人和 AI 组队，先翻翻错题本

AI 这么强，再加上一个你，不是应该更强吗？—— 第一反应是”是”，但翻完数据你会发现，”不是”的那部分，才更有意思。

我最近在搭一个”两个 AI 互相审查”的系统，顺手去查了查：人和 AI 组队，到底灵不灵。

结果被一个数字震住了。

一百多项研究、三百多个对照实验，结论出奇地一致——人和 AI 组队，平均下来，还不如让最强的那个单干。 十次组队，七次打不赢团队里最厉害的那一个。

一、1+1，常常小于 2

这个结论很反直觉。你多半会想：AI 会犯错，人会纠错，两个人加一块儿，不是应该更对了吗？

但实验说的是另一回事：在”做决定”这类任务上，人 + AI 的组合，平均表现比”人或 AI 单独最好的那个”还差。

注意，这不是说 AI 没用。而是说——“组队”这个动作本身，不保证变强。 有时候，多一个”人”（或一个 AI），反而把水搅浑了。

那什么时候组队才真能变强？答案藏在一个特别朴素的地方。

二、秘密在错题本

想象你和 AI 一起做同一套题。做完，翻翻你们俩的错题本。

• 如果你错的那批题，AI 也恰好错——组队没用。 你们错到一块儿去了，谁也没法给谁兜底。
• 如果你错的题 AI 刚好会、AI 错的题你刚好会——组队就赚大了。 你们错得不一样，正好互补。

数学家给这个”错得不一样”起了个名字，叫错误相关性，记作希腊字母 ρ（读 rho）。

翻译成人话，就一句话：你错的时候，AI 是不是也恰好错？

• 是 → ρ 高 → 组队白搭。
• 不是 → ρ 低、甚至负 → 组队才 1+1 > 2。

这背后是一条冷冰冰的数学定理：只有当你们俩的错误相关性低到某个阈值以下，组队才可能超越任何一个人单干。 迈不过这个门槛，任何”把两个判断揉在一起”的技巧，都救不回来。

三、”谁对听谁”，是个陷阱

好，那怎么把两个判断”揉在一起”？

多数人的第一反应是：谁厉害听谁的。 医生和 AI 意见不一致？听 AI 的，或者听医生的。

听起来天经地义，但数学上，这是个死胡同——

“谁对听谁”这种二选一的玩法，永远无法超越那个被选中的人自己。 你只是从两个人里挑一个，挑得再准，上限也就是”最强那一个”的水平，永远到不了”比最强还强”。

真正能超越的，是把两个判断乘起来，而不是挑一个。

打个比方：不是让 AI 和医生投票”谁票多听谁”，而是让医生先给出判断，再让 AI 拿着医生的”历史准确率”——这个医生在哪些病上容易看走眼——去修正 AI 自己的判断。两个信号相乘，谁弱谁靠边、谁强谁主导，但拼出来的结果，能比任何单独一方都准。

我用这套东西，真搭了一个审查系统。实测：两个 AI 单独都是 82% 左右的准确率，融合之后，到了 91%。

前提只有一个——它们的错题本，错得不一样。

四、互补，是设计出来的，不是等来的

写到这，其实还有一个更扎心、也更有意思的东西。

我们总爱聊”AI 会不会取代人””AI 怎么辅助人”。但数据讲的是另一件事：互补不是天上掉下来的。你不会因为旁边坐了个 AI，就自动变强。

你得主动干一件事：看清自己错在哪，看清 AI 错在哪，然后设计出一个”谁也替代不了谁”的位置。

这事跟”会不会用 AI”无关。会用的、不会用的，都可能跟 AI 错到一块儿去。

我们这代人最大的焦虑，是”AI 一来，人就自动贬值”。但数据给出的答案，恰恰相反：值钱的那部分，从来不在 AI 手里，也不在你手里——在”你们怎么错开”这件事里。

真正稀缺的能力，是拿着两本错题本，当那个决定”怎么组队”的人。

你不是 AI 的观众，不是 AI 的下属，也不是坐在旁边给它鼓掌的人。你是那个看清了边界、然后把两块拼图拼起来的人。

这，可能才是 AI 时代”人”真正的位置。

五、所以

下次你想让 AI 当搭档，先别急着问它”你会不会”。

先翻翻错题本，问一句：我们俩，会不会错到一块儿去？

错开了，1+1 才大于 2。