2609随笔-与AI共生的时代：什么变了，什么没变？

在计划写这个月的随笔的过程中，正好密集的在珠三角待了一段时间，前后有充分的时间与很多外贸领域的先行者进行了深度交流。这篇这好以他们的画像和奋斗经历作为蓝本讲下最近的思考：AI时代迎面而来，什么变了什么依旧？在我看来，AI改变的也许不是知识多少，而是一个人把知识变成判断需要多少年。它加速了周期的更迭速度，更压缩......本文来自微信公众号： 载堉视界 ，作者：载堉视界在计划写这个月的随笔的过程中，正好密集的在珠三角待了一段时间，前后有充分的时间与很多外贸领域的先行者进行了深度交流。这篇这好以他们的画像和奋斗经历作为蓝本讲下最近的思考：AI时代迎面而来，什么变了什么依旧？在我看来，AI改变的也许不是知识多少，而是一个人把知识变成判断需要多少年。它加速了周期的更迭速度，更压缩了我们每个人成长的速度（前提：你要主动迎合，而不是被动接受）。目录：第一章我起初的思考：“为什么明知还会重蹈覆辙？”第二章成熟不是没有欲望，而是欲望没有直接决策权第三章古人所谓“修身”，也是在保存清醒时的自己第四章珠三角先行者积累的，是一套高频反馈环境第五章AI已经证明了什么，又没有证明什么第六章生产率提高，不等于一个人已经成熟第七章AI能压缩经验的哪些部分第八章为什么这可以称为“认知共生”第九章认知共生闭环：把AI放在副驾驶，也放在审计席第十章我会怎样使用这套系统第十一章把闭环放进一个真实感足够强的决定里第十二章共生最容易退化成三种东西第十三章AI能不能成为普通人的“个人认知特区”第十四章我最终要守住的，不是聪明，而是认知主权我关心的不是AI能替我完成多少工作，而是它能不能帮助我少交一些本来不必再交的学费。答案不是简单的“能”或“不能”。AI可以压缩信息获取、案例接触、反事实推演和部分技能学习的时间，但不能替我承担现实后果。稳定的认知共生，必须建立在一个前提上：我允许AI深度参与思考，却不把价值、目标、决策和责任交出去。这也是我想在这个文章中想讨论的内容“每个人都应该拥有的认知主权，也是AI时代新的知行合一。”一、我真正想解决的，是“为什么明知还会重蹈覆辙”我越来越觉得，人和人之间最难跨越的差距，往往在于一个人能不能把“认知差”带进具体行为的能力。道理谁都懂。股票快速上涨时不要追高，连续下跌时不要靠幻想代替判断；和家人争吵时不要在最愤怒的几分钟里说绝话；一项生意如果长期没有现金流，只靠不断融资续命，规模越大，危险可能越大；明天有重要工作，今晚就不该再刷两个小时手机。这些都不难懂。难点出现在行情真的暴涨、对方真的刺痛我、项目已经投入几百万、手机已经递到手里的那一刻。平静状态下那个讲道理的我，往往突然失去了控制权。行为决策研究把这种现象称为“冷热共情差距”。人在平静状态下，会低估饥饿、恐惧、愤怒、欲望等热状态对判断的影响。[1]今天坐在书房里制定止损纪律的我，并不完全理解明天面对巨额浮亏的我。两个人使用同一副身体，却像在用两套不同的决策系统。所以“知道”至少有四层鸿沟。第一层是听说：我知道某件事可能带来坏结果。第二层是理解：我能说清楚为什么会发生。第三层是识别：当自己正在进入那个危险情境时，我能认出来。第四层是执行：即使情绪已经升高，我仍能按照事前规则行动。大多数道理停在前两层。等知识进入第三层和第四层，人开始变得成熟。书上的句子终于成了能在关键时刻夺回方向盘的行为规则。这也解释了我为什么会重新理解“知行合一”。王阳明所说的知，不只是口头承认某个判断正确。他甚至认为，那些自称知道却没有行动的人，其实还没有真正知道。斯坦福哲学百科对王阳明的梳理，也把这一思想与西方哲学中的意志薄弱问题联系起来。[2]我未必要全盘接受这种严格定义，但它击中了现实：如果知识不能改变选择，它对人生结果的作用就非常有限。二、成熟不是没有欲望，而是欲望没有直接决策权我曾经用《葵花宝典》做过一个有些荒诞的比喻和一些企业家交流。“欲练此功，必先自宫”当然不能被当作人生哲学，但它提出了一个尖锐的问题：当一个人获得更强的能力时，他有没有能力不被自己的本能反噬？