文章核心观点 - 生成式人工智能的偏见问题不仅源于训练数据，更关键且常被忽视的因素是人类认知偏见在人机交互生态系统中的作用 [2] - 个人、团队和组织通过有意识的努力和建立合适的系统，可以更负责任且更有效地使用人工智能，将其作为提升决策质量和成果的伙伴 [2] 人工智能与人类认知偏见的相互作用 - 人类认知偏见是思维中的系统性扭曲，源于心理捷径、情感影响或社会压力，会潜移默化地影响信息解读和决策，破坏最终结果 [3] - 认知偏见会影响人类使用人工智能的方式，而人工智能系统反过来也会影响并可能强化人类的现有偏见，这是一个相互关联的人机生态系统 [3] - 领导者需深刻理解认知偏见，以主动管理其对人工智能辅助决策的影响，在善用直觉思维优势的同时降低其扭曲决策的风险 [3] 人工智能使用中引入偏见的关键环节 - 偏见在“提问前”、“提问中”和“提问后”三个关键环节最可能被引入 [4] - 提问前：是否及如何使用人工智能可能受“光环效应”或“尖角效应”影响，过往的积极或消极体验会塑造用户对人工智能可靠性的预设判断 [4] - 团队领导需注意，团队成员对采用人工智能的抵触情绪可能源于由负面案例（如麻省理工学院研究显示依赖AI导致大脑活动减少，或律师因提交AI生成虚假引用被制裁）加剧的“尖角效应” [4][6] - 提问前：“确认偏误”会导致用户专注于支持其现有信念的信息，从而可能使用人工智能来解决错误的问题，并以强化既有信念的方式构建提示，限制输出的有用性 [5] - 提问中：“引导性问题偏见”会在提示词暗示特定答案时出现，使人工智能的回应产生偏差，例如询问“为什么产品X是最好的？”会促使AI只强调优点而忽略缺点，歪曲全貌并可能导致错误决策 [6] - 提问中：“便利性偏见”促使用户倾向于选择快速、方便的解决方案，可能导致在未充分评估准确性或相关性的情况下就接受人工智能的输出，损害思维质量并导致无效决策 [6] - 提问后：“禀赋效应”会使投入大量时间精力与人工智能合作完成某项工作（如演示文稿）的用户高估其产出的价值，从而不愿探索可能更好的替代方案 [7] - 提问后：“框架效应”意味着信息的呈现方式会显著影响其被接受的程度，例如“20%患病几率”比“80%健康几率”听起来更令人担忧，这会影响人们对人工智能输出信息的解读和后续决策 [7] 应对认知偏见的策略与方法 - 减少偏见负面影响的机会存在于个人、团队和组织层面，关键在于进行批判性思维并寻求他人意见，人工智能可作为补充工具帮助识别盲点和挑战假设 [9] - 个人层面策略一：了解认知偏见如何影响与人工智能的互动，建立对偏见产生时刻的意识，以保持警惕、提出更好的问题并做出更明智的决策 [10] - 个人层面策略二：通过暂停打断自动思维，应用批判性思维，从本能反应转向深思熟虑的推理 [11] - 具体批判性思维实践包括：1) 揭示假设并评估推理，审视结论背后的逻辑；2) 创造心理距离，像评价他人想法一样批评自己的想法；3) 寻求多元视角，探索挑战自身假设的观点和证据 [11] - 系统层面策略：鉴于认知偏见是自动且无意识的，仅靠个人努力难以打断，团队和组织必须建立促进反思、挑战假设和鼓励深思熟虑思维的流程和系统 [12][13] - 将人工智能集成到工作流程的目的不仅是节省时间，更是提高思维和结果的质量，有时放慢速度对做出更好决策是必要的 [13] - 结构化技术有助于揭示偏见并加强推理，例如：1) 事前剖析：想象未来失败并倒推找出可能出错的地方；2) 唱反调：指定某人挑战主流观点；3) 使用决策清单或结构化模板提示团队考虑替代解释和评估权衡 [13] - 培养一种鼓励测试思维、进行开放对话和寻求反馈的文化至关重要，团队必须包含具有不同视角的成员以避免群体思维，需在整个组织中重视并积极培养思维多样性 [14] - 通过建立意识、暂停反思和进行批判性思维，可以减少偏见的影响，养成质疑假设、寻求多元视角和在关键事务上放慢速度的新习惯，随着练习这些行为会变得更自然 [14]