# 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 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}}}和{{{经济增长}}}。
处方性知识的典型形式包括配方（recipes）、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。
## 处方性知识与命题性知识的区别
理解处方性知识，必须首先理解它与{{{命题性知识}}}的根本区别。这两种知识形式在性质、表达方式、获取途径和应用场景上都存在显著差异。
命题性知识是关于"是什么"和"为什么"的知识，主要用来回答事物本质和因果关系的问题。它描述和分类自然现象及其规律，是一种静态的、描述性的知识。命题性知识包括{{{科学定律}}}、{{{自然规律}}}、经验观察和分类系统等。例如，大气压力的原理、热力学定律、钢铁中碳含量与硬度的关系，这些都是命题性知识。
相比之下，处方性知识是关于"如何做"的知识，侧重于实际操作和技术应用。它不关注事物"为什么"会这样，而关注"如何"让事物按照我们的意愿运作。处方性知识往往以具体的、可执行的指令形式存在，包含详细的步骤、条件和操作方法。
两者的主要区别可以总结如下：
定义维度：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。
性质特征：命题性知识是静态的、描述性的；处方性知识是动态的、指令性的。
表征形式：命题性知识主要以概念、命题和命题网络的形式表征；处方性知识主要以产生式和产生式系统（即"如果-那么"规则）的形式表征。
传播方式：命题性知识相对容易通过书面语言传播和编码；处方性知识的传播往往需要实践演示、师徒传授等方式，部分内容可能难以完全编码。
验证方法：命题性知识可以通过逻辑推理、实验验证来判断真伪；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"。
## 处方性知识的历史演变
Joel Mokyr在其研究中指出，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"，但并不理解其背后的原理。这种知识往往通过试错、经验积累和代际传承来发展，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，但他们并不理解碳含量、加热温度和冷却速度之间的化学和物理关系。他们的知识是纯粹的处方性知识——一套经过验证的操作步骤。这种知识的一个重大缺陷是{{{认知基础}}} (epistemic base) 狭窄：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。
16和17世纪的{{{科学革命}}}和{{{启蒙运动}}}改变了这一状况。科学家们开始坚持精确测量、受控实验和结果的可重复性，这导致了命题性知识与处方性知识之间形成了更紧密的联系。Mokyr将这一时期称为"工业启蒙" (Industrial Enlightenment)。在这个时期，社会变革带来了以下几个关键转变：
一、通过调查工匠实践来确定哪些技术更优越，从而降低了获取处方性知识的成本。
二、试图理解技术为什么有效，通过将其一般化并与当时的正式命题性知识联系起来。
三、促进了那些控制命题性知识的人（科学家、学者）与那些实施处方性知识技术的人（工匠、技师）之间的互动。
这种互动产生了一个关键的正反馈循环：更好的命题性知识使得处方性知识的改进变得更容易、更可预测；而新的处方性知识的成功应用又激发了对相关命题性知识的进一步探索和验证。例如，{{{蒸汽机}}}的改进得益于对大气压力和真空的理解，而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。
正是这种正反馈机制，使得技术进步从偶发性的、孤立的事件，转变为一个自我维持的、加速的过程，最终导致了现代{{{经济增长}}}的出现。
## 处方性知识的特征
处方性知识具有若干重要特征，这些特征决定了它在经济和社会中的作用方式：
指令性和可执行性：处方性知识本质上是一套指令，类似于计算机程序中的算法或食谱中的步骤。它告诉执行者在特定条件下应该采取什么行动，以达到预期的目标。这些指令可以是简单的线性步骤，也可以是包含条件判断（if-then语句）和循环（do-loops）的复杂流程。
