當AI成為“同事”，我們如何重塑“學習”？

“數智創新與管理”

ZJUSOM

你聽說過“達芬奇手術機器人”嗎？它憑借高精度機械臂、3D高清視覺系統和直覺控制技術等自動化智能技術，讓主刀醫生得以更輕松自如地開展復雜精細手術，從而減少患者出血、疼痛和恢復時間，大幅提升手術成功率。

圖片來源：?千庫網

不止醫療領域，從工廠車間的協作機器人到職場中的智能辦公工具，自動化時代的人機協同，正悄悄重塑著我們學習與工作的底層模式。那么，在這場人機共生的學習革命中，我們該如何抓住機遇、贏得先機？浙江大學管理學院領導力與組織管理學系教授莫申江及其博士生孫美全在《清華管理評論》發表《學習革命：解碼自動化時代的人機協同》一文，從特征、紅利、挑戰到應對之法，全方位拆解了自動化時代的人機協同學習邏輯。

學者簡介

莫申江，浙江大學管理學院領導力與組織管理學系教授、博士生導師，浙江大學國際聯合商學院（ZIBS）副院長。研究領域：商業倫理、組織行為、領導力、社會責任等。

從人際協同到人機協同，

“學習”發生了什么改變？

Part.1

當學習的協作主體從“人與人”延伸到“人與機器”，人機協同也展現出和傳統人際協同截然不同的核心特質，具體可歸結為功能互補性、動態適應性、認知耦合性三大方面。

功能互補性

所謂功能互補，本質上是人類智慧與機器智能的“強強聯手”。人類在直覺判斷、倫理決策、創造性突破等非結構化任務上有著天然優勢，比如醫療領域的疑難病癥鑒別、商業場景中的戰略創新；而人工智能則憑借強大算力，在海量數據處理、標準化流程執行、精準趨勢預測等方面表現突出。這種互補性能讓“人+機器”實現實現“1+1>2”的效應。

動態適應性

動態適應性讓人機系統擁有了類似生命體的“進化能力”，能在復雜多變的環境中持續學習、不斷調整。系統會根據人類的反饋優化決策邏輯，AI也能通過捕捉人類的行為輸入，動態調整自身的響應模式，形成人機互動的良性循環。

美的佛山燈塔工廠的人機協同機器人就是典型例子，它能敏銳檢測到工人的操作習慣變化，自動調整裝配節奏，還能借助數字孿生技術，快速生成新產品的操作指引，讓人機協作始終保持高效。

圖片來源：佛山日報

認知耦合性

認知耦合性意味著人類的經驗性知識與機器的算法分析不再“各自為政”，而是相互驗證、深度融合，并在不同情境下靈活分配決策控制權。

在智能醫療場景中，醫生的臨床觀察、觸診經驗與AI對醫學影像的精準分析“并肩作戰”，共同支撐診斷結論；而最終的治療方案，也是專業醫學判斷與機器預測模型綜合權衡的產物。

正是這三大核心特征，讓人機協同學習在知識類型、認知過程、學習路徑、能力發展等方面，都展現出了與傳統人際協同學習截然不同的表現。

人際協同與人機協同的差異

傳統的人際協同擅長傳遞“隱性知識”，資深員工通常會通過案例研討、故事敘述等互動方式，把行業洞察、人際判斷等難以用文字編碼的經驗，“手把手”傳遞給新員工。人機協同則精于“顯性知識”的高效規?；瘋鬟f，像在線學習平臺、虛擬視覺培訓模擬器這類工具，能便捷高效地傳授標準化操作流程。只是，這種模式在培養人類應對模糊復雜情境的能力時，往往會顯得力不從心。

許多互聯網公司的創意源于跨學科頭腦風暴，這就是人際協作中成員們通過觀點交鋒推動彼此認知重構、從而催生出突破性的創新成果的體現。而對于人機協同而言，AI工具會成為人類的認知外延，雖然能快速檢索、整合海量信息，卻可能在一定程度上削弱人類的深度思考與批判性辨析能力。而且，AI并不一定能夠幫人類找到最準確、有效的知識和信息。

