從交互到交往：人機協同認知的形態演進與未來審思

[中圖分類號]G434 [文獻標志碼]A

一、引 言

隨著人工智能（ArtificialIntelligence，AI）類人能力的涌現，以ChatGPT、DeepSeek等為代表的生成式人工智能正引發新一輪社會交往革命。AI憑借日益強大的學習能力、內容生成能力、人機交互能力，催生出可與人自然交流的智能助手、智能學伴，并逐漸獲得類人乃至超人的獨立地位，而成為對人類具有重要意義的“他者”。人的本質在其現實性上是一切社會關系的總和。當AI不再只是與人類交互的工具，而是可以與人類教師、學生平等交往的一種認知主體，通過與人建立社會關系的方式獲得社會生命，其勢必會成為一種新的同伴物種與人進行跨生命、跨物種交往，人與AI將無可避免地在身體與心智層面相互依存并持續互構[。在數據科學的影響下，AI已實現從數據到信息、從信息到知識、從知識到決策的轉化，為人類社會貢獻以數據為核心原料的機器認知。活躍在屏幕前的我們已不知不覺地與屏幕后塑造信息的AI相互作用，走向一種融合人類認知與機器認知的人機協同學習。人類正通過一種認知外包的方式來彌補自身認知能力的不足，邁向人機協同認知。余勝泉等指出，“ChatGPT等生成式人工智能對于人的賦能本質的機制是認知外包\"，人與外部智能設備的有效協同將是人適應未來復雜社會的基本認知方式。AI在重塑人的認知方式的同時，不僅以較強自主性實現了對自身工具屬性的超越，也會重構人的思維與認知勞動，從而影響著人的主體性發展。我們不禁思考：AI如何參與人的認知活動？人機協同認知經歷了怎樣的形態演變？未來將走向何處？這些問題的解決將有助于認清人機協同認知的實踐本質與發展方向，幫助人類更好地審視自身的認知主體性，從而更好地利用技術促進人類認知方式的變革。

二、人工智能以何參與人的認知

技術介人人的認知活動源于認知科學與人機交互領域的交叉，因為基于認知科學可以更好地設計和解釋人機之間的交互方式與行為。人類通過設計人機交互技術來支持認知建構，借助技術實現的認知腳手架走向更加科學、深層的認知狀態。隨著AI技術從知識驅動的專家系統發展到數據驅動的機器學習，再發展到可以與人對話的生成式人工智能，AI參與人的認知的方式可以歸結為三種。

（一）以知識驅動的方式

自1950年AI誕生以來，人類一直在探索創造能夠模擬人類智能的機器。最初的做法是為機器構造知識庫，通過整合領域知識進行研究和模擬人類智能行為，期望機器像領域專家一樣對不同的情況作出反應，模仿專家推理作出與人無異的預測。人工智能研究由此轉向基于規則的系統和知識庫，試圖使用明確的規則和邏輯推理將專業知識編碼到計算機程序中。知識驅動的領域專家系統也標志著早期人工智能的重要進步。知識庫是專家系統的核心組成部分，而知識庫中的知識通常以規則形式存在，反映了專家在特定情況下的推理邏輯。所以，專家系統的知識驅動特征體現在其包含的領域知識和由知識獲取方式確定的知識使用規則上，是以預定義的規則來解決特定問題。專家系統早期在教育領域的應用集中于智能導師系統，其以知識問答允許學習者與系統交互，系統對學習者提出的問題進行解答。智能導師系統以知識驅動的方式參與人的認知過程，也得益于認知主義學習理論的發展。人們基于流行的認知主義學習理論從傳統的計算機輔助教學轉向關注學習者的內部認知過程，而建立起包含領域知識、學習者知識、教學策略知識的知識庫，預先定義知識和推理規則，由系統自動安排教學內容、選擇相應的教學策略。