情境依赖性：处方性知识往往与特定的情境、工具、材料和环境条件密切相关。一个在某种条件下有效的技术，在不同的环境中可能需要调整甚至完全失效。这种情境依赖性意味着处方性知识的转移不仅仅是信息的传递，还需要对应用环境的理解。
可传授性和可模仿性：虽然某些处方性知识可以通过文字、图表等方式编码和传播，但许多复杂的技能和技术需要通过实践、观察和师徒传授来学习。一个熟练工匠的手艺往往包含大量的{{{隐性知识}}} (tacit knowledge)，这部分知识难以用语言完全表达，必须通过亲身体验来获得。
可改进性：处方性知识可以通过实践反馈不断改进。当人们使用某项技术时，他们可能发现更有效的方法、更好的材料或更优化的流程。这种改进可以是渐进式的（incremental innovation），也可以是突破性的（radical innovation）。
"紧密度"的可变性：Mokyr提出了"紧密度" (tightness) 的概念，用来衡量人们对某项知识有效性的信心和共识程度。处方性知识的紧密度可以从非常高（如激光打印机的工作原理明确优于点阵打印机）到非常低（如某些医疗或农业技术，其有效性难以确定）。紧密度越高，该技术越容易被采纳和传播。
认知基础的重要性：处方性知识的价值和稳定性很大程度上取决于其背后的命题性知识支持。认知基础越宽广和深厚，处方性知识就越容易适应变化、改进和扩展应用范围。例如，现代{{{制药技术}}}建立在深厚的生物学、化学和医学理论基础上，因此能够快速开发新药并应对新的疾病挑战。
## 处方性知识与经济增长
Mokyr的核心论点是，持续的{{{经济增长}}}需要处方性知识和命题性知识之间建立起有效的反馈机制。这一观点对理解现代经济发展具有深远意义。
在前工业时代，技术进步主要依赖于试错和经验积累。由于缺乏深厚的理论基础，这些技术往往是"单例技术" (singleton techniques)——孤立的、难以拓展的发明。例如，Edward Jenner在1796年发现的疫苗接种技术，在近100年后细菌理论确立之前，几乎没有产生进一步的疫苗开发。这是因为缺乏对疾病传播机制的命题性知识，人们无法理解为什么疫苗有效，也就无法系统性地开发新的疫苗。
相比之下，工业革命后的技术进步呈现出累积性和加速性的特征。这是因为：
更宽广的认知基础：随着{{{科学}}}的发展，越来越多的技术建立在坚实的理论基础之上。这意味着当技术遇到问题时，工程师和科学家可以回到理论层面寻找解决方案，而不是盲目尝试。
系统性的知识生产：大学、研究机构和企业实验室的建立，使得知识生产制度化。这些机构不仅生产新的命题性知识，还致力于将其转化为实用的处方性知识。
知识的可及性：印刷术、科学期刊、技术手册、标准化的度量衡系统等，都大大降低了知识获取的成本。更多的人可以接触到前沿的科学和技术知识，这加速了知识的传播和应用。
制度环境的支持：{{{专利制度}}}、科学社团、技术标准化组织等制度安排，激励了知识的创造、共享和商业化。这些制度减少了知识垄断，促进了竞争和创新。
反馈循环的加速：成功的技术应用不仅带来经济收益，还激发了对相关理论的进一步研究。例如，蒸汽机的发展促进了{{{热力学}}}的诞生，而热力学的发展又指导了更高效引擎的设计。这种正反馈使得技术进步进入了一个"超临界状态" (supercritical state)，不再像过去那样自我熄灭。
Mokyr强调，这种反馈不是自动发生的，而是需要特定的文化、制度和社会条件支持。社会必须对变革持开放态度，愿意接受{{{创造性破坏}}}带来的短期阵痛，以换取长期的繁荣。同时，必须有机制确保知识能够在不同的社会群体之间流动——从科学家到工程师，从发明者到企业家，从教育机构到工业界。
## 处方性知识的编码与传播
处方性知识的一个重要议题是如何进行编码 (codification) 和传播 (dissemination)。编码是指将知识转化为可以存储、传输和复制的形式，如文字、图表、公式、软件代码等。编码使得知识可以超越个体，在时间和空间上传播。
然而，并非所有的处方性知识都容易编码。一些知识高度依赖于实践经验和身体技能，这部分被称为{{{隐性知识}}}或{{{默会知识}}} (tacit knowledge)。例如，一个优秀外科医生的手术技巧、一个资深厨师的烹饪手艺、一个熟练工匠的手工制作能力，这些都包含大量难以用语言完全表达的知识成分。
Michael Polanyi曾著名地指出："我们知道的比我们能说的要多" (We know more than we can tell)。这意味着许多处方性知识的传递需要通过观察、模仿、实践和师徒传授等非正式渠道。这种传播方式效率较低，但对于某些类型的技能是必不可少的。
