人工智能行业正在经历前所未有的扩张。

几乎每天都会有新的模型、新的融资、新的产品发布。科技公司不断投入巨额资金建设数据中心，购买芯片，招募研究人员。投资者疯狂追逐AI概念，大量创业公司估值飙升，整个行业都像进入了一场新的科技淘金热。

但一个越来越现实的问题也开始浮现：AI行业到底什么时候才能真正赚到钱？

过去几年里，OpenAI、Anthropic、Google、Meta 和微软等公司几乎主导了整个AI浪潮。ChatGPT等产品迅速改变了公众对人工智能的认知，很多企业也开始把AI功能整合进办公、搜索、编程和客服系统中。表面上看，整个行业一片繁荣。

但在巨大的热度背后，AI行业的财务状况却远没有外界想象得那么稳定。

报道指出，目前很多AI公司仍然处于“高收入、高烧钱”的阶段。它们虽然拥有庞大用户量和巨额融资，但真正能够持续盈利的商业模式依然不够清晰。

尤其是生成式AI，对算力的消耗极其惊人。

每一次用户提问、生成图片、分析文件，背后都需要大量GPU参与计算。这意味着公司必须持续支付庞大的服务器、电力和芯片成本。很多AI服务即使收费，也未必能覆盖真实运行开销。

一些行业分析人士甚至认为，当前AI行业存在类似互联网泡沫时期的现象。

大量资本正疯狂涌入AI领域，但许多企业实际上还没有找到稳定盈利方式。投资者愿意持续烧钱，很大程度上是因为他们担心错过下一代科技革命。

科技巨头之间的竞争也在进一步推高成本。

Alphabet、Amazon、Meta 和 Microsoft 等公司正在持续扩大AI基础设施投资。报道提到，整个行业的资本支出已经达到惊人规模，仅大型科技企业相关投入就超过数千亿美元。与此同时，越来越多公司开始通过借债维持AI扩张。

问题在于，目前真正愿意为AI支付高额费用的用户数量，还不足以支撑如此庞大的投入。

虽然很多普通用户每天都在使用AI聊天工具，但大部分人仍停留在免费版本。真正能贡献稳定收入的企业级客户虽然增长迅速，却还不足以让整个行业全面盈利。

一些调查显示，不少企业虽然正在测试AI，但实际收益并没有想象中明显。

很多公司引入AI后，员工效率确实有所提升，但距离“彻底改变生产力”还有很大差距。有些企业甚至开始重新评估AI预算，因为投入和回报之间暂时没有形成理想比例。

与此同时，AI行业内部也在形成新的竞争压力。

最初，OpenAI凭借ChatGPT几乎定义了整个生成式AI市场。但随后Anthropic、Google Gemini、Meta Llama等模型快速跟进，让竞争变得异常激烈。随着越来越多模型出现，AI能力逐渐趋同，未来产品之间的差异可能越来越小。

这意味着，AI公司最终可能不得不进入更残酷的商业竞争阶段。

当模型能力接近时，真正决定胜负的，也许不再是技术本身，而是谁拥有更多用户、更多生态系统，以及更稳定的盈利渠道。

报道还提到，广告模式可能会成为未来AI行业的重要收入来源。

因为目前很多AI产品的订阅收入仍有限，而互联网历史已经证明，真正拥有海量用户的平台，最终往往会走向广告变现。部分投资人认为，未来AI助手可能会像搜索引擎和社交平台一样，通过广告获得巨大收入。

但这种模式也引发担忧。

如果AI系统未来开始深度依赖广告收入，那么它们提供答案时，是否还会保持中立？用户看到的内容会不会越来越受到商业利益影响？这些问题目前还没有明确答案。

另一方面，AI行业也开始出现越来越明显的“赢家通吃”趋势。

由于训练先进模型需要极其庞大的资金和算力，小公司越来越难与科技巨头竞争。未来几年，真正能持续留在第一梯队的AI公司，也许只会剩下少数几家。

不过，即使部分公司未来失败，很多人依然认为AI革命本身不会消失。

类似情况曾经发生在互联网泡沫时期。大量企业最终倒闭，但互联网基础设施和数字经济却真正改变了世界。如今一些分析人士认为，AI行业也可能重复类似路径：泡沫可能会破裂，但技术本身仍会长期存在。

还有经济学家指出，AI真正的影响可能并不会立刻体现。

历史上很多重大技术革命，都经历过长时间基础设施建设阶段。铁路、电力、互联网都曾在初期经历疯狂投资和盈利困难，但多年后才逐渐改变整个经济结构。AI也许同样需要时间。

