從命令到協同：人類如何成為AI最強訓練搭檔？

摘要

在傳統的機器學習范式中，人類往往只是訓練數據的提供者，或是模型決策的被動接受者。但近年來，一種新的協作式智能浪潮正在興起。在2022年發表于 Artificial Intelligence Review 上的一篇綜述，系統梳理了這一轉變路徑：AI正從“自動執行命令”的封閉系統，走向“與人協同共學”的開放架構。在這篇前沿綜述中，研究者將人類重新引入模型訓練的核心環節，從主動學習、交互式學習，到機器教學與課程設計，重構人機智能協同的新秩序。

本周六下午伍海燕老師將進行的第一次分享，探討人工智能如何通過復雜社會行為建模、高生態效度實驗任務構建及人機互動理解，重塑社會決策研究框架，介紹“啟策認知（CogniAND）”平臺，推動傳統實驗范式向融合多主體交互與認知機制的轉型，助力AI提升社會理解與適應能力。

關鍵詞：人在環路、主動學習、交互式機器學習、機器教學、課程學習、可解釋 AI

趙思怡丨作者

周莉丨審校

論文題目：Human-in-the-loop machine learning: a state of the art 發表時間：2022年8月17日 論文地址：https://link.springer.com/article/10.1007/s10462-022-10246-w 發表期刊：Artificial Intelligence Review

研究人員正在探索一種稱為“人在環路”機器學習的新領域，旨在定義人類與機器學習算法之間多樣化的協作方式。根據控制權的不同，主要形式包括：由系統主導的主動學習、用戶與模型緊密互動的交互式機器學習，以及由人類專家引導模型學習的機器教學。此外，人類還可通過課程學習為模型提供結構化樣例以提升學習效率，或借助可解釋AI理解模型的決策邏輯。這種人機協作不僅限于訓練過程，還延伸至“可用且有用的人工智能”（Usable and Useful AI）等新概念，強調技術在實際應用中的易用性與實用性。本文旨在梳理相關概念，澄清術語歧義，明確方法邊界，并揭示各類技術之間的內在聯系與相互影響，系統呈現該領域的研究現狀與發展脈絡。

人機協同機器學習：讓AI更懂人類需求

近年來，人工智能（AI）在醫療診斷、金融風控、自動駕駛等關鍵領域加速落地，但傳統機器學習（ML）模型仍面臨諸多瓶頸。一方面，其高度依賴大量標注數據，訓練成本高昂；另一方面，“黑箱”特性導致決策過程難以解釋，缺乏透明性和可控性，嚴重制約了可信度與社會接受度。隨著應用場景的拓展，這種封閉式訓練模式暴露出越來越多問題：適應性差、更新滯后、依賴人工標注等。為破解這一困境，研究者提出了人在環路機器學習（Human-in-the-loop Machine Learning, HITL-ML）的理念，強調在模型訓練與優化中建立更緊密的人機協作機制，使人類從被動的數據提供者轉變為積極的參與者。

圖1：人在環路機器學習（HITL-ML）思維導圖

根據人類在學習流程中扮演的不同角色，HITL-ML衍生出了多種路徑，包括主動學習（Active Learning, AL）、交互式機器學習（Interactive Machine Learning, IML）、機器教學（Machine Teaching, MT）、課程學習（Curriculum Learning, CL）及可解釋AI（Explainable AI, XAI）等。這些方法共同推動著機器學習從傳統的“離線訓練、靜態部署”的封閉模式，向更加靈活的“動態交互、持續進化”的開放范式轉變。這種轉變不僅提高了模型的性能和適應性，還增強了系統的透明度和用戶的信任感，預示著未來AI技術發展的新方向。

主動學習（AL）：讓系統學會“提問”

在傳統機器學習中，模型被動接受標注數據，而AL賦予算法“提問權”——系統主動選擇對提升性能最關鍵的未標注樣本，交由人類專家標注。這一過程的核心在于設計查詢策略，例如基于不確定性采樣優先選擇模型預測模糊的數據，或通過多樣性采樣覆蓋數據分布的盲區。AL的典型應用場景包括醫學影像標注和自然語言處理（NLP）。例如，在癌癥病理報告分類中，AL可減少80%的標注工作量，同時保持高準確率。然而，AL的局限性在于假設人類標注者始終可靠，且忽略交互中的認知負荷。若系統頻繁請求標注瑣碎樣本，可能導致用戶疲勞，甚至降低標注質量。

交互式機器學習（IML）：動態協作的新模式

如果說AL是“系統主導”，IML則強調人機的雙向互動。用戶不僅作為標注者，還能通過可視化界面實時調整模型參數、修正錯誤預測，甚至參與特征工程。例如，音樂生成工具Wekinator允許音樂家通過手勢實時訓練模型，即時調整生成旋律的風格。IML的成功關鍵在于用戶體驗（UX）設計。以生態學研究工具AIDE為例，用戶通過拖拽標注圖像中的動物行為，模型即時更新并反饋檢測結果，形成“標注-訓練-驗證”的閉環。這種動態交互尤其適合處理非結構化數據（如視頻、傳感器信號），但其挑戰在于平衡算法效率與用戶認知負擔，避免陷入“過度調試”的困境。

