“AI已经不仅仅停留在‘帮我修改错别字’的浅层阶段了，目前它已经成为我的工作伙伴，承做基础工作，我只负责聚焦核心创意与价值判断。”在北京一家新能源车企就职的新媒体运营专员李思思，从2023年开始尝试用生成式AI工具辅助工作。

她的日常工作是负责官方公众号、小红书以及视频号的内容产出，核心需求是每周输出3篇图文、2条短视频脚本，既要兼顾“科技+生活”的品牌调性，同时也要适配平台算法、吸引潜在客户。

而目前，AI工具已经成为她“离不开的助理”，引入AI协作之后，图文内容的初稿、素材的处理、封面设计的生成等基础工作都交给AI完成，单篇图文的产出耗时从3小时压缩到1.5小时，短视频脚本+剪辑耗时从6小时缩短到2小时。“每周可以节省下10个小时的工作时间，用来策划线下的试驾直播、用户故事征集等内容，大大提高了工作效率”，李思思告诉《锋面》记者。

她说，AI工具目前已经告别了只简单回答问题的阶段，会开始主动给自己提供建议，比如“建议穿插其他内容平衡账号内容结构”“追问补充信息”“甚至记住常用的字幕字体、转场风格”。

在独立AI开发者路磊看来，目前在一些领域内，AI已经能够进化到开始主动协同。其核心原因是由于技术迭代，新一代大模型通过亿万级参数训练，具备了深层以图感知和长期记忆的能力。

“目前AI已经能够从指令中拆解出核心诉求，还能记住长期协作中用户的习惯偏好。比如通过建立意图拆解与需求预判模型，通过关键词提取和场景关联的算法，提取出用户的核心需求。”路磊说。在医疗、新媒体等领域里，都已经形成了AI承做基础环节+人类进行核心把控的固定模式。

但是，现阶段的协同仍然存在一些问题——由于目前的AI尚未实现与人的“深度共生”，人虽然能从机械性的工作中得到部分解放，但是同时面临着AI能力限制、责任分配、情感伦理等风险——这也是接下来AI在人机协同中需要逐一解决的重要问题。

“要实现真正的AI与人协同共生，还有很多问题要解决。”路磊表示。

“不敢轻信”

“AI系统引入以后，对标准化病灶的识别率较高，但是面对非典型、复杂场景时，识别能力就会大幅下降。”张晓华是北京市大兴区某三甲医院放射科副主任，从事胸部影像诊断15年。2024年，医院引入某知名品牌胸部影像AI辅助诊断系统，初衷是让AI承接基础病灶的识别工作，构建“AI初筛+医生复核诊断”的人机协同模式，从以往AI的被动参与，到全程主动介入。

但落地后，这套系统在“协作”时出现的种种问题，让张晓华越来越谨慎。

她首先肯定了AI的价值，“对于直径大于5毫米的典型肺结节、大面积肺炎等常规病变，AI可以快速精准标注，无需排查影像，单份报告基础阅片时间缩短一半。”

但是随着系统的深入应用，张晓华发现所谓的“协同工作”从“高效减负”的初衷，渐渐变成了“反复纠错+双重核验”的复杂模式。

张晓华对这套系统并不满意：对于直径小于3毫米的微小结节、靠近胸膜或纵隔的隐匿性病灶，AI漏诊率高达40%；面对钙化灶与实性结节的鉴别、炎性假瘤与肿瘤的区分等非典型病变，AI常出现误判，将良性钙化灶标注为疑似恶性结节，或把恶性肿瘤误判为炎症，“这就需要我逐一对比影像细节、结合临床经验修正，反而增加了复核时间。”张晓华说。

但AI算法的“黑箱”又给张晓华的复核带来更多麻烦。她告诉记者，目前的AI标注系统仅能标注病灶位置，无法解释“为何判定为该病变”，让医生无法快速验证结论的合理性。

“我的一位病例在AI预判时被标注‘疑似肺结核病灶’，但是结合影像观察后发现，其更符合真菌感染的特征。但我无法快速得知AI判断的逻辑，只能逐一分析影像，查询患者既往病史、血常规等结果，才避免了误诊。”张晓华说。