现实中有长期成就的人通常并不无欲。一个企业家想赢，一个投资者想扩大资本，一个创作者想留下作品，这些欲望可能比普通人更强。没有欲望的人，往往也没有足够的行动动力。差别在于，欲望能不能绕过审查，直接下令。低阶的决策链很短：我害怕，于是卖出；我兴奋，于是重仓；我被冒犯，于是反击。成熟一点的链条会变长：我注意到自己在害怕；我问恐惧提供了什么信息；我检查这份信息与事实是否一致；我再决定要不要行动。情绪并不需要被消灭。它更像仪表盘。恐惧可能提醒我风险正在上升，愤怒可能提醒我边界受到侵犯，嫉妒也可能暴露我真正想要什么。问题不在于仪表盘亮灯，而在于我把仪表盘当成了方向盘。因此，我更愿意把长期竞争力写成一个不严格但有用的式子：长期结果≈认知质量×情绪调节×执行纪律×时间这里接近乘法，而不是加法。一个人偶尔做出聪明决定并不稀奇。现实奖励的是在十年中的几千次选择里，持续少犯几次足以退出牌桌的错误。三、古人所谓“修身”，也是在保存清醒时的自己把这件事只归结为意志力，是一种危险的浪漫主义。人的理性本来就是间歇性的。更可靠的办法，是在清醒的时候替未来设计约束，而不是期待未来的自己突然坚强。家庭中常见的办法是“隔夜再发”。夫妻争执、合伙人冲突、管理者准备发一封措辞激烈的邮件时，先写下来，第二天再决定是否发送。投资中有止损线、仓位上限和交易日志。企业里有预算、审计、授权边界和双人复核。它们解决的其实是同一个问题：把短暂出现的理性保存成外部规则。明清晋商和山西票号没有现代信息系统，却很早就面对了复杂的委托代理问题。东家远离经营现场，掌柜掌握更多信息，分号又分散在不同城市。如果全靠某个人“品德可靠”，这样的跨地域网络不可能长期运转。身股激励、号规约束、账目管理和声誉惩戒共同降低了代理风险。相关经济史研究把身股制理解为激励相容机制，也强调了集体惩戒和自我实施规则的作用。[3]我看重这个案例，因为它承认了一个朴素事实：人会变，情绪会变，利益也会变。制度的任务，是让组织不必依赖某个人恰好处于理性状态。这与晋商比现代人是否更聪明无关。AI如果要进入我的重大决策，也应该首先成为这种制度，而不是一个更会说话的聊天对象。它最有价值的作用之一，是替我保存清醒时确立的原则，并在我准备为冲动寻找借口时，把原来的判断拿回来质问我。四、珠三角先行者积累的，是一套高频反馈环境我长期观察珠三角商人，最深的感受不是他们天生更大胆，而是这片区域曾经提供了极高密度的现实反馈。改革开放初期，许多人都想赚钱，也有很多人敢下海。但“敢做”只能解释为什么有人率先进入市场，不能解释为什么少数企业能够活过二十年、三十年。深圳和珠三角的起飞同时依赖经济特区试验、毗邻香港、外资进入、出口订单、产业集群、供应链协作和制度逐步放开。世界银行关于中国经济特区的研究也把改革试验、区位联系、外商投资和长期政策学习视为重要条件。[4]深圳地区生产总值从1980年的2.70亿元增加到2024年的36801.87亿元，按不变价计算年均增长18.8%。[5]这个数字说明的是环境变化速度，却不能直接证明某种地域人格更优秀。更值得研究的是，这种环境训练出了什么。一开始，一个人可能看见别人办厂赚钱，马上借钱买设备。几轮周期之后，活下来的人开始问另一组问题：客户账期多长？毛利是不是被退货、汇率和坏账吃掉？订单增长是否需要垫付过多现金？设备到底是生产资料，还是为了证明自己“做大了”而买下的昂贵自尊？这些问题在商学院课本里并不难。难的是给它们分配正确权重。年轻人听到“现金流重要”，通常觉得这是一句常识。经历过银行抽贷、客户违约和库存减值的人听到同一句话，身体会先紧一下。文字没有变，决策权重完全不同。传统经验形成路径很残酷：下注、受损、痛苦、反思、修正，再下注。里面最昂贵的往往不是钱，而是不可逆的时间。一个人三十岁听过的提醒，可能要到四十岁才真正理解。AI带来的新问题因此出现了：它能不能让一个人在撞墙之前，先看见更多墙？五、AI已经证明了什么，又没有证明什么现在已经有一些可靠研究，但证据必须分层使用。以下的案例是我能收集到已经被公认且被验证过的内容，其他没有被验证的部分就不放在此讨论了。