圖2：交互式機器學習（IML）學習過程的示意圖

機器教學（MT）：專家知識的定向傳遞

MT將人類教師置于核心地位，強調通過結構化課程設計引導模型學習。與AL和IML不同，MT的教師需預先規劃教學順序，例如從簡單病例到復雜病癥的漸進教學，模擬人類教育中的“循序漸進”原則。

圖3：機器教學（MT）過程的示意圖

微軟團隊開發的PICL系統是MT的典型代表。醫生通過標注關鍵醫學特征（如腫瘤邊緣），并解釋診斷邏輯，幫助模型建立可解釋的決策路徑。MT的優勢在于降低對標注數據量的依賴，但其難點在于如何將專家經驗轉化為機器可理解的課程邏輯。近年來，迭代機器教學（Iterative Machine Teaching）通過強化學習自動優化教學順序，成為突破方向。

課程學習（CL）：模仿人類的學習路徑

CL受人類教育啟發，主張按難度遞增的順序訓練模型。例如，在圖像識別中，先讓模型學習清晰圖像，再逐步加入噪聲或遮擋樣本。研究表明，合理的課程設計可加速模型收斂，提升魯棒性。CL的核心挑戰在于量化樣本“難度”。傳統方法依賴人工定義（如句子長度、圖像復雜度），而自步學習（Self-Paced Learning, SPL）等自動化技術通過模型損失動態調整訓練集，實現“越學越難”的自適應過程。在神經機器翻譯（NMT）中，CL可將訓練效率提高30%，同時減少對噪聲數據的敏感度。

可解釋AI（XAI）：打破黑箱的信任基石

當AI應用于醫療診斷等高風險場景時，模型的可解釋性至關重要。XAI通過可視化、特征歸因等技術揭示模型決策邏輯。例如，在卷積神經網絡（CNN）中，Grad-CAM可高亮影響分類的關鍵圖像區域；在循環神經網絡（RNN）中，注意力機制能展示文本分類的依據詞匯。XAI的終極目標是建立用戶信任。研究顯示，醫生更傾向于采納能提供病例對比和決策鏈解釋的AI輔助系統。然而，當前多數XAI工具仍面向技術人員，如何為非專家設計直觀的可視化界面，仍是亟待解決的難題。

從“可用”到“有用”：AI與社會的深度協同

超越技術層面，人機協同理念正推動AI向“可用和有用AI”（Usable and Useful AI）進化。前者關注用戶體驗，例如通過交互設計降低標注門檻；后者強調社會價值，確保AI符合倫理規范并滿足真實需求。例如，在慢性病管理中，AI系統可結合患者日常數據（如運動量、血糖值）生成個性化建議，并通過對話式交互（如聊天機器人）解釋推薦理由，形成“監測-決策-反饋”的良性循環。這種以人為中心的設計，正是第三波AI浪潮的核心方向。

未來展望：人機共生下的智能新范式

人在環路機器學習并非單一技術的堆砌，而是涵蓋算法、交互、倫理的復雜體系。當前趨勢顯示：

1. 交互增強：從被動標注到實時協作，AR/VR技術將進一步提升人機交互的自然性。

2. 自動化工具：AutoML與MLOps平臺正在降低HITL-ML的開發門檻，使領域專家能直接參與模型迭代。

3. 可信AI：通過XAI與倫理審查的結合，構建“透明且負責任”的智能系統。

圖4：HITL-ML及其相關關系的思維導圖

未來，隨著腦機接口、聯邦學習等技術的成熟，人機協同模式或將從“人類指導機器”發展為“雙向認知協同”，真正實現人工智能與人類社會的共生共榮。

「大模型時代下的人機交互與協同」

讀書會

在智能時代，雖然機器學習和深度學習算法在自然語言處理、計算機視覺和語音識別等領域取得了顯著進展，但這些技術依賴大量標注數據，并在面對復雜動態環境時表現出決策能力的局限，特別是在需要直覺、創造力和道德判斷的任務上遠遜于人類。相比之下，人類智能能夠基于背景信息在不完全條件下高效決策，適應變化與不確定性，并作出倫理情感驅動的判斷。因此，單純依靠機器智能難以滿足復雜任務需求，人機協同成為必要選擇，通過兩者緊密合作，既能利用機器的運算速度和處理能力，又能借助人類智慧和創造力，實現更高效智能的決策與創新。

在此背景下，集智俱樂部聯合中國科學技術大學教授趙云波、華東師范大學副教授吳興蛟兩位老師共同發起。本次讀書會將探討：人類智能和機器智能各自的優勢有哪些？智能邊界如何？如何通過更有效的標注策略和數據生成技術來解決數據稀缺問題？如何設計更加高效的人機協作系統，實現高效共贏的效果？如何提高機器決策的可解釋性與透明性，確保系統的可信度？如何通過多模態協作融合不同感知通道，應對復雜的決策任務？ 讀書會從7月5日開始，預計持續約8周。誠摯邀請領域內研究者、尋求跨領域融合的研究者加入，共同探討。

詳情請見：

1.

2.

3.

4.

5.

6.

7.