从回答税务问题的聊天机器人，到驾驶自动驾驶汽车和提供医疗诊断的算法，人工智能支撑着日常生活的许多方面。尔湾加利福尼亚大学的研究人员认为，创建更智能、更精确的系统需要一种混合的人机交互方法。在本月发表在《美国国家科学院院刊》上的一项研究中，他们提出了一种新的数学模型，可以通过结合人类和算法预测以及置信度得分来提高性能。

UCI认知科学教授马克·斯泰弗斯（Mark Steyvers）说：“人类和机器算法有互补的优势和劣势。每种算法都使用不同的信息源和策略来进行预测和决策。我们通过经验演示和理论分析表明，即使人类的准确度略低于人工智能，人类也可以改进人工智能的预测，反之亦然。这种准确度高于两个人或两个人工智能算法的预测组合。”

为了测试该框架，研究人员进行了一项图像分类实验，其中人类参与者和计算机算法分别工作，以正确识别动物和日常物品的扭曲图片——椅子、瓶子、自行车和卡车。人类参与者将他们对每个图像识别准确度的信心分为低、中或高，而机器分类器生成了一个连续的分数。结果显示，人类和人工智能算法在图像中的置信度存在很大差异。

例如，在某些情况下，人类参与者非常确信某张图片中有一把椅子，而人工智能算法对图片感到困惑，类似地，对于其他图像，人工智能算法能够自信地为显示的对象提供标签，而人类参与者不确定扭曲的图像是否包含任何可识别的对象。”

当使用研究人员的新贝叶斯框架将两者的预测和信心分数结合起来时，混合模型比单独实现的人工或机器预测具有更好的性能。

虽然过去的研究已经证明了结合机器预测或结合人类预测的好处，即所谓的‘群体智慧’——但这项工作为证明人类和机器预测相结合的潜力开辟了一个新方向，指出了人类人工智能协作的新方法和改进方法。

这一跨学科项目由人工智能、法律和社会领域的欧文倡议推动。研究人员表示，专注于理解人类如何思考和行为的认知科学与技术产生的计算机科学的融合，将为人类和机器如何协作构建更精确的人工智能系统提供进一步的见解。