创智Deep Cognition：AI从工具到认知伙伴，每次收藏都为AI积累智慧，实现人机共同进化。
原文标题：创智「小红书」震撼上线，让AI从效率工具进化为认知伙伴
原文作者：机器之心
冷月清谈：
怜星夜思：
2、文章提到AI会学习用户的“收藏”内容，来提升自己的认知。这是否意味着用户在平台上的所有学习偏好和认知积累，都会被AI掌握？长远来看，这种“认知伙伴”模式对个人数据隐私和AI伦理会带来哪些新的挑战和机遇？
3、“交互即智能”的理念非常超前，但目前Deep Cognition主要围绕科研和信息提取场景展开。这种模式在艺术创作、情感交流或者更复杂的社会互动等非结构化领域，是否也能有效应用？它的局限性在哪里？
原文内容
我们似乎正处在一个“收藏即掌握”的时代。
不管是知乎、论文库，还是小红书，只要看到一句金句、一篇好文、一个值得学习的案例，我们的第一反应往往是点个收藏，留着以后看。然而，我们真的会“回头再看”吗？
让我们先来看一个令人震惊的统计：
-
📚 知乎收藏：平均每人收藏文章 547 篇，实际回看率仅 3.2%；
-
📖 论文收藏：研究生平均收藏论文 284 篇，深度阅读率不足 12%；
-
🎨 小红书收藏：用户平均收藏内容 1,203 条，二次浏览率仅 1.8%。
你收藏夹里有多少吃灰的链接？你今天阅读了 50 篇论文，都消化掉了吗？
这背后反映的残酷现实是：
-
❌ 输入 ≠ 努力：看了不等于学了；
-
❌ 收藏 ≠ 拥有：存了不等于会了；
-
❌ 思考 ≠ 积累：想了不等于留了。
如果有一个平台，让你像刷小红书一样轻松，但每一次浏览与收藏都是给自己的认知 + 1，每一次思考都能和 AI 共同进化呢？上海创智学院发布创智 "小红书"（Deep Cognition）—— 全球首个可以主动构建认知并且让认知真正积累的 AI 平台，一个可以创造智慧的小红书！
「线上体验」：https://opensii.ai/
信息过载的时代，如何识别高价值的洞见、认知是无数人的痛点需求。在创智 "小红书" 中，每一张卡片都承载着一条最新的认知洞察。这里汇聚着数据驱动的洞察，将最新研究的核心发现以直观的方式呈现；凝聚着理论突破的精华，用简洁明了的表达诠释复杂深奥的理论；沉淀着实践智慧的结晶，通过经验总结完成知识的深度萃取。
点击体验一个具体的 “认知卡片” 实例：https://www.opensii.ai/share/cognition/6874a6d69382ee3ddd828b77
为什么 "收藏认知" 会提高你 AI 的认知？
通过下面这个例子，我们来看，如何实现” 你的每一次浏览与收藏，你的 AI 模型认知都会随之增加 ”。
具体来说，用户日常刷认知收藏的所有认知，AI 都会默默学习记录下来，习得该认知内容。下一次你和 AI 对话的时候，AI 会带着这些最新认知去思考问题，以及与你互动。因此，每一张卡片，都是思考提炼的认知，每一次收藏，都是认知资产的积累。“收藏” 这个操作已经被赋予了更多的价值，当你实在没有时间仔细阅读的时候，点击 “收藏”，至少你把属于你的 AI 模型认知提高了，下一次 AI 可以更好的帮助你解决问题。
例如，询问如下问题：
随着大模型在 context engineering 方面的能力提升，它们开始具备处理多轮对话、长期任务和研究语境的能力。我们该如何构建一个可以持续参与科研过程、协同解决问题，真正成为 “AI 科学家同事” 的智能代理？
当你向系统提出这个关于 "AI 科学家同事" 的问题时，系统会自动搜索你之前收藏过的相关认知卡片。
AI 会综合这些你曾经收藏的认知资产，结合最新的技术理解，给出个性化的回答：
"基于你之前关注的多智能体框架和长期记忆机制，我建议构建一个具备以下能力的 AI 同事系统：1）持续学习你的研究偏好和工作习惯；2）维护项目上下文的长期记忆；3）主动提出研究假设和实验设计；4）具备跨任务的知识迁移能力..."
