人类优势来自“人类技能”，而不是和机器比谁更像机器
校友、作家兼机器学习专家 Vivienne Ming 指出，要抵御人工智能可能带来的负面冲击，最有效的策略是：持续投资于人类自身的能力，并以好奇、探究的态度主动使用人工智能，而不是被动接受它给出的答案。
当 OpenAI 在 2022 年推出 ChatGPT 时，这一事件被视为人工智能发展的重要转折点。该工具在两个月内用户数就突破 1 亿，成为当时增长最快的消费级应用。随着此类工具迅速融入日常生活，越来越多的美国人对人工智能持谨慎甚至担忧态度，而非单纯兴奋。
Ming 于 2000 年毕业于加州大学圣地亚哥分校社会科学学院，主修认知科学。她认为，人们对人工智能保持警惕有充分理由。
作为理论神经科学家、发明家和企业家，Ming 在新书《机器人防护：当机器拥有所有答案时，培养更优秀的人类》中系统讨论了这些问题。这本书既是写给公众的提醒，也是写给人工智能开发者的警钟。
“我们必须谨慎，别让自己构建的技术，自动化掉那些真正让我们成为‘人类’的核心能力。”她说。
同时，她也非常清楚人工智能的巨大潜力。她曾利用人工智能帮助孤儿难民与远方亲属团聚；也曾改造儿子的糖尿病设备，发明了首个针对 1 型糖尿病的人工智能系统。
她承认，随着更多工作被自动化，经济结构必然会受到冲击。但她最担心的并不是“工作消失”本身，而是整个机器学习行业的方向：巨量资源被用来让人工智能变得更聪明、更自主，却很少真正围绕“人”来设计。
在她看来，最好的结果往往出现在：人工智能与具备某些传统教育体系常常忽视的能力的人类协作时——例如好奇心、创造力、伦理判断、换位思考，以及提出更好问题的能力。
最近，她在接受母校采访时，进一步谈到了这本书，以及人类如何以更有利于自身发展的方式与人工智能共处。
这不是“又一次工业革命”
问： 人工智能革命与工业革命、个人计算机革命、互联网兴起等早期技术变革相比，有什么根本不同？
Ming： 我在书里专门写了一章，标题就叫“这不是工业革命”。人们常用一个很偷懒的类比：“以前大家也抱怨过计算器，现在不也挺好吗？”好像一切只是历史重演。
但这次并不一样。计算器不会替你思考，它只是帮你做低层次的运算，你仍然需要用这些结果去推理、决策——你的认知活动依然在运转。
现在的情况不同了。现代具备“代理性”的系统，乐意替你把整件事都做完。危险在于，人们开始在可测量的层面上“退出思考”。
回顾印刷术、计算机、互联网等技术，我们确实看到人类认知方式的细微变化。但到了 GPS 和算法推荐时代，这种变化已经可以被清晰测量，而且坦率地说，更令人担忧。人们在使用这些工具时，思维方式发生了改变，这一点让我非常不安。
人工智能这次直接击中了我们的“认知核心”。它不只是自动化体力劳动，也不只是接管一些枯燥的低级认知任务，而是有能力自动化整个思考过程——这在历史上是全新的。这意味着，我们必须更认真地思考：到底要自动化什么，又要刻意保留和增强什么。
当然，有很多事情理应被自动化——没人应该每天在田里弯腰干 16 小时。但我们要警惕的是，不要让技术顺手把那些让我们真正“像人”的能力也一并自动化掉，尤其是在我们本可以把它当作“增强型伙伴”来使用的时候。
人工智能政策争论，忽略了最关键的问题
问： 你提到写这本书，是因为当前关于人工智能的政策讨论，往往没有从“对人类最有利”的角度出发。我们到底错在哪里？
Ming： 一边是人工智能的“乌托邦派”——相信只要挥动人工智能的魔杖，一切都会变好：不用再工作、疾病被彻底消灭……这种想法非常不现实。我把它叫作“想象力疾病”：
“我能想象一个完美世界，所以它一定会发生。”
当这种想象再叠加上数万亿美元的投资压力，问题就更严重了，因为人类社会根本承受不了那种单一方向的期待。
另一边是“反乌托邦派”：人工智能会毁灭人类、抢走所有工作、摧毁一切。我在这个领域已经工作了 30 年，用人工智能帮助儿子控制糖尿病，帮助难民，干预双相情感障碍、产后抑郁、更年期抑郁。我早期还参与过用人工智能改进人工耳蜗，让人们在嘈杂环境中也能听清语音。基于这些经历，我也不认同那种简单粗暴的“末日论”。