圖片來源：?千庫網

以往，員工通過傳統的非正式人際觀察學習（如師徒制中的示范模仿）、經驗分享會等社會化過程來獲取知識，這種學習過程能夠容忍偏差及錯誤發生，員工可以在工作場景中循序漸進地修正行為。現在的人機協同學習，則構建了數據驅動的學習閉環，呈現出“精準干預”的特征。例如，亞馬遜倉儲員工佩戴的智能手環能即時糾正并優化其揀貨路徑，可一旦出現技術參數錯誤，將導致無效學習甚至是有害的學習結果。

在能力發展方面，傳統團隊合作帶來的成長，從來都不只是專業技能的提升。人們在協作中，還會慢慢練就協調資源、化解矛盾、帶領團隊等綜合能力。這些能力能靈活遷移到不同場景，幫助員工應對未來工作中的各種變化。但如果長期使用AI或自動化工具工作，會讓人逐漸形成“算法思維”——把復雜問題拆解成標準化步驟。值得注意的是，長期依賴這種思維模式，可能會降低人們應對突發或非結構化問題的靈活性。

圖片來源：?千庫網

由此可見，人機協同并非對傳統學習的簡單替代或升級，它開辟了一條全新的學習軌道，有其獨特的優勢與紅利，也伴隨著固有的挑戰與局限。理解這些根本性的改變，是我們主動適應并駕馭這場學習革命的第一步。

這場“學習革命”，

帶來了什么紅利？

Part.2

如今，人機協同不僅改變了我們對“為何學”“怎么學”“學什么”等問題的基本認知，也在個體、團隊、組織三個層面帶來了實質性的紅利，推動學習效能與發展質量的全面升級。

對個體：學習效率與職業發展的雙提升

對于個體而言，AI就像一位“專屬學習教練”，一方面可以快速篩選海量信息、提供即時精準反饋，幫助人們快速改進；另一方面還能根據學習進度與市場趨勢動態調整學習內容，實現個性化學習。當人類的直覺創意與AI的數據計算深度融合，決策的精準度也會大幅提升。

IBM的“人工智能技能學院”就印證了這一點：經過人機協作訓練的員工，不僅晉升速度更快，還能勝任跨職能、多職能的工作角色，為組織創造出更豐富的創新成果。

圖片來源：?千庫網

對團隊：重構協作模式，激活知識創造活力

在團隊層面，人機協同為知識創造搭建了全新的協作范式，讓團隊的“戰斗力”大幅提升。人類成員擅長情境理解、價值判斷與創意構思，AI系統則在數據分析、模式識別和流程優化領域表現卓越，這種功能互補讓團隊真正實現“揚長避短”，做出更為全面周詳的決策。

人機協同還為團隊注入了持續迭代的動力。AI能實時捕捉團隊的交互數據、任務進展軌跡和知識流動路徑，再根據成員的能力特征動態優化任務分配，在項目不同階段提供適配性的指導，推動團隊的知識體系不斷更新。波音公司的實踐頗具代表性：工程師借助AR眼鏡與AI知識庫開展飛機維修工作，AR眼鏡能自動識別零件并疊加3D操作指南，AI知識庫則基于歷史維修記錄推薦解決方案、提示潛在風險。新手工程師可以跟著AR指引實操，專家團隊則通過遠程系統實時指導、修正AI建議；當團隊遇到新問題，相關經驗還會同步反饋至AI系統，反向推動知識庫的迭代升級。

圖片來源：?千庫網

此外，認知耦合性還讓團隊認知與機器智能實現了深度融合。在團隊學習過程中，機器結構化思維與人類發散思維相互碰撞，促進了跨團隊的知識轉換與共享，激活了多團隊聯動創新，從而打破傳統團隊能力邊界，讓團隊能處理更復雜的知識創造任務。

對組織：賦能數智化轉型，打造“組織大腦”

在組織里，人類成員擅長把握戰略方向、傳承企業文化、制定復雜決策，AI則在數據提取、流程優化、趨勢預測上具備天然優勢。讓AI承接基礎性知識管理與信息分發，能將員工從繁雜事務中解放，聚焦戰略思考與復雜問題解決，這種“戰略把控+數據支撐”的組合，往往能催生突破性創新方案。

