ARTICLE

处方性知识

处方性知识 (Prescriptive Knowledge) 处方性知识(Prescriptive Knowledge),又称为操作性知识或技术性知识,是关于"如何做"的知识体系,主要用于解决"做什么"和"怎么做"的问题。这一概念由经济史学家[[Joel Mokyr]]在其研究现代经济增长起源的工作中系统性提出,与命题性知识(Propositional Kn

浏览 178 更新 2025-10-13

处方性知识 (Prescriptive Knowledge)

处方性知识(Prescriptive Knowledge),又称为操作性知识技术性知识,是关于"如何做"的知识体系,主要用于解决"做什么"和"怎么做"的问题。这一概念由经济史学家[[Joel Mokyr]]在其研究现代经济增长起源的工作中系统性提出,与命题性知识(Propositional Knowledge)相对应,共同构成了"有用知识"(Useful Knowledge)的两大核心组成部分。2025年诺贝尔经济学奖授予Joel Mokyr等人,部分原因即在于他们阐明了处方性知识与命题性知识之间的正反馈循环如何驱动了持续的技术创新经济增长

处方性知识的典型形式包括配方、技术手册、操作规程、设计图纸、工艺流程等。它是一种动态的知识,与实践操作密切联系,本质上是一套关于办事的操作步骤和过程。例如,如何建造一台蒸汽机、如何烹饪一道菜肴、如何编写一段程序,这些都属于处方性知识的范畴。

与命题性知识的区别

命题性知识是关于"是什么"和"为什么"的知识,描述自然现象及其规律,是一种静态的、描述性的知识。处方性知识则是关于"如何做"的知识,侧重于实际操作和技术应用。两者的主要区别在于:命题性知识回答"是什么"和"为什么",是对世界的描述;处方性知识回答"如何做"和"做什么",是对行动的指导。命题性知识主要以概念和命题的形式表征,处方性知识主要以产生式系统("如果-那么"规则)的形式表征。命题性知识可通过逻辑推理和实验验证来判断真伪,而处方性知识则通过实践效果来验证,关注的是"是否有效"而非"是否为真"。在传播方式上,命题性知识容易通过书面语言编码和传播,而处方性知识往往需要实践演示和师徒传承。

历史演变与正反馈循环

Joel Mokyr指出,在工业革命之前,技术创新主要基于处方性知识。人们知道某些技术"有效",但缺乏对其背后原理的理解。这种知识通过试错和经验积累发展,进步缓慢且容易中断。例如,古代工匠知道如何制作高质量的钢铁,但并不理解碳含量与硬度之间的化学和物理关系——这是认知基础狭窄的典型表现。一旦环境或条件发生变化,这些"配方"可能失效,而工匠们缺乏理论指导来调整和改进技术。

科学革命启蒙运动改变了这一状况。科学家们开始坚持精确测量和可重复实验,这促进了命题性知识与处方性知识之间的紧密联系。Mokyr将这一时期称为"工业启蒙"(Industrial Enlightenment)。这种互动产生了关键的正反馈循环:更好的命题性知识使处方性知识的改进更可预测,而新的处方性知识又激发了对命题性知识的进一步探索。例如,蒸汽机的改进得益于对大气压力和真空的理解,而蒸汽机的发展又促进了热力学的诞生。钢铁生产的进步则基于对氧气如何降低熔融生铁中碳含量的认识。正是这种机制,使技术进步从偶发事件转变为自我维持的加速过程,最终导致了现代经济增长的出现。

特征与认知基础

处方性知识具有若干重要特征:指令性和可执行性——它是一套指导行动的操作步骤,类似于计算机算法或食谱,包含条件判断和循环等复杂流程;情境依赖性——有效性取决于特定的环境、工具和材料条件,知识转移需要理解应用环境;可传授性——可通过文字编码传播,但大量隐性知识成分需要师徒传授和实践来学习;可改进性——可通过实践反馈不断优化,包括渐进式改进和突破式创新;紧密度可变性——Mokyr用"紧密度"衡量人们对知识有效性的信心程度,紧密度越高越易被采纳和传播。

认知基础是理解处方性知识价值的关键。认知基础越宽广,处方性知识就越容易适应变化和扩展应用范围。在前工业时代,由于缺乏理论基础,技术往往是孤立的"单例技术"(singleton techniques),难以拓展。Edward Jenner在1796年发现疫苗接种技术后,在细菌理论确立前近一百年几乎没有产生进一步的疫苗开发,这正是因为缺乏对疾病传播机制的命题性知识。工业革命后,技术进步呈现累积性和加速性,正是因为科学提供了更宽广的认知基础。

编码、传播与政策含义

处方性知识的编码和传播是重要议题。编码将知识转化为可存储和复制的形式,如文字、图表、软件代码等,使知识能够超越个体在时间和空间上传播。然而,大量隐性知识成分难以完全编码。Michael Polanyi曾指出:"我们知道的比我们能说的要多。"许多技能需要通过观察、模仿和实践来学习。随着信息技术发展,人工智能和机器学习技术可从大量数据中自动提取处方性知识,但人与人之间的直接交流仍不可或缺。

理解处方性知识对政策制定有重要意义:投资基础科学研究以扩大命题性知识基础;打通科学界与产业界壁垒,促进知识转移;改革教育系统,平衡理论传授与实践技能培养;保护开放科学,维护学术自由;支持创新文化,建立包容失败的社会环境;促进全球合作,应对气候变化等共同挑战。正如Mokyr所展示的,理解知识的本质及其在经济增长中的作用,是把握历史并塑造未来的关键。