增强人类探索的互补人工智能
人工智能在各个应用领域可以提高人类决策能力。理想情况下，人类与人工智能之间的合作应该能达到互补的团队表现，尽管迄今为止，很少观察到这种互补的现象，这表明对于决策中人工智能与人类合作中的互补成分的理解仍然不足。本文建立了一个关于理解和开发人工智能与人类互补性的整体理论基础。我们通过引入和形式化互补潜力及其实现的概念来概括互补性。此外，我们确定并概述了解释互补团队表现的来源。我们通过两项实证研究将我们的概念应用于实证验证两个不同的互补潜力源。第一项研究中，我们关注信息不对称作为一种来源，并在房地产评估应用案例中证明人类能够利用独特的背景信息实现互补团队表现。在第二项研究中，我们关注能力不对称作为另一种来源，展示了异质能力如何帮助实现互补团队表现。我们的工作为研究人员提供了关于人工智能决策中互补性的理论基础，并证明利用互补潜力来源是有效人工智能与人类合作的途径。
Mar, 2024
该研究表明，将人类专业知识的分布纳入考虑，并以此训练无监督的人工智能模型，能够显著提高 AI 对未来发现的预测能力，特别是在相关文献稀缺的情况下，这些模型成功预测出人类预测和可能做出预测的科学家，为科学进步开创新的前沿。
Jun, 2023
本文针对开放环境中的 AI，通过使用端到端学习策略，结合人类和机器的不同能力组成的人机团队优化其组合性能，并在科学发现和医疗诊断领域进行了实证研究，结果表明表现优于单独的机器和人类认知，是对机器学习如何辅助人类推理的系统性研究。
May, 2020
近年来，人工智能的不断发展已经在许多应用领域中提高了人类的决策能力。人工智能与人类之间的互补团队表现（CTP）可能会带来超过个体人工智能或人类所能达到的表现水平。通过在线实验，我们证明了在特定的决策情境下，人类可以使用特定的信息不对称性来调整人工智能的决策，最终实现 CTP。
May, 2022
通过证据的汇集，展示了自然智能是通过不同尺度的互动网络中的智能集体、社会关系和主要进化转变而产生的，这些过程通过种群压力、军备竞赛、马基雅维利选择、社会学习和积累文化等机制促进了新数据的产生，将这些机制整合到智能代理的视角中，表明通过持续的新数据生成实现类人复合创新的可能路径。
May, 2024
通过对超过 100 个最近的实验研究进行超过 300 效应大小的元分析，本研究发现：平均而言，人工智能与人类的结合表现明显低于单独人类或人工智能的最佳表现；涉及决策的任务中存在性能损失，而涉及内容创作的任务中则有显著的性能提高；当人类的表现优于单独的人工智能时，结合表现会提高，但当人工智能的表现优于人类时，结合表现则会降低。这些发现突显了人工智能与人类协作效果的多样性，并为改进人工智能系统提供了有前途的方向。
May, 2024
探讨了人类智能与人工智能在预测特定结果方面的优劣，提出了在未来几十年内的劳动分工典范可能是混合智能。这个概念旨在利用人类智能和人工智能的互补优势，以使它们能够比两者分别表现得更好，并探讨了其在组织上下文中的应用。
May, 2021
研究表明，仅当 AI 单独胜过人类和最佳团队时，AI 解释才能提高人类 - AI 团队在决策任务上的表现。本研究通过三个数据集上的混合法用户研究发现，AI 表现增强是有可能提高团队准确性的，但并非由于解释的作用，而是由于解释能提高人类对 AI 建议的接受率，进而鼓励恰当的信任和生成更好的绩效。
Jun, 2020