人机协同的演进：从计算机支持协作到异质智能共生

CSCW 最初的含义是“计算机支持的协同工作”。如果关注中国计算机学会推荐的国际会议，就会看到 ACM CSCW 这一重要学术会议。但今天所说的社会计算并不是一个单一的研究传统。复杂系统研究者会谈社会计算，社交网络研究者会谈社会计算，社会科学研究者也会谈社会计算，近年来还出现了大量 AI for Social Science 的研究。卢暾教授所强调的“社会计算”，则有一条非常明确的学术来源，即从 CSCW、人机交互和协同计算不断扩展而来。

按照演讲中的回顾，CSCW 在 2011 年以后，其会议名称和研究内容进一步向“Social”扩展。这种变化背后体现的是一个更大的趋势：计算机已经越来越难以作为一个孤立的技术对象被理解，人的行为、群体关系、组织运行和社会实践逐渐成为计算研究本身的一部分。CSCW 也正因此成为一个高度交叉的领域。早期参与其中的研究者不仅来自计算机科学和人工智能，还大量来自心理学、新闻传播、管理学、人口学、认知科学等不同专业。它从一开始就不是一个只属于计算机工程的研究领域，而是在“人怎样共同工作”这个问题上自然形成的一片交叉地带。

在国内，这一领域的发展经历了一个逐步被认识和接受的过程。协同计算专委会于 2015 年成立。在早期 CCF 推荐国际学术会议时，国内对 CSCW 的认知还比较有限，尽管这一研究共同体在国际上已经相当活跃。卢暾教授回顾，早在 2013 年，CSCW 会议单篇论文的引用表现就已经超过当时人机交互领域若干会议的平均水平，只是受当时推荐名额等因素限制，没有第一时间进入最高推荐级别，五年之后才毫无争议地进入 CCF A 类会议。这个过程一方面体现了国内学术共同体对这一领域认识的逐渐深化，另一方面也与协同计算专委会和相关研究团队长期持续推动有关。按照演讲中的说法，在 2020 年以前，国内发表在 CSCW 领域的论文中，相当大的比例来自卢暾教授所在团队，团队中的多位教师也长期活跃在国际 CSCW 学术共同体之中。

这种长期耕耘的另一个体现，是持续举办的社会计算暑期学校。到 2026 年已经举办第八届，它逐渐成为协同计算专委会培养 CSCW 与社会计算领域青年学生、青年教师的一项品牌活动。活动还联合人机交互和普适计算两个专委会共同组织。从 ACM 的学术组织结构来看，这三个方向恰好分别对应 SIGCHI 下 CSCW、CHI 和 UbiComp 等重要会议。这种组织方式本身也说明，协同计算、人机交互和普适计算之间存在天然联系：它们虽然关注点不同，却都在处理技术如何进入人的真实世界这一根本问题。

暑期学校的参与者同样体现出这种跨学科和开放性。除了国内头部高校和专业特色较强的学校外，还有来自新加坡国立大学、南洋理工大学、马来亚大学等海外高校的学生，也有来自新华网等业界机构的参与者。专业背景几乎遍布多个学科。卢暾教授把这些年轻研究者看作未来这一领域的“种子”，希望他们把 CSCW 和社会计算中有意义的问题带回各自专业，并形成新的交叉研究。

这种培养并不是简单的知识灌输。卢暾教授讲过一个令他印象很深的例子：他在 ACM interactions 相关工作中，与一位 Associate Chair 因一篇论文意见不同而开会讨论，交谈后才发现，对方曾经参加过第四届或第五届社会计算暑期学校。后来这位学生前往新加坡做博士后，并进入 CSCW 的领域主席队伍。当年暑期学校的讲座为他的研究方向“埋下了种子”。对于一个学术共同体而言，这种影响也许比单次课程本身更加重要。

2026 年开场演讲当天，课程还因为教师任务临时做了调整，由陈志明、思源等老师承担部分课程，李鹏老师后续继续授课。未来几天的报告涵盖人的研究、群体行为、人机协同可信决策以及大模型能力边界等问题。卢暾教授特别强调，学生到暑期学校不仅是来“听课”，而应当交流、质疑和碰撞；教师同样在这样的交流中学习。社会计算真正有价值的地方，恰恰就在于不同学科能够围绕一个共同问题进行深度对话，而不是简单地把几个学科拼接起来。