第一层，是特定任务的生产率提升。《经济学季刊》发表的研究追踪了5,172名客服人员。生成式AI助手让整体问题解决效率平均提高约15%，低经验、低技能员工得到的提升更明显。研究还发现，使用AI两个月的员工可以达到未使用AI六个月以上员工的表现水平，说明系统在特定场景中确实压缩了部分经验曲线。[6]Noy和Zhang对453名受过高等教育的专业人士进行随机实验。使用ChatGPT后，完成中等难度专业写作任务的时间平均减少40%，质量提高18%，原本能力较弱的人受益更大。[7]这些结果足以支持一个有限判断：在任务边界清楚、反馈标准相对明确的场景中，AI可以把部分优秀实践快速交给新手。第二层，是AI能力边界的不规则性。针对758名BCG顾问的实验发现，在GPT-4能力边界内的18项咨询任务中，使用AI的顾问完成任务更多、速度更快、质量也更高；但在一个被设计在能力边界之外、包含隐藏陷阱的复杂任务中，使用AI的人反而更不容易得到正确答案。[8]这意味着AI不是一条整齐向前推进的能力线。它可能刚刚在一个复杂任务上表现惊人，下一步却在看起来相似的问题上犯下低级错误。最危险的地方是，它犯错时依然能保持语言流畅。第三层，是对人类长期认知的影响。一项针对319名知识工作者、936个真实工作案例的研究发现，对AI越有信心，与较少的批判性思维投入相关；对自身任务能力越有信心，则与更多批判性审视相关。[9]这里是相关关系，不是已经证明的因果关系，但提醒已经足够清楚：AI可能释放认知资源，也可能让人停止用脑。表1证据层级与推论边界我提出“认知共生”，主要是在第三层工作。它不是一个已经得到长期数据证明的事实，而是一个可以被追踪、被检验、也可能被反驳的假说。六、生产率提高，不等于一个人已经成熟在第五部分的案例中，分析了三层AI帮我们提升效果的实际证明，但这个章节我需要在这里踩一脚刹车。一个客服在AI帮助下更快解决问题，一个顾问在两个小时内写出更完整的分析，并不意味着他们已经获得了资深者的全部判断。任务表现、技能熟练和成熟认知，是三个不同层次。任务表现看的是这一次做得好不好。技能熟练看的是下一次遇到相似问题，能否稳定复现。成熟认知还要处理另一类事情：目标不清楚、信息不完整、反馈来得很晚、不同价值互相冲突，而且没有标准答案。例如，AI可以帮我写出一份辞职利弊清单，却不能替我判断，对我来说自由、收入、家庭时间和职业身份究竟怎样排序。它可以分析一个客户的财务状况，却不一定知道这位客户的老板在行业低谷中是否守信。它可以列出婚姻冲突的常见模式，却无法从一段文字里完整感受两个人十年的关系历史。专业经验中还有大量难以写成规则的情境知识。一个做了二十年采购的人，可能从供应商回答问题时的犹豫、样品交付时的细节、行业里几条零散消息，感觉到风险正在上升。他未必能立刻把这种感觉解释成完整模型。AI可以帮助他拆解，却不能假定所有隐性线索都已经进入输入框。还有一个更容易被忽略的问题：如果新手依靠AI得到正确答案，却不知道答案为什么正确，他提升的是当次产出，不一定是自身能力。学习是否发生，至少要经过一次“撤掉辅助”的检验。没有AI时，他能不能识别类似问题？模型换一个说法时，他能不能发现矛盾？现实结果不如预期时，他能不能修正原来的判断？所以我不把“AI帮助我做对一次”称为认知跃迁。我更看重另一件事：它是否让我在下一次不依赖同样提示时，也更接近正确。七、AI能压缩经验的哪些部分“AI压缩经验”很容易被说得太满。经验至少包含四种不同东西。第一种是案例暴露。一个普通人不可能亲历所有行业周期，但AI可以迅速找出相似情形，让我知道别人曾在哪里失败。这部分最容易压缩。第二种是模型调用。面对库存、回款、招聘、投资或关系冲突时，我未必能立刻想到该用什么框架。AI可以提醒我检查基准率、沉没成本、激励错配、二阶后果和机会成本。这部分也能明显加速。第三种是情境识别。我知道确认偏误的定义，不等于能看出自己正在确认偏误。如果系统长期保留我的决策记录，就可能发现我总在连续成功后放大仓位，或总在被质疑后把对方的意见解释成敌意。