这样，你的每一次收藏都在为未来更精准的 AI 对话做准备，真正实现了 "收藏即学习，对话即智慧"。
通过这样的方式，将认知系统化构建以及平台化，还可以获得其它许多独一无二的功能：
1. 认知榜单 & 周报总结
展示本周热门认知话题排行榜（如评估指标、基准测试、人工标注等）以及社区学习动态总结
2. 特色功能：认知个性化订阅 & 分享
根据自己专注的技术领域（如机器学习、数据科学等）和领域名人收藏专属的认知内容，并与社区分享。
3. 特色功能：认知合成
认知合成将分散的观点思维融合，形成新的深度理解和认知。
创智 “小红书” 背后的技术原理是什么？
创智学院同时也公开了相关的技术论文《交互即智能》，揭示了人机协作关系的变革。
-
论文题目：Interaction as Intelligence: Deep Research With Human-AI Partnership
-
论文地址：https://arxiv.org/pdf/2507.15759
-
项目首页 / 试用网址：https://opensii.ai/
具体来说，创智 "小红书" 所解决的认知积累问题，实际上揭示了当前人机交互模式的根本性缺陷。认知无法积累的表面原因是平台设计问题，但深层原因是 AI 仍停留在 "效率工具" 阶段，而非 "认知伙伴"。
传统的 "效率工具" 模式采用 "存储 - 检索" 逻辑：用户负责收藏和存储信息，平台负责保存和检索内容，认知处理完全依赖人类大脑的记忆和联想。这种模式的根本问题在于：它将人和机器割裂开来，把认知处理的重担完全推给了人类。用户在信息过载中疲于奔命，AI 系统却只能被动响应，无法主动参与认知的构建和积累过程 [2]，在完成长复杂任务的过程中，往往会带来错误积累 [3, 4]。
该技术论文指出，当前的假设根本上误解了智能本身的性质，互动本身构成了智能的基本维度。未来，人与 AI 交互的范式将从最小化人类参与的 “效率工具” 模式，进化为 “认知伙伴” 关系。
该工作定义了一种新范式 “交互即智能（Interaction as Intelligence）”，论文提出了一个根本性的重新认知：智能 —— 无论是人类还是人工智能 —— 本质上都是交互式的、情境化的、协作的。最复杂的人类思维很少孤立发生，而是通过对话、反馈、精化和多元视角整合而涌现。
正如论文开篇引言所述：
"智能不是孤立心灵的属性，而是在心灵之间的舞蹈中涌现的。问题不在于各个组件有多聪明，而在于它们如何精彩地交互。"
基于 "交互即智能" 的理论基础，该工作提出了认知监督（Cognitive Oversight）这一全新的人机协作范式。它将人类从被动的工具操作者转变为主动的认知协作者，与 AI 形成真正的智能共同体。
从 “刷认知” 到 “使用认知” -
Deep Cognition 系统
创智 "小红书" 作为认知平台，与深度研究系统形成完美的理论 - 实践闭环，形成了 Deep Cognition 系统，可以不仅进行认知学习，还可以用习得的认知去解决高价值场景复杂的问题。具体来说：
一、深度研究系统：多智能体协同认知框架
1. 研究智能体（Research Agent）研究智能体作为系统的核心大脑，能够接收多模态输入并采用 "交替思考 - 行动" 的先进方法进行深度推理，集成了 o1、DeepSeek-R1、Claude Sonnet 4 等最先进的推理模型，确保研究过程的严谨性和前沿性。
2. 浏览智能体（Browsing Agent）浏览智能体则充当系统的感知器官，通过智能 URL 选择、并行网页抓取和基于 LLM 的质量评估，为研究提供高质量的信息支撑，同时过滤噪音和无关内容。
3. 偏好智能体（Preference Agent）是整个框架的学习中枢，基于上下文强化学习（ICRL）范式，持续学习和适应用户的个性化偏好。它跟踪用户在查询、网页浏览和报告生成三个维度的行为模式，将每一次用户交互转化为优化系统性能的宝贵信号。