（二）以數據驅動的方式

在大數據與算力的雙重推動下，AI進人機器學習階段。以機器學習為內核的AI是一種數據驅動的智能，在認知活動中可以幫助人類探索認知能力之外的“自然”，以區別于人類的創造性認知勞動，提升知識生產效率、提取和傳遞知識以及產生某種機器知識。例如：曾經IBM推出的Watson系統，可以從醫療文獻中自動提取知識，增強了其在醫療診斷領域的應用能力；2024年諾貝爾化學獎青睞的AlphaFold系統，可以預測蛋白質結構，展示了AI處理復雜生物信息的潛力。當AI能以數據為原料產生獨立的機器認知并應用于社會實踐，人和機器認知系統正式在學習、意義構建和決策等復雜認知過程中交叉協同、相互作用，如圖1所示。人類認知是一種與信息交互所涉及的感覺過程、一般操作和復雜的綜合活動，包括推理、判斷、決策、解決問題、意義構建；機器認知是將數據轉化為信息和知識的過程，人在機器作為重要“他者\"的認知支持下進行預測、調整和決策。如在涉及學習者認知與元認知能力的自我調節學習中，AI已經可以捕獲并分析學習者的多模態數據，以確定學習者的當前狀態來預測未來學習趨勢，并提供實時和自適應的學習腳手架和反饋（如問題提示），形成人與AI混合調控認知過程的人機協同學習模式[]。所以，數據驅動的人工智能是以其強大的數據處理能力參與人的認知過程，促進學習者對自身學習過程的深入理解和調控，并以個性化反饋的方式為學習者提供適應性支持。

圖1人類認知與機器認知的交叉協同[

（三）以對話生成的方式

生成式AI技術催生了以ChatGPT為代表的大語言模型，并初步表現出通用人工智能的特征。雖然生成式AI依舊是依賴大規模的數據（語料庫）實現對人類自然語言的模仿或生成，但相對以往數據驅動的方式，其形成了良好的上下文學習機制，可以廣泛適應用戶的問題，生成契合的內容，并引人了基于人類反饋的強化學習，增強人對機器輸出結果的調節，以保證生成的內容符合人類的常識、認知、需求和價值觀[]。在大模型的支持下，AI成為可以與人平等交流與合作的一種類人主體，人機在互動過程中開始從“工具交互\"跨越到\"主體交往\"。并且，人機在交往中的內容與意義并不是預設和確定的，而是在人與機的持續嘗試、反饋、調整中不斷被確認的。人機這種具有學習意義的交往能夠拓展人類認知邊界，是兩者不斷交換物質、能量與信息，實現協同的認知發生與知識創造的過程。比如，教師可以基于生成式AI打造屬于自己的智能助教，幫助拓展教學設計思路，生成和創建獨具自身課堂或學科特色的教學資源等；學生可以利用生成式AI激發創生符合自身認知能力、快速理解的學習資源，以及輔助自己進行藝術創作、論文寫作、創意設計等，促進理解和建構知識。所以，生成式AI的潛力并不僅僅在于生成文本、圖片和視頻，真正的價值在于成為人類解決問題、促進認知發展的“數字伙伴”。

三、人機協同認知的形態演進：從交互到交往

分布式認知認為，認知是通過個體內部表征（如大腦的信息記憶）與外部環境表征（如計算機表征的信息）之間的傳播和轉移而發生的[1。AI參與人的認知展現出了三種人機協同方式[：一是以工具和程序引導人的認知過程；二是通過挖掘數據信息拓展人的認知；三是作為生成器與人協同創生認知內容。這三種方式既是AI參與人類認知活動的作用升級，也象征著認知科學與人機交互的融合發展，即從知識驅動的認知工具、到數據驅動的機器認知，再到基于對話生成的認知交往的演變，呈現出不同的人機協同認知形態。