目前最现实的情况是，整个AI行业仍处于“先扩张，再寻找盈利”的阶段。

公司们正在疯狂争夺市场、用户和技术优势，因为没人愿意错过可能出现的下一代平台革命。但真正能够长期赚钱、并建立稳定商业模式的企业，到底会是谁，现在依然没人能够确定。

本文译自：newyorker（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

一项来自哈佛医学院的最新研究，引发了医疗界和科技界的广泛关注：在某些关键场景下，人工智能给出的诊断结果，竟然比急诊医生更加准确。这听起来像是科幻电影的情节，但如今，它正在逐步成为现实的一部分。

研究团队通过一系列严格测试，将一款具备“推理能力”的人工智能模型，与真实执业医生进行对比。这些测试并不是简单的理论题，而是基于真实急诊病例的数据，包括患者的基本信息、生命体征以及医生最初记录的症状描述。换句话说，AI面对的，是和医生几乎相同的信息环境。

结果令人意外。在最关键的一项实验中，AI在大约67%的病例中给出了完全正确或接近正确的诊断，而参与测试的医生准确率大约在50%到55%之间。这意味着，在有限信息条件下，AI的判断整体上更接近真实答案。

不仅如此，当研究人员向系统提供更多详细信息后，AI的准确率还能进一步提升到80%以上，甚至超过多数医生的表现。这种能力主要来源于其对大量医学知识的整合，以及逐步推理问题的方式，使它能够在复杂情况下找到更合理的解释路径。

研究还显示，AI不仅在“猜测病因”方面表现出色，在制定下一步诊疗方案时也具备优势。它可以根据已有数据快速提出检查建议、判断风险，并给出多个可能的诊断方向。这种能力在急诊场景中尤为重要，因为医生往往需要在极短时间内做出决策。

不过，这并不意味着医生即将被取代。研究人员和专家普遍强调，这类测试主要基于文本和数据分析，而现实中的医疗远比这复杂。医生不仅要解读数据，还需要观察患者的表情、体态、痛苦程度，以及进行人与人之间的沟通。这些因素，目前的AI仍然难以全面掌握。

此外，这项研究是在受控环境中进行的，并没有直接在真实急诊室中独立运行AI系统。因此，它更像是一种能力验证，而不是临床实践的最终结论。真正将AI应用到医院，还需要经过更严格的测试、监管和伦理评估。

值得注意的是，研究人员提出了一种更现实的发展方向：不是让AI替代医生，而是让两者协同工作。AI可以作为“第二意见”，帮助医生减少误判，提高诊断效率，同时减轻繁重的文书和数据处理压力。这种“人机合作”的模式，可能才是未来医疗的核心形态。

从更长远的角度来看，这项研究揭示了一个重要趋势——医疗正在从经验驱动，逐步走向数据与算法驱动。AI并不会让医生消失，但会改变医生的工作方式。未来的医生，可能需要同时具备医学知识和对技术工具的理解，才能更好地利用这些新能力。

换句话说，这场变化的关键，不是谁取代谁，而是谁能更好地与技术协作。在这个过程中，真正受益的，或许将是每一个患者。

本文译自：techcrunch（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

随着大规模语言模型（LLM）如 ChatGPT 的普及，人工智能对我们写作和说话的方式产生了深远影响。研究人员发现，这些工具正在推动一种更标准化、更可预测的表达风格，无论用户是否直接使用 AI，都在潜移默化中趋向类似的语言模式。

这项趋势不仅体现在书面文字中，也渗透到了日常交流里。科学家在分析学术期刊、本地新闻和社交媒体的大量样本后发现，自从 ChatGPT 发布以来，不同文本的句式结构和词汇使用的多样性明显下降。许多常见的词汇和表达方式如今频繁出现在各种语境中，这表明人们为了追求“权威感”和清晰度，倾向于采用 AI 影响下的语言风格。

南加州大学的一位教授指出，人们逐渐习惯这种“理想化”的语言形式，即便他们并未直接借助 AI 生成内容，也会模仿这种风格以显得更有影响力。这种趋同现象也引发了语言学界的担忧。一些语言专家认为，AI 生成的文本虽然在语法上几乎无可挑剔，却缺少个性和艺术性，导致表达变得千篇一律，失去了原本富于变化的语言魅力。