在这样的学术背景下，卢暾教授首先提出的并不是某项具体的人工智能技术，而是一个更基础的判断：技术已经内在于人的认知。

Andy Clark 在《Natural-Born Cyborgs》中提出，人类一个非常独特的能力，就是不断把外部工具、符号系统和文化实践融入自己的认知活动。从文字、书籍、纸笔到计算机、互联网、搜索引擎和今天的人工智能，人类不断把原本位于身体之外的东西纳入自身的感知、记忆、推理和行动过程。因此，所谓“赛博格”并不一定意味着未来身体中必须植入某种机械装置。从认知意义上说，人类事实上早已处在一个不断技术化、不断外延化的状态中。

所以卢暾教授说，“其实我们已经 cyber 了”。这不是一个未来主义的比喻，而是在指出一个现实：当我们通过手机理解空间，通过搜索引擎寻找知识，通过算法决定看到什么信息，通过 AI 帮助写作、编程和做判断时，很难再把技术简单看作一个独立于人的外部工具。它正在成为人认知体系的一部分。每一次重要的技术变化，也都在重新划定人的认知边界。

由此，人机协同研究的第一个问题便发生了变化。过去我们容易问：“AI 能够帮助人做什么？”但如果技术已经进入认知系统，就还需要继续追问：“人与 AI 长期耦合之后，人的认知本身会变成什么？”这一问题最终会自然通向后面关于认知卸载、技能萎缩、主体性离场和认知生态的讨论。

卢暾教授在这里强调的并不仅仅是让 AI “更聪明”。技术进入社会之后，我们还要研究“技术如何在社会中生活”。如果人工智能已经深刻进入日常世界，那么研究目标就不能只剩下提高技术智能，而应进一步考虑：怎样让人与 AI 更有智慧地共在。 这也正是社会计算不同于单纯模型研究的地方：它不只关心计算能力，而是关心技术与社会之间的“双向奔赴”。

“人与 AI 长期耦合之后，人的认知本身会变成什么？

如果技术已经进入人的认知系统，接下来就必须回答：我们究竟是在与一种怎样的智能发生关系？

卢暾教授明确反对把 AI 简单理解成“准人类”。今天大量关于 AI 的讨论习惯使用人的标准：AI 是否像人一样思考，达到什么智力水平，相当于什么学历，在哪些测试上超过人类。这样的提问方式背后隐藏着一个未经反思的前提：人类智能是智能的标准形式，而人工智能的发展就是沿着一条道路逐渐逼近人。

但人工智能的形成机制和人类完全不同。人类智能经过漫长的生物进化形成，它与身体、生存环境、社会互动、情感、文化和历史经验密不可分。今天的大语言模型却是在数据、文本预测、计算资源、优化目标和训练机制中形成的。即使两者最终产生某些相似的外部行为，也不意味着它们拥有相同的认知过程。

Andrej Karpathy 用过一个极具表现力的比喻：今天的大模型研究也许并不像“养一种越来越聪明的动物”，反而更像是在“召唤幽灵”。动物是在自然环境和生存压力中逐渐形成智能，而大语言模型则是在完全不同的压力和机制中成长出来。人类智能具有相当强的通用性、鲁棒性和情境性，而大模型的能力与数据分布、训练目标和计算资源密切相关，由此产生一种非常特殊的“锯齿状智能”。

所谓锯齿状，就是它的能力并不均匀。有时 AI 会表现得像一个极其聪明的学者，能够解决专业人士都觉得困难的问题；下一刻，它却可能犯一个小学生式的低级错误。卢暾教授曾用河流作比喻：当水位很高的时候，水面看上去平静、连续，仿佛底下的一切都不存在；当水位下降，河岸原本凹凸不平的结构才会显现。大模型能力不断提高时，很多尖锐的能力差异会暂时被高“水位”掩盖，但一旦能力发生波动，峰值和盲区就会重新暴露出来。

2026 年课程中还曾用雷达图展示 AI 在不同维度上的能力差异。这些图如果被“拉平”来看，就会发现 AI 的能力并不是一个整体统一上升的数值，而是一系列尖峰和空缺。我们面对的并不是一个已经全面超越人类的统一智能，而是一种在某些方面极强、另一些方面又非常脆弱的存在。

这种特殊性还体现在 AI 的能力甚至可能随着远端计算资源变化而改变。卢暾教授举过一个例子：某个“5.6”版本的大模型曾被用户感觉“一夜之间变笨了”，背后显示的推理预算由大约 960 降到了 128，接近下降 87%。如果一个智能实体的思考能力可以因为服务器负载、效率优化或资源调度而在后台发生明显变化，那么这种“智能”究竟与人的智能有什么关系？如果把人的状态类比过来，就仿佛一个人第二天醒来突然发现自己的认知资源被系统调低了。这种现象迫使我们重新思考：什么叫智能，什么叫主体，而人工智能又究竟是一种怎样的存在。

