李佩平
我們似乎正處在一個(gè)“收藏即掌握”的時(shí)代。
不管是知乎、論文庫(kù),還是小紅書(shū),只要看到一句金句、一篇好文、一個(gè)值得學(xué)習(xí)的案例,我們的第一反應(yīng)往往是點(diǎn)個(gè)收藏,留著以后看。然而,我們真的會(huì)“回頭再看”嗎?
讓我們先來(lái)看一個(gè)令人震驚的統(tǒng)計(jì):
知乎收藏:平均每人收藏文章547篇,實(shí)際回看率僅3.2%;論文收藏:研究生平均收藏論文284篇,深度閱讀率不足12%;小紅書(shū)收藏:用戶平均收藏內(nèi)容1,203條,二次瀏覽率僅1.8%。
你收藏夾里有多少吃灰的鏈接?你今天閱讀了50篇論文,都消化掉了嗎?
這背后反映的殘酷現(xiàn)實(shí)是:
?輸入≠努力:看了不等于學(xué)了;?收藏≠擁有:存了不等于會(huì)了;?思考≠積累:想了不等于留了。
如果有一個(gè)平臺(tái),讓你像刷小紅書(shū)一樣輕松,但每一次瀏覽與收藏都是給自己的認(rèn)知+1,每一次思考都能和AI共同進(jìn)化呢?上海創(chuàng)智學(xué)院發(fā)布創(chuàng)智"小紅書(shū)"(DeepCognition)——全球首個(gè)可以主動(dòng)構(gòu)建認(rèn)知并且讓認(rèn)知真正積累的AI平臺(tái),一個(gè)可以創(chuàng)造智慧的小紅書(shū)!
「線上體驗(yàn)」:https://opensii.ai/
信息過(guò)載的時(shí)代,如何識(shí)別高價(jià)值的洞見(jiàn)、認(rèn)知是無(wú)數(shù)人的痛點(diǎn)需求。在創(chuàng)智"小紅書(shū)"中,每一張卡片都承載著一條最新的認(rèn)知洞察。這里匯聚著數(shù)據(jù)驅(qū)動(dòng)的洞察,將最新研究的核心發(fā)現(xiàn)以直觀的方式呈現(xiàn);凝聚著理論突破的精華,用簡(jiǎn)潔明了的表達(dá)詮釋復(fù)雜深?yuàn)W的理論;沉淀著實(shí)踐智慧的結(jié)晶,通過(guò)經(jīng)驗(yàn)總結(jié)完成知識(shí)的深度萃取。
點(diǎn)擊體驗(yàn)一個(gè)具體的“認(rèn)知卡片”實(shí)例:https://www.opensii.ai/share/cognition/6874a6d69382ee3ddd828b77
為什么"收藏認(rèn)知"會(huì)提高你AI的認(rèn)知?
通過(guò)下面這個(gè)例子,我們來(lái)看,如何實(shí)現(xiàn)”你的每一次瀏覽與收藏,你的AI模型認(rèn)知都會(huì)隨之增加”。
具體來(lái)說(shuō),用戶日常刷認(rèn)知收藏的所有認(rèn)知,AI都會(huì)默默學(xué)習(xí)記錄下來(lái),習(xí)得該認(rèn)知內(nèi)容。下一次你和AI對(duì)話的時(shí)候,AI會(huì)帶著這些最新認(rèn)知去思考問(wèn)題,以及與你互動(dòng)。因此,每一張卡片,都是思考提煉的認(rèn)知,每一次收藏,都是認(rèn)知資產(chǎn)的積累?!笆詹亍边@個(gè)操作已經(jīng)被賦予了更多的價(jià)值,當(dāng)你實(shí)在沒(méi)有時(shí)間仔細(xì)閱讀的時(shí)候,點(diǎn)擊“收藏”,至少你把屬于你的AI模型認(rèn)知提高了,下一次AI可以更好的幫助你解決問(wèn)題
例如,詢問(wèn)如下問(wèn)題:
隨著大模型在contextengineering方面的能力提升,它們開(kāi)始具備處理多輪對(duì)話、長(zhǎng)期任務(wù)和研究語(yǔ)境的能力。我們?cè)撊绾螛?gòu)建一個(gè)可以持續(xù)參與科研過(guò)程、協(xié)同解決問(wèn)題,真正成為“AI科學(xué)家同事”的智能代理?