这种跨时间模式识别，是认知共生最有潜力的地方。第四种是后果权重。亏过钱、失去过客户、伤害过关系之后，人会对某些风险产生身体性的记忆。AI可以模拟损失，可以把失败案例摆到我面前，却无法替我承担羞耻、疼痛、破产或告别。这部分不能被完整外包。所以我愿意把核心判断收紧为一句话：AI可以压缩信息获取、案例接触、模型调用和部分反馈学习的时间，但不能压缩现实后果本身。它不是取消撞墙，而是让我提前看见更多墙；撞墙以后，它还能逼我承认自己究竟为什么撞了上去。八、为什么这可以称为“认知共生”认知从来不只发生在大脑内部。Clark和Chalmers提出“扩展心智”时，用外部笔记本说明：如果一个外部媒介能够稳定、可靠、随时参与记忆和行动，它可以被看作认知系统的一部分。[10]Hutchins研究舰船导航时发现，导航能力分布在人员、海图、仪表、口令和协作程序之中，不属于某一个船员的大脑。[11]交易记忆研究也提出，成熟协作关系不要求每个人记住全部内容，重要的是知道“谁知道什么”以及如何找到它。[12]后来的“Google效应”实验发现，当人们预期未来可以再次获得信息时，会减少对内容本身的记忆，却更容易记住信息在哪里。[13]认知卸载研究进一步总结了人如何通过记事、提醒、移动设备和外部动作减少内部认知负担，同时也提醒我们，卸载方式不当可能产生新的错误。[14]AI与过去工具的区别，是它不只保存和计算，还能生成解释、提出反对意见、模拟未来、重组跨领域模型。它从“外部硬盘”向“外部对话者”移动了一步。但只要涉及共生，就必须问一句：谁改变谁？如果AI越来越了解我，而我越来越不了解自己，这不是共生，是寄生。如果我把构思、判断和复盘全部交给系统，自己只负责复制结果，我得到的可能是更高的短期产出和更弱的长期能力。稳定的认知共生必须满足两个条件：AI持续参与我的判断；现实反馈同时更新AI的记录和我本人的认知。少了第二条，系统越聪明，我越可能退化。九、认知共生闭环：把AI放在副驾驶，也放在审计席图1认知共生闭环：AI参与推演，人类保留认知主权这套闭环中，我把权力分成两类。可以充分交给AI的，是检索、比较、归纳、模拟、反驳和记录。AI在这些环节可以比我更快，也可能比我覆盖得更广。不能让渡的，是价值排序、风险承受、最终决定和责任。AI可以计算一项创业计划失败概率有多高，却不能替我决定，是否愿意用人生中最好的十年去换一个只有三成概率的目标。它可以计算继续工作和陪伴家人的机会成本，却没有资格规定我的生活应当为什么服务。这由责任结构决定，并非为了安慰人类。现实后果最后落在我的账户、身体、关系和名誉上，决定权就不能离开我。十、我会怎样使用这套系统如果只是经常和AI聊天，不能称为认知共生。稳定关系必须有程序。我为重大决定设定了六条纪律。第一，先写判断，再问AI。决定是否投资、换工作、创业或结束一段合作之前，我先独立写下结论、依据和可能推翻结论的证据。否则AI的第一份回答会成为锚点，我后面看似在思考，其实只是在它划定的范围内移动。第二，强制要求反对意见。我不问“请完善我的方案”，而问“假设这个方案两年后失败，请找出今天已经出现、但我不愿承认的信号”。这与Gary Klein提出的事前验尸法相近：先假设项目已经失败，再倒推原因，让团队更容易说出真实担忧。[15]第三，把事实、推论和预测分开。事实必须能追到原始资料；推论要说明依赖什么假设；预测要给出概率和失效条件。语言越流畅，越需要这一步。第四，高风险结论必须离开AI去核验。健康、法律、大额投资和关键商业决策，必须回到论文、法规、审计财报、合同、现场调研和真正承担过类似责任的人那里。AI可以整理证据，不能冒充证据。第五，保留决策时的完整上下文。我记录当时知道什么、不知道什么、情绪如何、为何坚持、何时退出。半年后复盘时，AI先展示原记录，防止我根据结果重新编造一个“我早就知道”的故事。第六，定期进行脱离AI的测试。如果使用一年后，我离开AI仍然不会识别自己的偏误，不会提出好问题，也不能独立完成基本判断，那么我获得的只是工具依赖。真正的共生应该留下能力迁移。