第47 章 AI 会使人类出现新的共同人性特征吗？
复合主体并不等于人被机器取代
当一个人使用大模型协助设计方案，部分记忆和生成步骤由工具承担，真正改变的是行为组织中的能力分工。以往被称为个人“知道得多”的优势，可能转向知道如何提出问题、审核结果、整合工具与承担后果。若把AI 产出的结果全部算作人的固有智慧，会混淆能力承担单位；若把借助工具完成的成就全部算作“不是人的能力”，又会忽略人类文明长期依赖工具封装的历史。SDE 人性发生学应研究人—机复合体中新特征如何发生，而不是用“人变弱/人变强”一个词结案。
人与AI 的高频互动，也可能形成新的共同语言和共同任务规范。不同文化和专业背景的人借助相似的工具接口，可能共享某些问题格式、核验习惯和协作方式；与此同时，个体知识生态、语言选择、商业权力与工具访问差异又可能扩大新的不平等。是否发生了广域“共同人性”，必须先区分人类本身获得的能力、复合体暂时显示的绩效，以及平台依赖下的行为趋同。三者时间稳定性与权力成本不同。
新能力的判断实验
可以让参与者分别在无AI、使用AI 但不训练复核、以及使用AI 并建立逐步可靠性判断机制三种条件下解决陌生问题，并在工具撤除后测量自主迁移。若只有工具在场时表现显著提高，应将收益称为复合能力，而不是个人内化能力；若撤除后仍能迁移某些问题构建和验证方法，才有证据说明个人D—E 运行也发生了更持久的改变。
AI 改变的是复合发生条件
如果两个人都使用同一种大模型获得建议，他们可能显露类似的写作风格和问题处理方式；但这类一致可能来自工具模板，而不是两人发生了同一内部人格。反过来，同一个人利用AI 可能获得过去无法进入的数学、医学文献或跨语言协作能力，这些能力首先属于何种人—机复合结构，需要以任务可靠性、可迁移程度和错误检测机制加以辨认。若工具撤除后全部能力消失，不能把它简单登记为个人永久增强；但也不能因外部依赖就否认复合行动确实扩展了可实现范围。
AI 还可能通过算法推荐把不同主体组织进相似性网络：共享某些信息来源、模仿某种表达模式、使用共同工作流程。广域共性在这里可能迅速扩大，却不意味着所有人的价值已经趋同。另一面是平台所有者可以调整可见性和激励，使某些特征被不断放大而其他路径被沉默。这使权力维持问题不再仅限于正式法律，还进入数据治理、模型默认值、平台准入和技术审核。谁有权改变纠缠规则，可能比谁一时说出相同观点更能决定未来共同性的方向。
复合主体性的风险和机会
真正值得研究的新生，不只是使用AI 生成更多文字，而是主体能否在与工具的互动中形成新的问题、可靠判断与责任承担。一个模型的建议再准确，也不应成为未经复核的终极裁判；一个人坚持独立完成所有细节，也不必然体现更强主体性。主体的层级可能通过可靠封装而提升，但提升需要接受失效情境中的考验。人—机复合体可扩大行动范围，也可能导致依赖集中、知识来源同质化和责任模糊。发生学必须同时保留这两条结果可能性。
AI 时代的共同性陷阱
大模型可能使数百万人在一夜之间学会相近的提问格式、总结框架和写作风格。这种“近乎普遍”的共同显露看似证明人类思考具有统一偏好，但也可能只是平台界面与算法反馈的结果。若算法改变提示模板，用户表达可能跟着改变。人性发生学需要研究工具默认值怎样进入E，并通过重复行为形成D 中的稳定路径，最终使某些S 显露更为普遍。
另一方面，AI 也可能让每个人接触独特的知识路径，使原先难以形成的个性化能力真正发生。两种趋势可以并存：操作层的形式趋同，问题选择与意义组织却更加多样。研究不能只测量生成作品的相似度，还要看主体是否拥有修改工具、检验输出和拒绝推荐的实际能力。
AI 可能让“普遍”变成技术默认值
一套覆盖广泛的智能助理若默认采用相同的对话流程，使用者可能在短时间内形成十分相近的问题表达方式。这样的共性并不一定需要逐人强制，也可能来自产品界面、训练数据和低摩擦的使用便利。传统的人性论可能误以为“大家都这么问问题”反映了共同认知本质；发生学则需要追问推荐排序、交互模板、奖惩机制和用户之间的模仿。技术平台制造的广域共性可能成本很低，却也可能使平台依赖成为未来差异发生的限制。
当AI 与人共同构成新行动单位时，还有一个不能回避的判断责任问题。模型可以产生一条看似完美的哲学推论，使用者若没有能力检查量词、识别前提和寻找反例，就无法知道它是否真正可靠。AI 的价值不是让人从此不判断，而是通过封装某些经验证的过程释放判断资源。最需要发生的新特征，也许不是更快接受答案，而是更准确地知道何时信任、何时复核、何时撤回。这种主体性既不是原来个人的简单延长，也不意味着自然人已经完全消失。