人機協同還讓組織學習系統獲得了持續進化生命力。AI可根據組織戰略階段動態調整知識體系，針對業務變化更新學習內容。平安開發的“AI+專家”醫療系統就是組織借助人機協同實現進化的典型例證：該系統既能用AI輔助診斷，又能讓專家驗證結果，目前已賦能2000多家醫院實現知識高效更新。2023年數據顯示，接入這一智慧醫療系統的醫院，臨床路徑創新提案數量同比增長65%，新治療方案研發周期顯著縮短30%。

圖片來源：?千庫網

對組織而言，人機協同更深層的價值，在于推動企業知識庫的系統建立與動態更新，打造出具備韌性的“組織大腦”。AI的數據分析能力，能將企業內部的隱性經驗轉化為可編碼、可傳承的知識資產；而企業的真實實踐，又能為AI算法的優化提供場景支撐。這種良性互動不僅打破了跨部門的知識壁壘、促進了全域知識流通，更讓組織在市場變化與技術迭代中，擁有了更強的適應力和響應力。

隱藏的危機：

人機協同下的學習挑戰

Part.3

人機協同確實能驅動個體、團隊和組織革新學習方式、提升學習效果，但作為一種劃時代的新興模式，它也給“有效學習”帶來了全新的挑戰。

個體層面：學習剝奪與能力退化風險

站在個體角度，AI的深度參與悄悄埋下了“學習剝奪”的隱患——它可能代替員工做出判斷和決策，讓員工失去在工作中犯錯、反思、改進的關鍵機會，進而削弱技能發展的潛力。

同時，AI的自動化特性還可能降低員工的學習主動性。如果大部分工作都由AI完成，員工很容易產生“技術依賴”，覺得“反正有AI幫忙，不用學那么多”，慢慢失去主動學習的動力。

此外，AI驅動的個性化推薦，還可能造成知識結構的“偏科”。AI往往會推送員工熟悉或容易理解的內容，長期下來，會限制員工的知識廣度，影響全面發展。而人機協同本身的復雜性，也會顯著增加員工的工作認知負荷，讓人疲于應對。

圖片來源：?千庫網

團隊層面：協作默契與知識傳遞受阻

從團隊層面看，AI的加入給知識的有效存儲、流轉與轉化帶來了新難題。AI接手基礎工作，雖然減輕了員工的負擔，卻也減少了團隊成員之間的交流機會；而與AI合作需要學習新技能，比如操作系統、理解數據、驗證結果等，這些新規則還可能打亂團隊原有的工作默契。

更關鍵的是，AI的決策過程往往像個“黑匣子”，其不透明性會讓團隊成員難以真正理解其建議背后的邏輯。并且，AI參與決策后，責任歸屬會變得模糊，這種“不確定性”會導致團隊成員的學習積極性下降，不愿分享想法，也不敢大膽創新。

圖片來源：?千庫網

組織層面：創新弱化與應急能力不足

對組織而言，過度依賴AI的標準化流程，可能讓員工變成“執行機器”，削弱其創新和應變能力。當遇到突發情況時，組織很可能因習慣了AI的輔助而“手足無措”。隨著AI生成內容的比重持續增加，組織的知識體系還可能逐漸變得單一、膚淺，內容質量也難以保證。

更嚴峻的是，長期依賴AI會讓組織逐漸喪失傳統的問題解決機制和應急預案。一旦AI系統出現偏差、甚至崩潰，組織很可能陷入反應遲滯的被動局面，面臨嚴重的應急挑戰。

圖片來源：?千庫網

破局之道：

個體與組織的雙向進化

Part.4

如何在享受人機紅利的同時，有效應對其所面臨的挑戰？文章提出，個體需要主動重構自身學習模式，培養算法思維與批判性思考能力，采取與AI協同進化的學習策略。而組織則需構建科學的學習支持體系，設計人機互補的培訓機制、建立知識共享平臺、培育開放包容的學習文化等，實現技術賦能與人才成長的良性循環。