當(dāng)你向系統(tǒng)提出這個(gè)關(guān)于"AI科學(xué)家同事"的問(wèn)題時(shí),系統(tǒng)會(huì)自動(dòng)搜索你之前收藏過(guò)的相關(guān)認(rèn)知卡片。
AI會(huì)綜合這些你曾經(jīng)收藏的認(rèn)知資產(chǎn),結(jié)合最新的技術(shù)理解,給出個(gè)性化的回答:
"基于你之前關(guān)注的多智能體框架和長(zhǎng)期記憶機(jī)制,我建議構(gòu)建一個(gè)具備以下能力的AI同事系統(tǒng):1)持續(xù)學(xué)習(xí)你的研究偏好和工作習(xí)慣;2)維護(hù)項(xiàng)目上下文的長(zhǎng)期記憶;3)主動(dòng)提出研究假設(shè)和實(shí)驗(yàn)設(shè)計(jì);4)具備跨任務(wù)的知識(shí)遷移能力..."
這樣,你的每一次收藏都在為未來(lái)更精準(zhǔn)的AI對(duì)話做準(zhǔn)備,真正實(shí)現(xiàn)了"收藏即學(xué)習(xí),對(duì)話即智慧"。
通過(guò)這樣的方式,將認(rèn)知系統(tǒng)化構(gòu)建以及平臺(tái)化,還可以獲得其它許多獨(dú)一無(wú)二的功能:
1.認(rèn)知榜單&周報(bào)總結(jié)
展示本周熱門(mén)認(rèn)知話題排行榜(如評(píng)估指標(biāo)、基準(zhǔn)測(cè)試、人工標(biāo)注等)以及社區(qū)學(xué)習(xí)動(dòng)態(tài)總結(jié)
2.特色功能:認(rèn)知個(gè)性化訂閱&分享
根據(jù)自己專注的技術(shù)領(lǐng)域(如機(jī)器學(xué)習(xí)、數(shù)據(jù)科學(xué)等)和領(lǐng)域名人收藏專屬的認(rèn)知內(nèi)容,并與社區(qū)分享。
3.特色功能:認(rèn)知合成
認(rèn)知合成將分散的觀點(diǎn)思維融合,形成新的深度理解和認(rèn)知。
創(chuàng)智“小紅書(shū)”背后的技術(shù)原理是什么?
