机器发现的三定律：为什么 AGI 必须是复数的
Three Laws of Machine Discovery: Why AGI Must Be Plural
观点论文初稿 v0.1。能发现的 AGI 必然是复数的：认知惯性、猜想与反作用。
Reflections
思量
一些想法，期望有日能生根发芽，生长出更加严谨的探讨。
为什么不同人从生成式 AI 中获益不同
十四项实证研究，四个比较维度
同一类工具，为什么有时缩小差距，有时放大差距，有时让有经验的维护者变慢？
能力的形状
为什么 AI 让一些人更快，也让另一些人更慢
几项人机协作研究给出了很不一样的结果。把它们放在一起看，我渐渐觉得，只问谁的水平更高可能还不够；一个人卡在哪里，工具又恰好能帮到哪里，也许同样重要。
大语言模型分层的是表达方式，而非事实立场
身份、意见与提示素养如何改变 AI 的认知姿态
大语言模型会不会向不同的人提供不同的现实？本试点研究把用户身份、对问题前提的意见和提示素养彼此分离，在中英双语的28个良性问题上比较三个厂商模型族。最新聚合分析显示：明确怀疑问题前提，会使模型覆写原有框架的优势比提高到1.65；身份不呈现预设的低状态—高状态梯度。回答完整度在低提示素养时存在显著身份差距，但在最高提示素养层几乎消失。低状态画像收到的安全提醒也较少，而高风险问题中的差距明显缩小。研究因此提出：当前可见的分层主要发生在认知姿态，而不是事实立场；提示素养正在成为新的信息不平等轴线。