因此，AI 可能更适合被看作一种异质智能（alien intelligence）。2026 年的演讲中还提到，当时有哲学讨论进一步提出“异智”的概念，虽然现有转写没有恢复出这位哲学家的确切姓名，但演讲借此表达的观点很明确：AI 不应该仅仅按照人类智能的尺度被理解。从 AI 的立场设想，人类同样可能是一种它难以理解的“异智”。所以，我们一直试图让 AI 与人“对齐”，其中其实也包含着强烈的人类中心立场——我们默认机器应该按照人的认知方式、利益和价值标准来理解世界。卢暾教授把这种倾向称作一种需要反思的“人类傲慢”。

要真正理解人与这种异质智能如何合作，就必须重新回到 CSCW 四十年的理论积累。

CSCW 这一名称在 1984 年由 MIT 的 Irene Greif 和 DEC 的 Paul Cashman 提出。当时已经有人意识到，计算机的发展不应只服务于个人计算，而会越来越多地进入多人合作。早期与 CSCW 密切相关的技术实践包括 groupware 等各种支持群体工作的系统。但这个领域真正形成自身学术特色，并不是因为出现了某一种群体软件，而是逐渐形成了一个非常重要的方法论：在设计支持协同的技术之前，先理解协同工作本身。

演讲中提到，1992 年有关 CSCW 的经典研究进一步把这一点说得很清楚：CSCW 的任务，是理解合作工作的性质和特征，然后在这种理解基础上设计充分的计算技术。无论转写中的个别人名是否准确，这一表述真正重要的是其中的先后顺序——先理解，再设计。

这与很多传统软件设计习惯恰好相反。工程师往往拿到一个需求，就开始考虑功能、流程和系统结构。但 CSCW 会继续追问：这个所谓“需求”的背后，真实的人到底怎样共同工作？他们怎样处理互相依赖？怎样应对例外？怎样在计划失效以后重新协调？技术不应该拿着一把锤子寻找钉子，而应该先进入真实的实践世界。

Lucy Suchman 的《Plans and Situated Actions》正是在这一点上产生了巨大影响。她提出，人类行动不是按照预先制定的计划机械展开的。计划当然存在，也非常重要，但计划并不是行动的完整蓝图，而更像是在行动中可供使用的一种资源。人真正做事的时候，需要不断依据现实情境中的信息、变化、冲突和偶然性重新判断下一步行动。

所以，协同不是流程的执行，而是实践的涌现。 一个完美设计的协同流程，并不能保证真实世界中的人会按部就班完成任务。因为任何协同都发生在具体、不可预测而且持续变化的环境中。真正的工作充满意外、失配和临时调整；而恰恰是在这些地方，人的判断和协同能力才真正显现出来。

这个三十多年前提出的问题，今天重新出现在 Agent 设计中。我们给 Agent 定义场景、设置约束、组织记忆、进行情境检索、做任务规划，然后期待它按照流程完成目标。从工程意义上说，这些技术已经远比早期专家系统强大，但一个基本问题并没有自动消失：真实世界的情境是否能够被事先完整编码？ 我们可以不断增加上下文，却仍然可能无法穷尽实践中的意义。

CSCW 中常谈 artifacts，特别是 practical artifacts，即那些在实际工作中逐渐长出来的实践制品。很多真正有效的协作方法，并不是一开始就由系统设计者规定，而是在日常工作中以 home-grown 的方式逐渐形成。这也是为什么研究协同不能只看正式流程，而必须进入真正的实践现场。

“协同不是流程的执行，而是实践的涌现。

Paul Dourish 在 2001 年出版《Where the Action Is》，把现象学传统进一步带入 HCI 和 CSCW，并提出 embodied interaction，即“具身交互”。今天“具身智能”已经成为人工智能中的热门概念，但 Dourish 所说的“具身”更早，也并不只是给机器增加一个机器人身体。

他的核心思想在于：人的行动和意义形成并不是一种脱离身体、环境和社会关系的抽象理性计算。人与世界的关系发生在投入的实践中。人在协同的时候，也不是两个“大脑”之间简单交换符号；身体、空间、行动、感知、社会规范、默会知识和共同经历都会参与其中。换句话说，协同是一种身体的、社会的、行进中的实践。

这又把我们带回人工智能。一个 AI 没有与人相同的身体，没有人类的社会化过程，也没有数百万年进化形成的感知和行动历史。如果我们的协作者变成了这样一种“去具身的、去情境的、通过统计模式理解世界”的异质智能，那么它怎样与人建立共同的认知基础？传统 CSCW 关于身体共在、情境行动和实践涌现的认识，在这样的新型协同中还能否成立？