創(chuàng)智學(xué)院同時(shí)也公開(kāi)了相關(guān)的技術(shù)論文《交互即智能》,揭示了人機(jī)協(xié)作關(guān)系的變革。
論文題目:InteractionasIntelligence:DeepResearchWithHuman-AIPartnership論文地址:https://arxiv.org/pdf/2507.15759項(xiàng)目首頁(yè)/試用網(wǎng)址:https://opensii.ai/
具體來(lái)說(shuō),創(chuàng)智"小紅書(shū)"所解決的認(rèn)知積累問(wèn)題,實(shí)際上揭示了當(dāng)前人機(jī)交互模式的根本性缺陷。認(rèn)知無(wú)法積累的表面原因是平臺(tái)設(shè)計(jì)問(wèn)題,但深層原因是AI仍停留在"效率工具"階段,而非"認(rèn)知伙伴"。
傳統(tǒng)的"效率工具"模式采用"存儲(chǔ)-檢索"邏輯:用戶負(fù)責(zé)收藏和存儲(chǔ)信息,平臺(tái)負(fù)責(zé)保存和檢索內(nèi)容,認(rèn)知處理完全依賴人類大腦的記憶和聯(lián)想。這種模式的根本問(wèn)題在于:它將人和機(jī)器割裂開(kāi)來(lái),把認(rèn)知處理的重?fù)?dān)完全推給了人類。用戶在信息過(guò)載中疲于奔命,AI系統(tǒng)卻只能被動(dòng)響應(yīng),無(wú)法主動(dòng)參與認(rèn)知的構(gòu)建和積累過(guò)程[2],在完成長(zhǎng)復(fù)雜任務(wù)的過(guò)程中,往往會(huì)帶來(lái)錯(cuò)誤積累[3,4]。
該技術(shù)論文指出,當(dāng)前的假設(shè)根本上誤解了智能本身的性質(zhì),互動(dòng)本身構(gòu)成了智能的基本維度。未來(lái),人與AI交互的范式將從最小化人類參與的“效率工具”模式,進(jìn)化為“認(rèn)知伙伴”關(guān)系。
該工作定義了一種新范式“交互即智能(InteractionasIntelligence)”,論文提出了一個(gè)根本性的重新認(rèn)知:智能——無(wú)論是人類還是人工智能——本質(zhì)上都是交互式的、情境化的、協(xié)作的。最復(fù)雜的人類思維很少孤立發(fā)生,而是通過(guò)對(duì)話、反饋、精化和多元視角整合而涌現(xiàn)。
正如論文開(kāi)篇引言所述:
"智能不是孤立心靈的屬性,而是在心靈之間的舞蹈中涌現(xiàn)的。問(wèn)題不在于各個(gè)組件有多聰明,而在于它們?nèi)绾尉实亟换ァ?
基于"交互即智能"的理論基礎(chǔ),該工作提出了認(rèn)知監(jiān)督(CognitiveOversight)這一全新的人機(jī)協(xié)作范式。它將人類從被動(dòng)的工具操作者轉(zhuǎn)變?yōu)橹鲃?dòng)的認(rèn)知協(xié)作者,與AI形成真正的智能共同體。
從“刷認(rèn)知”到“使用認(rèn)知”-
DeepCognition系統(tǒng)
創(chuàng)智"小紅書(shū)"作為認(rèn)知平臺(tái),與深度研究系統(tǒng)形成完美的理論-實(shí)踐閉環(huán),形成了DeepCognition系統(tǒng),可以不僅進(jìn)行認(rèn)知學(xué)習(xí),還可以用習(xí)得的認(rèn)知去解決高價(jià)值場(chǎng)景復(fù)雜的問(wèn)題。具體來(lái)說(shuō):
一、深度研究系統(tǒng):多智能體協(xié)同認(rèn)知框架