来自华盛顿大学的语言学家明确表示，他尽力避免阅读 AI 生成的内容，因为这类内容常常难以分辨出处，有时甚至会误以为是人类写的。他警告称，追求“ChatGPT 水平的润色”可能会削弱个体真实的表达声音，形成一种他称之为“LinkedIn 平均语调”的平淡官方风格，这种趋同不仅影响写作，还可能渗透到口语表达中。

此外，有观察指出，AI 在推动语言标准化的同时，也改变了我们的沟通习惯。例如，一些 AI 推荐的词汇和构句方式，如 “delve”、“meticulous”、“boast” 等词汇，出现在普通对话和写作中的频率明显上升，这表明 AI 训练出的语言模型在塑造大众语言风格方面拥有显著影响力。

尽管 AI 工具在提高语法准确性、帮助生成清晰表达方面有其优势，但这种技术驱动的语言变迁也带来了文化和认知层面的讨论。一些学者强调，书写和表达本身是一种认知过程，有助于组织思维并促进深度思考，如果过分依赖 AI 做这项工作，我们可能会丧失一些独立思考和表达的能力。

总的来说，人工智能正在重塑我们的书写与表达方式，它不仅改变了我们选择哪些词语和句式，也在影响我们如何思考与沟通。未来，如何在利用 AI 优势的同时保持语言的多样性与个性，将是社会、教育界和语言学界共同面临的重要课题。

本文译自：asteriskmag（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

目前来看，AI检测并没有简单的解决方案。原因有很多：一方面，大语言模型本身就是对人类作者真实写作的不完美复制；另一方面，这些模型还在不断“改进”——如果“改进”这个词可以用来形容一个建立在无数人类作者劳动之上的产品的话。今天我们能一眼识破的“词句沙拉”，明天可能就不再是那种明显的机器写作了。更何况，有些作者天生就习惯用“词句沙拉”式的风格写作。

这仅仅是又一个例证，说明那种被兜售给我们、号称能让生活更轻松的技术，实际上正在让事情变得复杂得多。

AI检测工具臭名昭著——往好了说漏洞百出，往坏了说可能毁掉新人作者的前程。而且它们看起来尤其像一种笨拙的解决方案：我们为什么要用AI来抓AI的使用？

对读者来说，这同样是一个艰难的时代。如今，当我遇到一个不熟悉的名字所写的新作品时，我不得不提醒自己保持警惕——万一有人想愚弄我呢？图书行业应该尽一切必要努力，防止读者觉得他们需要用怀疑的心态来面对每一本新书。恐怖评论家艾米丽·C·休斯在剖析米娅·巴拉德小说因涉嫌使用AI而被取消的事件时，说得非常精辟：“我讨厌这种感觉：我的选择要么是反复让自己受到伤害，要么是逐渐把自己封闭进越来越小的保护泡泡里，直到彻底孤独。”不惜一切代价保护读者！

如果说有谁应该承担AI检测的责任，那一定是图书编辑——尽管他们当初绝对没有签约这项新的职责。

我们当前的困境很好地提醒了我们：当企业依赖技术而非投资于人类专业能力时，后果是多么灾难性。因为归根结底，AI及其引发的混乱，是一个劳动问题。

AI引发的猜疑，其实是一个更大问题的症状：一种重视数量胜过质量、追求快速产出胜过逐字推敲手稿这一非常人性化劳动的企业文化。

需要说明的是，编辑们已经超负荷工作了。事实上，大型出版公司的几乎每一个岗位都处于超负荷状态。当出版商裁员时（如今这似乎几乎每周都在发生），留下来的人不得不在自己原本的工作之上，再承担起离职同事的全部工作。在同样的时间里，做着两到三个人的活儿，这意味着如今编辑们严重缺乏真正用于编辑的时间。

再加上摇摇欲坠的职业安全感——一个编辑的价值总是取决于前一年的图书销售记录。这绝不是有利于生产力的理想环境，更不用说创造艺术了。

AI引发的猜疑，是一个更大问题的症状：一种重视数量胜过质量、重视快速产出胜过逐字推敲手稿这一非常人性化劳动的企业文化。这一点在那些被大型出版社收购的自出版作品上体现得尤为明显——这些作品第一次出版时可能没有经过严格编辑，但在印刷成千上万册之前，它们绝对值得更 thorough 的审读。

在整个出版流程中，编辑是最有能力与文本紧密合作的角色。他们未必总能识别出AI是否被使用，但至少能感觉到某个词或某个句式“不对劲”。编辑在一本书上投入的时间越多，他们能倾注的用心就越多——这恰恰是大多数编辑当初进入图书行业的初衷！他们投入的用心越多，就越有可能处理任何形式的笨拙写作，这最理想的情况就包括识破那些试图冒充原创写作的AI内容。给编辑更多的时间与空间去——你懂的——真正地编辑，这并不是解决AI问题的终极方案，但这是一个良好的开端。