这个问题已经不是单纯提升模型参数能够解决的。AI 可以处理更多上下文、拥有更长的记忆，甚至通过传感器获取环境信息，但“获得信息”与“拥有人的经验”并不是同一回事。正如卢暾教授在结营演讲最后使用的苹果比喻：AI 可以非常生动地描述苹果是什么味道，甚至可以谈论酸甜、香气和口感的差异，但它自己并没有真正吃过苹果。它能够谈论一种经验，并不意味着它以人的方式拥有这种经验。

2026 年暑期营开场时，卢暾教授曾以“主体间性”为切入口；结营时又重新回到这个问题。胡塞尔的主体间性提醒我们，自我并不是一个完全封闭、孤立的存在。人需要通过与“他者”的遭遇来认识自己。别人像一面镜子，在彼此互动中帮助我们认识自己的行动、位置和历史。

过去，这个他者主要是人。人与人通过回应、理解、冲突和合作形成共同世界。但是现在，如果那个与我们不断互动、给我们建议、反驳我们、帮助我们做决定的“他者”开始变成 AI，问题便发生了变化：传统主体间性还能否扩展到人与非人的智能之间？

卢暾教授并没有简单宣布“AI已经是一个与人相同的主体”，而是强调这种变化迫使我们重新思考协同主体的边界。AI 有时表现得非常强大，有时又暴露出难以理解的低级错误；它拥有语言表达能力，却缺少人的身体和社会历史。人与这样一种他者相遇，其本质并不是普通的工具操作。

也正因为人与 AI 是不同类型的智能，“对齐”才成为今天几乎所有领域都在讨论的问题。人的意图往往模糊、情境化且不断变化，而机器要把这种意图转换为可执行目标。价值问题同样如此。卢暾教授所在实验室长期研究价值观对齐，包括共性价值与文化相关、场景相关、个性化的多元价值之间如何形成结构，也尝试从数据层面认识和调节这种关系。

但是，对齐不能被想象为一次性完成的静态状态。更合理的理解是：对齐是两个并不天然一致的行动者在互动中不断协商的过程。 只有在具体场景、具体任务和有限范围中，才能形成某种暂时的对齐，而情境变化之后，这种关系还需要继续调整。

这也是为什么人机协同研究不能只把人的意图看成一条清晰指令。有时人自己并不知道完整意图是什么，而是在 AI 给出一个答案以后才意识到：“这不是我要的”，进而重新组织自己的需求。换句话说，人不仅在向 AI 表达意图，也在通过与 AI 的互动逐渐认识自己的意图。这样的人机关系已经明显超出了传统的“用户发出指令—机器执行命令”模型。

人机协同之所以困难，很重要的原因在于认知上的不对称性。这也是卢暾教授所在实验室很多工作的出发点。例如团队长期研究人与推荐系统之间固有的非对称关系，以及如何通过智能技术帮助用户与平台之间形成更加合理的互动和博弈。

人类通过身体进入世界，通过社会互动形成意义，通过长期生活经验形成常识、情感和直觉；AI 则依赖与之完全不同的数据、模型和计算过程。正因为如此，人和 AI 犯错的方式也不完全相同。

这种差异一方面造成风险，另一方面也可能构成协同真正的价值。如果人在某类问题上容易犯一种错误，而 AI 容易犯另一种错误，那么好的协同可能让两种错误互相抵消，从而产生“1+1>2”的效果。在实际协同决策中，确实存在人机组合超过最好的人类个体或者最好 AI 的案例。但是卢暾教授同样提醒，这种结果并不会自动出现，它受到任务性质、人员能力、信任机制以及协同设计等多种条件影响。

所以，人机协同并不是把两个智能简单叠加起来。真正重要的是能否理解双方各自的优势、盲区和错误模式，并形成有效互补。

侯世达关于类比的研究在这里提供了另一个视角。他强调，人类并不是一个只靠形式推理工作的机器，类比在人的思维中具有极其重要的位置。我们不断通过“这个东西像什么”来理解新的事物和情境。而大语言模型的基本机制则与上下文条件下的概率预测密切相关。无论怎样描述这种差异，都至少应该提醒我们：人和 AI 即使在输出上非常相似，也不意味着它们以相同方式理解世界。

当两类不同的智能开始进入深度合作，就会出现一系列非常现实的问题。

首先是意图与价值的对齐。人的意图往往无法一次性表达清楚，而且不同个体、不同文化、不同组织和不同场景之间本身就存在价值差异。因此，对齐并不是找到一套统一规范以后就一劳永逸地完成，而是一种持续调整的关系。

