协作智能：它是什么以及如何运作

协作智能是指人类智能与人工智能协同工作，共同实现任何一方单独都无法达成的成果。

这个术语有其明确含义。不是 AI 取代人类，也不是人类监管 AI，而是两种智能积极协作，各自发挥所长，产出优于任何一方独立工作时的结果。

人类带来创造力、情境理解、伦理推理能力，以及跨领域迁移知识的能力。AI 带来处理速度、大规模模式识别、一致性，以及对海量数据集不知疲倦的分析能力。协作智能就是将这些互补能力转化为富有成效的合作关系。

随着组织发现纯自动化的局限性，这一概念正不断获得关注。一项涵盖 1,500 家公司的研究发现，那些主要为了削减员工数量而推动自动化的公司，只能获得短期生产力提升。最大的绩效改善出现在人机协同工作、彼此强化优势的时候。Harvard Business Review 发布了这些研究发现，并指出 AI 更大的影响在于补充和增强人类能力，而不是取代人类。

协作智能与混合智能的区别

协作智能和混合智能这两个术语经常被交替使用。两者都描述人类与 AI 的合作关系。区别很细微，但值得注意。

协作智能更强调合作关系本身。人类与 AI 像队友一样朝着共同目标工作。重点在于它们如何互动、沟通与协同。

混合智能更强调系统层面。即将人类智能与机器智能结合成一种新的能力。Hybrid Intelligence Centre 将其定义为增强人类智力与能力，而不是取代它们，从而实现人类或机器单独都无法达到的目标。

在实践中，这两个术语描述的是同一种现象：有意识地结合人类与 AI 的能力，产出优于任一方单独工作的结果。比起术语本身，更重要的是其背后的原则。对于复杂问题，纯自动化和纯人工都无法带来最佳结果。二者结合才可以。

协作智能究竟如何运作

协作智能并不是单一模型。它会因任务类型、涉及的 AI 能力以及所需的人类专业知识不同，而呈现出不同形式。

AI 处理规模，人类处理例外情况

这是最常见的模式。AI 负责处理大量常规案例。人类则处理需要判断力的例外情况、模糊情形和边缘案例。

客户服务就是典型例子。AI 聊天机器人高效处理标准咨询。复杂或带有情绪色彩的问题则转交给人工客服。AI 可以同时处理成千上万次互动，而人类则把注意力集中在最关键的地方。

内容审核也遵循类似逻辑。AI 大规模标记潜在问题内容。对于那些是否合适取决于具体语境的模糊案例，最终决策由人工审核员做出。任何一方单独都无法完成全部任务。

人类制定方向，AI 负责执行

战略决策仍由人类掌握。AI 则以人类无法匹敌的速度和规模执行这些决策。

投资管理就是这样运作的。投资组合经理设定策略、风险承受水平和资产配置准则。AI 根据这些参数执行交易、监控持仓并重新平衡投资组合。人类负责对市场状况和客户需求做出判断。AI 则提供执行速度和一致性。

营销活动也有类似模式。人类制定策略、信息表达和创意方向。AI 则在各个平台上优化广告投放、竞价、定向和时机。人类创意与 AI 优化相结合，效果优于任何一方单独发挥。

AI 生成，人类打磨

生成式 AI 创造了新的协作模式。AI 产出草稿、选项和不同变体。人类负责选择、优化并最终定稿。

设计工作流程越来越多地采用这种方式。AI 根据文本提示生成几十种视觉概念。设计师评估、组合并进一步发展其中最有潜力的方向。AI 提供数量和变化，人类提供审美和判断。

写作协作也展现出类似动态。AI 起草内容，人类作者进行编辑、事实核查并加入个人风格。human AI collaboration guide 更详细地介绍了这些工作流程。这种组合在保持 AI 单独无法实现的质量标准的同时，也比纯人工写作更高效地产出内容。

人类教学，AI 学习

有些协作智能涉及持续性的训练关系。人类提供反馈，随着时间推移不断提升 AI 的表现。

医学影像就是一个例子。放射科医生会复核 AI 标记的影像，确认或纠正评估结果。这些修正又会反馈到模型训练中。AI 变得更好，放射科医生需要处理的误报更少。双方都在协作中不断提升。

协作智能在哪些情况下效果最好

并非所有任务都能从人机协作中同等受益。研究有助于识别这种组合在哪些场景下最能创造价值。

发表在 Nature Human Behaviour 上的一项元分析研究了 106 个实验，比较了纯人工、纯 AI 以及人机结合的表现。结果相当细致。总体上，人机系统优于纯人工，但并没有持续稳定地超过纯 AI。它的优势在特定情境下最为明显。

创作类任务最具潜力。内容生成、设计、写作。这些任务受益于 AI 产生大量内容和多样变化的能力，再加上人类对质量与适用性的判断。

需要情境判断的任务，比起纯自动化更适合人机协作。比如规则无法覆盖所有情况、文化语境很重要、例外情况很常见的场景。AI 为标准案例提供一致性，人类则为其他情况提供判断力。

