现在 ，人机协同在业界有着普遍的应用场景。而人机协同在业界的盛行 ，也促使越来越多的学者关注这一领域 ，以探讨人在AI的协助下会爆发什么样的行为、决议等转变。
伟易博市场营销学系副教授张颖婕 ，特殊关注从人机协同和配合进化的视角来系统性设计评估智能战略 ，在提升商业价值的同时兼顾社会公正性。研究发明 ，人机协同在提升系统性能和效率方面保存重大潜力；而在人机协同历程中 ，也需要充分思量人的因素和作用。
手艺驱动下的人机协同生长
在AI手艺相对成熟的现阶段 ，张颖婕提倡叩问 ，人还能施展多大的作用呢？人是否能挖掘出AI未能触及或者未能实现的价值呢？张颖婕以AI的生长为切入点 ，思索在人工智能进入社会后 ，人类应当怎样施展主观能动性 ，由此引出了自身关于人机协作的研究主题 ，以及人类应当怎样实现自身价值的问题。
基于这一问题 ，张颖婕回首了学术界对差别情境下AI应用的最新研究 ，并先容了AI手艺在业界受到了哪些挑战。
张颖婕体现 ，目今人工智能研究领域有两类学者：一类关注手艺偏向上的突破与演进 ，如借由算法和大数据刷新模子 ，优化股票走势展望 ，增进商业智能化转型；另一类则将眼光聚焦在“人”身上 ，基于现有手艺 ，研究怎样更好地配合人工智能 ，怎样在现有手艺条件下与人工智能举行互动。她属于后者。
关于人在人机协作中的行为特点 ，近年来的研究也做了不少探索实验：一方面是AI-Aversion征象 ，即人由于缺乏信托、依赖小我私家履历和直觉、担心低条理工种被取代等缘故原由 ，对AI保存“抵制” ，另一方面是Cyborg Effect征象 ，这是前者的极端背面 ，即AI给定决议建议后人的能动性下降 ，人越发依赖AI而不肯意自动决议。
在她看来 ，随着AI的“类人”性以及自身算法能力的一直提升 ，再加上AI的“商业国界”的一直壮大 ，AI和人共存相助的可能性和须要性也在一直增强�；痪浠八� ，人是难以阻止和AI爆发接触的。
消耗者与AI制造
先前的研究批注 ，消耗者不太喜欢机械人客服 ，由于机械人客服不敷智慧 ，无法与消耗者共情。然而 ，随着人工智能手艺的一直生长 ，如ChatGPT等智能AI的泛起 ，这些问题正在逐渐解决。现在的AI产品已经进化到与人相似的水平 ，消耗者可能会逐步接受这些产品。
因此 ，张颖婕以为先前的研究结论可能不再适用 ，她想探索的是在新的手艺配景下 ，消耗者关于AI产品的态度和接受度。
当AI已经成熟了 ，当天下上AI已经很普遍了 ，作为消耗者的自己 ，会怎么样面临？在张颖婕看来 ，机械学习是一个向上走的趋势 ，会越来越智能 ，这是毋庸置疑的。作为消耗者或者作为人这个群体来说 ，对人工智能的态度 ，已经或者即将不可用“AI不敷智慧”来作为抵制AI产品的理由了。
“但不知道人们的态度会不会是一个曲线 ，就是当机械进化到一定水平的时间 ，人们会先欣然接受并享受AI制造 ，可是当AI进一步进化之后 ，消耗者或用户的态度又会怎样则是一个难以展望的问题。我们需要一连跟进并实时作出展望。”张颖婕说。
张颖婕体现 ，在差别领域人与AI之间的相助和决议历程可能因情境而异 ，需要思量差别的因素。在金融领域举行的研究可能得出的结论与其他领域差别 ，由于差别行业的事情特点和需求差别。
在某些情形下 ，人工审核决议可能没有任何作用 ，而人工智能能够以更高的准确率来做出决议。在另外的场景中 ，人类仍然具有价值 ，需要通过刺激来施展他们的作用 ，这可能涉及提供大宗数据、诠释人工智能的决议以及使用激励要领。
人机协同的应用与提升
在张颖婕看来 ，AI赋能生产力是现阶段AI一连进化带来的一大益处 ，甚至是最大益处。但AI的赋能同样离不开有用的人机协同�；涤肴巳羰悄苁┱剐饔� ，决议的整体效果会更好。
针对这一情形 ，张颖婕的研究试图解答三个问题：一是通过系统设计探索人类在人机协作中的孝顺；二是剖析这一人机协作的天生气制与缘故原由；三是探讨怎样使用人类的异质性来提升协作效能。
张颖婕选取亚洲的小额贷款公司为研究工具 ，比照了人工和AI在批准乞贷人违约率方面的决议差别。实验效果显示：在AI与人无相助（划分单独决议）的情形下 ，AI决议比人工决议效果违约率更低 ，给AI提供大数据能够显著降低违约率（但数据量对人工决议效果违约率无显著影响）；而在给人工提供AI决议建议且这一建议与人工决议结论爆发不同时 ，有60%-80%的人会选择接受AI的决议建议改变自己的决议（当提供AI决议依据时这一比例会更高）。
