这个方向在问什么

大多数关于人机协作的讨论隐含一个假设: 双方在做同一件事, 只是效率不同。我们认为这个假设是错的。

人与模型的认知性质有系统性差异: 一方有连续的处境记忆、有利害、会承担后果; 另一方覆盖面极广、无立场、每次输出相互独立。差异是互补的来源, 也是失配的来源。 这个方向要问的是: 在什么条件下差异产生互补, 什么条件下它产生失配。

为什么现在值得研究

因为一种特定的失配正在变得普遍: 过度顺从。当模型被调教得倾向于同意, 表面上协作顺畅, 实际上人失去了它最有价值的东西——一个不共享自己盲区的视角。

★ 这个失配很难被察觉, 因为它的表征是"配合得很好"。

我们目前的工作立场

一、互补的前提是分歧能够出现并被认真对待。 一个总是同意你的协作者不会提高你的判断质量。因此我们把"能否引发有价值的分歧"当作协作有效性的一项判据, 而不是把顺畅当判据。

二、共频先于共创。 双方必须先在目标、边界、判据上取得可检验的一致, 否则产出只是轮流输出——拼起来看着完整, 但没有一处是共同想清楚的。展开见什么是共频。

三、人的不可替代性集中在三处: 价值判断 (什么算好)、处境判断 (在这里是否说得通)、终审 (承担后果)。这三处不是暂时的能力差距, 而是位置差异, 不会随能力提升而消失。

四、协作的成本被系统性低估。 共创要求把原本隐性的判断外化, 这对个人是真实的额外负担。宣称"AI 让工作更轻松"在多数严肃场景里并不准确——它让工作更可靠, 代价是前期更费神。

什么会改变我们的判断

• 如果出现能稳定引发有价值分歧的交互方式, 并被广泛采用, 那么"过度顺从"不再是主要失配, 研究重心应当转移。
• 如果模型开始能够可靠获取并使用处境信息, 则"处境判断不可替代"需要重新论证。
• 如果实证显示外化成本可以被大幅降低, 那么我们对协作代价的判断偏保守。

我们如何观察

在真实任务中记录三件事: 分歧出现的频次与质量、共频建立所花的时间、以及协作产出与单独产出的实质差异 (用"拿掉任一方结果是否明显不同"作判据)。这是人机共创框架在研究场景下的直接应用。