（一）基于人機交互的認知引導

人工智能最初以知識驅動的方式模擬人類智能。人類為機器編寫程序指令，通過重復模擬、訓練，使其能夠理解規則并根據規則完成任務。機器扮演“領域專家\"根據規則檢索自身知識庫，輸出相應知識。比如，早期的智能導師系統利用人工智能技術提供適應個別學生需求的互動教學，最典型的就是支持學生的問題解決練習，通常為學生選擇特定解決路徑和解題步驟的分步反饋和提示[14]。最初，智能導師系統、自適應學習測試等常常宣稱能診斷學習者知識狀態、規劃學習路徑，也多是以知識問答、問題提示的方式引導學習者強化對知識的理解與記憶。即人機以知識練習為載體進行交互，學習者答對進人下一個知識點的練習，答錯則會適當提供學習提示或啟動該知識點的新一輪作答，機器在此過程中會不斷根據學習者的作答情況來動態調整題目內容和練習的路徑。此時，人機協同認知的形態呈現為基于人機交互的認知引導，是以知識為主線、以規則為牽引，通過反復練習、刺激和反饋，強化學習者對知識的理解，本質上是按照預設規則的知識路徑引導學習者的認知過程。如VanLehn曾利用智能導師系統對學習者在解決多步驟物理問題時所做的每一步進行分析，并提供即時反饋和引導[15]。處在該時期的研究也較多關注認知科學對人機交互方式設計的指導，如Mayer提出的多媒體學習理論，旨在了解如何設計促進有意義學習的多媒體學習環境，并基于大量的實驗對技術作為認知輔助工具促進學習提出了多種原則。時至當下，以知識練習為主的自適應導學仍然是AI影響學習的基本方式，并通過貝葉斯知識追蹤（BayesianKnowledgeTracing）基于深度學習的深度知識追蹤（DeepKnowledge Tracing）等人機交互領域的建模方法，利用學習者的歷史作答行為數據預測下次給定題目的作答結果，實現對知識狀態的動態追蹤。因此，早期以智能導師系統為代表的人工智能更多是一種認知工具，是在人機交互的過程中不斷引導和支持學習者產生有效的學習行為。

（二）基于人機分工的認知拓展

數據驅動的機器學習則試圖擺脫行為主義技術的束縛而采用分布式認知方式實現人機協同的智能增強。因為在大數據的驅動下，AI拓展了人類能力和意識范圍之外的高度復雜計算，可通過算法挖掘出隱藏在數據中的有用信息。隨著計算機數據采集、存儲和分析能力的提高，數據驅動的方式大大提高了機器的認知能力，已成為一種流行且高效的認知決策范式，能通過實現“數據轉化為信息、信息轉化為知識、知識轉化為決策\"以支持人類復雜認知與決策。從信息加工過程來看，在信息輸人上，人機協同之下不僅有人自身對外界環境與信息的感知，還有來自機器對外界環境中客觀數據的采集與分析，信息輸入由此混合了人的感知和機器的感知;在信息處理上，機器更是以其強大的數據挖掘能力協助人類從海量數據中發現事物的本質與規律，以此與人類的認知相結合，實現人腦中的內部認知網絡與機器的外部認知網絡的連接；在認知決策上，人雖然是主導者，但更多是基于機器的數據分析結果進行價值決策而采取行動，機器成為提高人類信息收集和信息處理能力的輔助者。例如，數據驅動的精準教學則是利用AI技術實現對教學數據的收集和分析，進而診斷教與學的表現，支持教師實施個性化學習指導。在此過程中，機器主要負責記錄學生學習相關且容易量化的行為數據，并將分析結果可視化給教師，輔以決策;教師主要負責觀察學生難以量化的情感、動機等表現，并結合機器的學習分析進行智慧決策[。又如，AI支持的自我調節學習是利用實時互動、埋點循證、學習分析等方式對學習過程進行實時監測、預警，以及實現對學習者能力的畫像等，并通過學習儀表盤支持學習者觀察和理解自己的學習行為，以此提升自我調節學習能力[9]。因此，數據驅動的人工智能對人類認知活動的參與，可描述為基于人機分工的認知拓展，即通過人類認知能力和AI計算能力的結合，以拓展人對自身與世界的認知。