深度研究系统具备如下强交互特性：
-
特征一：透明的研究过程：界面通过多种机制建立透明度，使用户可以看到和理解系统的决策过程。通过直接展示模型的推理过程和生成的查询词，搜索策略的可解释性得以支持。界面左侧的编辑器显示不断演进的研究文档，并提供 “编辑” 按钮允许用户直接修改。所有发现都恰当地链接回原始来源，方便用户追溯。
-
特征二：实时干预：系统实现了一个 “暂停” 功能，使用户在整个研究过程中保持控制权。用户可以在任何时刻中断系统，包括在显示 “正在分析技术突破，请参考...” 等进度指示时。
-
特征三：细粒度交互：当用户提出模糊的研究问题时，界面会弹出一个澄清框，提出有针对性的问题以帮助缩小范围，就像研究馆员在问 “您具体在找什么？”。用户可以优先选择偏好的搜索查询，并指定希望重点关注的特定网页或知识来源。
-
特征四：用户研究偏好自适应：系统在多个维度上适应用户的偏好和要求，提供个性化的研究辅助。系统会根据用户的历史数据和选择生成参考画像，从过去的交互中学习，以更好地匹配个人的研究方法。随着研究目标的演变，系统能在不丢失先前交互上下文的情况下适应新的需求。
该系统体现透明度、细粒度、实时交互特性的 Multi-Agent-Human 协作机制设计。
对比 Deep Cognition 和主流深度研究系统的创新点。
二、认知平台系统：创智 "小红书"
创智 "小红书" 作为认知平台系统，是 Deep Cognition 从理论研究走向实际应用的关键桥梁，它将复杂的 AI 研究能力转化为用户友好的认知服务体验。
4. 认知卡片生成引擎：认知卡片生成引擎是平台的核心创新，它能够自动将深度研究系统产生的复杂成果转化为结构化、可视化的认知卡片，每张卡片都承载着经过精心提炼的核心洞察、关键数据和重要结论，并配备可视化的知识图谱和思维导图，让复杂的研究成果变得易于理解和吸收。
5. 认知积累机制：认知积累机制则是平台的智能推荐系统，它基于用户的行为数据驱动个性化推荐，通过认知关联度的智能算法组织卡片内容，实现认知资产的复利增长效应，确保用户的每一次学习都能在现有认知基础上产生价值叠加。
实验 1：量化验证认知监督的威力
为了衡量 “交互” 本身所带来的价值，研究进行了一项关键的消融实验：将具备完整功能的 “深度认知”（Deep Cognition，DC）系统与一个移除了交互模块、只能以 “输入 - 等待 - 输出” 模式运行的版本（DC non-interaction）进行对比。结果是惊人的，如下表所示，交互的引入带来了全方位的、巨大的质量提升 [1]。
数据显示，交互的引入使得最终报告的平均质量提升了 63%。其中，提升最为显著的是报告的 “组织性 (Organization)”（+97%）、“前沿性 (Cutting-Edge)”（+79%）和 “深度 (Depth)”（+76%）。这一结果有力地证明了研究的核心论点：最大的性能飞跃并非来自一个更强大的底层模型，而是来自一个更优越的交互范式。当用户能够实时引导、修正和注入知识时，AI 生成的最终成果质量发生了质变。
表 1：交互对报告质量的提升效果（DC vs. DC without interaction）
在与当前市场领先的商业深度研究系统（Gemini, OpenAI, Grok）的直接对比中，“深度认知” 系统同样展现出全面的优势。评估从两个维度展开：一是用户对最终报告质量的主观评分，二是用户对交互过程体验的评分 [1]。
左图：专家用户针对专业领域科研问题，对最终报告质量的评分对比（本系统 vs Gemini/OpenAI/Grok）；右图：各系统交互体验评分。
专家用户对系统交互功能各项指标的评价结果分布，各功能都获得了用户的高度认可。