十一、把闭环放进一个真实感足够强的决定里抽象模型很容易显得正确。困难的是把它放进一个让人心动的情境。假设我在佛山经营一家小型家电厂，一位重要客户突然提出大订单。订单金额是过去单月营收的三倍，拿下之后，工厂看起来会进入一个新阶段。但客户要求120天账期，我需要新购一条生产线，还要提前支付原材料款。更刺激的是，同行已经听说这笔订单。如果我拒绝，很可能被解释成没有魄力。欲望会在这一刻迅速接管叙事。我会看见营收增长、工厂扩张和行业地位，却本能地把回款风险、设备闲置和客户违约放到画面之外。传统的AI使用方式，是让我输入：“请论证这笔订单对公司发展的战略价值。”这几乎注定会得到一份鼓励扩张的报告。认知共生的做法不同。第一步，我先不问AI，独立写下判断：我倾向接单；核心理由是规模效应、客户背书和后续订单；退出条件是客户不接受分阶段付款，或融资成本使真实毛利低于某条红线。我还要写下当时的情绪：兴奋，害怕错过，也担心同行看不起。第二步，我让AI只做反方。假设一年后公司因为这笔订单陷入现金流危机，倒推最可能的原因。它可能提醒我检查应收账款集中度、原材料价格波动、良率爬坡、设备折旧、订单取消条款和客户自身的融资情况。第三步，我不接受它直接给出的数字。我回到合同、客户审计报告、银行授信条件和供应商报价，分别核实最关键的变量；再去问两个经历过大客户违约的同行，他们当年忽略了什么。第四步，我重新设计交易，不把选择压缩成“接”与“不接”。可以要求客户支付模具款，分批确认订单，缩短部分账期，先租设备，或引入信用保险。AI帮助我把一个被欲望简化的问题重新展开，按钮仍由我来按。第五步，无论最后接不接，我都保留原始记录。六个月后，订单、回款、成本和生产情况会告诉我，哪些判断来自事实，哪些只是运气。复盘时先看当初的文字，再看结果，避免事后把自己包装成一贯正确的人。同一套方法也可以用于换工作、买房、结束合作，甚至发送一条可能伤害关系的消息。规模不同，结构相同：先把欲望和事实分开，再让AI扩大视野、发起攻击，最后由现实完成裁决。十二、共生最容易退化成三种东西第一种退化，是顺从型共谋。我已经想买一只股票，然后不断修改提示词，直到AI终于给出支持重仓的理由；我已经决定扩大公司，就要求AI只分析最乐观情景；我明明想发火，却让AI替我写一封“专业而有力度”的邮件。系统看起来在分析，实际上只是替欲望准备证词。第二种退化，是自动化偏差。人一旦多次看到系统给出正确答案，就容易放松监督。自动化研究很早就指出，过度依赖会带来监控失败和判断偏差；而系统偶尔犯错后，人又可能走向另一个极端，彻底拒绝算法。[16][17]我需要校准信任：知道它在哪些任务上可靠，在哪些任务上必须加倍检查。第三种退化，是集体同质化。勒庞笔下的群体并不是数学意义上突然降低了智商。问题在于，情绪感染、责任分散和从众会削弱独立判断。后来的群体研究也表明，群体要产生智慧，需要保留独立性和信息差异。一个包含5,180名参与者的实验发现，把人分成五人小组讨论，再聚合少数独立小组的共识，甚至可以超过对数千个独立答案直接平均。[18]AI可能让这个问题换一种形式出现。如果很多人使用相似模型、相似提示词和相似资料，表面上每个人都配备了独立顾问，背后却可能共享同一套默认叙事。短篇创作实验已经发现，AI能提升个体作品评价，尤其帮助原本创造力较弱的人，但AI辅助后的作品彼此更相似。[19]这不证明整个社会一定会同质化，却足以提醒我：不能只要求AI“再生成三个方案”。我还要主动引入不同来源、不同利益位置和相互冲突的模型。答案数量多不等于多元，来源和推理路径不同才算。十三、AI能不能成为普通人的“个人认知特区”我仍然认为这个比喻有价值。改革开放中的经济特区，不只是享受优惠政策的区域。它首先提供了一块可以试验新规则、吸收外部资源、接受市场反馈、再把有效做法向外扩散的空间。AI也可能在个人内部形成这样一块区域：我可以低成本模拟商业谈判，测试投资假设，让不同专业角色审查一份方案，提前看到自己没有经历过的失败路径。它确实降低了高级知识和分析框架的接触门槛。