（三）基于人機交往的認知互惠

“交往\"是人類生存的基本方式，生成式AI促進人機之間更加自然、流暢的沉浸式對話，“人\"不僅是“與人對話的人”，也成為“與AI對話中的人”，催生出人機交往的新形態[20]。人與人的交往是在社會關系中進行的雙向信息共享活動，需要傳受雙方擁有共通的意義空間，即雙方會達成認知與價值的一致性；同理，人機交往也需要人與機器的共同參與和意義共創，雙方互惠共享，實現人機在\"認知\"層面的一致性。這或許是生成式AI引入基于人類反饋的強化學習、微調等技術的重要原因，開始從關注數據生成信息的模式中轉向重視意義生成過程的認識實踐。隨著生成式AI的廣泛應用，在人機對話式的認知活動中，我們始終追求“機器理解人\"與\"人理解機器\"的雙重境界，希望以互惠學習的方式讓人和機器有共同的認知，即人和機器應洞察和理解彼此的知識。提示語工程則是人機尋求相互理解的體現之一，人類用戶以機器可以理解的提示語向其持續發問與求解，直到輸出符合自身理解和需求的內容，同時人的反復提問和機器輸出的內容又將促進模型優化并啟發人產生新的求知，于是基于人機交往的認知互惠關系顯現。有研究強調，人機交往所需的提示語將是構建數智時代的認識論的新話語，能夠促進學習者的認知發展與學習發生，在人機對話、認知互促的過程中實現高意識學習[2]。正如Nixdorf等所言，人機互惠學習是利用人類和機器的互補性和互惠性來實現互惠互利，是一個涉及人類和機器在協作中執行共享任務的相互交換、依賴、行動或影響雙向的過程，這會促使學習者創造新的意義或概念、豐富現有的含義或概念，以及提高學習能力[22。所以，生成式AI正在形塑一種基于交往的對話式人機協同學習，推動人機持續從對方的話語中深化理解，一方面，促進機器根據人類的反饋自我修正，提高生成內容的質量；另一方面，促進人類在對話中發揮主體性，在審辨中深化認知和內化知識，人機由此形成雙向建構關系而達成意義共生與共創。

四、人機協同認知的未來審思：如何走向共生

人類塑造了技術，技術也塑造了人，技術實際上可視為人和機器在塑造彼此的過程中共同進化的結果。Osiurak等提出，人類的進化始于物理技術的使用（如石器、鐵刀），隨后轉向使用更先進和復雜的技術（如計算機、智能手機、汽車），最后會走向一種共生技術將我們的大腦活動直接與機器聯系起來（如強人工智能、腦機接口）[23]。在進化的過程中，新的技術會導致舊的技術使用比例下降，人機之間呈現出從過去的共存、現在的協同，邁向未來的共生的進化路線（如圖2所示）。所以，隨著人機從交互邁向交往，在對話中共享著彼此的認知，AI或許正從一種物理性存在變成人類發展的重要社會性存在，通過與人建立社會關系獲得數字生命，以一種跨越生命限制的社會交往與人類互構共生1