其次是隐私。真正深入的协作需要获得更多关于人的信息。系统越了解人的工作背景、个人习惯、历史行为和当前状态，就越有可能提供精准协助；但与此同时，人为了获得这种协同效果也不得不暴露越来越多的信息。这使隐私保护成为深度人机协同不可回避的问题。卢暾教授所在团队也持续开展隐私保护推荐系统等相关工作。

第三是价值偏移。AI 系统往往围绕某种可优化目标工作，而机器所优化的指标与人的复杂价值之间并不存在天然的一致关系。即使一个系统在技术上不断提高完成目标的能力，也可能逐渐偏离人最初真正想维护的东西。此外，数字鸿沟以及人对越来越复杂智能系统进行调控的困难，也会随技术发展而增强。

这些挑战最终都聚焦到一个共同问题：当 AI 越来越能做事以后，人自己的主体性应该如何放置？

卢暾教授提出，人机关系不宜简单理解成主从关系。人与 AI 的任务分配、决策权和控制权很可能位于一个连续谱系之上，而且会根据不同任务、场景和阶段不断移动。

在人机协同刚开始的时候，人可能全链条参与：人提出问题、思考方案、执行任务、判断结果，AI只提供局部辅助。随着 AI 能力增强，人会逐渐转向监督式嵌入，让 AI 完成更多执行工作；再往后进入委托式嵌入，人把整个任务交给 AI，只在最终结果处检查；随后甚至可能变成离散式嵌入，只在少数关键节点出现。进一步发展下去，就可能发生“主体性离场”。

因此，主体性并不是一个“有或者没有”的二元状态。它具有连续性，而且会移动。真正值得担心的并不只是人最终是否失去控制，而是这种移动可能悄无声息。

编程就是一个非常直接的例子。最初，人自己编写代码，ChatGPT 或其他 AI 提供辅助。很快，AI 可以直接完成大部分代码，人只负责检查。再往前，当 AI 写代码、运行测试、修改错误的能力继续增强，人可能逐渐从决策者变成审核员；如果审核本身也越来越自动化，人最后甚至可能只是一个旁观者。最危险的地方在于，人未必明确感受到自己发生了这种变化。

这种“主体性滑移”可能是潜在和无意识的。我们仍然觉得任务属于自己，但已经越来越不了解任务究竟是怎样完成的。这也使“人在环”这样一个看似简单的设计原则变得不够充分。真正需要问的不是人在不在某个审批节点，而是：人在协同过程中究竟还保有多少理解、判断、学习和决定的空间？

“人在协同过程中究竟还保有多少理解、判断、学习和决定的空间？

目前很多 CSCW 和 Human-AI Collaboration 研究的周期并不长。实验可能持续几周，甚至只有数天或一两个月。但是人机关系真正深刻的改变，很可能发生在几年甚至更长时间尺度上。短期实验很容易看到 AI 带来的即时收益，却未必能够看到长期代价。

其中一个明显问题是过度依赖和认知卸载。人类一直会把一部分认知工作交给外部工具，问题并不在于任何“外包”都是坏事，而在于外包逐渐可能变成卸载。外包意味着我知道自己需要完成某项认知任务，只是让另一个人或工具帮我完成；而卸载则可能意味着我逐渐不再主动进行这部分思考，甚至不再意识到它原本是我的认知任务。

这种长期依赖还可能导致专业直觉的钝化。卢暾教授借用了卡尼曼相关讨论来说明一个重要问题：能力的下降并不一定立即产生“症状”。只要 AI 始终存在，人的总体任务表现甚至可能持续提高，于是人根本意识不到自己的某些能力已经变弱。直到某一天 AI 不再提供帮助，重新要求独立工作，这种变化才会显现出来。真正危险的恰恰是“没有证据、没有意识”——人在系统持续帮助下没有明显失败，因此也没有意识到自己正在失去什么。

技能萎缩同样可能形成一个自我强化的循环。AI 首先带来质量和效率提升，于是人更愿意依赖 AI；依赖增加以后，独立使用某项技能的机会减少；使用减少又导致能力下降；能力下降以后，人就更加依赖 AI。每一步单独看都非常合理，连起来却可能形成越来越深的技术依赖。

这已经在写作、编程等知识劳动中开始显现。许多人面对写作任务时，如果没有 AI、模板或以前的参考材料，会逐渐产生“不知道从哪里开始”的感觉。这并不意味着所有 AI 辅助都会削弱能力，而是提醒我们：人机协同的效果不能只看协同时的绩效，还必须看人在没有 AI 时还剩下什么。

