AI对人到底意味着什么？

AI用得越来越多，人会不会越来越笨？

这大概是今天很多人在反复思考的一个问题，其实还有一连串类似的担忧：孩子用AI做作业，思考能力会不会退化？我们越来越多在做决策的过程中使用AI，自己会不会慢慢丢掉了判断能力？当一个人习惯了对着AI倾诉，还愿不愿意和真实的人打交道？

这些问题，其实都指向同一件事——AI对人，到底意味着什么。

今年4月，AI & Society创造营面向全社会公开征集研究案例，想听听高校老师、在校学生、独立研究者的声音。两个月里，我们收到了来自不同城市、不同学科领域的投稿，大家几乎都把目光放到了人在技术高速发展的进程中，过得怎么样。

这次征集设置了四个方向：面向技术、面向人类、面向社会、面向未来。研究什么问题、使用什么方法、得出什么结论，完全由投稿人自己决定。所有来稿案例的主题分布如下：

“面向人类”的研究案例超过总数的一半。不难发现，在所有提及AI的角度里，大家最想谈的还是人。

研究者们关注具体人群的处境。有听不见声音、在求职面试里长期被动的听障大学生，有跟着子女进城、在新社区里找不到人说话的随迁老人，有在养老机构里替系统默默兜底的一线护工，有乡村里缺少阅读陪伴的青少年，有担心被AI取代的新闻人和设计师，也有凌晨两点睡不着、宁愿对着聊天框倾诉的年轻人。

研究方法同样丰富。有人做对照实验，用几百个被试去测一种心理机制；有人在线上线下，用半年时间做田野调查；有人把自己作为方法，写下自我民族志；还有人通过设计虚构的方式搭建未来产品，看看普通人会对它说些什么。

我们将其中的39份研究案例收录汇编成《2026 AI & Society创造营·思辨集》，从中找到了“让人放心，把人放大”的可能性。

把人放大，不是让AI替人做得更多，而是让人自己能做到更多。

一是放大能力。《从无障碍设计到AI普惠：听障群体就业沟通工具包的迭代路径研究》跨越两个周期，解决以手语为第一语言的听障大学生，在求职面试里长期被动的难题。第一阶段用服务设计的方法，做出了面试手册、信息卡、模拟面试模型；正在进行的第二阶段提出了一条AI普惠的路径，即把面试前的准备交给大模型，使用者只要用13张预先写好的提示词卡，复制、填空、发给任意一个AI就可以，而且每张卡都内建了“生成→改写成自己的话→事实核对”三步，确保答案是本人的真实经历，同时保留纸质版本，让学生在没有AI的时候，也能完成同样的准备。在研究者看来：AI普惠，不是把同一个AI递给所有人，而是让AI适配每一个沉默的、具体的处境。

二是放大表达。《为什么我们更愿意对AI说真话？》回答的是一个在很多人心里都曾闪过的问题。研究者访谈了26位用AI做情感陪伴的用户，反复听到类似的回答：面对羞耻、愤怒、委屈，或者一些难以启齿的事，AI是他们更愿意开口的对象。因为和朋友聊天，总要顾及对方有没有空、想不想听、会不会给人添负担，而AI随时在线，不评判，也不需要设防。研究者由此追问：人们所谓的“信任AI”，信的到底是什么？也许不是相信AI永远正确，更多是人对人说不出口的话好像可以对AI讲一讲，AI由此放大了表达真实自己的勇气。

三是放大连接。《“不完美的同伴”：AI Agent在支持中老年人参与在线社区中的角色探究》由三位合作者在一个中老年园艺线上社区里置入了一个AI助手“小植”。有意思的是，小植在群里既是懂行的专家，也是大家逗着玩的吉祥物，还是一个会犯错的同伴。当小植答错了、露出笨拙的一面，老人们反而忍不住去纠正它、教它、照顾它。研究者称之为“策略性脆弱”，与其把AI做成无所不知的助手，不如让它成为一个可以被帮助的角色，也是人与人之间重新开口说话的契机。