真正的问题在于：几乎没人讨论我认为最重要的视角——
如果把人工智能视为一种强大的“认知工具”，那么关键问题就变成：它如何让人类变得更好？
接下来才是：这对教育、劳动力政策、基础设施等意味着什么？这些才是我们应该集中讨论的方向。
实验发现：只有少数人会把自己变成“半机械人”
问： 你在书中提到做过一个实验，想找出哪一类人最善于使用人工智能。结果如何？
Ming： 我们做了一个实验，让一组加州大学伯克利分校的学生在一小时内完成 10 个“未来预测”任务，比如：六个月后油价会是多少？
人类在这种任务上表现一贯很差，这并不意外——我们本来就不擅长预测自己不了解的事情。我们用的一个非常小的开源模型，就已经明显优于表现最好的学生。模型越大、越复杂，预测表现越好。
接着，我们观察所谓的“混合智能”——人和人工智能一起工作时的表现。结果出现了两种截然不同的模式：
-
一类人我们称为“自动化者”：他们基本上是“Gemini / GPT，给我答案，我直接交上去”。他们几乎不参与思考。
-
我给其中几位戴上脑电图（EEG）设备，结果显示，他们在使用人工智能时的认知活动水平，明显低于那些自己独立推理，或者只是用谷歌搜索的人。
-
另一类大约占伯克利学生的 10%，我们称之为“半机械人”：
- 他们会和人工智能来回“辩论”——“那这个情况呢？”
- 人工智能回答：“但数据表明……”
- 他们再追问：“那如果不是这样，而是那样呢？”
他们不断探讨“为什么可能错”，而不是直接接受答案。结果是：
这些“半机械人”团队的表现，超过了最优秀的人类个体，也超过了最好的模型。
甚至有三名完全没有相关背景知识的学生，他们的预测表现，已经接近大型预测市场——那种有数万人参与下注的市场。这非常令人振奋。
但问题在于：
这类“半机械人”只占少数。
这意味着，我们不能简单说“人工智能会让所有人都变得更好”。我们必须进一步追问：是什么促成了“半机械人模式”？我们如何让更多人以这种方式使用人工智能？
决定成败的不是模型，而是“人怎么用”
问： 你说过，关键不在于用哪一个人工智能模型，而在于如何使用它。这对当前投入巨资打造更大模型的行业意味着什么？
Ming： 在实验中，一个最出乎意料的结果是：
无论参与者用的是最先进的大模型，还是较小的开源模型，对最终表现几乎没有影响。
真正重要的是：人类如何与人工智能互动。
现有的人工智能基准测试——也就是公司们拼命优化的指标——已经无法预测“混合智能”的表现。结果更多取决于“人力资本”：也就是人们在与人工智能交互时，带来的技能、习惯和思维方式。
这点非常关键，因为目前几乎所有大型公司都在围绕“自主性”来优化系统。
看看各种模型卡和基准测试：几乎全部关注“系统自己能做到什么”。但如果只围绕“自主性”来设计人工智能，从人类角度看，这是一条死路。
如果我们的目标是“让人类变得更好”，那么我们应该构建的是：
具有“建设性摩擦”的系统——它会挑战你、推动你探索，而不是只给你一个现成答案。
但这类系统在“自主性”基准测试上，分数必然不高，因为它们不是自己把所有事情做完。
从行业视角看，这意味着：
- 我们在测量错误的指标；
- 我们在朝错误的终点努力；
- 我们忽略了最有价值的一类应用场景——真正能提升人类能力的那些用法。
真正的风险：长期的“认知能力下滑”
问： 你说，你最大的担忧不是科幻式的“人工智能接管世界”，而是人们过度被动依赖人工智能，把它当作批判性思维的替代品，从而在长期出现认知能力下降。能具体解释一下吗？
Ming： 认知能力下降是一个长期过程，并不是“孩子问了一次人工智能作业答案，就完蛋了”那种戏剧化情节。
更像是一种“生活方式问题”。
人们偶尔浅层使用工具没什么问题——我们不可能一直保持高强度思考，那会非常疲惫。真正值得担心的是，当这种“浅层使用”变成默认模式，认知参与长期处于极低水平时，会发生什么。
在我们的实验中，“自动化者”基本上把人工智能当作“替代品”：拿到答案就交卷，几乎不再思考。
在实验室之外，你也能看到类似现象：
- 不停刷信息流；
- 被动消费各种输出；