县城青年、普通家庭的孩子、没有名校和行业导师的人，现在都能接触过去很难获得的解释和工具。这是一种真实变化。但知识平权不等于结果平权。AI不能提供启动资本，不能替人建立供应链，不能消除地域机会差异，也不能保证一个人有勇气接受反对意见。更值得警惕的是，拥有AI可能带来“我已经拥有专家判断”的错觉。会生成一份漂亮商业计划书，与真正理解商业，不是一回事。因此，“个人认知特区”能不能运行，取决于四个条件：允许试错，但必须记录；开放信息，但必须核验；引入外部智能，但保留内部主权；接受现实反馈，而且真的修改自己。如果这四条成立，AI可能降低一个人形成成熟判断的部分成本。如果不成立，它只会建设一座装修豪华的自我确认室。十四、我最终要守住的，不是聪明，而是认知主权AI时代最危险的人，未必是完全不懂AI的人。更危险的可能是另一类人：非常熟悉各种模型和提示词，却从不怀疑自己的目标。他可以在几分钟内生成大量数据、历史案例和战略语言，为一个早已由贪婪、恐惧或自恋决定的方向补齐论证。过去，一个人自我欺骗，能调用的只是自己的记忆和口才。现在，他可以调用一个极其强大的生成系统。偏见没有消失，只是获得了算力。这也是为什么，AI越强，“修身”越不会过时。知识逐渐廉价以后，稀缺的是承认错误的能力，是在情绪最高点延迟行动的能力，是面对一份流畅答案仍然追问证据的习惯，也是对最终后果负责的勇气。我愿意让AI成为第二记忆、研究助理、反方辩手、风险审计员和复盘伙伴。我也愿意把自己的犹豫、偏见和失败记录交给它分析。但我不愿把目标交给它。我不愿让它决定什么值得追求，也不愿在失败后说“这是AI建议的”，仿佛责任可以随着提示词一起外包。我所理解的认知共生，不是两个头脑互相依赖到失去边界，而是一种有纪律的合作：AI让我看见更多可能，我决定哪一种可能值得承担；AI不断暴露我的盲区，我仍然保留改变自己的义务。它无法保证我不犯错。一个从不犯错的人生，通常也没有真正进入未知。但它应该帮助我少犯那些人类已经犯过无数次、而我原本还准备再用十年亲自重复一遍的错误。所以，最后的问题并不是“AI究竟有多聪明”。问题是，当一个比我知道得更多、推演得更快、表达得更流畅的系统长期坐在身边时，我还能不能持续拥有一个清醒、独立、愿意承担后果的自己。这才是我所说的认知主权，也是AI时代新的知行合一。参考文献（文献截止时间2026年8月30日）[1]LOEWENSTEIN G.Out of Control:Visceral Influences on Behavior[J].Organizational Behavior and Human Decision Processes,1996,65(3):272-292.[2]VAN NORDEN B W.Wang Yangming[EB/OL].Stanford Encyclopedia of Philosophy,2024-09-17.[3]燕红忠.策略均衡与制度效率：关于明清晋商委托代理制度的博弈解析[J].财经研究,2012,38(7):27-37.[4]ZENG D Z.How Do Special Economic Zones and Industrial Clusters Drive China's Rapid Development?[R].Washington,DC:World Bank,2011.Policy Research Working Paper 5583.[5]深圳市统计局.从统计数据看深圳发展奇迹[EB/OL].2025-08-21.[6]BRYNJOLFSSON E,LI D,RAYMOND L.Generative AI at Work[J].The Quarterly Journal of Economics,2025,140(2):889-942.[7]NOY S,ZHANG W.Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence[J].Science,2023,381(6654):187-192.