1.研究智能體(ResearchAgent)研究智能體作為系統(tǒng)的核心大腦,能夠接收多模態(tài)輸入并采用"交替思考-行動(dòng)"的先進(jìn)方法進(jìn)行深度推理,集成了o1、DeepSeek-R1、ClaudeSonnet4等最先進(jìn)的推理模型,確保研究過(guò)程的嚴(yán)謹(jǐn)性和前沿性。
2.瀏覽智能體(BrowsingAgent)瀏覽智能體則充當(dāng)系統(tǒng)的感知器官,通過(guò)智能URL選擇、并行網(wǎng)頁(yè)抓取和基于LLM的質(zhì)量評(píng)估,為研究提供高質(zhì)量的信息支撐,同時(shí)過(guò)濾噪音和無(wú)關(guān)內(nèi)容。
3.偏好智能體(PreferenceAgent)是整個(gè)框架的學(xué)習(xí)中樞,基于上下文強(qiáng)化學(xué)習(xí)(ICRL)范式,持續(xù)學(xué)習(xí)和適應(yīng)用戶的個(gè)性化偏好。它跟蹤用戶在查詢、網(wǎng)頁(yè)瀏覽和報(bào)告生成三個(gè)維度的行為模式,將每一次用戶交互轉(zhuǎn)化為優(yōu)化系統(tǒng)性能的寶貴信號(hào)。
深度研究系統(tǒng)具備如下強(qiáng)交互特性:
特征一:透明的研究過(guò)程:界面通過(guò)多種機(jī)制建立透明度,使用戶可以看到和理解系統(tǒng)的決策過(guò)程。通過(guò)直接展示模型的推理過(guò)程和生成的查詢?cè)~,搜索策略的可解釋性得以支持。界面左側(cè)的編輯器顯示不斷演進(jìn)的研究文檔,并提供“編輯”按鈕允許用戶直接修改。所有發(fā)現(xiàn)都恰當(dāng)?shù)劓溄踊卦紒?lái)源,方便用戶追溯。特征二:實(shí)時(shí)干預(yù):系統(tǒng)實(shí)現(xiàn)了一個(gè)“暫?!惫δ?,使用戶在整個(gè)研究過(guò)程中保持控制權(quán)。用戶可以在任何時(shí)刻中斷系統(tǒng),包括在顯示“正在分析技術(shù)突破,請(qǐng)參考...”等進(jìn)度指示時(shí)。特征三:細(xì)粒度交互:當(dāng)用戶提出模糊的研究問(wèn)題時(shí),界面會(huì)彈出一個(gè)澄清框,提出有針對(duì)性的問(wèn)題以幫助縮小范圍,就像研究館員在問(wèn)“您具體在找什么?”。用戶可以優(yōu)先選擇偏好的搜索查詢,并指定希望重點(diǎn)關(guān)注的特定網(wǎng)頁(yè)或知識(shí)來(lái)源。特征四:用戶研究偏好自適應(yīng):系統(tǒng)在多個(gè)維度上適應(yīng)用戶的偏好和要求,提供個(gè)性化的研究輔助。系統(tǒng)會(huì)根據(jù)用戶的歷史數(shù)據(jù)和選擇生成參考畫(huà)像,從過(guò)去的交互中學(xué)習(xí),以更好地匹配個(gè)人的研究方法。隨著研究目標(biāo)的演變,系統(tǒng)能在不丟失先前交互上下文的情況下適應(yīng)新的需求。
該系統(tǒng)體現(xiàn)透明度、細(xì)粒度、實(shí)時(shí)交互特性的Multi-Agent-Human協(xié)作機(jī)制設(shè)計(jì)。
對(duì)比DeepCognition和主流深度研究系統(tǒng)的創(chuàng)新點(diǎn)。
二、認(rèn)知平臺(tái)系統(tǒng):創(chuàng)智"小紅書(shū)"
創(chuàng)智"小紅書(shū)"作為認(rèn)知平臺(tái)系統(tǒng),是DeepCognition從理論研究走向?qū)嶋H應(yīng)用的關(guān)鍵橋梁,它將復(fù)雜的AI研究能力轉(zhuǎn)化為用戶友好的認(rèn)知服務(wù)體驗(yàn)。