增订：人机复合能力的归属与封装检验
一名研究者借助AI 生成了新的证明思路，成果究竟属于谁的能力？至少需要区分三层：研究者独立可再现的能力，研究者与特定工具稳定协作时的复合能力，以及依赖大型平台、外部数据和专家反馈网络的系统能力。它们都可能有价值，却不是同一件事。若研究者无法解释关键推导，就不能仅凭论文署名把整个证明能力归为个人；若研究者善于识别错误、设计验证并重构问题，其判断力又不能因AI 参与而被抹去。
封装意味着某些复杂过程可以在验证后被可靠调用，但可靠性是针对任务分布和环境条件而言。一个工具在常见计算题上表现稳定，不保证在全新研究命题中同样可靠。人们逐渐减少逐句审查，可能是效率提升，也可能积累盲区。发生学要记录使用者的信任如何在多次成功与失败中被更新，以及这种信任能否随任务风险适当调整。真正的主体性提升，不是永久放弃检查，而是能够在不同层级灵活分配判断。
AI 还可能改变人的共同性结构。许多人使用相同的写作建议和分类工具，可能形成跨地域的共同表达方式；但这种趋同也可能只是平台输出格式的同步，不等于每个使用者形成了相同理解。平台更新后，原先看似稳定的共同表达可能迅速改变。研究应区分“同一模型生成的文本相似”和“多个主体独立获得的可迁移能力相似”，并关注平台权力对共性形态的塑造。
人机复合体的伦理评价需要追踪收益与责任。工具提高产出速度，却可能造成错误传播、数据隐私风险或对第三方劳动的依赖；这些后果不会因为新能力发生而自动消失。发生学应提出明确的责任承接方案：谁确认事实，谁有权修改模型输出，谁承担外部伤害，谁能退出平台依赖。新的主体性必须包含对封装能力的审慎使用，而不仅是更高的生产效率。
增订专题：人机复合体中的新能力归属与责任
在AI 参与的工作中，最常见的混淆是将复合结果归到某个单独主体。一个研究者给模型提供数据和目标，模型生成一套候选证明，研究者再选取其中一条并用独立程序检验。最终得到正确结果，不能简单说“人已经拥有全部证明能力”，也不能说“机器独立完成全部研究”。可观察的成果属于具体人—机—工具—验证制度的复合活动；人的判断、任务分解与责任承接，模型的生成与修订能力，以及外部验证系统的可靠性都必须分别记录。
复合体的新特征可以真实存在，却不必在每一个成员内部等量发生。就像一架飞机的飞行能力不能等同于乘客身体长出翅膀，人机组合能高效检索和推理，也不能自动推出用户本人已获得同样的独立知识。但人也可能在反复复合活动后改变自己的提问方式、错误识别能力和概念组织水平。这种个体回写需要独立测量：移除AI 之后，主体是否能提出更好问题？面对新任务，能否解释为什么采用某种工具，什么时候应当停止使用？这些迁移结果比一次成功交付更能说明人的新能力发生。
还有必须明确的责任边界。某些自动化建议涉及他人的健康、法律权利或经济资源，使用者不能以“智能体产生了答案”为由取消必要的核对和申诉机制。复合能力越强，不一定让个人责任越小；相反，新的能力可能要求更精细的责任分工、日志记录和不可逆行动前的验证。人性发生学在AI 时代不只是歌颂无限可塑性，而是研究能力、权力和后果如何随着复合组织而重新分布。如果忽略责任，所谓新主体性就可能退化为以技术名义遮蔽实际行为者的空词。
补论：AI 时代的共同人性可能首先出现在复合体层级
当越来越多人使用相似的大模型工具，他们的写作格式、问题表述和知识获取方式可能趋同。这种趋同并不自动证明他们形成了同一种内在思维特征。模型输出存在共同风格，可能是工具封装向用户活动的传播；个体对模型建议的接受程度不同，长期形成的判断能力也不同。有的人通过与工具互动学会构造反例，有的人形成对流畅答案的过度信任，另有人利用工具完成了自己仍无法解释的任务。这三种现象都可以在相似成果下出现，不能仅以“人人都在AI 时代变聪明”概括。
“复合主体”的分析必须首先解决责任问题。一份AI 辅助报告出现重大错误，不能因为成果来自人机共同体就让人类使用者、工具提供者与部署组织之间的责任全部消失。研究者应区分模型能力、部署系统能力、使用者的验证能力和制度提供的监督条件。复合体的S 可以是高质量成果，也可以是灾难性误导；对D 的记录应包括人类何时作出关键选择、何时放弃判断、如何处理不一致的证据；对E 的分析则应包括工具可靠性、数据质量、组织激励与使用者时间压力。
补论：人与AI 共同发生的新共性有可能是可修改的规则
