人机协同基础理论—联合认知系统 (Joint Cognitive Systems, JCS) 理论—【不要问 AI 有多聪明，要问在面对复杂局势时还有多少掌控力】

以下文章来源于bdedu筑梦成长，作者bdedu筑梦成长

「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（Feedforward）

JCS 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

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！