效果展现了几个要害的发明。首先 ，当人工和AI各自自力作决议时 ，AI的判断准确率显着凌驾人工 ，特殊是当数据量大的情形下 ，人在决议时显着保存信息过载等问题。其次 ，在小数据情形下 ，人的加入并不可显著提升相助效率。并且 ，在大数据情形下 ，人类只有在被见告AI决议逻辑的条件下 ，才华对违约率判断爆发起劲的价值。
换言之 ，若是信息重漂后（即大数据情形）和AI决议逻辑信息二者不可同时知足时 ，人类信审员在AI的辅助下要么通盘听从 ，要么过失地坚持己见 ，从而使得相助效率与AI单独决议时相差无几；但两个条件的同时知足却能实时引发人工展现其自力思索和纠错能力 ，这恰恰体现了人类在人机协同场景下的奇异价值。
“在大数据配景下 ，人工难以有用运用如购置纪录等大数据信息 ，并将其与自身决议融合 ，只管仍依赖古板数据 ，人工的判断能力并未显著提升。”张颖婕说。
相比之下 ，AI在处置惩罚大数据信息上 ，显示出更强的提取、转化和运用能力 ，从而得出更精准的判断。另外 ，扑面临中心情形且处于纠结状态时 ，人工更倾向于依赖AI的决议 ，但当申请人的情形较为极端时 ，人工通�；嵋览底约旱呐卸隙墙邮蹵I的建议。
算法眼前人的情绪不可忽视
张颖婕的研究 ，展现了人机协同在提升系统性能和效率方面的重大潜力。在互联网金融借贷的实验中 ，人机协作行为使得整个系统的展望准确率提升了一倍 ，系统违约率从原先的6%降低到3.8%。这项研究批注 ，人机协同可以提高系统的性能和效率 ，同时也需要充分思量人的因素和作用。
研究发明 ，在引入机械学习算法举行先期展望推荐后 ，人工审核员在大部分情形下会倾向于听从算法的意见。然而 ，当提供了用户大数据以及算法的详细机制诠释之后 ，人们会在看到算法建议之后 ，自觉地举行一个重思索的历程 ，不再一味地以为AI是好的 ，而是对AI举行有用修正。
值得关注的是 ，人的情绪也应当是人机协同中被考量的主要因素 ，这涉及AI向善和伦理问题。在外卖骑手的例子中 ，骑手有时间并不会遵从算规则划的蹊径 ，这可能由于算法决议没有思量到骑手的情形 ，例如骑手位置、疲劳水平、现实路况等 ，亦或是骑手的过往履历让他们做出背离算法的决议。
“机械只能给你建议 ，最后还得是人来完成。”张颖婕体现 ，算法着实是很是厉害的 ，若是骑手能够凭证算法推荐的蹊径 ，他的收益一定是最高的。但事实却是 ，百分之七八十的骑手 ，都不会完全遵从算法的推荐。
在张颖婕看来 ，这些问题不是人工智能自己造成的 ，而是使用者和治理者保存的问题 ，如平台方和企业。人机协同虽然可以提高系统的性能和效率 ，但也需要充分思量人的因素和作用。在设计和应用AI手艺时 ，需要思量到人的需求和利益 ，以确保AI手艺能够真正为人类效劳。
那么人与AI ，什么时间能抵达最优的协调效果呢？
一种新的算法战略泛起了：即算法会去展望人会不会违约 ，会不会不遵守算法 ，而把人的情绪思量到算法的模子里边。在设计者看来 ，这种战略按算法来说可能不是最优的 ，但一定是算法加人最优的。
“若是在特定的场景下 ，只能依赖人来做最后决议的话 ，你就要思量全局 ，把人的情绪也思量进去。”张颖婕说。
参考文献
1、Lu, Tian and Zhang, Yingjie, 1 + 1 > 2? Information, Humans, and Machines. Available at SSRN: https://ssrn.com/abstract=4045718
2、Lu, Tian, Zhang, Yingjie, Li, Beibei. Profit vs. Equality? The Case of Financial Risk Assessment and A New Perspective on Alternative Data. MIS Quarterly, 2023, 47(4): 1517-1556.
张颖婕 ，伟易博治理学院市场营销学系副教授 ，卡内基梅隆大学博士（信息治理系统偏向） ，曾就职于美国德州大学达拉斯分校 ，主要研究领域包括跨学科要领论研究、人机协同、共享经济、社交媒体、用户行为等。