也正是如此，AI标注的病灶，张晓华不敢直接采信，必须重新确认每一个细节，因为“AI从来不告诉她结论是怎么下的”，万一基于错误特征判定，“就可能导致严重后果”。

“目前的AI无法像人类一样整合常识、灵活适配特殊场景。”路磊解释道，“本质上是由于目前的AI仍然处于‘专用智能阶段’，难以应对高标准、高动态的任务需求。一方面是由于数据训练不足，动态数据大多缺失。”

在算法层面，AI本质上是“概率统计模型”，其核心是在数据中寻找模式并复刻，路磊说，“而不是理解任务底层的因果逻辑”。而且由于算法“黑箱”，导致在协同过程中，仍需要人手动排查。“而且，当前AI很难整合多维度的信息，很容易出现‘信息割裂’导致的偏差。”

“人类全责，AI免责”

林语涵是某头部互联网平台内容审核部专员，负责平台泛知识领域内容的合规审查，核心工作内容是识别色情、低俗、虚假宣传等违规内容，保障内容发布的安全。2024年第二季度，平台为应对日均百万级的内容量，上线了AI内容辅助审核系统，AI会主动筛查违规内容标注风险，再由人工进行审核。林语涵从此开始与“AI成为同事，过上了人机协同”的生活。

但是，在与AI的合作中，一条有关美容仪测评的短视频，在AI初筛评估时判定合规。林语涵将短视频上传至审核系统后，AI在3秒内初筛，并未标注任何风险点。复核时，她重点关注了AI标注结果，因此忽略了视频中“经权威机构认证”的表述。

参考AI结果，林语涵在人工复核环节选择放行。但是，发布后，有用户投诉举报，称视频中提及的权威机构为无资质第三方，美容仪涉嫌虚假宣传。经平台核查，视频博主确存在虚假宣传，随即下架了视频。

但是，在内部处理时，林语涵却成为“唯一责任人”。“专员告诉我，因为我是内容最终判定人，没有认真核查视频内容的真实性，所以属于审核不到位。因此给我扣除了绩效，同时要求我写整改报告。”

AI漏审免责，人工复核担责，让林语涵觉得很不公平。而在路磊看来，责任认定的问题是目前人机协同的另一大难题。

“一般的AI服务商会告诉你，AI产品仅仅基于关键词、内容元素进行初筛分类，无法解读事实真实性，与AI技术无关。”路磊说。

但是，林语涵觉得，AI的疏漏才是漏审的核心——“如果AI提示我‘需核查资质’或者‘宣传功效需佐证’，我就可以进一步检索求证了。但事实上AI并没有。”

目前，不论是从法律法规还是行业标准，AI协同中各方责任的边界规定还是空白。“所以在实践中，AI出了问题会被归咎于‘技术局限’，人类要承担现实中的责任，这反而成为一种默认规则。特别是在医疗、金融这样的高风险领域，合理的责任体系仍然没有建立起来，我认为应当明确AI服务商、平台、使用者的责任，这样追溯起来才能有据可依。”

如何更好协同？

可以看到，当前的AI技术已经可以很好地支撑“标准化”场景的主动协同，比如批量筛查、固定流程辅助等。但是在复杂场景、深层的情感感知、模糊需求的拆解，仍然需要技术突破。此外，由于AI介入的程度和范围扩大，其与人之间的人机信任、责任划定问题也开始凸显。

在开发者的角度看来，是“AI学习不足”的结果。“面对复杂动态的环境，AI需要大量人工干预才能运作，仍然需要持续大量地学习数据、特别是跨领域的数据交叉应用。”

关于责任界定问题，北京邮电大学刘伟教授此前表示，应当明确人机责任的划分标准：“价值判断、因果推断、海量计算高速对比（责任）归机器，保留人类的一票否决权。”

上海财经大学胡延平教授则给出了时间维度的分析：初期AI错误率高，需要人类自行担责；中期错误率降低至可接受的范围，则运营者承担部分责任；后期风险可忽略时，形成人机共同担责的模式，但“人类需要始终保有最终接管权”。

路磊认为则需要在算法中嵌入公平校验机制。从技术层面校准AI对伦理、道德等“人性问题”的判断取向。

而针对算法黑箱的问题，中国科学院心理研究所胡理团队发文指出，应当在技术上提升AI的可解释性（如开发因果路径追踪工具），在机制上建立动态校准模式，从而化解人机信任危机。

未来，技术优化与治理完善，将推动AI与人类走向“深度共生”。多位受访者表示，相信在解决当下人机协同的问题之后，AI带来的变革能够更进一步。

（央视网）