「让工具节省时间让生命拓展维度君子生非异也善假于物也」联合认知系统(Joint Cognitive Systems, JCS) 理论由埃里克·霍尔纳格尔Erik Hollnagel和戴维·伍兹David Woods于 20 世纪 80 年代提出是认知系统工程 (Cognitive Systems Engineering, CSE) 的核心基础并于 2005 年通过《联合认知系统认知工程基础》《Joint Cognitive Systems: Foundations of Cognitive Systems Engineering》一书进行了系统化阐述。核心观点该理论打破了传统“人机交互”中将人与机器视为独立实体的视角转而将它们看作一个统一的整体。1. 核心定义从“交互”到“整体”在传统的人机交互HCI视角下我们习惯于将“人”和“机器”看作两个独立的实体研究重点是它们之间的那层“界面”。联合认知系统JCS则彻底打破了这种二分法它主张将“人技术”视为一个统一的功能单位Functional Unit。这个系统之所以被称为“认知的”是因为它能根据对过去的经验和对未来的预期调节自身的行为以达成目标。分析单位的转变传统的人机工程学关注“界面”而 JCS 关注“协同机构” (Co-agency)。它研究的是系统作为一个整体如何产生有意义的行为。功能性取向该理论关注系统做什么 (What) 以及为什么做 (Why)而不是其内部结构或底层算法如何实现。JCS 的逻辑不要问“这个人的认知能力如何”或“这个 AI 的算法如何”而要问“这个由人和 AI 组成的联合系统在处理特定任务时的表现如何”。2. 核心命题控制胜过处理与分布式认知DCog关注“信息如何流动”不同JCS 的核心关注点是控制Control。JCS 提出了一系列模型来解释复杂系统如何保持对环境的控制A. 情境控制模型 (Contextual Control Model, COCOM)JCS 认为一个系统的表现并不取决于它内部的计算力而取决于它在当前情境Context下保持控制的能力。霍尔纳格尔提出了四种控制模式旨在解释联合系统如何根据当前的环境压力和可用资源在不同的控制模式(Control Modes) 之间进行动态切换.策略模式 (Strategic)系统有长远计划能预见未来控制感最强。战术模式 (Tactical)系统根据既定规则行动有一定预见性。机会模式 (Opportunistic)环境压力大系统只能根据当下的反馈做反应控制力减弱。混乱模式 (Scrambled)失去控制行为近乎随机系统面临崩溃。B.延伸认知 (Extended Cognition)强调认知过程不仅发生在人脑内部还分布在整个工作系统中包括工具、表征和环境。C.弹性 (Resilience)这是 JCS 后期的演化重点定义为系统在预期和意外条件下调整其功能以维持运行的能力。D. 反馈Feedback与前馈FeedforwardJCS 强调认知不仅仅是“输入-处理-输出”的循环而是一个闭环控制过程。系统不仅需要通过反馈Feedback修正常见错误更需要通过前馈Feedforward预见潜在风险。3. 核心特征共驱与协同为了理解 JCS可以将其类比为一队“爵士乐队”或“双人驾驶”目标导向JCS 不是被动反应的它是为了达成某个目标如编写一段高质量代码或诊断一项疾病而存在的。协同工作人与技术之间的界限是模糊的。当一个程序员使用 AI 编程助手时究竟是谁在“思考”逻辑JCS 认为这不重要重要的是这个“程序员-AI”联合体是否在向目标平稳推进。适应性当环境发生变化如需求突变、算力受限JCS 必须能够重新分配内部资源人脑或算法来维持控制。4. 系统如何维持“反熵”状态JCS 被定义为能够利用自身及其环境的知识通过调整行为来应对外界压力、实现“反熵”目标的系统。为了保持控制系统必须具备四种基本能力预见 (Anticipate)预判未来可能发生的波动。监测 (Monitor)关注当前运行状态是否处于安全阈值内。响应 (Respond)面对干扰时有足够的资源进行调整。学习 (Learn)从过去的成功或失败经验中改进策略。5. JCS 与传统人机交互 (HCI) 的区别HCI (Human-Computer Interaction)侧重于降低认知负荷、提高易用性和界面设计的兼容性。JCS (Joint Cognitive Systems)侧重于集成与协作伙伴关系将人类专业知识与技术能力无缝融合特别适用于高风险、高复杂度的环境如空中交通管制、核电站或医疗手术室。6. 在 AI 与数智化语境下的深度洞察在当前的生成式 AI 时代JCS 理论为我们评估“人机协同”提供了极具实操性的视角从“外挂”到“共生”: 传统的软件被视为“工具”但在 JCS 视角下高性能 AI 正在成为系统内部的“认知代理”。如果 AI 的决策逻辑不可解释黑箱化那么整个 JCS 的“控制模式”就会从“策略”滑向“机会”因为人类无法预判系统的下一步动作。认知负荷的重新分配: 在设计数智化教育系统时JCS 提醒我们引入 AI 的目的不应仅仅是“自动化”而应是提升整个系统的弹性Resilience。如果 AI 减轻了老师的批改负担却增加了老师审核 AI 错误的负担那么这个 JCS 并没有得到优化。小结JCS 告诉我们不要问 AI 有多聪明要问你和 AI 组成的这个系统在面对复杂局势时还有多少‘掌控力’。目前随着AI 系统的普及JCS 理论正被广泛用于分析“人机共生”环境下决策责任的分配以确保 AI 不仅仅是工具而是能与人类形成高效互补的“数字队友”。好的系统设计目标永远是让 JCS 尽可能长时间地停留在“策略控制”的高位。在当前推动的“AI 赋能”项目中不妨观察一下当用户和 AI 共同进入业务环节时他们是处于“策略模式”用户能预见 AI 的产出并提前布局还是处于“机会模式”用户被动地跟在 AI 后面不停地改错请评论区聊一聊吧2004946欢迎点击下方卡片持续关注、共同提升古之君子假舆马以致千里今之行者假 AI 以拓灵知。纯属个人分享仅供参考之用由于能力水平有限难免存在疏漏差错欢迎大家留言指正