人工智能是均衡器还是放大器？任务复杂度作为混合智能系统中人类专业知识的调节因素

中文速览

生成式人工智能究竟会缩小还是扩大人与人之间的能力差距，关键取决于任务是否需要复杂判断：在写标准邮件、客服回复或模板代码等结构清晰的工作中，它能把新手提升到合格水平，表现出“均衡器”效果；但在战略分析、系统设计和法律判断等复杂任务中，它更像“认知放大器”，结果高度依赖使用者界定问题、评估答案和反复修正的专业能力。论文结合既有实证研究和一个软件团队的实际观察，提出了三层人类贡献与三种参与程度的框架，并指出真正决定放大效果的是领域知识，而不只是会不会写提示词。研究的重要性在于，它提醒我们设计人机协作系统时不能只追求替代专家和提高产量，还应帮助用户培养判断力、针对不同水平提供适配界面，并防止新手把听起来合理的错误答案直接当成正确答案。

摘要

越来越多的实证研究表明，在常规任务上，生成式人工智能能够缩小新手与专家工作者之间的绩效差距，即所谓的“均衡器”效应。本文对这一结论的普遍性提出质疑。基于认知增强理论、专家—新手研究，以及对一个小型软件产品团队内部使用生成式人工智能情况的结构化观察，我们认为，人工智能主要发挥认知放大器的作用：其输出质量从根本上取决于引导它的人类所具备的专业知识。我们提出了一个框架，其中包括人类贡献的三个层次（问题定义、质量评估、迭代优化）和参与程度的三个水平（被动接受、迭代协作、认知引导），并论证领域专业知识，而非提示工程技能，决定了放大效能。我们通过提出如下观点，调和了均衡器与放大器两种视角：人工智能能够均衡结构良好且常规的任务上的绩效，同时会放大复杂任务上原本就存在的差异，而这类任务需要深层次的判断力。这一调和对人机混合系统设计具有直接启示：我们不应构建取代专业知识的人工智能，而应构建能够奖励并发展专业知识的人工智能。我们为人类与人工智能协作社区提出了一项研究议程，重点关注对专业知识敏感的人工智能设计、自适应协作界面，以及人工智能增强型工作中人类能力发展的纵向研究。

A growing body of empirical research suggests that generative AI narrows performance gaps between novice and expert workers on routine tasks—the so-called “equalizer” effect. This paper challenges the generality of that conclusion. Drawing on cognitive augmentation theory, expert-novice research, and structured observations of in-house generative-AI use across a small software product team, we argue that AI functions primarily as a cognitive amplifier: a system whose output quality depends fundamentally on the expertise of the human who directs it. We present a framework comprising three layers of human contribution (problem definition, quality evaluation, iterative refinement) and three levels of engagement (passive acceptance, iterative collaboration, cognitive direction), demonstrating that domain expertise—not prompt engineering skill—determines amplification effectiveness. We reconcile the equalizer and amplifier perspectives by proposing that AI equalizes performance on well-structured, routine tasks while amplifying pre-existing differences on complex tasks requiring deep judgment. This reconciliation carries direct implications for hybrid human-AI system design: rather than building AI that replaces expertise, we should build AI that rewards and develops it. We outline a research agenda for the HHAI community centered on expertise-sensitive AI design, adaptive collaboration interfaces, and longitudinal studies of human capability development in AI-augmented work.

术语表

generative AI

生成式人工智能

equalizer effect

均衡器效应

cognitive augmentation theory

认知增强理论

cognitive amplifier

认知放大器

expert-novice gap

专家—新手差距

problem definition

问题定义

quality evaluation

质量评估

iterative refinement

迭代优化

passive acceptance

被动接受

iterative collaboration

迭代协作

cognitive direction

认知引导

domain expertise

领域专业知识

prompt engineering

提示工程

task complexity

任务复杂度

contextual reasoning

情境推理

hybrid human-AI system

人机混合系统

hybrid intelligence system

混合智能系统

HHAI

人类与人工智能协作

jagged technological frontier

参差不齐的技术前沿

cognitive offloading

认知卸载

transactive memory

交互记忆

intelligence amplification

智能放大

IA

智能放大

augmentation factor

增强因子

agentic environment

智能体环境

Claude Code

Claude Code

Cursor

Cursor

GitHub Copilot

GitHub Copilot

METR

METR