圖2技術的進化路線

（一）大腦的認知隱喻

1960年，Licklider首次提出人機共生，認為人與機器形成的協同關系能夠在決策和控制復雜情況方面比單獨的人類更有效地執行認知操作24。可見，人機共生是人機協同的更高級階段，源于人與機器的緊密耦合。人們常常用大腦來隱喻人機共生關系，即把大腦的一個半球看作人，另一個半球看作機器，人機共生就恰似大腦的兩個半球協同工作。一方面，大腦的不同區域負責的任務不同，兩個半球的功能也不同，既獨立工作又共同工作，形成一體；另一方面，大腦的可塑性意味著大腦有能力在結構和功能方面改變自己[25]。未來學家庫茲韋爾也曾認為，人機聯合將是下一個技術奇點的特征，大約在2030年可利用納米技術實現機器與人體結合，納米機器人從毛細血管以無害方式進入人腦，實現人腦皮層與計算機相連，提升人腦的運算能力2。但由于人與機器尚未在物理形態上融為一體，人們還采用了復合腦的隱喻形容生成式AI帶來的人機共生機制2。復合腦既包括個體的內腦，也包括與個體的內腦相聯系的AI計算外腦，內腦決定了個體的智慧生命屬性，外腦既可以在形式上獨立于個體，也可以依賴腦機接口與內腦連接，但外腦對個體的價值始終取決于內腦，外腦支撐和拓展了個體對自我與世界的感知、理解與建構。復合腦的隱喻也明確強調了人機互惠共生的關系。未來實現真正智能化的突破口也在于人機形成真正意義上的雙向信息交換和控制，通過“人腦”與“機器腦\"的相互連接與適應達到人機融合智能。日益發生的人機協同認知則可為未來人類智慧與機器智能的互構性發展提供肥沃的土壤。

（二）向人機共生邁進

從大腦的隱喻可知，人機共生不僅強調各自獨立，又需形成一體，故既要尊重人、機器各自獨立工作的系統價值，也要從人機融合為一體中尋求發揮 ¹⁺ 1gt;2 的聚合效應。這就指出了通向人機共生時應堅持三個重要原則，即統一整體、認知一致、共同進化[25]。

1.堅持統一整體

人與機器之間的差異為共生關系的建立提供了現實基礎和多樣可能。以統一整體為原則既承認人和機器是各自獨立的，以各自獨特的方式工作，也承認兩者的統一是一個完整的整體，能在共生關系中作出不同的貢獻。從大腦的隱喻看，Kahneman曾指出大腦中有兩個系統在起作用，一個快思考的系統，是以自動、直觀且主要是無意識的方式工作，以作出快速而本能的決定；一個慢思考的系統，負責作出深思熟慮、有意識的努力和分析決策[28。兩個系統的特征似乎與人的思維和機器計算有著一定對應關系，人的思維通常是緩慢的、有目的的和意義深遠的，而機器計算通常是快速的、基于邏輯的和面向任務的。這揭示出人機共生在物理狀態上可以是兩個系統，分工各異，但它們之間相互支持、緊密合作、相輔相成。所以，我們不應僅關注通過機器與人腦建立直接通信以實現共生，更應尋求通過人機之間的高度協同來通向共生，即促進人腦與機腦的雙向信息感知和深刻理解，形成人機融合智能系統2，從而摒棄以往以人為中心或以機器為中心的對立思維，轉向人機共生的系統思維。實踐中的許多決策問題往往具有高度復雜性、不確定性和開放性，單獨依靠人或機來完成復雜決策任務是很困難的，將人的認知引入機器認知過程中可以提高對人工智能系統的信任水平，將機器認知引入人的認知過程也可增強人的認知能力。如此，堅持統一整體就可以巧妙地將人類認知能力和機器認知能力結合，形成雙向信息交換和控制的人機閉環，實現Licklider所描述的人機共生圖景一兩種不同的生物體密切合作共存，形成緊密的整體。

