养，通常没有明确的办法。即便是培养也是从已有知识和培训课程出发：

员工应该学习哪些课程？掌握哪些理论？参加哪些培训？积累哪些项目经验？

这些当然重要，但这些方式都没有回答一个关键的问题：就是要达到专家级水平，到底掌握什么就成了，这个东西是个黑洞，没有人知道。

专家成了一个虚幻的东西，没有形成清晰的目标。造成的结果就是，员工即使学了很多知识，也未必能够在关键任务上达到高水平。

基于KMCenter的方法论，我们认为要改变传统培养专家级人才的出发点：

不是先确定教什么、学什么，而是先研究真正的高手能够做到什么（表现层）。从专家级表现出发，分析要达成这样的表现需要完成哪些关键任务、做出哪些关键判断、关注哪些信息，以及这些判断背后需要什么知识。

在此基础上，构建完成关键任务所需要的专家级知识体系。然后将员工已有知识与目标体系进行比较，识别具体缺口，再通过精准学习、实践训练和反馈逐步补齐。

举个大客户销售经理的例子来说明：

假设我们希望培养新客户开拓方面的高手，过去可能要求员工学习销售技巧、客户关系管理、谈判方法和行业知识，然后再让他们通过大量客户拜访积累经验，多复盘，多总结，多学习。

然后就等着他们成为专家：但最后到底能不能成，成为专家的概率有多少，其实是不知道的。

现在的知识任务分析方法是，我们不是等着他们靠运气成为专家，而是会更进一步去分析：

拆分目标到任务层次，譬如真正的高手为什么能够更早发现高潜力客户？他们如何判断一家企业是否存在尚未明确表达的采购需求？需要关注客户的哪些经营信息、组织变化和项目动向？怎样识别客户内部不同人员的影响力？哪些信号意味着商机真实，哪些信号只是表面的购买兴趣？

这些问题背后涉及大量数据、信息与知识：有些来自销售理论，有些来自行业知识，有些来自企业对特定客户的长期研究，还有些需要在新的客户开拓过程中逐渐发现和形成。

如果能够把这些知识需求分析出来，我们就有可能更准确地判断一个员工究竟缺少什么，以及需要怎样学习和实践。

这也是我们提出 KTAF 知识任务分析和专家级知识体系建模的基本思路。它不能保证每个人都能够快速成为专家，也不能代替长期实践，它希望解决的是一个过去经常被忽视的问题：比不知道怎样学习更困难的，是不知道达到专家级水平究竟需要掌握什么知识。

把知识目标具体化，才能使专家培养从模糊要求转变为有方向的实践。关于这一部分的内容，感兴趣可以联系我们（微信号：511956894），也可以学习我们的课程AI时代元能力提升:构建知识体系培养企业专家。

九、培养专家与生产知识，其实是同一个循环

理解了专家级知识体系，你就会发现专家培养与企业私有知识生产其实是一体的，并不是两件相互独立的事情。

企业要培养更多专家，需要先研究高水平任务表现背后的知识体系；而构建这个知识体系的过程，恰恰也是把专家个人知识转化为组织集体知识的过程。

更进一步，专家在完成复杂任务、解决新问题时，还会不断发现原有知识的不足，形成新的认识。

这些新知识又需要通过分析、建模、验证和更新，进入企业的集体知识体系。

因此，企业完全可以把专家培养与私有知识生产结合起来，尤其对于那些面临资深专家退休的企业，可以采用一种不同于传统师徒制的方式。这里面有个误区就是期望通过经验萃取将专家的东西挖出来，但常见的情况下这种方式效果很难保证，详细内容看这一篇：AI时代的经验知识萃取方法论:专家经验不是萃取出来的,而是知识重新建模的过程

