人工智能是均衡器还是放大器？任务复杂度作为人机混合智能系统中人类专长的调节因素

中文速览

生成式 AI 究竟能缩小新手与专家的差距，还是让差距更大，关键要看任务有多复杂。作者结合已有研究和一支软件团队的日常观察提出：在写标准邮件、处理常规代码等任务上，AI 能帮新手追上来；但在需要专业判断的复杂工作中，AI 更像“认知放大器”，会放大使用者提出问题、判断答案和反复改进的能力差异。研究还提醒，光会写提示词并不够，真正决定效果的是领域知识，以及能不能识别 AI 看似合理却有问题的回答。这个观点有助于解释过去看似矛盾的研究结果，也提醒设计者别只追求让 AI 替人做事，还要帮助用户练出判断力、在高风险场景中防止盲目采纳。

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

cognitive augmentation theory

认知增强理论

expert-novice research

专家—新手研究

cognitive amplifier

认知放大器

equalizer effect

均衡器效应

cognitive amplification

认知放大

problem definition

问题定义

quality evaluation

质量评估

iterative refinement

迭代改进

passive acceptance

被动接受

iterative collaboration

迭代协作

cognitive direction

认知引导

domain expertise

领域专长

prompt engineering

提示工程

task complexity

任务复杂度

hybrid human-AI system

人机混合系统

HHAI

人类与人工智能

jagged technological frontier

锯齿状技术前沿

cognitive judgment

认知判断

intelligence amplification

智能增强

IA

智能增强

augmented cognition

认知增强

cognitive offloading

认知卸载

transactive memory

交互记忆

capability erosion

能力弱化

agentic environment

智能体环境

Claude Code

Claude Code

Cursor

Cursor