[8]DELL'ACQUA F,MCFOWLAND E III,MOLLICK E,et al.Navigating the Jagged Technological Frontier:Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality[J].Organization Science,2026,37(2):403-423.[9]LEE H P H,SARKAR A,TANKELEVITCH L,et al.The Impact of Generative AI on Critical Thinking:Self-Reported Reductions in Cognitive Effort and Confidence Effects from a Survey of Knowledge Workers[C]//Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems.New York:ACM,2025:Article 1121,1-22.[10]CLARK A,CHALMERS D.The Extended Mind[J].Analysis,1998,58(1):7-19.[11]HUTCHINS E.Cognition in the Wild[M].Cambridge,MA:MIT Press,1995.[12]WEGNER D M.Transactive Memory:A Contemporary Analysis of the Group Mind[M]//MULLEN B,GOETHALS G R,eds.Theories of Group Behavior.New York:Springer,1987:185-208.[13]SPARROW B,LIU J,WEGNER D M.Google Effects on Memory:Cognitive Consequences of Having Information at Our Fingertips[J].Science,2011,333(6043):776-778.[14]RISKO E F,GILBERT S J.Cognitive Offloading[J].Trends in Cognitive Sciences,2016,20(9):676-688.[15]KLEIN G.Performing a Project Premortem[J].Harvard Business Review,2007,85(9):18-19.[16]PARASURAMAN R,RILEY V.Humans and Automation:Use,Misuse,Disuse,Abuse[J].Human Factors,1997,39(2):230-253.[17]DIETVORST B J,SIMMONS J P,MASSEY C.Overcoming Algorithm Aversion:People Will Use Imperfect Algorithms If They Can(Even Slightly)Modify Them[J].Management Science,2018,64(3):1155-1170.[18]NAVAJAS J,NIELLA T,GARBULSKY G,et al.Aggregated Knowledge from a Small Number of Debates Outperforms the Wisdom of Large Crowds[J].Nature Human Behaviour,2018,2:126-132.[19]DOSHI A R,HAUSER O P.Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content[J].Science Advances,2024,10(28):eadn5290.