随着{{{信息技术}}}的发展，处方性知识的编码和传播能力大大增强。{{{人工智能}}}和{{{机器学习}}}技术甚至可以从大量的实践数据中自动提取和编码处方性知识。例如，专家系统可以将医生的诊断逻辑编码为一系列规则；机器人可以学习并复制熟练工人的操作技能。然而，即使在高度数字化的时代，人与人之间的直接交流和经验分享仍然是处方性知识传播的重要途径。
在{{{知识管理}}}领域，研究者区分了几种知识传播机制：
扩散 (Diffusion)：非正式的、去中心化的、主要通过同行网络进行的知识传播。这种方式依赖于社会网络和人际互动。
传播 (Dissemination)：有计划的、正式的、通常是中心化的知识推广，如培训项目、技术推广服务、标准化手册等。
协作学习：通过共同参与项目、质量改进小组、专业社群等方式进行的知识共创和分享。
每种机制都有其优势和局限性。有效的知识传播策略往往需要结合多种机制，并考虑目标受众的特点、知识的性质以及应用的情境。
## 处方性知识与其他知识分类的关系
处方性知识的概念与知识论和认知科学中的其他知识分类有着密切联系，理解这些关系有助于我们更全面地把握这一概念。
与显性知识和隐性知识的关系：
{{{显性知识}}} (explicit knowledge) 是可以用符号系统（语言、数学、图表等）明确表达和编码的知识。{{{隐性知识}}}则是个体拥有但难以言传的知识。处方性知识既可以是显性的（如详细的操作手册），也可以包含隐性成分（如需要实践才能掌握的技巧）。实际上，许多复杂的处方性知识是显性和隐性知识的混合体。
与程序性知识和陈述性知识的关系：
在认知心理学中，{{{程序性知识}}} (procedural knowledge) 是关于"如何做"的知识，而{{{陈述性知识}}} (declarative knowledge) 是关于"是什么"的知识。处方性知识与程序性知识高度重合，都强调操作和执行。然而，Mokyr的处方性知识概念更侧重于社会层面的技术和生产知识，而程序性知识是个体认知层面的概念。
与规范性知识和描述性知识的关系：
{{{规范性知识}}} (normative knowledge) 或称为处方性知识（在某些文献中），是关于"应该如何"的知识，涉及价值判断和规范。{{{描述性知识}}} (descriptive knowledge) 是关于事实和现状的知识。Mokyr的处方性知识更接近"如何做"的指令性知识，而非价值判断意义上的规范性知识，这一点需要注意区分。
与条件性知识的关系：
{{{条件性知识}}} (conditional knowledge) 是关于"何时"和"为何"使用某种方法的知识。它是对程序性知识应用条件的理解。有效的处方性知识往往需要包含条件性知识，即不仅知道"如何做"，还要知道"在什么情况下这样做才有效"。
理解这些关系有助于我们认识到，处方性知识是一个多维度的概念，它在不同的理论框架中可能有不同的侧重点和应用方式。
## 处方性知识在不同领域的应用
处方性知识的概念不仅在{{{经济史}}}和{{{增长理论}}}中发挥重要作用，在许多其他领域也有广泛应用：
教育领域：在教学中，教师需要平衡陈述性知识（事实和概念）和处方性知识（技能和方法）的传授。仅仅知道理论而不会应用是不够的；同样，只会机械操作而不理解原理也难以创新。处方性教学 (prescriptive teaching) 强调根据学生的具体情况制定个性化的教学策略，类似于医生开处方。
医学领域：医学实践是处方性知识的典型应用场景。医生的诊断和治疗方案（处方）是基于医学理论（命题性知识）和临床经验（处方性知识）的结合。循证医学 (evidence-based medicine) 的兴起，正是试图用更严格的科学证据（命题性知识）来指导临床实践（处方性知识）。
工程和技术领域：工程师和技术人员的工作本质上是将科学原理转化为可实施的技术方案。{{{设计原则}}}、最佳实践、技术规范等都是处方性知识的形式。现代工程越来越依赖于仿真、建模和数字化工具，这些工具帮助将抽象的理论知识转化为具体的设计和操作指导。
商业和管理领域：管理理论和商业战略可以看作是一种处方性知识，它们提供关于如何组织资源、激励员工、竞争市场的指导。然而，管理知识的"认知基础"往往不如自然科学那样坚实，这也解释了为什么管理实践存在较大的不确定性和情境依赖性。
知识管理和技术转移：在{{{创新生态系统}}}中，如何有效地将大学和研究机构的科学发现转化为商业应用，是一个核心挑战。{{{技术转移}}} (technology transfer) 涉及专利许可、初创企业孵化、产学研合作等多种机制，其本质是将命题性知识转化为处方性知识并推向市场。
