引子

东京大学的一项实验引起了注意。实验要求三组数学研究者解决一组未公开的猜想：第一组只能使用纸笔，第二组允许使用AI作为辅助工具，第三组允许使用AI，但额外要求在每一步决策时“用自然语言向AI描述你正在做什么”。

第三组的表现显著优于前两组。更值得注意的是，第三组的研究者在实验结束后接受访谈时，普遍报告了类似的经验：“我向AI解释我为什么选择这条路径时，我发现我比平时更清楚自己的选择依据。”——他们不是为了教AI才解释，而是因为解释这个动作本身，使他们的决策过程变得可见。

实验最终得出的结论与AI的“智能”关系不大，但与一个更底层的结构有关：在解释的过程中，人的判断形成了可被观察的轮廓。

构造学论要追问的是：如果AI不具备人类的“地形感”，但它能够产生高覆盖率的搜索数据，那么当人类的判断与AI的探索数据在同一个系统中运行时，原创性的路径是否会发生结构性的改变？这种改变产生了什么新东西——是更快的解题速度，还是一种此前不存在的知识生成方式？

一、人机结合的定义：判断与探索的交换

人机结合的原创性，在构造学中被定义为：人类的“地形感”与AI的“高覆盖率搜索”在同一构造循环中持续交换，从而产生任何一方单独运行都无法到达的状态空间。

这种交换的结构可以被描述为两步操作：

• 人的操作：在判断空间中进行方向选择——决定“哪些区域值得被探索”。

• AI的操作：在搜索空间中进行路径覆盖——对被指定的区域进行高密度探索，返回探索结果。

但这两步操作不是线性执行的——它们不是“人指定方向，AI执行搜索，然后停止”的关系，而是循环执行的。AI返回的探索结果，会改变人对地形的感知，从而调整下一次方向选择。方向调整后，AI重新进入搜索空间，执行新一轮覆盖。

这个循环一旦开始运行，它会产生一个不断更新的状态：人在每次调整方向时，会基于AI返回的数据重新评估地形图，而AI在每一次重新搜索时，会进入一个新的区域，而这个区域是人在没有数据时可能不会选择进入的。

这个循环在结构上不同于“人单独运行”或“AI单独运行”。在人机结合的运行模式中，人和AI之间互相作为外部输入，为对方产生原本无法产生的信息——AI为人类产生它自身无法判断的高密度探索数据，而人类为AI产生它自身无法构造的方向信号。

二、原创性路径的结构变化

当这种交换建立起来后，原创性路径的生成方式发生了结构性的变化。

变化一：覆盖范围的变化。 人类单独运行时，探索范围受限于自身的注意力、记忆和处理速度。AI单独运行时，探索范围受限于无法识别方向（它不知道哪些位置值得进入）。但二者结合后，人类的判断可以在不消耗大量搜索时间的情况下，将AI的搜索范围引导至自己认为有价值的区域；AI的搜索可以在不消耗人类注意力的前提下，覆盖人类无法单独到达的区间。

变化二：反馈周期的变化。 人类单独运行时，一次方向调整后的验证可能需要数周或数月。而AI接入后，验证周期被大幅压缩。方向调整后，AI可以在很短的时间内产生可评估的探索结果，人类据此调整下一步的方向。更短的反馈周期意味着判断系统能够更快地响应新的信息，从而在同样长的时间窗口内完成更多的调整次数。

变化三：地形感知的变化。 在接收AI的探索数据之前，人类的地形感来自自身有限的探索经验。在接收AI的探索数据之后，地形感开始包含AI探索覆盖范围内的大量信息。这些信息本身不构成判断（AI不会判断哪些结果值得关注），但它们在人类判断时提供了更多的上下文，使得地形感知更加完整。

三、人机结合的原创性产物：新知识的“位置”被更早识别

人机结合产生的新东西，不是“更快的解题速度”。它产生的是：一种对“新知识位置”的更早识别。

在传统模式中，一个新位置的识别通常需要经过一个漫长的过程：一个人在某个区域持续探索，积累足够多的局部信息后，才能判断该位置是否值得进一步投入。这个过程通常需要数年甚至数十年。

在人机结合模式中，AI可以迅速覆盖一个区域的探索空间，返回该区域的密度分布和剩余缺口。人在看到这些信息后，可以更早地判断“这里可能有一个值得占据的位置”。这种判断不是在AI提供数据之前，而是在接收AI的探索结果之后——因此它比传统模式中纯粹依靠自身积累的地形感作出的判断更早。

这个“更早”是有意义的。当一个位置被识别后，后续的构造活动就可以开始进入该区域并建立节点。如果这个位置在传统模式中需要十年才能被识别，人机结合模式可能将其缩短至三到五年。这不仅仅是效率的提升——这也是新知识的“位置”被更早识别，从而使得后续的构造活动能够在更早的阶段开始，并在更长的时间窗口内被持续接入。

四、结合的意义：新的知识生成模式

人机结合不仅仅提高了已有研究流程的效率，它还可能使得某些类型的新知识在传统模式中无法被产生。

因为在传统模式中，某些研究方向可能因为“初始投入过大”或“验证周期过长”而被排除在可选择的范围内。而这些方向并非不重要——它们只是无法在现有的时间约束和资源约束下被选择。

当AI接管了搜索覆盖和初步验证的工作后，这些方向的选择成本会降低。一个方向不再需要人类消耗大量时间进行初步探索来判断它是否有价值——AI可以在短时间内完成这一验证，然后将结果返回给人类判断。

这使得系统能够选择的探索路径的范围发生了扩展。原本因为成本过高而不会被选择的路径，现在可以进入了。如果这些路径在某些条件下能够产生重要的新结构，那么人机结合模式就不仅仅是一种“更高效的研究方式”，而是一种“能够触及传统模式无法触及的知识生成模式”。

五、构造学论的立场：人机结合的原创性不是AI的原创，也不是人的原创——它是系统的原创

当人类的方向判断与AI的高覆盖率搜索在同一构造循环中运行时，产生的原创性不属于“人的创作”，也不属于“AI的创作”。它属于系统级的原创——由两个不同能力的构造系统在交换中共同生成。

这个原创性的来源是：任何一个单独运行的系统都无法到达的位置，在两个系统交换后变得可达。

AI无法单独产生原创性，因为它缺乏方向判断。人类无法单独到达某些位置，因为搜索空间超出了注意力和处理速度的覆盖范围。但当二者交换时，那些在任何一个单独系统中无法被触及的位置，在交换后的系统中变得可达——AI为人类提供搜索数据，人类将搜索数据转化为方向信号，重新输入AI，AI在重新定位后的区域中进行新一轮探索。

这个交换循环产生的原创性，不能归因于其中任何一方，因为它是由交换本身产生的。交换一旦停止，系统将退回到任何一个单独系统的运行模式，原创性路径的生成速率也会相应下降。

结语：交换而非取代

东京大学的实验中，第三组的表现优于前两组，不是因为AI提供了正确答案——在那些猜想中，AI并不知道答案。那组表现更好的原因，是因为研究者“向AI描述自己正在做什么”这个动作，使得他自己的判断路径变得可见。

他看到了自己的选择依据。然后他根据这个看见，调整了下一步的操作。AI在这个过程中扮演了接收者和返回者——它接收描述信号，返回探索数据。但真正使系统产生偏移的，是人自己的判断在反馈循环中被重新校准了。

这正是人机结合中最值得注意的一个机制：AI的作用不仅仅是探索，它还是人类自己判断的回声板——当人类被要求解释他的选择时，他开始看到自己通常看不到的东西。

支持单位：