人机协同甚至可能改变人的道德心理。2025 年的一项研究被卢暾教授作为案例提到：当人把带有不诚实激励的任务委托给 AI 时，与直接自己做或者委托另一个人相比，不诚实行为可能增加；同时，AI 代理在某些情境下又比人类代理更加忠实地执行不道德指令。

这个结果值得反复思考。人与另一个人合作时，我们会意识到对方也是一个有判断、有感受、有社会规范约束的主体；但当对方变成 AI 时，人对行为后果和责任的心理感受可能发生变化。“反正只是让 AI 做”可能形成一种新的心理距离。与此同时，如果 AI 只是忠实地优化目标，那么在收益下降或者外界环境改变时，它仍然可能机械地继续执行被交付的任务。

这使人机协同中的“委托”产生一个远比任务分工更加重要的问题：人是不是在把任务交给 AI 的同时，也悄悄把责任感一起交了出去？ 技术可以执行目标，但无法因此自动承担人的道德责任。

另一个值得关注的现象是“认知溢出”（cognitive spillover）。AI 的影响并不会局限在一次人机交互内部。人在长期使用 AI 之后形成的语言习惯、注意方式、表达模式和判断结构，可能继续进入后续的人际关系。换句话说，即使 AI 已经不在当前对话中，它仍然可能通过人的认知结构继续影响人与人之间的合作。

因此，AI 并不是只改变“Human—AI”这一条关系。它还可能重新塑造“Human—Human”的关系。这使所谓人机协同不再只是一个界面交互问题，而开始成为团队和组织的社会认知结构问题。

生成式 AI 对工作的改变还有一个非常直接的表现，就是人的角色变化。

过去，人需要自己构思、尝试、失败、调整并最终完成一个作品。使用生成式 AI 以后，很多场景逐渐变成 AI 先生成，人再选择。人在这一过程中从 creator 变成 picker，从创造者变成挑选者；从深入思考转变为大量确认；从“我正在做”转变为“我正在看机器做得对不对”。

这种改变短期往往带来非常明显的绩效提升，但与此同时，也可能削弱人的控制感和内在动力。卢暾教授在演讲中特别谈到，与 AI 协同能够显著增强即时任务表现，但这种增强并没有自然延续到后来的人类独立任务。当人从 AI 辅助重新切换回独立工作以后，虽然可能重新获得一部分控制感，却也可能出现内在动机下降、自我效能感降低以及无聊感增加。

因此，他用了一个很具有冲击力、甚至带有反讽意味的表述：“最危险的 AI 不是取代工作的 AI，而是让你享受工作的 AI。”结合上下文，这句话真正要警惕的并不是“工具使工作轻松”本身，而是一个更深的问题：当即时、顺畅、几乎没有挫折的 AI 生成逐渐替代人自己经历探索、失败和创造的过程以后，人是否会越来越不能接受没有 AI 的工作？如果最终只有在 AI 存在的时候才觉得工作轻松，而独立工作变得无聊、困难和没有吸引力，那么人的内在动机就可能发生结构性改变。

从人类使用工具的历史看，好的工具本来应该帮助人更好地从事工作，而不是最终让人远离工作的意义。人工作并不仅仅为了把一项任务交付出去。工作还参与能力形成、自我效能、创造体验以及一个人的身份建构。因此，卢暾教授提出一个非常重要的判断：关注工作者的未来，比仅仅关注工作的未来更加重要。

“关注工作者的未来，比仅仅关注工作的未来更加重要。

这些现象最终重新回到一个最基础的问题：人机协同中的“协同”是否需要重新定义？

CSCW 大约四十年的历史，本质上研究的是人与人的协同。Computer-Supported Cooperative Work 中，Computer 原本是支持者，真正的合作主体仍然是人。因此，在传统 CSCW 共同体内部，对于“人与 AI 的合作究竟算不算 CSCW”一直存在不同看法。一些资深学者认为，AI 与人的合作已经超出了传统 CSCW 的定义，应当进入其他研究方向；而另一些研究者则越来越意识到，当 AI 本身开始承担行动和判断时，原有边界正在变得难以维持。

演讲中多次提到 ACM interactions 对“AI 到底能不能真正成为协作伙伴”的追问。这个问题看似简单，其实触及 CSCW 的根本。如果 AI 仍然只是一个计算工具，那么传统理论仍然足够；但如果 AI 开始参与目标理解、行动规划、决策和协调，那么我们就不得不重新解释合作主体本身。