在交互体验方面，“深度认知” 系统在七项评估指标中的六项上占据主导地位。尤其是在体现其核心设计理念的指标上，优势尤为突出：
-
透明度 (Transparency): 获得了完美的 5.00 分，比表现最好的竞品高出 25.0%。
-
细粒度交互 (Fine-Grained Interaction): 获得了 4.73 分，领先优势高达 44.6%。
-
协作性 (Cooperative): 获得了 4.62 分，领先优势达到 43.0%。
这些数据表明，该研究不仅在理论上是先进的，其最终实现的产品也为用户带来了更具协作感和可控性的使用体验。
实验 2："专家思维放大" 效应：
这项测试要求系统在复杂的网络环境中寻找难以发现的信息，极大地考验了系统的推理和执行能力。研究结果清晰地揭示了 “认知伙伴关系” 的巨大威力。
表 2：BrowseComp-ZH 基准测试准确率对比 [1]。DC (cog+int.) 指与研究生级用户实时交互协作的模式；DC (non int.) 指无人干预的自主模式。
这一结果堪称深度研究领域的 “半人马时刻”（Centaur moment），它呼应了当年国际象棋比赛中，人类棋手与 AI 程序组成的 “半人马” 团队击败最强超级计算机的历史性事件 。数据揭示了几个关键事实：
1. 协作远胜单打独斗： “专家 + AI” 组合的 72.73% 准确率，远高于任何一个独立运行的 AI 系统（最高约 41%）。
2. 专家知识是关键： 同样的系统，在专家手中（72.73%）和在非专家手中（45.45%）的表现差异巨大。
3. 交互是释放专家潜能的钥匙： 即使是 “深度认知” 系统，在没有人类交互的情况下自主运行时，其表现也仅与普通商业 AI 持平（40.91%）。
这组数据背后隐藏着一个深刻的价值主张。它表明，当前主流的自主型 AI 工具，实际上正在浪费其最有价值的资源 —— 人类专家的智慧。一个独立运行的 AI 在复杂任务上可能只有 41% 的成功率，这意味着它在多数情况下是失败的。然而，当同一个任务交由一位专家使用 “深度认知” 系统来完成时，成功率跃升至近 73%。这之间大约 32 个百分点的巨大差距，就是被 “深度认知” 框架所释放和放大的、专家的认知价值。
因此，这项研究的真正价值主张并非简单地宣称 “我们的 AI 更强”，而是 “我们的系统让您的专家变得更强”。它将 “认知伙伴关系” 和 “互补性” 这些抽象概念，用一个具体、可量化的性能指标呈现出来，这对于任何依赖专家知识进行决策的组织或个人而言，都具有无与伦比的吸引力。这正是系统在 “投入产出比”（Results-Worth-Effort）指标上同样领先的原因。
实验 3：人机回环：解密「动态自主性」
该研究中关于人类行为的定性发现揭示了用户在与高度交互式 AI 协作时所表现出的复杂模式，展示了该系统设计对人类认知习惯的深刻理解。
超越开关模式：人机交互的战略性舞蹈
研究发现，高效的人机协作并非一种恒定的、高强度的互动状态。相反，用户会根据任务的不同阶段和认知需求，在 “亲力亲为”（Hands-on）和 “放手信任”（Hands-off）两种模式之间进行动态、战略性的切换。研究将这一现象概括为 “动态自主性”（Dynamic Autonomy）。
这种模式的发现，本身就是对传统人机交互设计理念的一次重要超越。它表明，用户的需求不是一个简单的 “开 / 关”—— 要么完全控制，要么完全放手。真实的需求是一种灵活的、可调节的控制权分配。
认知协作的六个阶段
通过对用户行为的细致观察，研究将复杂的深度研究过程分解为六个不同阶段，并清晰地描绘出用户在每个阶段的协作意愿变化，如上图所示 ：
亲力亲为（Hands-on） - 人类智慧主导
