乔哈里视窗是心理学上人与人沟通的一个框架，映射到日常科研人机协作中，可以划分为四个象限：

与AI协作的关键，不只是“把Prompt写好”，而是不断扩大共享区、暴露隐藏区、利用AI发现认知盲区，并最终进入人机共同探索的未知区。

1. 共识区（我知道/ AI知道）：协作模式：高效执行。任务、背景和目标都比较明确，AI的价值主要是提高执行效率和输出质量。关键不是给AI大量信息，而是提供清晰、结构化、可执行的指令，明确：  任务 + 输入 + 约束 + 输出形式 + 评价标准。目前的大多数AI工具都能干这个，尤其是一些Agent工具。

   例如“将论文中以下内容压缩为300字，保留核心数据，按照SCI论文Results风格输出。”

   这一象限中：人：定义任务和标准AI：执行、整理、转换、加速

2. 隐匿区（我知道 / AI不知道）：协作模式：上下文对齐。很多AI“不好用”，并不是模型能力不足，而是我们大脑中的背景、偏好、隐含约束和真实意图没有进入AI的上下文。可通过IMA copilot这类知识库管理工具来弥补。

   例如你脑子里知道：“这是给Nature正文用的图，我希望简洁、克制、字体统一，而且不能像PPT。”，但只告诉AI：“帮我把图画漂亮一点。”结果自然很容易跑偏。所以这一象限最重要的不是单纯“写Prompt”，而是：把隐性的东西显性化。

   包括：研究背景、曾经的决策、个人偏好、已有材料、约束条件、优秀示例和失败示例模板。

   注意：长上下文、项目空间、知识库、历史对话、参考文件，本质上都在做同一件事情：扩大“共识区”，缩小“隐匿区”。

3. AI 赋能区（我不知道 / AI知道）：协作模式：认知扩展。包括知识盲区和学习区。这是AI真正开始体现“智能增益”的区域。（1） 盲区发现：AI帮我发现“我不知道自己不知道”的内容

   人往往只能围绕已有认知提出问题，而AI可以利用其已有知识、检索能力和跨领域联系，帮助发现：遗漏的问题、逻辑漏洞、反例、替代解释、潜在风险和新的分析路径。 例如，“不要继续优化我的方案，请站在审稿人角度找出其中最可能被质疑的5个问题。”，“除了我现在使用的方法，还有哪些我没有考虑到的方法？请推荐”

   这里AI的角色不是“回答问题”，而是：发散思维，扩大问题空间。

   （2） 学习区：AI教我“我知道自己不知道”这是典型的知识获取场景。例如，“我知道结构因果模型，但不知道DAG应该怎么构建。”

   传统的AI使用方式是，我问问题AI回答问题的对话模式，但是更高级的使用方式是把角色反过来：AI问 → 我答 → AI判断我的知识缺口 Knowledge gap→ 再针对性教学。

   例如，“不要直接讲答案。先通过5个问题判断我对这个领域掌握到什么程度，再根据我的回答制定学习路径。”于是AI从答案生成器变成：导师、教练、专家和苏格拉底式提问者。

4. 探索未知区（我和AI双方都不知道）：协作模式：共同探索。通过人机多轮碰撞与头脑风暴，共同探索出全新的创意与解决方案，这也是当前AI4Science最难的区域，像AlphaFold发现蛋白质结构这类AI。

   这是最有意思，同时也是目前AI价值经常被低估的区域。这里没有标准答案，也没有现成知识可以直接调用，例如：新的科学假设、新的idea构思、新方案设计、新研究框架、新科研模式、新解释机制。

   AI不能简单“告诉你答案”，而是和人共同完成：假设生成 → 多方案发散 → 反例挑战 → 模拟推演 → 方案筛选 → 再迭代。

   典型方式不是：“告诉我正确答案。”  而是：“我们先提出10种可能解释，再分别寻找支持证据和反证，最后筛选最值得验证的3种。”

   因此这一象限中：人负责价值判断、现实经验和最终决策；  AI负责快速发散、组合、推演和挑战已有假设。

支持单位：