抱歉如果我说的是显而易见的道理，但人类不是机器，不能不知疲倦地、不停地批量产出东西，尤其是当产出的是创造性内容时。事实上，当工作条件允许我们花足够的时间去思考、沉思、分析、诠释时，我们才能处于最佳状态。书毕竟不是小零件（至少好书不是）。它们需要编辑的引导之手，而编辑需要有足够的权力去花所有必要的时间来打磨它们。

本文译自：lithub（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

随着人工智能聊天机器人在日常生活中的普及，越来越多的人开始依赖它们获取医疗相关信息，无论是了解症状、寻找治疗建议，还是解释医学概念。然而，一项最新研究提醒人们，这些看似“全能”的AI工具，在医疗信息的准确性方面仍然存在明显问题，甚至可能在用户毫无察觉的情况下传播错误内容。

研究人员对五种主流AI聊天机器人进行了测试，发现它们提供的医疗信息中，有相当一部分并不准确或不完整。整体来看，大约一半的回答存在不同程度的问题，其中既包括部分错误，也包括严重误导性的内容。这意味着，当用户向AI寻求健康建议时，他们有很大概率接触到并不可靠的信息。

更令人担忧的是，这些错误并不总是以明显的方式呈现出来。相反，AI往往以非常自信和流畅的语言表达这些信息，使用户更容易误以为这些内容是权威且经过验证的医学知识。这种“自信的错误”正是研究人员最担心的地方，因为它会降低用户的警惕性，让人更难分辨信息的真实性。

研究还指出，AI系统在处理医疗问题时存在一个关键问题：它们缺乏真正的医学判断能力。聊天机器人并不是基于临床经验或真实患者数据进行推理，而是通过语言模式生成回答。因此，当输入信息不完整或存在误导时，它们不仅可能无法识别问题，还可能进一步扩展错误内容，使回答看起来更加详细和可信。

此外，研究人员发现，这些系统在不同问题上的表现并不稳定。有些情况下它们能够给出相对合理的解释，但在另一些情况下则可能遗漏关键医学信息，甚至提供不适当的建议。这种不一致性使得普通用户很难判断何时可以信任这些工具。

研究团队强调，如果AI聊天机器人继续在缺乏足够监管和公众教育的情况下广泛使用，可能会在社会层面放大医疗误导风险。特别是对于缺乏医学背景的普通用户来说，他们更容易将AI的回答当作事实，从而影响自身健康决策。

与此同时，研究也指出，这并不意味着人工智能在医疗领域完全没有价值。相反，它们在解释基础概念、辅助学习以及帮助用户理解复杂医学信息方面仍然具有潜力。但关键在于，如何正确使用这些工具，以及如何明确它们的边界。

研究人员呼吁，在AI医疗应用不断扩展的同时，必须加强公众教育，让用户清楚认识到这些工具的局限性。同时，也需要更严格的技术优化与监管机制，以减少错误信息传播的可能性。

从整体来看，这项研究再次强调了一个重要现实：尽管人工智能正在快速发展，但在涉及健康和医疗决策时，它们仍然不能替代专业医生的判断。用户在使用这些工具时，应保持谨慎态度，将其作为辅助信息来源，而不是最终决策依据。

本文译自：medicalxpress（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

人工智能正在越来越多地被引入招聘流程，从简历筛选、候选人排序，到面试初筛和评估，企业希望借助AI提升效率并减少人为判断带来的偏差。在理想设想中，AI可以通过标准化流程帮助招聘更加客观、公正，但现实情况却远比预期复杂。

最新研究指出，AI在招聘中的影响并不是单向“消除偏见”，而是可能在不同条件下削弱、强化，甚至改变偏见的表现形式。这意味着，人工智能并不能简单被视为“公平机器”，它的作用取决于设计方式、使用环境以及人类如何与其互动。

在传统招聘过程中，人类决策者往往会在高压力或信息复杂的情况下依赖经验和直觉，这种心理捷径容易导致刻板印象的产生。例如，当候选人背景复杂、信息量过大时，招聘者更可能依赖“看起来更安全”的选择，而不是完全基于客观标准。

人工智能的引入，最初被寄予厚望，希望能够减少这种依赖直觉的判断。然而研究发现，普通AI工具如果仅仅基于效率或历史数据进行推荐，并不能有效解决偏见问题，反而可能复制甚至放大历史数据中已经存在的不公平模式。