1. 问题澄清 (Clarification): 在研究初期，面对模糊、开放式的问题，用户会高度参与，与 AI 一同迭代、细化研究范围。例如，参与者 P1 最初提出宽泛问题后，会主动补充具体技术方向，并认为 AI 提出的澄清问题 “包含了自己未曾想到的方面” (1)。这是人类战略性思维和框架构建能力发挥最大价值的时刻。
2. 专家知识注入 (User Knowledge Input): 当用户拥有明确的领域知识、特定的参考文献或个人见解时，他们会再次高度介入，主动引导 AI 关注关键信息源。
3. 实时干预 (Real-time Intervention): 在 AI 浏览信息的过程中，当用户发现有价值或存在偏差的内容时，会立即介入，调整 AI 的行为以符合预期。
4. 网络搜索 (Web Search): 对于需要主观判断或开放式解读的问题，用户同样倾向于亲身参与，因为这类任务对现有工具最具挑战性。
放手信任（Hands-off） - AI 能力主导
5. 推理过程 (Reasoning): 有趣的是，在 AI 进行内部推理和分析时，用户的协作意愿反而降低。他们更倾向于退后一步，观察 AI 如何自主处理指令，并评估其决策的透明度和质量。如 P12 所述，他们希望看到 “模型在面对开放问题时如何决定关键技术路线” 。
6. 网页摘要 (Web Summary): 在需要对大量信息进行整合与摘要时，用户表现出对 AI 自主性的高度信任。他们需要的是经过 AI 处理后的综合性见解，而非原始信息的堆砌，因此愿意让 AI 长时间自主运行。
这一 “动态自主性” 模型的提出，为设计更高效、更少挫败感的人机协作系统提供了一份宝贵的蓝图。当前 AI 助手的一个常见设计缺陷，是它们往往强迫用户接受一种单一的交互模式：要么需要用户进行繁琐的微观管理，要么就提供极少的控制权，让用户感到失控 。该研究通过对用户真实行为的观察发现，用户真正需要的不是一个固定的控制级别，而是在不同认知子任务间灵活切换控制权的能力。
例如，在需要创造性、发散性思维的 “问题澄清” 阶段，用户渴望 “亲力亲为” 的主导权；而在需要机械性、收敛性处理的 “网页摘要” 阶段，用户则乐于 “放手信任”，将任务委托给 AI。这一发现的设计启示是深刻的：未来的 AI 系统不应预设一种最佳交互风格，而应被设计成能够支持这种控制权动态转移的平台。这意味着，系统需要为高参与度阶段提供强大、易用的控制工具，同时为低参与度阶段提供稳定、值得信赖的自动化能力。
总结
Deep Cognition 和创智 "小红书" 进一步证明：AI 的价值不再只取决于参数规模，而是认知深度。而认知深度的实现，需要人机之间的深度交互和协作，更需要从 "效率工具" 向 "认知伙伴" 的根本性转变。
创智 "小红书" 开启的不仅是一个产品，更是一个时代：
-
认知民主化：让每个人都能轻松积累和分享智慧
-
智慧社会化：构建基于认知共享的新型社会关系
-
文明加速化：推动人类认知水平的整体跃迁
当认知成为可积累、可分享、可增值的资产，当交互成为智能本身，当 AI 从工具进化为伙伴，我们正在重新定义人类与 AI 共同进化的未来。
参考文献：
[1] Interaction as Intelligence: Deep Research With Human-AI Partnership
[2] "help me help the ai": Understanding how explainability can support human-ai interaction
[3] Why do multi-agent llm systems fail?
[4] Ironies of automation
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]