4.認(rèn)知卡片生成引擎:認(rèn)知卡片生成引擎是平臺(tái)的核心創(chuàng)新,它能夠自動(dòng)將深度研究系統(tǒng)產(chǎn)生的復(fù)雜成果轉(zhuǎn)化為結(jié)構(gòu)化、可視化的認(rèn)知卡片,每張卡片都承載著經(jīng)過(guò)精心提煉的核心洞察、關(guān)鍵數(shù)據(jù)和重要結(jié)論,并配備可視化的知識(shí)圖譜和思維導(dǎo)圖,讓復(fù)雜的研究成果變得易于理解和吸收。
5.認(rèn)知積累機(jī)制:認(rèn)知積累機(jī)制則是平臺(tái)的智能推薦系統(tǒng),它基于用戶的行為數(shù)據(jù)驅(qū)動(dòng)個(gè)性化推薦,通過(guò)認(rèn)知關(guān)聯(lián)度的智能算法組織卡片內(nèi)容,實(shí)現(xiàn)認(rèn)知資產(chǎn)的復(fù)利增長(zhǎng)效應(yīng),確保用戶的每一次學(xué)習(xí)都能在現(xiàn)有認(rèn)知基礎(chǔ)上產(chǎn)生價(jià)值疊加。
實(shí)驗(yàn)1:量化驗(yàn)證認(rèn)知監(jiān)督的威力
為了衡量“交互”本身所帶來(lái)的價(jià)值,研究進(jìn)行了一項(xiàng)關(guān)鍵的消融實(shí)驗(yàn):將具備完整功能的“深度認(rèn)知”(DeepCognition,DC)系統(tǒng)與一個(gè)移除了交互模塊、只能以“輸入-等待-輸出”模式運(yùn)行的版本(DCnon-interaction)進(jìn)行對(duì)比。結(jié)果是驚人的,如下表所示,交互的引入帶來(lái)了全方位的、巨大的質(zhì)量提升[1]。
數(shù)據(jù)顯示,交互的引入使得最終報(bào)告的平均質(zhì)量提升了63%。其中,提升最為顯著的是報(bào)告的“組織性(Organization)”(+97%)、“前沿性(Cutting-Edge)”(+79%)和“深度(Depth)”(+76%)。這一結(jié)果有力地證明了研究的核心論點(diǎn):最大的性能飛躍并非來(lái)自一個(gè)更強(qiáng)大的底層模型,而是來(lái)自一個(gè)更優(yōu)越的交互范式。當(dāng)用戶能夠?qū)崟r(shí)引導(dǎo)、修正和注入知識(shí)時(shí),AI生成的最終成果質(zhì)量發(fā)生了質(zhì)變。
表1:交互對(duì)報(bào)告質(zhì)量的提升效果(DCvs.DCwithoutinteraction)
在與當(dāng)前市場(chǎng)領(lǐng)先的商業(yè)深度研究系統(tǒng)(Gemini,OpenAI,Grok)的直接對(duì)比中,“深度認(rèn)知”系統(tǒng)同樣展現(xiàn)出全面的優(yōu)勢(shì)。評(píng)估從兩個(gè)維度展開(kāi):一是用戶對(duì)最終報(bào)告質(zhì)量的主觀評(píng)分,二是用戶對(duì)交互過(guò)程體驗(yàn)的評(píng)分[1]。
左圖:專家用戶針對(duì)專業(yè)領(lǐng)域科研問(wèn)題,對(duì)最終報(bào)告質(zhì)量的評(píng)分對(duì)比(本系統(tǒng)vsGemini/OpenAI/Grok);右圖:各系統(tǒng)交互體驗(yàn)評(píng)分。
專家用戶對(duì)系統(tǒng)交互功能各項(xiàng)指標(biāo)的評(píng)價(jià)結(jié)果分布,各功能都獲得了用戶的高度認(rèn)可。
在交互體驗(yàn)方面,“深度認(rèn)知”系統(tǒng)在七項(xiàng)評(píng)估指標(biāo)中的六項(xiàng)上占據(jù)主導(dǎo)地位。尤其是在體現(xiàn)其核心設(shè)計(jì)理念的指標(biāo)上,優(yōu)勢(shì)尤為突出:
透明度(Transparency):獲得了完美的5.00分,比表現(xiàn)最好的競(jìng)品高出25.0%。細(xì)粒度交互(Fine-GrainedInteraction):獲得了4.73分,領(lǐng)先優(yōu)勢(shì)高達(dá)44.6%。協(xié)作性(Cooperative):獲得了4.62分,領(lǐng)先優(yōu)勢(shì)達(dá)到43.0%。
這些數(shù)據(jù)表明,該研究不僅在理論上是先進(jìn)的,其最終實(shí)現(xiàn)的產(chǎn)品也為用戶帶來(lái)了更具協(xié)作感和可控性的使用體驗(yàn)。
實(shí)驗(yàn)2:"專家思維放大"效應(yīng):
這項(xiàng)測(cè)試要求系統(tǒng)在復(fù)雜的網(wǎng)絡(luò)環(huán)境中尋找難以發(fā)現(xiàn)的信息,極大地考驗(yàn)了系統(tǒng)的推理和執(zhí)行能力。研究結(jié)果清晰地揭示了“認(rèn)知伙伴關(guān)系”的巨大威力。
表2:BrowseComp-ZH基準(zhǔn)測(cè)試準(zhǔn)確率對(duì)比[1]。DC(cog+int.)指與研究生級(jí)用戶實(shí)時(shí)交互協(xié)作的模式;DC(nonint.)指無(wú)人干預(yù)的自主模式。
這一結(jié)果堪稱深度研究領(lǐng)域的“半人馬時(shí)刻”(Centaurmoment),它呼應(yīng)了當(dāng)年國(guó)際象棋比賽中,人類棋手與AI程序組成的“半人馬”團(tuán)隊(duì)擊敗最強(qiáng)超級(jí)計(jì)算機(jī)的歷史性事件。數(shù)據(jù)揭示了幾個(gè)關(guān)鍵事實(shí):
1.協(xié)作遠(yuǎn)勝單打獨(dú)斗:“專家+AI”組合的72.73%準(zhǔn)確率,遠(yuǎn)高于任何一個(gè)獨(dú)立運(yùn)行的AI系統(tǒng)(最高約41%)。
2.專家知識(shí)是關(guān)鍵:同樣的系統(tǒng),在專家手中(72.73%)和在非專家手中(45.45%)的表現(xiàn)差異巨大。
3.交互是釋放專家潛能的鑰匙:即使是“深度認(rèn)知”系統(tǒng),在沒(méi)有人類交互的情況下自主運(yùn)行時(shí),其表現(xiàn)也僅與普通商業(yè)AI持平(40.91%)。
這組數(shù)據(jù)背后隱藏著一個(gè)深刻的價(jià)值主張。它表明,當(dāng)前主流的自主型AI工具,實(shí)際上正在浪費(fèi)其最有價(jià)值的資源——人類專家的智慧。一個(gè)獨(dú)立運(yùn)行的AI在復(fù)雜任務(wù)上可能只有41%的成功率,這意味著它在多數(shù)情況下是失敗的。然而,當(dāng)同一個(gè)任務(wù)交由一位專家使用“深度認(rèn)知”系統(tǒng)來(lái)完成時(shí),成功率躍升至近73%。這之間大約32個(gè)百分點(diǎn)的巨大差距,就是被“深度認(rèn)知”框架所釋放和放大的、專家的認(rèn)知價(jià)值。
因此,這項(xiàng)研究的真正價(jià)值主張并非簡(jiǎn)單地宣稱“我們的AI更強(qiáng)”,而是“我們的系統(tǒng)讓您的專家變得更強(qiáng)”。它將“認(rèn)知伙伴關(guān)系”和“互補(bǔ)性”這些抽象概念,用一個(gè)具體、可量化的性能指標(biāo)呈現(xiàn)出來(lái),這對(duì)于任何依賴專家知識(shí)進(jìn)行決策的組織或個(gè)人而言,都具有無(wú)與倫比的吸引力。這正是系統(tǒng)在“投入產(chǎn)出比”(Results-Worth-Effort)指標(biāo)上同樣領(lǐng)先的原因。