演讲还把这种变化与更广泛的人工智能治理讨论联系起来。2026 年世界人工智能大会暨人工智能全球治理高级别会议的公开讲话中，“万物智联、人机协同、跨界融合、共创分享”也已被放到人工智能技术与社会发展的整体图景中讨论。在卢暾教授的思考里，这并不是为了证明某一个既定结论，而是表明“人机系统”已经从学术讨论逐渐走向现实社会结构，我们不能继续假设合作主体永远只有人。

因此，一个值得研究的根本问题是：我们是否还在用旧的协同概念理解一个正在形成的新现象？

如果需要重新定义协同，那么首先需要重新理解协同究竟为什么有价值。

传统 CSCW 当然高度关注效率。利用计算机支持群体工作，可以减少沟通成本、提高任务执行速度、实现远程合作，这些都是重要目标。但是，人与人之间真正有意义的合作从来不只有“把事情做完”这一项价值。

合作还意味着形成共同理解。在一起工作时，人会逐渐了解对方怎样看问题，也不断修正自己对问题的认识。合作还包含共同责任。真正的共同工作不是简单把任务切成两半以后各自完成，而是在一定程度上共同面对结果。此外，协同本身还具有共同成长的价值。人在合作过程中会学习别人如何判断，也会反思自己的能力和位置。

因此，协同真正重要的可能并不是完成任务本身，而是在共同完成事情的过程中，行动者逐渐形成一种“共同的存在”。这是一种共同体意义上的价值。

但当协作者变成 AI 以后，“共同理解”“共同责任”“共同成长”里面的这个“共同”还能否成立？AI 是否真的理解人的责任？人和 AI 能否共同成长？如果 AI 的能力更新来自后台模型升级，而人的能力变化来自长期学习，两者所谓“共同成长”又意味着什么？

这些问题无法用效率指标回答。它们恰恰说明，人机协同研究需要从 task performance 进一步走向对关系、责任、理解和成长的研究。

传统 HCI 和协同计算一直强调“以人为中心”。这个原则在技术发展史上具有重要意义，它反对让人被迫适应机器，强调技术应该服务人的需求。

但是，如果 AI 真正成为一种异质智能协作者，那么“以人为中心”本身也可以继续接受追问。所谓以我为中心，本质上仍然意味着把“非我”的部分放在客体的位置。如果永远只从人的标准去评价 AI，我们是否可能因此无法真正理解一种不同类型的智能？

卢暾教授由此提出，可以尝试从“以人类为中心的协同计算”进一步思考一种“以人与 AI 共同为中心”的可能。这并不是把人和 AI 简单置于完全平等的位置，也不是让人的权利和价值向机器让步，而是试图突破简单的主—客二分以及主仆关系。在未来更加深入的人机系统中，也许人与 AI 之间需要形成的是一种共在、共生甚至共同塑造的关系。

这并不与人的主体性保护相矛盾。恰恰相反，越是承认 AI 可能形成独特行动能力，就越需要认真思考人的主体性如何被保护。技术可以变化，大语言模型也未必是人工智能唯一的发展道路，未来完全可能出现新的范式；但是无论技术怎样迭代，人的尊严、人的能力和人的主体性不能因此被轻易让步。

所以真正需要从“效率”走向的是“存在的保护”。不是只问未来还有哪些工作，而是问未来的工作者会成为怎样的人。

如果把前面的思考继续向前推进，人机关系最终可能不再适合用“工具”来描述，而应该用“生态”来理解。

演讲中借圣塔菲研究所的讨论提出了一个非常激进的问题：人类和 AI 是否有可能逐渐形成一种新的“进化个体”？这个问题并不是宣称人和机器已经成为一个新物种，而是在提醒我们关注相互依赖的加深。

AI 正在塑造人的选择。推荐系统决定我们看到哪些内容，大语言模型影响我们的表达，Agent 可能直接参与我们的行动和决策。与此同时，人也在不断塑造 AI。我们产生的数据进入模型，我们的评价影响训练，我们建立规则约束它的行动，我们又用 AI 生成的内容继续塑造下一轮社会信息环境。

因此，关系是双向的：

AI 塑造人，人也塑造 AI；被 AI 塑造的人又继续生成新的数据和文化，再反过来塑造 AI。

这已经不像一个人拿起锤子使用完再放下，而更像一个持续演化的认知生态。协同因而不只是一个工具问题，而可能成为一个生态问题。

“AI 塑造人，人也塑造 AI。

走到这里，也就更容易理解为什么卢暾教授不断强调 CSCW 和社会计算的跨学科属性。

过去有一种跨学科方式，是一个学科首先提出问题，再找另外几个学科来“辅助解释”。但人机协同今天面对的问题不同。主体性、责任、具身、协同、认知、价值、组织和算法本来就纠缠在一起，没有任何单一学科可以独立提出并完整解决。