让一名资深专家带领几名经验较少的员工，围绕某个岗位、关键任务或典型问题，共同构建专家级知识体系。

要培养新人，就必须知道新人缺少什么。要知道新人缺少什么，就必须先分析：达到专家级水平究竟需要什么知识体系？

而在分析过程中，专家和新人往往会发现，许多过去看似简单的专业判断，背后其实存在大量没有明确表达的信息需求、知识关联和情境条件。

这时，再通过工作坊提供分析方法、知识建模模板和专业辅导，就更容易被专家接受。

专家提供高水平专业判断和实践经验；新人主动提问、参与分析、整理知识，并通过实际任务验证学习成果；专业辅导人员则帮助团队把这些认识转化为结构化、可验证、可更新的知识体系。

必要时，再引入其他专家交叉分析，与公共知识和外部证据进行比对，并通过真实业务实践验证。

这样，一个项目就可以同时取得几种成果：

• 新人能够明确自己的知识缺口，更有针对性地成长；
• 资深专家可以把长期形成的个人知识转化为企业能够积累和复用的资产；
• 企业还可以逐渐培养一批懂业务、具备知识建模能力的内部骨干。

更重要的是，随着专家不断解决新问题，企业可以持续识别、验证和积累新产生的知识，而不必每隔几年才组织一次经验萃取。

这意味着，知识建模不应该只是在专家退休前开展的知识抢救工作，也不应该仅仅是知识管理部门的一次性项目。它应该逐步成为企业在解决复杂问题、培养专业人才和开展创新过程中，持续发现、创造和更新知识的工作机制。

近年来，KMCenter 围绕专家级知识体系和 KTAF 知识任务分析开展的研究与实践，正是希望推动这一变化。

与主要收集文档、整理已有经验的传统知识管理方式不同，我们更加关注从高水平任务表现反推知识需求，帮助企业构建专家级知识体系。

通过专家培养、知识共建工作坊和项目辅导，让企业既能够培养更多高手，也能够把专家在实践中不断创造的知识转化为组织资产，并为 AI 业务应用提供高质量的知识基础。

十、AI 时代企业真正需要的是持续培养专家、持续生产知识的能力

回到文章开头的问题：英伟达、苹果、Google 等全球领先企业，为什么能够创造如此高的市场价值？

当然，这里面有技术、产品、品牌、商业模式和市场环境等诸多因素。但如果不断向下追问，就会看到它们长期积累的独特集体知识，以及能够持续创造和更新这些知识的高水平人才与组织机制。

一家企业今天的技术优势，可能在未来被竞争对手追赶。一个成功产品，也可能随着客户需求和技术环境变化而失去竞争力。今天有效的管理方式，未来也可能需要重新调整。

因此，企业长期竞争优势不能只依靠已经积累的知识。更重要的是，能否不断发现新问题、创造新知识，并把这些知识转化为新的技术、产品、流程和组织能力。

企业真正难以复制的，不只是它今天拥有哪些知识，而是它持续创造、整合和更新知识的能力。而专家级员工，正是这种能力的重要源头。

对于中国企业而言AI时代最值得重视的战略任务之一，不是简单地让所有员工学习如何使用AI，也不是仅仅投入更多资金采购模型和建设知识库。更重要的是重新思考：

• 企业如何持续培养专家级员工，如何让已经达到胜任水平的员工，有目标、有方法地成长为高手？
• 如何让专家在解决复杂问题的过程中，不仅创造业务成果，还持续创造新的知识？
• 如何把分散在个人头脑中的知识，通过分析、建模、验证和实践，转化为整个组织能够积累、传承和应用的集体知识？

过去，一家企业能够拥有多少专家，在很大程度上依赖招聘，以及少数员工在长期工作中自然成长。

未来，企业不能只等待专家出现，而是要有意识、有方法地培养专家，让专家在真实业务中持续创造知识，再通过知识建模和组织应用，让这些知识成为整个企业的能力。

AI 可以放大已有知识的价值，可以帮助企业更高效地运用知识，也可以帮助专家加快知识研究与创新。但企业仍然需要那些能够发现新问题、创造新知识的人。

AI 时代企业不仅需要更多专家级员工，更需要建立持续培养专家、持续生产和升级集体知识的组织能力。这才是企业值得长期投资、也最有可能持续积累的竞争优势。（本文作者为知名知识管理专家田志刚，您可以通过微信号511956894联系他，本文摘自《专家级知识体系》。）