Envisioning Sensemaking in Multi-Human, Multi-Agent Collaborative Knowledge Work
本立场论文探讨了生成式人工智能如何重塑协作式意义构建，并提出了一个包含五项设计原则与专门化人工智能智能体的概念框架，旨在支持多人类、多智能体团队中透明、负责且经协商的知识构建。
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
想象一下，你和一群朋友正试图解开一个巨大的、复杂的谜团。你们手头堆满了线索、旧地图、新闻剪报和半成品的理论。在过去，你们会围坐在桌旁，整理这些资料，争论它们的含义，并缓慢地构建出一个关于发生了什么的共同叙事。这种将原始信息转化为清晰理解的过程被称为意义构建（Sensemaking）。
现在，想象你邀请了一个反应极快、语速极高的超级智能机器人来到桌旁。这个机器人（生成式人工智能）能在几秒钟内读完你所有的文件，并立即为你提供一份整洁的摘要、一份主题列表和一个完成的理论。
问题所在：
虽然机器人的速度很快，但它也创造了一个新问题。因为机器人为你完成了“思考”和“分类”的工作，你可能会忘记它是如何得出结论的。它是否忽略了一个关键线索？它是否编造了一个事实？在团队中，情况会变得更加混乱。如果你的队友使用机器人来编写他们负责的部分，你如何知道他们是真的理解了线索，还是仅仅粘贴了机器人的输出？你可能会最终信任一个无法验证的故事，或者把所有时间都花在复核那些你曾经可以信任的工作上。
解决方案：
本文的作者提出了一种与这些 AI 机器人协作的新方法。与其让机器人为你进行思考，不如建议建立一种系统，让机器人协助你进行思考，同时保持对“谁做了什么”的清晰记录。
他们称之为**“动态共享工作空间”（Dynamic Shared Workspace）**。以下是它的运作方式，使用一个简单的类比：
1. 三个专门的机器人（智能体）
想象你的团队有三个特定的机器人助手，每个都有不同的职责：
- 伙伴智能体（你的私人搭档）： 这个机器人坐在你个人身边。它不只是给你答案，它还会向你提问。如果你正在寻找关于“资金”的线索，它可能会说：“嘿，你检查过‘期权市场’的数据了吗？”或者“你关于信用价差的理论有一个漏洞；那么当价差上升但股票并未下跌时，情况又是怎样的呢？”它帮助你发现自己思维中的盲点，让你始终掌握主动权。
- 共享空间智能体（团队图书管理员）： 当你准备向团队分享你的发现时，你不是直接把它们丢在桌上。你将它们交给这个机器人。它会查看你的新想法并检查：“这是否符合团队其他成员正在构建的内容？它是否与我们昨天制作的那张地图相连？”如果你有一个冲突的想法，它不会立即强行做出决定。相反，它会让两种想法都保持可见，就像地图上的两条不同路径一样，以便团队进行讨论。
- 编排智能体（记录员）： 这个机器人是终极的记录者。每当你或你的队友添加一条线索或一个理论时，这个机器人都会准确地记录下是谁做的、证据来自哪里，以及这个想法是如何随时间变化的。它确保如果一个理论被证明是错误的，你可以追溯到是谁提出了它以及他们使用了哪些证据。
2. “鞋盒”法（理解的层次）
本文建议像一系列叠在一起的鞋盒一样组织信息：
- 底层盒子： 原始数据（数字、新闻文章）。
- 中间盒子： 证据簇和具体事实。
- 顶层盒子： 大局、故事和最终呈现。
该系统允许你在这些盒子之间上下移动。你可以查看原始数字以核实一个事实，或者放大视角以观察宏大的故事。AI 帮助你在这些层级之间移动，而不会丢失微观细节与宏观图景之间的联系。
3. 成功的五条规则
为了使这项工作奏效，作者提出了关于这些工具应该如何表现的五条简单规则：
- 展示层次： 不要只展示最终答案；要展示原始数据、笔记和理论，以便每个人都能看到全貌。
- 发现差距： 系统应该主动指出你尚未理解的地方，而不是假装一切都已解决。
- 保持批判性： 你必须能够质疑并重新排列 AI 的建议，而不仅仅是将其视为最终真理。
- 证明自身： 你应该始终能够解释你是如何得出结论的，并展示出证据。
- 承担责任： 每个人的贡献都必须清晰标记并追踪，以便团队知道谁想出了什么，并能对彼此的行为负责。
核心要点
本文认为，我们不应该让 AI 取代我们的思考。相反，我们应该构建一个人类与 AI 像侦探团队一样协同工作的空间。AI 帮助组织线索并提出尖锐的问题，但人类仍然是构建故事、核实事实并对最终结论负责的人。通过这种方式，团队建立起的是一个强大、清晰且值得信赖的共同理解。
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。