因此，卢暾教授把这种状态称为一种“原生的跨学科”。这些问题并不是计算机科学独立提出以后再邀请社会科学参与，也不是哲学先完成理论构建再让工程师落地。它们只有在计算机科学、AI、心理学、认知科学、社会学、管理学、新闻传播等知识交汇的土壤里才会真正生长出来。

从这个意义上说，跨学科本身就是一种协同，而理解“人之先”、理解人在技术世界中的位置，也离不开不同知识传统之间真正深入的交流。

这也是暑期学校设置不同教师、不同主题的原因。研究人的教师、研究群体行为的教师、研究可信决策的教师、探索模型能力边界的研究者，并不是在讲四个互不相干的主题，而是在共同回答同一个越来越复杂的问题：当 AI 真正进入社会，人怎样与它共同生活？

2026 年结营演讲的最后，卢暾教授又把讨论拉向本雅明。在《机械复制时代的艺术作品》中，本雅明讨论技术变化如何重新组织人的感知、艺术体验和人与对象之间的距离。演讲借这一思想提出，在技术迅速改变人的生活方式时，保持某种批判性的距离非常重要。

这里的“距离”不是拒绝技术。真正理解一项技术，往往又必须亲自进入其中、使用它、感受它。卢暾教授在演讲中提到“浸入”和“信任”，并用一种身体经验来解释：如果双手从未真正进入水中操作过再拿出来，仅仅站在岸上谈论，很难体会其中所有细节。

所以对于 AI，同样不能只站在外面评论。研究者需要真实使用它、进入人机协同实践，才能理解其中微妙的变化。但与此同时，浸入并不意味着失去距离，在一起也并不意味着失去自己。

这与前面的苹果比喻形成呼应。AI 可以描述苹果的味道，却没有人的味觉经验；人则不能因为 AI 会描述，就简单把这种差异抹掉。与异质智能合作的关键，一方面是充分利用它的能力，另一方面始终意识到双方并不是同一种存在。

Lucy Suchman 在《Plans and Situated Actions》中有一句被卢暾教授反复引用和延展的话：我们不是在设计系统，我们是在设计人类活动的条件。

这句话非常重要，因为它提醒技术研究者：每一个系统设计，实际上都在规定人以后怎样行动、怎样协作、怎样理解彼此。技术设计从来不只是功能设计，也是在塑造人的活动世界。

到了人工智能时代，还可以在这句话基础上再往前走一步。

我们可能已经不只是在设计“人类活动的条件”，而是在设计一种新的“我们”。

传统 CSCW 的“我们”基本由人组成。今天，这个“我们”里可能逐渐加入能够与人共同感知信息、参与决策、执行任务的异质智能。协同主体的边界正在发生扩展。这种变化的意义远远超过工具升级，它是一种新的主体关系的相遇。

2026 年结营演讲因此把问题进一步上升到“文明可能性”。如果人与机器未来真正形成长期、稳定和深入的共生关系，那么今天关于 Agent、工作流和交互界面的设计，某种意义上也在提前塑造未来社会中“人和智能如何共处”的基本条件。

2026 年开场演讲则把这种变化概括为一种“协同革命”。我们不只是这一变革的见证者，也是它的塑造者。研究者现在提出什么问题，设计怎样的系统，选择怎样的评价标准，都可能改变未来协同的方向。

因此，真正值得坚持的也许并不是某一种当前流行的 AI 技术，而是一些更加稳定的问题：技术怎样进入社会？人与技术怎样相互塑造？一种异质智能出现以后，人的认知、能力和责任怎样保存？怎样让协同不仅带来效率，也带来理解和成长？怎样防止人的主体性在不知不觉中从决策者滑向审核员，再滑向旁观者？怎样在拥抱技术能力的同时保持必要的批判距离？

最终，关于人机协同最重要的问题也许不再是：

AI 能不能变得像人一样聪明？

而是：

当一种与人不同的智能真正进入我们的工作、认知与社会生活之后，人类怎样与它共同存在，并且在共同存在中仍然保持自己的理解、能力、责任、尊严和主体性？

这既是 CSCW 四十年传统在人工智能时代的延伸，也是社会计算今天必须面对的新问题。

技术当然还会继续向前发展。但协同的根本，始终不仅是技术。它仍然关于人如何一起工作、如何共同决策、如何形成理解，以及我们最终希望成为怎样的共同体。

过去，我们设计计算机来支持“我们”。

今天，一个更深的问题正在出现：

“当人工智能也进入这个“我们”之后，我们究竟希望设计出一种怎样的“我们”？