- 很少问自己：“我为什么相信这个？”“这里缺了什么？”“有没有别的可能？”
所谓的认知能力下降，可能表现为：
- 对世界的参与度降低；
- 失去与不确定性“搏斗”的习惯；
- 越来越不愿意、也不擅长检验自己的想法。
随着时间推移，这才是真正严重的损失。
如何成为“半机械人”，而不是被动的“自动化者”？
问： 怎样才能更建设性地使用人工智能，成为“半机械人”，而不是陷入认知下降的“自动化者”？
Ming： 核心在于：
人和人工智能必须真正“协作”——人类挑战人工智能，人工智能也挑战人类——这样才能得到比任何一方单独行动都更好的结果。
我们做过一个简单的干预实验：
- 选用一个小型开源模型；
- 微调它，让它不要直接给出答案，而是先向学生提问，逼他们多想一想。
学生们一开始非常不满：
“别装苏格拉底了，直接告诉我油价！”
但结果是：
- 使用这种“爱提问”的模型的学生中，进入“半机械人模式”的比例翻了一倍；
- 他们的表现达到了“超人”水平。
这给了我们一个重要提示：
目标不是“舒服”，而是“建设性摩擦”。
要用人工智能来挑战你，而不是只用它来肯定你的第一反应。
一个很实用的例子，是我写作时用的“死敌提示”：
- 我不会让人工智能直接写章节，而是先自己写一稿；
- 然后对人工智能说：
- “你是我一生的死敌，你找到了我所有的错误。这是草稿，请详细指出我哪里错了，怎么改进。”
- 接着再反转角色：
- “现在你是一个无聊的普通读者。告诉我这篇东西为什么对你毫无吸引力，以及如何在不降低深度的前提下，让它更有趣。”
这和“帮我写一章”或“直接给我答案”是完全不同的用法。
现在很多宣传口径是：“人工智能会帮你做完所有无聊的工作，让你只做有趣的部分。”
但在“半机械人”模式下，人类也要参与“无聊的部分”——因为：
如果你从不参与那些基础、琐碎的环节，你就很难真正理解“有趣的部分”。
在人工智能时代，如何教育孩子？
问： 对于希望孩子在人工智能时代也能茁壮成长的家长和教师，你有什么建议？
Ming： 我在书里提到，我们当前的教育体系，基本是围绕“明确的问题”设计的：
- 题目问法清晰；
- 我们已经知道标准答案或解题公式；
- 然后根据孩子复述“正确答案”的程度来打分。
但现在，我不再需要这种教育模式了。
我口袋里有一个免费工具，能给出比大多数人更好、更快、更便宜的标准答案。
这并不意味着孩子不需要学习基础知识——基础依然重要。但“教育的重心”已经发生了变化。
剩下真正需要人类去做的，是：
探索未知——处理那些“模糊的问题”。
要做到这一点，孩子需要：
- 愿意偶尔犯错；
- 保持好奇心；
- 拥有“知识上的谦逊”——听到“你错了”时，会感到好奇，而不是崩溃；
- 具备换位思考能力——理解别人怎么想，也理解别人如何看待你的想法。
其中一部分能力，来自早期发展：
- 丰富的对话；
- 大量阅读；
- 多样化的环境和经历；
这些有助于打好工作记忆和流体智力的基础。之后，更多的是“维护”和“练习”。
可以做一些非常具体的事情：
- 奖励“好问题”，而不仅仅是“好答案”；
- 在课堂和家庭中，刻意营造重视提问的文化；
- 鼓励“建设性的失败”。
例如，可以尝试“失败日记”：
- 不是美化失败，而是把错误和“学习、进步”联系起来；
- 帮助孩子把错误视为信息，而不是羞耻。
在日常生活中，也可以不断强化这种思维方式：
- 用 GPS 导航，但不要完全放弃自己的判断；
- 偶尔检查路线，问自己：“我知道更好的路吗？”“为什么选这条？”
在享受便利的同时，刻意保持大脑的参与度。
总结：在人工智能时代，最值得投资的是“人本身”
Ming 的核心观点是：
- 人工智能既不是自动带来乌托邦的魔法，也不是必然通向末日的灾难；
- 真正关键的是，我们如何设计和使用它；
- 决定成败的，不是模型参数有多大，而是人类是否具备好奇心、批判性思维、伦理判断和换位思考等“人类技能”；
- 最值得担心的风险，不是机器“接管一切”，而是人类主动放弃思考，把自己的认知能力一点点外包给机器。
在这样的时代，最好的“防护”不是拒绝人工智能，而是学会与之协作，成为能与机器共同进化的“半机械人”。