2.致力認知一致

人機形成真正的統一整體面臨的首要困難是認知不一致的問題[3。一方面，機器的認知具有特定的時空范圍，沒有可塑性，而人的認知是主觀的和任意的，在認知思維上有一個可以延伸的空間；另一方面，機器對時空的認知是形式化和具體的，而人具有主觀認知和價值期望，會適應環境。認知一致性意味著人與機器對決策問題都有相同的認知機制或價值判斷。如何做到人機認知一致？劉偉指出，人與機器的智能都是從數據輸入開始[3。數據對人而言是各種刺激，對機器而言就是傳感器采集到的各種數據。數據是相對客觀的，而從中提煉出有價值的信息或知識卻是相對主觀的。所以，人機在處理數據的過程中，對非結構化信息的融合處理都有一些結構化的梯度，如圖3所示[25]。數據本質上是關于事物屬性的一組離散、客觀的符號，數據向智慧躍升的過程既是數據的關系組織與知識的原理派生過程，也是一個價值提煉的過程，可以通過人與機器兩方面的理解力來實現。據此，人與機器的認知一致性或在從數據到信息、信息到知識、知識到智慧的躍遷過程中達成。在縱向上，人和機器就同一個決策需共同關注不同層次的不同問題，機器以其計算優勢主要負責數據到知識的轉化，人則將更多精力投入意義建構、價值提煉與智慧生成。在橫向上，隨著機器認知能力的增強，其將觸及更多高級別的認知任務，讓人有時間專注于更重要、更有意義的任務，通過人的價值引導與機器的認知支持，形成一種人的智慧與機器的認知協同互促的智慧機制，最終在人機共生中進行溝通、協作和共同創造。當前，人們一方面正在致力提升機器智能的透明度與可解釋性，認知一致的先決條件是機器智能可以被人理解，如果人不能理解智能系統的工作原理和決策機制，會直接影響人機協同共生的基礎[32；另一方面，在人的認知機制啟發下為機器構建可計算的認知模型，以及如同人類思維的智能決策算法。認知科學認為，人類思維中存在一種基于概念的推理系統，可以理解復雜的決策問題并作出價值判斷[33]。未來隨著技術發展，人機將會不斷走向相互理解、認知一致的關系之中。

圖3人與機的數據處理與互促過程

3.實現共同進化

當人類不斷尋求突破人機認知的一致性，人機也正在以協同的方式共同進化。大腦左右半球的協同工作產生了人類智能，人機的協同工作也產生了超越人類或機器的人機協同智能3。生成式AI當下所展現出的自主性與社會能力，已使其成為可與人類平等交流與協同的一種類人主體，人機在以數據為紐帶的連接中實現了從身體到精神的多重交往。有研究發出拷問：數字技術是否應該被視為一種新的生命形式，與我們共享生態系統并與我們共同進化？34并提倡將技術視為一種數字生物，是人機協同進化的結果。因為隨著技術的進化，人類越來越依賴于數字生物。比如，機器本身可以利用機器之間的相互配合和機器提供的反饋機制進行“感知”，并通過博弈強化機器的智能，從而實現機器智能的自我進化，同時隨著機器智能的提高，人也可以從機器的反饋中得到啟發，從而豐富自己的經驗和知識，提高自己的感知和認知。祝智庭等指出，人類已經進人數字達爾文時代，正在伴隨技術的發展影響實現人為進化，“人工智能發展催生的‘人工進化'已取代優勝劣汰的‘自然進化'\"[5]從大腦的隱喻看，大腦的可塑性意味著大腦可以改變自己，如隨著年齡增長，人的一個半球會變得不那么有效，另一個半球會進行補償。人和機器所形成的復合腦也是以類似的方式，形成互惠互利關系而共同適應、相互補償。并且，人和機器還可以通過相互學習來提升自己，實現情感、價值觀、道德、意識、認知的互通一致；人更是通過學習機器的思維方式獲得了計算思維、數據思維等新技能、新素養。人機共同進化的圖景已然在社會生活中以我們難以察覺的方式徐徐展開，未來隨著人類進人數據定義萬物、數據量化萬物、數據連接方物的智能時代，人會更加理解機器，機器也更加理解人，不斷邁進統一整體、認知一致的人機共生。

五、結束語

當AI以人類無法想象的速度進化，擁有類人乃至超人的智能，我們已然進入一個人機協同的社會。機器不再只是以工具的形態與人交互，而能以生命的形態與人交往，在屏幕前與屏幕后以一種隱形的力量，塑造著人的認知、精神乃至文化。正如Abdi所指出的，“我們生活在一個生存取決于我們周圍所有其他物種生存的世界，通過共生和協同進化生存可能是建立未來人機關系和培養人機協同智能的有效策略\"3。我們或許是時候思考：如何與AI協同與共生，人類又該如何實現自身的進化？

[參考文獻]

[1]宋美杰.走出人類世：作為同伴物種的人工智能與跨物種交往[J].新聞界，2024（7）：14-25.