實(shí)驗(yàn)3:人機(jī)回環(huán):解密「動(dòng)態(tài)自主性」
該研究中關(guān)于人類行為的定性發(fā)現(xiàn)揭示了用戶在與高度交互式AI協(xié)作時(shí)所表現(xiàn)出的復(fù)雜模式,展示了該系統(tǒng)設(shè)計(jì)對(duì)人類認(rèn)知習(xí)慣的深刻理解。
超越開(kāi)關(guān)模式:人機(jī)交互的戰(zhàn)略性舞蹈
研究發(fā)現(xiàn),高效的人機(jī)協(xié)作并非一種恒定的、高強(qiáng)度的互動(dòng)狀態(tài)。相反,用戶會(huì)根據(jù)任務(wù)的不同階段和認(rèn)知需求,在“親力親為”(Hands-on)和“放手信任”(Hands-off)兩種模式之間進(jìn)行動(dòng)態(tài)、戰(zhàn)略性的切換。研究將這一現(xiàn)象概括為“動(dòng)態(tài)自主性”(DynamicAutonomy)。
這種模式的發(fā)現(xiàn),本身就是對(duì)傳統(tǒng)人機(jī)交互設(shè)計(jì)理念的一次重要超越。它表明,用戶的需求不是一個(gè)簡(jiǎn)單的“開(kāi)/關(guān)”——要么完全控制,要么完全放手。真實(shí)的需求是一種靈活的、可調(diào)節(jié)的控制權(quán)分配。
認(rèn)知協(xié)作的六個(gè)階段
通過(guò)對(duì)用戶行為的細(xì)致觀察,研究將復(fù)雜的深度研究過(guò)程分解為六個(gè)不同階段,并清晰地描繪出用戶在每個(gè)階段的協(xié)作意愿變化,如上圖所示:
親力親為(Hands-on)-人類智慧主導(dǎo)
1.問(wèn)題澄清(Clarification):在研究初期,面對(duì)模糊、開(kāi)放式的問(wèn)題,用戶會(huì)高度參與,與AI一同迭代、細(xì)化研究范圍。例如,參與者P1最初提出寬泛?jiǎn)栴}后,會(huì)主動(dòng)補(bǔ)充具體技術(shù)方向,并認(rèn)為AI提出的澄清問(wèn)題“包含了自己未曾想到的方面”(1)。這是人類戰(zhàn)略性思維和框架構(gòu)建能力發(fā)揮最大價(jià)值的時(shí)刻。
2.專家知識(shí)注入(UserKnowledgeInput):當(dāng)用戶擁有明確的領(lǐng)域知識(shí)、特定的參考文獻(xiàn)或個(gè)人見(jiàn)解時(shí),他們會(huì)再次高度介入,主動(dòng)引導(dǎo)AI關(guān)注關(guān)鍵信息源。
3.實(shí)時(shí)干預(yù)(Real-timeIntervention):在AI瀏覽信息的過(guò)程中,當(dāng)用戶發(fā)現(xiàn)有價(jià)值或存在偏差的內(nèi)容時(shí),會(huì)立即介入,調(diào)整AI的行為以符合預(yù)期。
4.網(wǎng)絡(luò)搜索(WebSearch):對(duì)于需要主觀判斷或開(kāi)放式解讀的問(wèn)題,用戶同樣傾向于親身參與,因?yàn)檫@類任務(wù)對(duì)現(xiàn)有工具最具挑戰(zhàn)性。
放手信任(Hands-off)-AI能力主導(dǎo)
5.推理過(guò)程(Reasoning):有趣的是,在AI進(jìn)行內(nèi)部推理和分析時(shí),用戶的協(xié)作意愿反而降低。他們更傾向于退后一步,觀察AI如何自主處理指令,并評(píng)估其決策的透明度和質(zhì)量。如P12所述,他們希望看到“模型在面對(duì)開(kāi)放問(wèn)題時(shí)如何決定關(guān)鍵技術(shù)路線”。