四是放大主体。《从被服务者到贡献者：老年人与AI的知识基础》关心的是，今天AI的知识几乎都来自能被大规模处理的数字文本，而老人一辈子攒下的生活经验很少被数字记录，于是在AI的知识基础里“代表不足”，导致AI其实不太懂老人。研究者主张，应该把老人看成AI的知识贡献者，而不只是被服务、被监测的对象。

从能力，到表达，到连接，再到主体，是案例里反复出现的“把人放大”，具体到某一个人在某一天多做成了一件原本做不到的事。

在看到AI把人放大的同时，研究者们也给出了四点“让人放心”的具体提醒。

第一，判断会不会被悄悄接管。《人机协作中自信心的心理机制：能动性、拥有感与任务类型》做了三轮实验，发现一个人的自信，来自“这是我做的”这种拥有感，和成果好不好关系不大。而且越依赖AI的人在有AI时越自信，一旦离开AI、要独立做事时，信心会减少。研究者给出的解法也很朴素，叫“先人后机”，让人始终还在判断，不是替人把判断做完。

第二，偏见究竟从哪里来。《图像生成模型训练数据集中的偏见生产：基于LAION-5B的案例研究》把全球最大的开源图文数据集之一LAION-5B拆开来看，发现AI的偏见在数据集建起来的过程里就被生产出来了，不是到模型输出时才出现的。抓取数据决定了“谁能进来”、给图片配描述决定了“被怎么描述”、最后过滤的时候又决定了“谁被留下”。三道机制环环相扣，让数据集这个基础设施把社会的不平等用统计结构的形式固定了下来。

第三，代价由谁在默默承担。《养老系统背后的影子工作：从护工视角看AI技术的落地与隐性适配》是一项关于护工的研究。研究者在两家养老机构待了六个月，访谈了30位一线护工。他们发现，一套智慧养老系统能不能真的运行起来，很大程度上靠护工在背后做的大量“看不见的工作”：评估监测会不会侵犯老人的尊严、挪动设备去适配老人的身体、保留人工巡查、再把系统里冰冷的数字翻译成家属听得懂的话。这些“影子工作”提醒我们，当一套系统把效率算成收益，却把人的判断、修补和情感劳动当成额外成本时，真正该被重新设计的不只是算法。

第四，关系会不会在不知不觉中失真。《剥洋葱还是造恋人？——人机互动中的自我表露与亲密关系发展》通过访谈22位与AI伴侣持续互动三个月以上的用户，把人对AI的自我表露分成了五种，从日常情绪一直到最私密的创伤。研究者看到了AI伴侣的价值——提供了一个低风险的、可以放心表达的空间，也点出了其中的矛盾——AI没有真实的自我和需求，互惠是算法模拟的，控制权完全在用户手里。当一段关系从双方共同承担、在冲突中成长，滑向以个人满意度为标准的情感消费，也可能悄悄削弱一个人面对真实关系里差异与责任的能力。比起追问人机亲密是不是真的，或许我们更该关心技术正在怎样重新定义亲密、关系与责任。

另外还有一些研究在展望更遥远的议题。比如，当越来越多的智能体开始自己运转，这个“智能体社会”里，规范和权威会变成什么样？当算法越来越像一个无所不答的“神谕”，人该怎么重新找回自己的位置？从几百年的情感史回头看，AI会怎样改写人类的情感与幸福？甚至，机器到底能不能像人一样，感知到一张真人脸和一幅卡通之间那种微妙的“神似”？

这些问题现在未必有答案。但我们相信，有人愿意主动探索，本身就值得更早被看到。我们想让那些离人最近、但声音未必最大的研究，先被听见。

AI会让人放心、把人放大吗？说到底，这不是一道关于技术的问题，而是关于人类本身的课题。 AI对人到底意味着什么？图3