這種個體與組織的協同進化，是應對自動化時代人機協同挑戰的關鍵路徑。

個體應對策略：構建“自主-批判-監控”三維學習體系

強化自主學習能力，避免過度依賴AI

在AI深度融入職場的當下，員工首先要牢牢樹立“以人為本、技術為用”的核心認知——明確AI只是輔助工具，人才是知識創造和價值輸出的核心，避免陷入技術依賴。

面對工作任務時，先獨立完成問題界定、方案構思等關鍵環節，再用AI做數據驗證和方案優化。同時也要主動探索適合自己的學習模式，比如在語言學習中，先用智能軟件打基礎，再通過真實對話、手寫筆記深化理解，定期脫離屏幕做紙質閱讀、繪制思維導圖，維持認知系統的平衡發展。

培養技術批判思維，提升信息篩選技能

員工要主動去了解AI的技術原理和算法特性，對其局限性保持清醒認知，不盲目相信AI的輸出結果，學會合理質疑。

可以建立多維度的信息甄別機制，通過權威數據庫交叉驗證信息的真實性，同時考察信息來源的可靠性和時效性；對海量信息，可遵循“基礎篩選—深度加工—定期整理”的流程，借助AI搭建個人知識圖譜，同時做好信息篩選，避免信息過載。

構建自我監控體系，預防知識碎片化

學習前，不妨用思維導圖繪制知識體系框架，明確核心概念和知識點之間的關聯；學習過程中，通過學習日志記錄AI給出的解決方案，以及自己的反思總結，對比發現自身的認知缺口。另外，還可以通過學術寫作、研究性學習培養系統性思維，定期評估自己的工作能力，及時識別并彌補因人機協作產生的學習盲區。

圖片來源：?千庫網

組織應對策略：打造“體系-反饋-文化”三位一體支持機制

建立分層遞進學習體系，平衡技術與人才培養

組織要將學習內容劃分為基礎層、應用層、創新層三個維度：基礎層聚焦標準化知識，利用AI實現規?；?、個性化培訓；應用層針對復雜情境解決，設計“AI+導師”的混合學習場景，讓AI提供數據支撐，導師則引導員工優化解決策略；創新層則保留純粹的人際協作空間，通過頭腦風暴、跨界研討激發創造性思維。

同時，可以針對性設置“去人工智能化”任務，比如開展無AI輔助的案例分析會議，防范員工的能力退化風險。

打造動態監測反饋系統，鼓勵可持續學習

組織構建智能化的動態監測與反饋系統對保障員工可持續學習至關重要。可以開發智能學習分析平臺，圍繞知識掌握度、技能遷移能力、創新思維發展三大維度，對員工的學習情況進行全面評估；構建“數據采集—智能分析—干預反饋”的閉環系統，整合員工的學習數據、工作績效等多源信息，及時識別異常的學習模式，并提供個性化的改進建議。

為避免技術依賴導致的能力虛高，組織還需要建立360度評估機制，通過主管、同事、客戶的多元反饋，客觀評價員工的真實能力，避免單一依賴AI數據的片面性。

重塑組織學習文化，完善人機協同生態

最后，組織必須從文化層面引導建立健康的人機協同關系，為可持續學習創造良好的生態環境。首先，推進技術透明化教育，通過工作坊、案例解析、技術分享會等形式，幫助員工理解AI的工作原理和局限性，并培養員工批判性使用AI的意識。其次，建立跨領域的協作機制，促進技術人員與業務人員的雙向知識流動，讓技術更好地服務于業務。此外，組織還要完善激勵機制，將技術的創造性應用、人機協同的創新成果納入績效考核，引導員工始終保持主體性思考，不被技術“牽著鼻子走”。

圖片來源：?千庫網

自動化時代，人機協同正深刻改變著個體與組織的學習行為和方式。這場學習革命既帶來了效率提升、精準賦能的紅利，也暗藏著能力退化、思維固化的風險。正如文章所言，面對“大勢所趨”，個體需培養與AI高質量協作的核心能力，包括主動學習、批判性思維和自我監控；組織則需審慎地重構流程，建立人機雙向反饋機制，并將協同成果制度化、長效化。唯有把握好人機協同下有效學習的關鍵密碼，才能夠在自動化時代的人機共生學習革命中贏得先機。

（點擊以下標題查看）

*本文改編自莫申江、孫美全在《清華管理評論》第9期發表文章《學習革命：解碼自動化時代的人機協同》。

編輯排版：伍梁永

審核：佟慶、莫申江