压力下的协同：构建高效人机团队的关键

核心观点

• 人机协作团队必须在面临高风险决策之前进行共同训练。
• 压力会改变人类的认知方式，因此AI系统必须调整其信息呈现方式。
• 最优秀的人机团队不仅管理技术，更注重管理彼此间的关系。

从工具到副驾驶：理解人机组队

在网络科学中，“二元组”指两个个体作为一个单元共同工作。反直觉的是，一个二元组包含三个部分，而非两个：伙伴A、伙伴B，以及两者之间的关系或协议。

• 无论二元组的类型如何（平等、上下级、灵活），其力量都源于双方能够清晰、顺畅地互动。
• 两个无法清晰沟通的专家组成的二元组，常常会输给协调有效的技能稍逊者组成的二元组。
• 当前关于AI的讨论大多忽略了“关系”层面。随着AI从有限工具演变为更接近“副驾驶”的角色，关系也转变为人机团队：一种双方贡献不同优势的伙伴关系。
• 最高效的团队会认识到这一点，并积极管理二元组的所有部分。

危机中无法建立有效协作

一个关键的误区是，假设人机伙伴关系在高风险时刻会自动像在低风险时一样运作。这在纯人类团队中也是错误，但在团队成员对高压的反应方式截然不同时，问题会被放大。

构建高效人机团队的关键：

• 提前共同训练：高绩效团队会在低压时刻共同训练，然后才能在高压时刻相互依赖。
• 模拟练习：在非关键环境中主动积累经验至关重要。例如，在F1赛车中，车手和工程师在比赛前很久就通过模拟器与AI系统进行训练。
• 同等对待硅基队友：应将AI队友视为新队员，像对待野外消防或特种部队新成员一样，通过演练和练习来建立默契。

压力改变人类决策模式

人脑不断在速度与准确性之间进行权衡。在高压力环境中，我们使用的是与低压时刻根本不同的认知架构，而不仅仅是退化的架构。

压力下的认知变化包括：

• 失去外围视野（注意力收窄）。
• 更依赖模式匹配。
• 倾向于追求速度而非准确性。

对人机协作的设计启示：
在高压环境中，良好的设计意味着AI系统应：

• 突出最关键的单条信息。
• 呈现清晰的选择，而非原始数据流。
• 减少噪音和模糊性。

设计良好的AI系统能在环境混乱时帮助人类伙伴保持清晰，而设计糟糕的系统则会增加认知负荷，迫使人类操作员去监控和解读AI，而非专注于决策本身。

压力不改变AI，但世界在AI周围改变

与人类不同，算法不会感受到压力，其内部处理过程不随外部压力而改变。然而，当AI模型所处的世界变得更加混乱和快速变化时，AI系统很容易遭受模型漂移：即系统训练所基于的世界与其当前所处世界之间的差距日益扩大。

模型漂移的风险：

• 如果人机二元组不知道当前情况已超出AI的训练模型范围，团队可能会在不知不觉中陷入性能低下的状态。
• 这可能导致人类队友在AI最不可靠的时候，反而错误地信任它。

应对策略：

• 漂移检测是有效人机组队的关键部分。
• 高性能系统需要有能力发出信号，表明AI的置信度正在下降，或当前条件与其训练环境不同。

目标：构建互补的伙伴关系

随着我们与AI协作（而不仅仅是使用）的范围扩大，目标并非消除人类判断或自动化困难决策。

最终目标是创建一种伙伴关系，让二元组中的每个成员都能互补对方。当实现这种平衡时，将产生强大的结果：碳基（人类）和硅基（AI）队友作为一个系统协同工作，即使环境变得混乱，也能保持冷静、协调和高效。