设来自不同文化的人共同使用一套多语言协作系统。平台提供实时翻译、共享文档和错误记录，原本难以协调的参与者可能形成共同的论证习惯：每项事实声明标注证据范围，每个关键判断保留修订理由，每次出现翻译冲突先核对原意。这种新共性不意味着大家拥有相同的价值和人生目的，而是一套能让差异持续被辨认和协商的复合行为规则。它也有风险：平台可能以某种主流语言的概念框架压平少数语言经验；一旦供应商改变模型，原来的共同规则也可能随之变化。共性的发生须与其依赖、可迁移性和退出权一起研究。
AI 平台本身不断更新，使“普遍人性”问题进一步复杂。某种人—机复合能力在今年普遍出现，明年可能被另一种工具重构；同一人同时使用不同智能体，其行为粒度和判断路径也可能分化。因此，本书不应急于宣布自然人的主体已经死亡或全部人性已经重生，而应提出能够被观察的指标：独立判断、复合行动、错误修复、工具切换、长期学习和资源分配。真正新的人性共性若要提出，必须说明它的承担单位和维持条件，而不是从技术速度推导全人类命运。
人机共同能力不是人类全部能力简单减法后的余数
AI 能够执行越来越复杂的认知任务，传统能力评价容易出现两种极端：有人认为机器做得越多，人越没有能力；也有人认为机器做出的成果自然等于使用者全部能力。两者都把能力归属单位混乱地切换了。一个人乘高铁抵达远方，属于人与交通系统复合完成的行动；这不代表他独自具备车辆动力，也不代表他因没有亲自推动火车而丧失全部行动能力。认知工具也类似。关键是区分独立解题能力、提出任务和评价成果的能力、与系统协同的执行能力以及当系统出错时的接管能力。
一个研究者用大模型生成数学猜想，需要对模型给出的形式论证进行验证。如果系统过去表现可靠，研究者可能逐渐把某些细部步骤封装，不再逐字审看。这种封装能够释放注意力，但同时改变了错误发现的分工。研究者仍需要知道哪些环节可以信赖、模型版本变化是否造成分布漂移、失败时由谁承担修复。若封装形成时没有充分的重复测试和边界记录，则效率增长可能伴随系统性风险。人性发生学可以将这种可靠封装视作新的D/E 结构，而不必提前断言主体性因工具而必然增强或必然消失。
新的人类共性可能是“可以重新打开封装”的能力
人工智能普及后，许多人都能够快速调用复杂知识，表面结果可能更相似。真正重要的共性也许不是人人输出同样流畅的文章，而是更多人学会在需要时重新打开封装：追问来源、测试边界、比较竞争答案、记录自己的选择以及承认不知道。这种能力需要教育、可解释的工具和容错的制度共同支持。平台可以提供通用的校验界面，但不同学科仍有自己的证据标准；数学证明、临床判断和文学阐释不能共享完全同一的验收机制。复合认知共同性因而应被理解为允许不同专业继续分化的元能力，而不是把所有人的思考过程压成同一种模板。
若未来某些智能体的表现超越绝大多数人类个体在特定任务上的成绩，仍不能从一项基准排名推导“超过某百分比人的整体智慧”，更不能据此为所有人规定被动服从的地位。比较需要限定任务、测试条件、错误代价和持续更新机制；对主体性变化则应追踪个人在交互中是否获得新的可解释行动，而不是只数模型答对的题。这样才能把对AI时代的巨大担忧转化为可以观察、可以干预的研究对象。
AI 使用者的四层判断与可靠封装
在人工智能工具帮助下完成复杂工作时，可以区分目标判断、过程判断、结果判断与责任判断。目标判断是决定什么问题值得做，可能受人的生活价值与制度职责影响；过程判断是选择哪些工具、哪些证据和哪些步骤可以委托；结果判断是评估输出是否达到可公开说明的质量标准；责任判断则决定错误出现后如何停止、补偿和改进。一个使用者未必能逐字重做模型的全部工作，却仍可能在这些层次上具有重要主体作用。反之，一个人能够熟练下达命令，也不保证他在高风险任务中已经具备结果验收能力。
“封装成功”不能仅依赖用户的主观熟悉感。一个数学证明工具在大量简单题上连续正确，并不能据此无条件保证其处理新型复杂证明时也可靠；同样，自动医疗摘要在一般记录中表现良好，也不能免除专业人员对异常病例的检查。需要根据失败后果建立分层验收：低风险写作可以采用抽样复核，高风险决策则需更严格的独立验证与责任记录。在每一次工具更新后，还应检查原有可靠边界是否仍成立。所谓新主体性并非永远亲自执行细节，而是能够依据风险、证据与资源，在适当层级决定何时信赖、何时打开封装以及何时拒绝使用。
这套分层判断的发生也依赖社会条件。没有透明工具说明、没有基本数字教育、没有允许指出模型错误的组织文化，用户即使很想维持判断力，也可能缺少可行选项。因此AI 时代的主体性不能完全被归结为个体“愿不愿意独立思考”的道德品质。人性发生学更应研究怎样的技术设计和公共制度，能够使更多使用者获得可靠的错误发现能力，而不是以指责个体软弱来掩盖平台与组织已经改变的E 条件。