人工智能领域：AI系统，特别是{{{专家系统}}}和{{{基于规则的系统}}}，试图编码和自动化人类的处方性知识。然而，许多人类专家的隐性知识难以完全捕捉，这也是AI在某些领域仍然无法完全替代人类专家的原因之一。近年来，{{{机器学习}}}方法通过从数据中学习模式，提供了一种新的获取处方性知识的途径。
## 处方性知识的局限与挑战
尽管处方性知识对经济和社会发展至关重要，但它也面临一些固有的局限和挑战：
知识的情境依赖性：许多处方性知识在特定环境下有效，但在不同的文化、制度或技术环境中可能需要大幅调整。这使得知识转移变得复杂，尤其是在跨国和跨文化的技术转移中。
隐性成分的传播困难：如前所述，许多处方性知识包含大量隐性成分，这部分知识的传播依赖于人际互动和实践经验，效率相对较低。在某些传统工艺和技能领域，这甚至导致了知识的失传。
编码的成本和局限：将处方性知识编码为手册、数据库或软件需要大量的时间和资源投入。而且，编码后的知识可能会丢失一些重要的细节和灵活性。过度依赖编码化的知识可能导致僵化和缺乏创新。
知识的快速过时：在技术快速变化的领域，今天的最佳实践可能很快就会被更新的方法取代。这要求从业者不断学习和更新自己的处方性知识，但这种持续学习的成本很高。
知识垄断和不平等：关键的处方性知识可能被少数组织或个人垄断，通过{{{专利}}}、商业秘密或专业壁垒来保护。这可能导致创新的减缓和社会不平等的加剧。如何在保护知识产权和促进知识共享之间取得平衡，是一个持续的政策挑战。
评估和验证的困难：不同于命题性知识可以通过科学方法验证真伪，处方性知识的有效性往往依赖于实际应用的结果。但在复杂的现实环境中，很难分离出某一具体技术的贡献，这使得评估和选择最佳实践变得困难。
抵制和惯性：新的处方性知识往往会威胁到现有的利益格局和技能结构。工人可能担心新技术导致失业，管理者可能抵制改变现状，既得利益集团可能游说政府阻止创新。历史上的{{{卢德运动}}}就是这种抵制的典型例子。克服这种抵制需要适当的制度安排和补偿机制。
## 政策含义与未来展望
理解处方性知识及其与命题性知识的互动关系，对于制定促进{{{创新}}}和{{{经济发展}}}的政策具有重要意义：
投资于基础研究：扩大命题性知识的基础对于长期的技术进步至关重要。这意味着政府和社会应该持续投资于{{{基础科学研究}}}，即使短期内看不到直接的经济回报。
促进知识流动：打通科学界、工程界和商业界之间的壁垒，建立有效的{{{知识转移机制}}}。这包括产学研合作、技术转移办公室、科技园区等制度安排。
教育改革：教育系统应该同时重视理论教育和实践技能培养，培养学生将理论知识应用于实际问题的能力。此外，终身学习机制对于在快速变化的技术环境中保持竞争力至关重要。
保护开放科学：维护学术自由和科学的开放性，确保科学发现能够广泛传播而不被过度商业化或政治化。同时，需要在保护{{{知识产权}}}和促进知识共享之间找到平衡点。
支持创新文化：社会应该更加包容失败，鼓励试验和创新。这需要建立支持创业的金融体系、灵活的劳动力市场以及能够管理{{{创造性破坏}}}负面影响的社会安全网。
全球合作：科学和技术是全球性的事业。促进国际合作、知识共享和人才流动，对于应对气候变化、流行病等全球性挑战至关重要。
数字化转型：利用{{{人工智能}}}、{{{大数据}}}等新技术，可以加速命题性知识和处方性知识之间的反馈循环。AI可以帮助科学家分析海量数据发现新规律，也可以帮助工程师快速优化设计和流程。但同时也需要警惕技术垄断和算法偏见等风险。
展望未来，处方性知识与命题性知识的互动将继续塑造经济和社会的发展轨迹。新兴技术如{{{合成生物学}}}、{{{量子计算}}}、{{{纳米技术}}}等，既依赖于深厚的科学理论基础，又需要大量的工程实践来实现商业应用。如何加速这些领域的知识创造和转化，将是未来政策制定者、企业家和研究者面临的核心挑战。
同时，我们也需要反思技术进步的方向和目的。持续的经济增长并不等同于可持续发展。技术创新可能带来环境破坏、社会不平等加剧等负面后果。因此，我们不仅需要更多的处方性知识来解决技术问题，还需要更好的制度安排和价值引导，确保技术进步造福全人类，而不是仅仅服务于少数人的利益。
正如Joel Mokyr等2025年诺贝尔经济学奖得主所展示的，理解知识的本质及其在经济增长中的作用，是我们把握历史、理解现在并塑造未来的关键。处方性知识作为连接理论与实践、科学与技术的桥梁，将继续在人类文明的进步中发挥核心作用。