更进一步的实验表明，当AI系统在招聘决策中提供建议时，人类往往会受到影响并倾向于接受这些建议，即使这些建议本身带有偏差。换句话说，人类在与AI协作时，并不会完全独立判断，而是容易“跟随机器”。

这种现象在复杂决策中尤为明显。当招聘任务变得更加困难、评估维度更多时，人类更容易依赖AI输出，从而降低自主判断比例。这种依赖性使得AI的影响力被进一步放大。

然而，并不是所有AI系统都会加剧问题。一些经过特殊设计的“以包容性为导向”的AI系统，能够在流程中主动提醒招聘者关注与岗位相关的能力，而不是依赖身份标签或刻板印象。这类系统通过引导注意力，使决策者更加专注于具体技能和可验证的经验，从而在一定程度上减少偏见的产生。

研究人员发现，这种“引导式AI”在复杂招聘场景中效果尤为明显，它不仅没有加剧歧视，反而在某些情况下显著提高了对弱势群体（例如残障求职者）的录用比例。这说明AI并非天然偏向某一结果，其设计目标会直接影响最终公平性。

不过，研究也提醒，这种方法同样存在风险。如果系统过度纠偏，可能会导致新的不平衡，例如在某些情况下反向偏向某一群体，从而形成“矫枉过正”的现象。因此，如何在公平性与准确性之间取得平衡，成为AI招聘系统设计中的关键问题。

研究者强调，AI不应被简单视为替代人类判断的工具，而更应被看作一种辅助机制，用来构建更透明、更结构化的招聘流程。在这一过程中，包括标准化面试流程、可解释的评分机制以及对决策过程的审查，都同样重要。

从更广泛的角度来看，人工智能正在重塑整个招聘生态系统。它不仅改变了筛选效率，也在潜移默化地影响人类如何理解“合适候选人”的概念。当系统越来越依赖算法推荐时，人类判断也可能逐渐向算法逻辑靠拢。

因此，研究人员认为，未来的关键不在于“是否使用AI”，而在于“如何使用AI”。只有在设计阶段就充分考虑公平性、透明性以及人类监督机制，AI才能真正成为提升招聘质量的工具，而不是无意中强化已有偏见的放大器。

最终，这项研究强调了一个核心观点：人工智能并不会自动带来公平，它既可以成为减少偏见的工具，也可能成为复制偏见的渠道。决定这一切的，不是技术本身，而是人类如何构建和使用它。

本文译自：phys（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

在高等教育领域，批改作业从来都不仅仅是“打分”这么简单。当一位教授阅读学生论文并写下反馈时，这个过程本身就包含了多重意义：判断力在被不断训练，学术经验在被持续打磨，同时一种微妙的师生关系也在文字往来中逐渐建立。然而，随着生成式人工智能逐渐介入教育评估体系，这一传统而关键的过程，正在悄然发生变化。

越来越多的研究开始关注一个被忽视的问题：当反馈工作被自动化工具部分甚至完全接管时，真正被改变的可能并不仅仅是学生收到的评论质量，更可能是教育者自身能力的长期结构。

在一些学术研究的观察中，教育者对学生作业的反馈，本质上是一种“高密度专业实践”。它不仅要求知识准确，还要求对学生个体情况的理解，以及对学习阶段差异的敏感判断。例如，同样是逻辑不清的问题，对于基础薄弱的学生可能需要鼓励与引导，而对于能力较强的学生则可能需要更严格的批判与提升建议。这种差异化判断，是长期教学经验积累的结果。

然而，当人工智能开始生成反馈初稿，教师的角色逐渐从“思考者与判断者”，转变为“审核者与修改者”时，这种能力训练过程也在被削弱。表面上看，效率提升了，教师的工作负担减轻了，但隐藏在背后的是一个更深层的问题：判断力正在被外包。

这种变化并不是突然发生的，而是逐步渗透的。当教师越来越依赖系统生成的反馈框架，他们对学生文本的“第一手阅读”时间减少了，对问题的直觉判断也随之弱化。长期来看，这可能导致一种专业能力的流失——教育者不再像过去那样通过不断实践来打磨反馈技巧，而是逐渐习惯于在已有模板之上进行调整。

与此同时，人工智能反馈的逻辑也与人类反馈存在本质差异。许多现有系统将反馈视为一种“信息输出”：输入作业，生成评论，然后结束流程。但真实的教育反馈并非一次性行为，而是一种持续互动的关系。学生不仅需要“看到建议”，更需要在反复交流中理解这些建议背后的逻辑。