[2]郝祥軍，顧小清.AI重塑知識觀：數據科學影響下的知識創造與教育發展[J].中國遠程教育，2023（5）：13-23.

[3]郝祥軍，張天琦，顧小清.智能時代的人機協同學習：形態、本質與發展[J].中國電化教育，2023（10）：26-35.

[4]余勝泉，汪凡淙.人工智能教育應用的認知外包陷阱及其跨越[J].電化教育研究，2023，44（12）：5-13.

[5]BORINGRLHumancomputerinteractionascogitivesience[C].Procedingsofthumanfactorsandrgoomicssocietyaual meeting. Los Angeles： SAGE Publications，2002，46（21） ：1767-1771.

[6]任英杰，徐曉東.學習科學：研究的重要問題及其方法論[J].遠程教育雜志，2012，30（1）：26-36.

[7]顧小清，郝祥軍.從人工智能重塑的知識觀看未來教育[J].教育研究，2022，43（9）：138-149.

[8]白惠仁，崔政.機器學習與創造性認知勞動[J].浙江社會科學，2021（3）：100-106，159-160.

[9]SIEMENSG，MARMOLEJO-RAMOSF，GABRIELF，etal.Humanandartficialcognition[J].Computersandeducation：artificial intelligence，2022，3：100107.

[10]JARVELA S，NUYEA，HADWA.Huanaartalintellgncelboaionforsollysardreglationing[] British journal of educational technology，2023，54（5）：1057-1076.

[11]顧小清，胡藝齡，郝祥軍.AGI臨近了嗎：ChatGPT熱潮之下再看人工智能與未來教育發展[J].華東師范大學學報（教育科學 版），2023，41（7）：117-130.

[12]ZHANG，EstrbutdiioepsetatioddaeJ]ragtisditio，4.

[13]MAHER ML，BRADYK，FISHERDH.Computational models of surprise inevaluating creative design[C]//Procedingsof the fourth international conference on computational creativity. Sydney： University of Sydney，2O13：147-151.

[14]KOEDINGER KR，ALEVENV.Exploringtheassistancedilemmaiexperientswithognitiveutors[J].Educationalsychology review，2007，19（3）：239-264.

[15] VANLEHK，LYNCHC，SCHULTZK，etal.TheAndesphysicstutoringsystem：lesonsleamed[J].Internationaljoualof artificial intelligence in education，2005，15（3）：147-204.

[16]MAYER RE. Multimedia learning[M].2nd ed.New York：Cambridge University Press，2009：168.

[17]戴靜，顧小清，江波.殊途同歸：認知診斷與知識追蹤——兩種主流學習者知識狀態建模方法的比較[J].現代教育技術，2022，32 （4）：88-98.

[18]王良輝，夏亮亮，何文濤.回歸教育學的精準教學——走向人機協同[J].電化教育研究，2021，42（12）：108-114.

[19]TREVORSG，DUFFYM，AZEVEDOR.Note-taking within MetaTutor：interactionsbetweenanintellgent tutoringsystend prior knowledgeonnote-takingand learning[J]. Educational technologyresearchand development，2014，62（5）：507-528.

[20]肖峰.大模型時代的數字交往：“對話中的人”及其新形態[J].人民論壇·學術前沿，2024（19）：64-72.

[21]趙曉偉，祝智庭，沈書生.教育提示語工程：構建數智時代的認識論新話語[J].中國遠程教育，2023（11）：22-31.

