When Should AI Follow? Task Structure and Joint Adaptation by Human and AI Agents
本文提出了一种计算模型，证明了最优的人机协作取决于任务结构和记忆机制，揭示了性能的最大化并非通过通用的“AI优先”方法实现，而是通过策略性地排列智能体顺序来实现——具体而言，即让无标度AI紧随高绩效人类之后，或利用随机搜索来挽救表现不佳的人类启动轨迹。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
伟大的团队协作：何时由大脑领导，何时由机器人跟随？
想象一下，你正在尝试解决一个巨大且复杂的谜题。你有两个助手：一位擅长发现模式但容易疲劳且记性不佳的人类朋友；以及一个从不疲倦、记忆力完美，但有时会过于死板地理解指令的超级快速机器人。这篇论文存在于组织科学的世界中，这基本上是研究公司和团队如何构建以完成工作的学科。它借鉴了几个核心概念：适应性（我们如何从错误中学习）、耦合（一个人的工作在多大程度上依赖于另一个人）以及搜索（在众多可能性中寻找最佳解决方案的过程）。
为什么这很重要？因为在今天，几乎每家公司都在试图研究如何将人类与人工智能（AI）结合起来。核心问题不仅是“AI能否胜任这项工作？”，而是“谁应该开始这项工作，谁应该完成这项工作？”如果你弄错了顺序，可能会浪费大量的时间和金钱。这篇论文提出了疑问：在一个人类与机器人的团队中，谁应该迈出第一步，以及他们应该如何交接工作才能获得最佳结果？
记忆游戏：谁在记忆什么？
为了回答这个问题，作者构建了一个计算机模拟程序——一个数字游乐场，他们在其中创建了两类“智能体”（可以将其视为数字员工），以观察它们如何协同工作。他们并没有让人类和AI在所有方面都不同；他们只让它们在一个特定的特质上有所区别：它们对过去的记忆方式。
- 人类智能体（“近期性”玩家）： 这个智能体就像是一个刚结束漫长工作日的人。他们能清晰地记得刚刚发生的几件事，但一小时前发生的事情就开始变得模糊。在模拟中，这个智能体会给最近的决策赋予更高的权重。如果他们刚刚犯了错，他们会惊慌失措并立即改变策略；如果刚刚成功了，他们就会变得自信。他们反应迅速，但可能有些反复无常，容易受到当下“噪音”的影响。
- AI 智能体（“均匀型”玩家）： 这个智能体就像一位超级有组织的图书管理员，对待书架上的每一本书都给予完全相同的重视。无论一个决策是在五分钟前还是五天前做出的，AI都会平等地看待它们。它不会被最近的事件分散注意力。它缓慢、稳定且极其一致。它不会忘记过去，它只是将过去的所有情况进行了平均化。
- “随机”玩家： 还有第三种选择，即该智能体完全忽略过去，只是进行随机猜测。这就像摇晃骰子来决定下一步会发生什么。
三种协作方式
研究人员在三种不同的团队结构中测试了这些智能体，以观察哪一种能胜出。
1. 并行团队（模块化）：
在这种模式下，人类和AI同时处理谜题的不同部分，然后将他们的得分相加。
- 研究发现： 最好的设置并不是让他们承担完全相同的工作量。当AI承担的任务比人类稍微多一点时，效果最好。如果AI的任务过于庞大，它可能会陷入某种糟糕的模式且无法恢复，因为它太善于记住一切了。如果人类的任务过于复杂，他们会被自己的近期错误搞糊涂。最理想的状态是一个平衡的团队：人类处理简单、快速的任务，而AI处理一个稍大且稳定的任务。
2. “AI先行”团队（AI → 人类）：
这是目前流行的想法：让AI先构思一百万个点子，然后由人类从中挑选最好的。
- 研究发现： 这往往会导致时间的浪费。想象一下，AI花了几个小时生成了一份巨大的绝妙创意清单。然后，人类查看这份清单。由于人类是“近期性”玩家，他们实际上只关注清单上的最后几个点子。他们会忘记清单中间那些精彩的点子。AI的辛勤工作大多被浪费掉了。AI生成的点子越多，人类就越感到不知所措，从而忽略了那些好的内容。这就像一位厨师准备了一场盛宴，结果客人只吃了最后一口，然后说：“也就那样吧，”完全忽略了整顿饭。
3. “人类先行”团队（人类 → AI）：
在这里，人类开始工作，然后由AI完成。
- 研究发现： 这是赢家，但有一个前提条件。
- 如果人类做得很好： AI会接过人类良好的开端并将其放大。因为AI会平等地记住一切，它不会忘记人类的好点子。它会在这些基础上进行构建，使最终结果变得更好。这就像人类勾勒出了一个伟大的轮廓，而AI则完美地填充了细节。
- 如果人类做得不好： 如果人类以一个糟糕的想法开始，AI那“完美的记忆”就会变成一个陷阱。它会忠实地记住那个糟糕的开端，并使其变得越来越糟。在这种情况下，最好的策略是切换到“随机”玩家。AI应该停止试图记住人类的错误开端，而是开始进行随机探索，以打破这种糟糕的模式。
大惊喜：不要总是让机器人领路
这篇论文最令人兴奋的部分在于，它挑战了当前的“AI先行”趋势。模拟表明，当AI跟随一个高质量的人类时，它创造的价值最大，而不是当它领先时。
当一个聪明的人类设定了方向，AI就像一个强大的放大器，将那个好的方向转化为更强大的力量。但当AI领先而人类跟随时，人类只关注“当下”的倾向会导致他们错过AI创造的价值。AI的超能力在于其一致性，但如果人类无法把握大局，这种一致性就会被浪费掉。
现实世界测试：预测商业交易
为了确保这不仅仅是一个电脑游戏，作者使用 33,860 起企业并购（M&A）的数据进行了现实世界的实验。他们尝试预测这些交易能赚多少钱。
- “专家先行”团队： 一位人类专家挑选了最重要的因素（如交易类型），然后由AI进行数学微调。
- “暴力破解”团队： AI查看了每一个可能的因素和组合，然后由人类尝试从混乱中挑选赢家。
- “新手”团队： 没有人类参与；AI只是进行猜测。
结果与模拟完全吻合。**“专家先行”团队的表现最好。“暴力破解”团队（AI先行）表现尚可，但由于人类无法处理AI产生的所有数据，其表现较差。“新手”**团队的表现最差。实验表明，当人类提供一个良好的起点时，AI通过记忆和完善该起点所展现的能力是一个巨大的优势。但如果人类没有参与初始阶段，AI那庞大的搜索过程实际上会导致过度复杂、混乱且在现实世界中行不通的结果。
启示
论文的结论是，并没有一种单一的“最佳”使用AI的方法。它取决于任务和人类。如果你有一个知道自己在做什么的聪明人类，那就让他们领路，让AI随后进行润色和完善。如果你让AI带着海量的选项先行，你就有可能面临人类忽略掉好东西的风险。而且，如果人类正处于挣扎之中，有时AI能做的最好的事情就是停止试图变得“聪明”，而是通过一些随机探索来打破僵局。
简而言之：机器的超能力在于它能记住一切。因此，管理者最重要的工作是确保机器正在记住正确的东西。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。