高风险决策值得采用协作方式。医疗诊断、法律分析、财务建议都是如此。即使 AI 的准确率很高，错误所带来的后果也足以说明人工监督的必要性。

而对于答案明确且拥有充足训练数据的任务，纯 AI 可能更占优势。例如大规模模式识别、常规计算、一致性的规则应用。在这些流程中加入人类，反而可能因为引入人为错误而降低准确性。

理解这些模式，有助于组织设计真正能改善结果的协作系统，而不是仅仅增加复杂度。

构建协作智能系统

高效的人机协作需要经过深思熟虑的设计。有几个因素决定着成败。

任务分配必须明确

哪些决策由 AI 自主做出？哪些需要人工审核？哪些是由人类决策、AI 提供辅助？模糊不清只会带来混乱和错误。

清晰分配的前提是理解双方各自擅长什么。AI 擅长处理大量任务、保持一致性以及分析结构化数据。人类擅长应对模糊性、应用语境以及做出伦理判断。任务应据此分配。

界面必须支持协作

人类需要理解 AI 在做什么以及为什么这么做。AI 也需要以可用的形式接收人类输入。二者之间的界面决定了协作质量。

糟糕的界面会制造摩擦。人类无法解读 AI 的输出，AI 无法吸收人类反馈。协作会沦为瓶颈，而不是优势。

好的界面会让 AI 的推理更加透明，让人类更容易提供输入，并展示置信度水平，使人类知道何时该信任 AI 输出，何时该仔细审查。

信任必须得到恰当校准

过度信任 AI，会让人类接受错误输出。过度不信任，则会让人类推翻正确输出。两种情况都无法带来好结果。

经过校准的信任来自对系统的实际使用经验。了解它在哪些方面表现出色，在哪些方面存在困难。培训有帮助，关于准确率的反馈有帮助，关于 AI 局限性的透明说明也有帮助。

系统必须从协作中学习

静态的人机系统错过了一个关键收益。协作应当让双方随着时间推移都得到提升。AI 从人类修正中学习，人类学习 AI 的能力与局限。整个系统也因此变得更好。

为学习而设计意味着要捕捉反馈、记录人工覆盖、追踪结果，并利用这些数据持续改进模型和界面。

各领域中的协作智能

不同领域会以适合自身特定挑战的方式实施协作智能。

医疗健康将 AI 诊断辅助与临床判断结合起来。AI 分析影像、识别模式、提出诊断建议。医生则结合患者病史、体格检查结果和临床经验做出判断。医疗领域中的 Collaborative AI 并不是为了取代医生，而是为他们提供更好的决策信息。

法律工作使用 AI 进行文档审查、研究和合同分析。律师则在策略、解释和客户利益方面运用判断。AI 处理的是任何人工团队都无法审阅的海量内容。律师则专注于真正需要法律专业知识的事务。

科学研究也越来越多地涉及 AI 与人类的合作。AI 在数据集中识别模式，研究人员提出假设；AI 帮助设计实验，研究人员解释结果。这种协作加速了发现过程。

软件开发则通过 AI 编码助手体现协作智能。开发者描述意图，AI 生成代码，开发者审核、修改并集成。Coding collaboration tools 正越来越多地将这种 AI 协作直接嵌入开发环境中。

Kuse 如何支持协作智能

协作智能会产生知识：AI 输出、人类优化、决策依据、修正与反馈、成功的方法以及失败的尝试。

这些知识分散在各种工具、文档和对话中。想找到过去哪些方法有效，会变得很困难。要从以往协作中学习，就必须记得信息存放在哪里。

Kuse 会组织这些协作知识，帮助团队基于已有经验持续积累。当一个新项目需要过去那些行之有效的 AI 提示词模式时，它们是可查找的。当有人想了解某个人机工作流为什么会被设计成那样时，相关背景是存在的。当团队希望改进自己的协作方式时，历史记录是可访问的。

协作智能通过持续积累的学习而不断改进。知识管理让这种积累真正发挥作用，而不是白白流失。

结论

协作智能代表了一种务实的人机合作框架。不是取代，也不是监管，而是积极协作，让各方凭借自身独特能力共同实现目标。

这种方法之所以有效，是因为人类与 AI 确实彼此互补。AI 处理人类做不到的，人类理解 AI 做不到的。二者结合，能够应对任何一方单独都无法解决的问题。

成功需要有意识的设计。清晰的任务分配、有效的界面、经过校准的信任，以及能够随着时间从协作中学习的系统。

那些掌握协作智能的组织，将胜过那些追求纯自动化或抗拒采用 AI 的组织。未来不是人类对抗机器，而是人类与机器并肩，让彼此变得更强。

‍