问题在于，人工智能目前无法真正建立这种连续关系。每一次交互都是独立的，缺乏记忆与情境积累。对于学生来说，这意味着反馈可能变得碎片化：虽然每次都能得到建议，但这些建议之间缺乏连贯的成长线索。

更值得注意的是，学生对人工智能反馈的接受程度也存在明显差异。研究显示，一部分学生认为AI反馈清晰、低压力，甚至更容易尝试和修改；但也有学生认为，这类反馈缺乏人际关系中的信任感和针对性，难以真正转化为行动。

这背后反映的是一个关键问题：反馈的价值不仅来自内容本身，还来自关系结构。人类教师的反馈之所以有效，往往不是因为语言更复杂，而是因为学生知道这份反馈来自一个持续关注自己成长的人。这种信任与连续性，是算法难以复制的。

从另一个角度看，人工智能确实也提供了一些传统教学难以实现的优势。例如，它可以在短时间内处理大量作业，并从更宏观的层面分析学生长期表现趋势。这种“跨时间维度”的数据整合能力，能够帮助教育者更全面地理解学生发展轨迹，这是单一教师在高负荷工作下难以完成的任务。

同时，对于一些在学术表达上缺乏信心的学生来说，AI反馈也可能成为一种“低压力练习空间”。在没有直接评判压力的情况下，他们可以先尝试修改与理解，再逐步过渡到与教师的正式互动。这在一定程度上降低了学习门槛。

但问题在于，这种便利也可能带来新的不平等。当部分学生已经具备较强的学术基础和判断能力时，他们能够更有效地利用人工智能工具优化学习路径；而基础较弱的学生，则可能更难理解AI反馈的真正含义，甚至无法正确使用这些建议。结果可能不是缩小差距，而是进一步扩大差距。

更深层的风险在于教育能力的结构性变化。如果教育系统过度依赖自动化反馈，教师可能会逐渐失去“深度阅读学生作品”的机会，而这种能力恰恰是教学专业性的核心组成部分。一旦这种判断力被长期削弱，即使未来重新回到纯人工反馈模式，也可能难以恢复到原有水平。

因此，真正的问题并不是人工智能能否提供“足够好的反馈”，而是一个更根本的判断：当反馈被自动化之后，负责教育的人是否仍然保有“做得更好”的能力？

教育的本质从来不仅是传递知识，还包括在互动中培养判断力与理解力。如果这一过程被过度简化为技术流程，那么失去的可能不仅是效率与成本之间的平衡，更可能是教育本身最核心的专业精神。

在未来的教育图景中，人工智能或许会成为重要工具，但它不应替代教师与学生之间那种持续、复杂且富有情境的互动关系。因为正是在这种关系中，反馈才不只是评价，而是成长本身的一部分。

本文译自：studyfinds（编译 / 整理：olaola）

图片来源：unsplash/Igor Omilaev

来自里约热内卢联邦大学的人工智能研究者André Barcaui，对120名大学生进行了一项实验。他将参与者分为两组：一组可以使用ChatGPT辅助完成关于人工智能的学习任务，另一组则必须依靠传统方式自行查资料、整理和理解内容。

在学习结束45天后，研究人员突然对所有人进行了一次测试。结果显示，使用ChatGPT的学生平均得分为5.75分（满分10分），而未使用AI的学生则达到6.85分。这一差距虽不算巨大，但具有统计意义，也印证了一个趋势：借助AI获取信息，可能会削弱我们对知识的长期记忆。

Barcaui在论文中指出，这种现象很可能源于“认知努力”的减少。简单来说，当AI替我们完成查找、总结甚至理解的过程时，大脑参与程度降低，从而影响记忆的巩固。

实验还发现一个有趣的对比：效率与效果的取舍。使用ChatGPT的学生平均只花了3.2小时完成任务，而传统学习组则需要5.8小时。也就是说，AI确实让学习变快了，但代价可能是“记得不牢”。

事实上，这种“把思考外包”的现象并非新鲜事。在2011年，哥伦比亚大学心理学家团队就提出了“数字失忆”的概念，指出人们在依赖搜索引擎（如Google）时，会更少主动记忆信息。

如今，随着像ChatGPT这样的工具能够直接生成答案甚至完整思路，这种“认知卸载”被进一步放大。研究者认为，这与教育心理学中的“理想困难”原则有关——适度的困难和努力，恰恰是形成深度学习和长期记忆的关键。

