当人工智能可以帮助人类承担一些工作时，我们总是把双方的职责划分的很清楚。人类工作时，很少看到人工智能的主动参与，人工智能做事时，人类更是完全不插手。
这一点最明显的体现就在于辅助驾驶上，人类驾驶时辅助驾驶顶多会通过灯光闪烁、方向盘震动来提示人类驾驶环境的变化，而不会主动去掌握主动权，影响汽车行动的方向和速度。在辅助驾驶自动泊车时，也会让人类双手离开方向盘。
其中的原因或许是人类的行为实在太千差万别，如果引入智能解决方案之中会加更多的计算量。想象一下，在自动泊车时人工智能认为一个车位要倒两把才能进去，人类老司机却认为倒一把就能进去，这种对问题解决方式设定的不同会让双方根本无法合作。
可如果人类可以在各个领域人工智能亲密合作，会是怎样一种景象？
从复制双手到复制思想：人类和人工智能的合作史
关于人机合作这件事，我们已经历经了很多年的研究，双方合作的模式可以被分为三种类型。
第一类合作模式是主从操纵。
在40年代，人类为了研究不宜人体接触的放射性物质，研发出了一种主从机械手对其进行远程操控。从机械手（或机器人）负责在不适宜人类前往的地方工作，通过传感系统收集和传达信息，而人类负责控制主机械手，将动作映射到从机械手上，就形成了完美的远程操作。
如今这种方式已经应用在很多地方，水下机器人、手术机器人等等都是这种人机合作的成果。
可这样的操作方式有着很多不便，比如动作映射之间会有一定的误差，从机器人传感器收集来的信息也可能有一定的延迟，最后就会导致操作的低效。
于是出现了第二种人机合作模式——协作智能。
这种合作模式是让人和自动化的智能体一起协作，先让智能体预测人的目标，再来协助人实现这一目标。就拿简单的分拣动作来说，一张桌子上放置着不同形状的物体，人类向正方体的方向伸出手，机械手就分拣出了所有的正方体。读懂人类的目标并完成目标，这就是典型的协作智能。
可这种模式的问题在于，人类在工作时的想法往往是多变的——那些目标流程单一，可以被套路化的工作早就被自动化了，也用不上协作智能。那些可以从多种途径实现的工作，却需要对智能体进行大量训练才能使其读懂人类每一个动作的意图，于是协作智能在应用上也迟迟没有什么进展。
第三种合作模式则是目前热度很高的脑机接口，通过对脑电信号的读取和解码实现对器械的操控。这样的方式虽然已经和“读懂人类意图，协助实现目标”非常接近。
但对于脑机接口我们此前也有过很多介绍，由于捕捉脑电信号十分困难，现在我们至多可以利用脑机接口完成一些非常简单的动作，距离提升生产力效率还很遥远。
人工智能+人类，可不可能比人工智能更强？
这样看来，第二种协作智能的模式更接近我们理想中的人机合作模式：智能体通过人类动作、操作信号等等更明确同时也更容易理解的信息判断人类目标，同时拥有一定的自主性，不至于事事都让人类亲手教学。
最近伯克利的人工智能研究院推出了一篇论文，显示了如何利用深度强化学习来增强协作智能的效果。
简单来说就是让智能体和阿尔法狗一样，把人类的动作当做“棋谱”大量输入给神经网络，让神经网络自行挖掘动作和实现目标之间的关系。在训练时，为神经网络加入奖惩机制，每一次当智能体帮助人类更接近一步目标时，智能体就会获得奖励，从而促使智能体越来越接近正确的合作模式。
在研究院的实验中，相比直接告诉智能体目标，让其自己寻找解决方案，这种让智能体分辨人类目标，和人类一起寻找解决方案的方式，训练时间会大大缩短，并且帮助人类完成自己无法完成的事情。
举例来讲，研究员们测试了一款Lunar Lander的游戏，游戏目标是操纵一辆从天而降左右摇晃的小车，使其降落在两只旗帜中间。人类用键盘进行这项游戏时很大几率会以失败告终，让人工智能冲着目标独自摸索更是需要无穷尽的训练。但当人类和人工智能合作时，仅需一段时间的训练，人工智能就可以帮助人类以各种姿势实现目标了。
让人工智能坐上副驾驶，一起探索未知
协作智能给了我们一个提示：当世界上出现人类和人工智能都无法单独完成的工作时，我们应该怎么办？
这样的问题绝对是大范围存在的，就像阿尔法元经过自我对弈进行训练，打败了用人类棋谱训练出的阿尔法狗一样。很多时候我们自以为找到了最好的解决方案，只需悉数传授给人工智能时，却未曾想过这可能是一种自大。尤其在物理世界，人工智能无法像解决围棋的数学问题一样自己寻找解法。这时人类和人工智能的亲密合作，或许才是最高效的解决方案。
可以应用到协作智能的场景很多，比如在伯克利人工智能研究院的测试中，用降落无人机到指定地点为标准，人类独自操作的速度、精准度都要远远落后于于智能协作操作的速度和精准度。人工智能就好像是人类的副驾驶，以另一种视角帮助人类更好的达成目标。
换句话说，我们对辅助驾驶系统的种种不满，或许都能用这种方式解决。例如自动泊车不再仅仅限于奢侈的大车位，人类或许可以和人工智能一起尝试在小车位中上演极限操作。不仅仅辅助驾驶，无人机操纵、工业自动化……人类和人工智能的一切工作都可以通过这种方式达到更强的成果。
当然，协作智能也并非是完全的解决方案。最典型的问题是其训练数据来自于人类与人工智能的协作操作，很难获得现成的数据只能亲手制造，所以对于驾驶、工业操作等等物理世界中的项目，需要耗费极大的人力去训练人工智能。
但我们相信这些问题总会被一一解决，更重要的是我们要知道人类和人工智能是互相需要的。创造出一种技术仅仅为了使其替代自己，完成已知的工作是一种懒惰和愚蠢，双方协作创造更多未知，才是技术真正的价值所在。