6.網(wǎng)頁(yè)摘要(WebSummary):在需要對(duì)大量信息進(jìn)行整合與摘要時(shí),用戶表現(xiàn)出對(duì)AI自主性的高度信任。他們需要的是經(jīng)過(guò)AI處理后的綜合性見(jiàn)解,而非原始信息的堆砌,因此愿意讓AI長(zhǎng)時(shí)間自主運(yùn)行。
這一“動(dòng)態(tài)自主性”模型的提出,為設(shè)計(jì)更高效、更少挫敗感的人機(jī)協(xié)作系統(tǒng)提供了一份寶貴的藍(lán)圖。當(dāng)前AI助手的一個(gè)常見(jiàn)設(shè)計(jì)缺陷,是它們往往強(qiáng)迫用戶接受一種單一的交互模式:要么需要用戶進(jìn)行繁瑣的微觀管理,要么就提供極少的控制權(quán),讓用戶感到失控。該研究通過(guò)對(duì)用戶真實(shí)行為的觀察發(fā)現(xiàn),用戶真正需要的不是一個(gè)固定的控制級(jí)別,而是在不同認(rèn)知子任務(wù)間靈活切換控制權(quán)的能力。
例如,在需要?jiǎng)?chuàng)造性、發(fā)散性思維的“問(wèn)題澄清”階段,用戶渴望“親力親為”的主導(dǎo)權(quán);而在需要機(jī)械性、收斂性處理的“網(wǎng)頁(yè)摘要”階段,用戶則樂(lè)于“放手信任”,將任務(wù)委托給AI。這一發(fā)現(xiàn)的設(shè)計(jì)啟示是深刻的:未來(lái)的AI系統(tǒng)不應(yīng)預(yù)設(shè)一種最佳交互風(fēng)格,而應(yīng)被設(shè)計(jì)成能夠支持這種控制權(quán)動(dòng)態(tài)轉(zhuǎn)移的平臺(tái)。這意味著,系統(tǒng)需要為高參與度階段提供強(qiáng)大、易用的控制工具,同時(shí)為低參與度階段提供穩(wěn)定、值得信賴的自動(dòng)化能力。
總結(jié)
DeepCognition和創(chuàng)智"小紅書(shū)"進(jìn)一步證明:AI的價(jià)值不再只取決于參數(shù)規(guī)模,而是認(rèn)知深度。而認(rèn)知深度的實(shí)現(xiàn),需要人機(jī)之間的深度交互和協(xié)作,更需要從"效率工具"向"認(rèn)知伙伴"的根本性轉(zhuǎn)變。
創(chuàng)智"小紅書(shū)"開(kāi)啟的不僅是一個(gè)產(chǎn)品,更是一個(gè)時(shí)代:
認(rèn)知民主化:讓每個(gè)人都能輕松積累和分享智慧智慧社會(huì)化:構(gòu)建基于認(rèn)知共享的新型社會(huì)關(guān)系文明加速化:推動(dòng)人類認(rèn)知水平的整體躍遷
當(dāng)認(rèn)知成為可積累、可分享、可增值的資產(chǎn),當(dāng)交互成為智能本身,當(dāng)AI從工具進(jìn)化為伙伴,我們正在重新定義人類與AI共同進(jìn)化的未來(lái)。
文中視頻鏈接:https://mp.weixin.qq.com/s/KrbK8oVsy5rNQCYJ_ykEWA
參考文獻(xiàn):
[1]InteractionasIntelligence:DeepResearchWithHuman-AIPartnership
[2]"helpmehelptheai":Understandinghowexplainabilitycansupporthuman-aiinteraction
[3]Whydomulti-agentllmsystemsfail?
[4]Ironiesofautomation
來(lái)源:紅網(wǎng)
作者:徭舟
編輯:商凌青
本文為紅辣椒評(píng)論 原創(chuàng)文章,僅系作者個(gè)人觀點(diǎn),不代表紅網(wǎng)立場(chǎng)。轉(zhuǎn)載請(qǐng)附原文出處鏈接和本聲明。