换句话说，AI可以帮你更快“完成任务”，却不一定帮你真正“学会知识”。

不过，Barcaui并没有否定人工智能的价值。他认为，关键不在于是否使用AI，而在于如何使用。未来的学习方式，应该在效率与深度之间找到平衡——既利用AI的优势，又保留必要的思考过程。

简单来说，AI可以成为工具，但不应该成为“替代大脑”的拐杖。真正的学习，仍然离不开专注、理解和反复思考这些看似“低效”，却至关重要的过程。

本文译自：ScienceAlert（编译 / 整理：olaola）

封面图片：unsplash/Igor Omilaev

而现在，零售行业正站在又一次转折点上：一种新的模式正在出现——由人工智能替人完成购物决策。

这种趋势背后，是被称为“代理式消费”的新形态。简单来说，它依托AI代理来理解用户的偏好、尺寸、预算甚至审美倾向，然后从推荐商品到完成支付，再到安排配送，全流程自动处理。人不再需要亲自逐一筛选，而是将“选择权”部分交给系统。

万事达英国及爱尔兰区总裁西蒙·福布斯认为，这可能是零售行业迄今为止最深刻的一次变革之一。“它改变的不只是购物方式，更是决策的发起者本身——从人转向了智能系统。”

在他的设想中，这类代理将很快成为消费者与商家之间的重要桥梁。从订阅服务续费，到购买一双跑鞋，整个过程都可以由AI自动完成，而且更高效、更省力。

设想一个日常场景：你准备为晚间聚会添置一套新衣。按照传统方式，你可能需要在不同网站之间来回搜索，对比款式、阅读评价、筛选价格。而在代理式消费中，你只需要告诉AI你的需求，比如预算、场合、风格偏好，它就会结合合身程度、面料、流行趋势等因素，给出筛选后的结果。

当你确认后，剩下的流程都在后台自动完成，包括调用支付信息、填写收货地址、下单发货等。整个过程几乎不需要额外操作。

福布斯解释说，这种模式的核心变化在于，人们不再亲自处理繁琐细节，而是表达需求本身，比如“帮我找一份50英镑以内的生日礼物”或“推荐适合冬天跑步的鞋子”。随后，系统会根据这些指令执行完整流程。

不过，要让消费者放心把购物权交给AI，前提是建立足够的信任。安全性和透明度成为关键因素。消费者必须清楚系统如何运作、是否在授权范围内行动，以及个人数据如何被使用。

据万事达卡的相关调查显示，全球约76%的消费者比两年前更担心网络安全问题，近六成的人甚至认为在数字环境中遭遇欺诈几乎不可避免。在这样的背景下，如果AI要参与交易，就必须建立更严格的身份验证和合规机制。

因此，这类代理系统需要经过注册认证，才能在网络环境中运行。支付平台也会制定统一规则，确保每一笔交易都可追溯、可验证。例如，在执行购买前，系统会展示完整订单信息，消费者需要确认；商家也会核对指令是否准确，比如用户要求的是7码鞋，系统是否误选为8码。

在初期阶段，人仍然掌握最终确认权。而未来的发展方向，则是让AI在既定授权范围内，能够独立完成部分重复性购买任务，比如定期补充生活用品。

这种变化也意味着消费体验将进入高度个性化阶段。AI可以基于用户历史记录、偏好甚至即时需求，进行更精准的推荐。比如在日常购物中，它可以自动判断哪些食材已经用完，是否有更划算的促销组合，甚至结合饮食习惯来筛选商品。

此外，系统还可以与会员体系打通，自动使用积分或优惠券，进一步优化消费体验。换句话说，购物不再只是“寻找商品”，而是变成了一种由智能系统协助完成的整体服务。

福布斯将这种能力称为“大规模共情”——通过对用户行为和偏好的理解，实现个性化决策。前提是用户愿意分享必要的信息，让系统更好地理解自身需求。

当然，这样的转变也难免让人产生不安。毕竟，把一部分决策权交给机器，本身就意味着对传统消费习惯的改变。但从设计逻辑来看，控制权仍然掌握在用户手中——无论是数据授权范围，还是交易执行条件，都可以由个人设定。

回顾过去，支付方式的创新更多集中在“如何付钱”，比如非接触支付或移动钱包，而未来的变化则更进一步——用户只需要表达意图，其余过程由系统自动完成。

可以说，这是一项仍在快速发展的技术。如果能够在安全、透明和可控的前提下落地，代理式消费有望减少决策负担，让网购更加高效，也更贴近个体需求，甚至降低使用门槛，让更多人能够轻松参与其中。

