人工智能（AI）已经成为日常生活中一个看不见却不可或缺的合作者。它有助于过滤收件箱中的垃圾邮件、改进Netflix推荐，并作为汽车副驾驶，建议最佳路线、监控盲点并协助停车。

图片来源：杜克大学

人与人工智能之间的这些无缝协作使人类能够更有效地完成日常任务并实现目标。但随着人机协作成为日常生活中不可或缺的一部分，它提出了一些重要的问题：人类和人工智能应该扮演什么角色才能最好地互补？不同形式的人类反馈如何加速人工智能训练？人类应该对人工智能抱有什么样的理想信任水平，以加强协作而不冒过度依赖的风险？如何解决人类和人工智能的决策偏见，以确保它们不会相互强化或放大？

据外媒报道，为了解决这些紧迫的问题并增进对人机合作的理解，杜克大学（Duke University）的研究人员开发了一个名为CREW的创新平台来帮助回答这些问题。

杜克大学机械工程与材料科学、电气与计算机工程和计算机科学教授、杜克大学通用机器人实验室主任Boyuan Chen解释说：“任何人工智能与人类合作的目标都是通过培养动态、协作和适应性强的关系来充分利用两者的优势。但到目前为止，我们缺乏一种全面的方法来研究和改善这些互动。CREW改变了这一点。”

CREW于11月24日发表在期刊《Transactions of Machine Learning Research》上，为研究人员提供了一个多功能工具包，用于探索跨不同科学学科的人机协作的细微差别。

“CREW就像一个巨大的虚拟游乐场，人类和人工智能可以在这里共同完成各种任务，”论文第一作者Lingyu Zhang解释道。“但我们不只是为了好玩，而是利用这些游戏来了解人类和人工智能如何最有效地合作。”

CREW平台具有多种预置游戏，包括保龄球、寻宝和捉迷藏，每种游戏都旨在探索协作的不同方面。它还支持集成定制任务，使研究人员能够根据自己的特定研究目标定制平台。

与主要专注于AI性能的现有平台不同，CREW非常重视人为因素。一个突出的特点是它能够捕捉来自人类的持续、细微的反馈，超越了传统的“好”、“坏”和“中性”的标量选项。

通过让用户将鼠标光标悬停在渐变刻度上并在AI执行任务时提供实时反馈，CREW促进了更丰富的交互。这种方法不仅提高了人类反馈的质量，还显著加快了AI的学习过程，使协作更加有效和更具适应性。

CREW还提供高级接口来收集被动生理信号，例如眼球运动、大脑活动、心率、语音和书面文本。这个全面的数据集提供了更深入的洞察，了解人类如何与AI互动，并为设计更直观、更具适应性和更有效的人机协作框架开辟了新的可能性。

作为这项工作的一部分，CREW采用了一套认知测试，旨在量化可能影响团队合作效率的特征。在一项涉及50名成年人的基准研究中，研究人员发现某些认知技能，如空间推理和快速决策，会显著影响一个人在特定任务中与人工智能代理合作的效率。

“这些结果凸显了令人兴奋的可能性，例如通过有针对性的训练来提高人类的能力，并确定有助于有效指导人工智能的新因素，以训练更快、反应更灵敏的人工智能，”Chen说。“他们还指出了开发更具适应性的训练框架的潜力，这些框架不仅可以改善人工智能，还可以提高人类的技能，为更强大、更具协作性的人机团队铺平道路。”

CREW是完全开源的，邀请世界各地的研究人员探索人机协作的新可能性。未来的更新旨在引入更多不同的任务，包括具有复杂策略的多人场景和基于机器人物理的环境。该平台还计划改进人类生理数据的处理和分析，进一步推进人机协作研究。

“我们只是触及了表面，”Zhang表示。“人机协作的潜力是巨大的，CREW为我们提供了系统探索的工具，同时积极塑造它，以确保这些伙伴关系能够增强人类的能力，而不是取代我们人类独有的东西。”

目前，多所大学、研究机构和政府机构已经开始在研究中尝试使用CREW。与此同时，杜克通用机器人实验室的团队也在积极努力，将研究范围扩大到更具可扩展性和互动性的人机协作研究。