[22]NIXDORFS，ANSARIF，SCHUDS.Reciprocalleaminginhuman-machinecollboration：amulti-agentsystemfraeworkin industry 5.0[M/ PLAPPER P，MANGERSJ.Digitizationof the work environment forsustainable production.Berlin：GITO Verlag， 2022：207-225.

[23]OSIURAKF，NAVARRO J，REYNAUDE.Howour cognitionshapesandisshaped bytechnology：acommon framework for understanding human tool-use interactions in thepast，present，and future[J].Frontiers inpsychology，2O18，9：293.

[24]LICKLIDER JCR.Man-computer symbiosis[J].IRE transactions onhuman factors in electronics，196O（1）：4-11.

[25]YAOYY.Human-machecontellgecetoughsiosisinteVsaceJ].Appliedintellgece，，（3）277797.

[26]庫茲韋爾.奇點臨近[M].董振華，李慶誠，譯.北京：機械工業出版社，2011：116.

[27]沈書生，祝智庭.ChatGPT類產品：內在機制及其對學習評價的影響[J].中國遠程教育，2023（4）：8-15.

[28] KAHNEMAN D. Thinking，fast and slow[M].New York：Farrar， Straus and Giroux，2011.

[29]LIUZH，ZENGX.Hbrditeligeeinbiatavoe：ocpts，itecues，ndaaiosofitellgntice]. Data and information management，2021，5（2）：262-276.

[30]LIU W.Rethinking man-machine integrated intelligence[J]. Artificial intelligence，2019（4）：112-120.

[31]劉偉.人機智能融合：人工智能發展的未來方向[J].人民論壇·學術前沿，2017（20）：32-38.

[32] RENML，CHENNY，QIUH.Human-machinecolaborative decision-making：anevolutionaryroadmapbasedoncognitive intelligence[J]. International journal of social robotics，2023，15（7）：1101-1114.

[3]LAIRDJE，LEBIEREC，ROSENBLOOMPS.A standard model of themind：oward acommoncomputational framework acros artificial intelligence，cognitive science，neuroscience，and robotics[J].AImagazine，2o17，38（4）：13-26.

[34] LEE E A.The coevolution：the entwined futures of humans and machines[M].Cambridge：MIT Press，2020.

[35]祝智庭，李寧宇，王佑鎂.數字達爾文時代的職教數字化轉型：發展機遇與行動建議[J].電化教育研究，2022，43（11）：5-14.

[36]ABDISW.Survival through symbiosis：investigate these interactions[J].Thescience teacher，1992，59（1）：22-27.

From Interaction to Communication： Morphological Evolution and Future Reflections on Human-Machine Collaborative Cognition

HAO Xiangjun'， GU Xiaoqing2

（1.Adolescent Education and Intelligence Support Lab， Nanjing Normal University， Nanjing Jiangsu

210097; 2.Department of Education Information Technology， East China Normal University， Shanghai 200062）

[Abstract] Generative artificial intelligence is providing a kind of machine cognition for human beings with its strong autonomy and social capabilities，and human-machine collaboration has become the basic cognitive way for human to adapt to the future society.Inorder to makebeter use of artificial intelligence in facilitating the transformation of human cognition，this study first discusses the significant transformation in AI's participation in human cognitive activities—from knowledge-driven， data-driven approaches to dialogue generation. Based on this，the study analyzes the morphological evolution of human-machine collaborative cognition from interaction to communication，including \"cognitive gudance based on humanmachine interaction\"， \"cognitive expansion based on human-machine division of labor\" and \"cognitive reciprocity based on human -machine communication\".Finally，based on the gradually established reciprocal relationship between human and machine，the study further considers how human and machine will move towards symbiosis in the future with the metaphor of brain，and puts forward the important principles of adhering to unified onenes，striving for cognitive consistency and realizing co-evolution， so as to promote the evolution of human and machine collaboration to human and machine symbiosis.

[KeyWords] Generative Artificial Intelligence; Human-Machine Collaborative Cognition; HumanMachine Interaction; Human-Machine Communication; Human-Machine Symbiosis