本文译自：theguardian（编译 / 整理：olaola）

封面图片：unsplash/Igor Omilaev

这是笛卡尔提出的经典论断：
👉 思考本身，证明了人的存在。

这句话至今仍然优雅、清晰，但在今天的技术时代，它开始显得不再完整。

🤖 当AI开始接管“思考”

在人工智能快速发展的时代，情况已经发生变化。

现代AI可以在几秒钟内完成：

• 写作
• 总结
• 翻译
• 分类
• 预测

这些曾经被认为是“人类思维核心”的能力，如今正在被机器高效复制。

于是，一个新的问题浮现出来：
👉 如果思考不再独属于人类，那么“人是什么”？

🌍 人类的多维结构：被忽视的整体系统

如果我们只把人类理解为“思考机器”，就会忽略一个事实：

人类从来不是单一维度的存在。

可以从四个自然维度来理解人类整体结构：

🧭 1. 志向（目标与方向）

这是人的“内在北极星”：

• 价值观
• 人生目标
• 行动方向

它决定我们“为什么行动”。

❤️ 2. 情感（情绪与连接）

这是人与世界连接的核心层：

• 爱与恐惧
• 共情与冲突
• 自我感受

情绪并不是干扰，而是决策的一部分。

🧠 3. 思考（分析与推理）

这是最容易被AI替代的部分：

• 逻辑分析
• 语言表达
• 模式识别
• 信息处理

但人类的思考从不孤立存在，它总是与情感、身体和目标交织。

🌿 4. 感觉（身体与感知）

这是最被忽视的一层：

• 紧张与放松
• 疲劳与警觉
• 危险与安全感

身体本身就在持续提供判断依据，而不仅仅是大脑。

🔄 4×4的人类系统：不断交互的网络

这四个维度并不是独立运行的，而是持续互动的系统。

它们同时作用于四个社会层面：

• 人际关系
• 社区结构
• 国家体系
• 地球生态

形成一个复杂的 4×4动态网络系统。

🧬 科学视角：人类并非“纯理性机器”

现代研究不断强化这一观点：

• 情绪与判断是紧密绑定的
• 认知与身体经验不可分割
• 呼吸节律甚至会影响决策
• 身体状态会提前改变判断结果

这说明一个关键事实：

👉 人类的“思考”从来不是纯逻辑过程。

🤖 技术如何映射人类的四个维度

人工智能与现代技术，正在逐步对应这四个层面：

🎯 志向 → 对齐（Alignment）

AI领域的“对齐问题”，试图让系统：

• 追随人类价值观
• 避免错误目标
• 保持行为一致性

但机器的“目标”与人类的“愿望”并不完全等价。

❤️ 情感 → 情感计算

技术已经可以：

• 识别语音压力
• 分析文本情绪
• 推断面部表情

但关键区别在于：

👉 机器可以识别情绪，但不会“感受”。

🧠 思考 → 语言模型处理

这是AI最强的领域：

• 快速生成文本
• 高速信息整理
• 模式预测

但这种能力也带来风险：

• 人类可能过度依赖机器
• 思考能力可能被外包
• “看起来像思考”不等于真正理解

🌿 感觉 → 传感技术

通过：

• 摄像头
• 麦克风
• 可穿戴设备
• 生理监测

机器正在“感知世界”。

但本质差异仍然存在：

👉 人类的感知是“身处其中”的
👉 机器的感知只是“外部读取”

⚖️ 为什么现在这个问题变得重要

当前AI的发展呈现明显偏向：

• 处理能力（思考）发展最快
• 对齐研究（目标）逐渐加强
• 情感计算（情绪）商业化应用
• 身体感知（感觉）仍然有限

但人类真正的核心，并不只是“产出效率”。

更重要的是：

• 内在价值
• 情绪复杂性
• 判断力
• 身体存在感

🧠 混合智能：未来不是替代，而是组合

真正的未来不是“人类 vs AI”，而是：

👉 人类智能 + 人工智能的融合系统

但前提是：

我们必须先理解自己本身。

🌱 结语：思考不是全部，但“存在”是

“我思故我在”强调的是思考的重要性。

但今天我们需要补充一句：

👉 思考只是人类的一部分，而不是全部。

在AI越来越强大的时代，一个更现实的问题是：

当机器替你完成思考时，你是否仍然完整地“在场”？

本文译自：psychologytoday（编译 / 整理：olaola）

封面图片：unsplash/Igor Omilaev