根据微软研究院和卡内基梅隆大学研究人员的一项研究表明,一些知识工作者可能正在过度依赖生成式 AI,这可能导致他们的问题解决能力下降。
在题为《生成式 AI 对批判性思维的影响》的论文中,七位研究人员对 319 名每周至少使用一次生成式 AI 的知识工作者进行了调查和分析,研究他们在使用 Copilot 和 ChatGPT 等工具时是否运用批判性思维。
研究发现,对任务有信心的员工更可能对生成式 AI 的输出结果进行批判性思考,而对任务不太有把握的员工往往会认为生成式 AI 产生的答案已经足够,不会去思考 AI 提供的内容。
研究人员建议需要重新思考企业 AI 工具的设计。
论文指出:"对 AI 的信任与降低批判性思维努力相关,而自信则与增加批判性思维相关。这种二元性表明设计策略应该注重平衡这些方面。"
研究团队建议,AI 工具应该包含支持长期技能发展的机制,并鼓励用户在与 AI 生成的输出交互时进行反思性思考。
研究人员表示:"这与可解释 AI 的目标相一致",他们指的是让 AI 说明其如何得出输出结果的做法。这对 DeepSeek 和 OpenAI 最新的思维链 AI 模型来说是个好消息,但仅仅解释 AI 的推理过程是不够的。
研究人员写道,好的 AI 工具应该通过主动设计策略来培养批判性思维,鼓励用户反思并在必要时提供帮助。
论文得出结论,我们应该适应 AI 融入的世界,通过运用批判性思维来验证 AI 输出及其在日常工作中的应用。考虑到七位作者中有六位来自销售 Copilot 的公司,这个结论可能在意料之中。
研究人员承认,知识工作者应该被教导"保持信息收集和问题解决的基础技能,避免过度依赖 AI",但不要过度。那些使用 ChatGPT、Copilot 和其他生成式 AI 工具的人应该接受"信息验证、响应整合和任务管理技能"的培训。
论文将在 2025 年 4 月底举行的人机交互系统会议上展示。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。