The Waymo Effect：如何無摩擦的人工智慧正在減少研究合作

The Waymo effect – 一個簡明的定義

The Waymo effect 是當一項技術讓與他人互動成為可選時，便會導致有意義的人際摩擦消失，而研究人員將這種便利視為淨收益。

這個詞源自 Daniel Hook 的一篇文章，他注意到無人駕駛的 Waymo 之旅感覺像個人的綠洲，因為它消除了與人類司機閒聊的需要。同樣的邏輯現在也適用於取代人類合作者的大語言模型（LLMs）。

無摩擦的同事 vs. 真正的合作者

LLMs 始終可用，沒有自身議程，只回應你給的提示；而人類合作者帶來獨立的觀點，挑戰假設，並引入意外的想法。

  • 一位人類共同作者可能會反對你的觀點，建議不同的框架，或指出你從未考慮過的死胡同。
  • LLM 只會批判你明確要求它批判的部分，但除非你主動要求，否則它不會揭露意外的問題、過去的失敗嘗試或競爭性工作。
  • 人類夥伴的「不便」——協商作者順序、協調時間、管理自我——其實正是合作價值的來源。

解除合作：系統性的誘因陷阱

目前的研究誘因獎勵速度與產出，使得用無摩擦的人工智慧取代昂貴的合作變得理性。

三個力量放大了這股趨勢：

  1. 資金削減 消除了旅行、研討會和休假——偶然性產生的物理基礎設施。
  2. 速度崇拜 重視快速產出論文；LLM 可在幾天內完成文獻回顧與草稿，而非數週。
  3. 零自我 AI 提供無限協助卻不索要功勞，使合作變成零成本的捷徑。

團隊科學研究顯示，小型且多元的團隊能產生突破性成果，而大型且同質的團隊則傾向於深化既有想法。生成式 AI 的早期證據也呈現類似模式：個人生產力上升，但想法的多樣性卻縮減。

寫作即思考——為何移除摩擦會損害理解

寫作的過程強迫思考；將寫作外包給 LLM 會移除創造持久理解所必需的「有益困難」。

Robert Bjork 的「有益困難」研究顯示，費力的回憶、延遲的反饋與掙扎能提升學習效果。當 LLM 為你起草論文時，你就跳過了揭示論證中隱藏缺口的認知工作。隨著模型變得越來越流暢，速度的幻覺日益增長，而洞察力的隱性損失也日益加深。

Hacker News 評論中的社群洞見

共識觀點

  • 便利的人工智慧可能削弱跨領域對話。 評論者指出，研究人員越來越將 LLM 的輸出視為「真理」，跳過了與領域專家之間本應發生的批判性交流。（例如 @Frost1x, @abought）
  • 速度的代價是理解。 數位使用者觀察到，AI 生成的程式碼或分析看似快速，但經常掩蓋了缺乏真正理解的事實。（例如 @mccoyb, @xivzgrev）
  • 問題不在工具，而在誘因結構。 多個評論重複文章的主張：機構必須資助並獎勵「合作的摩擦」，而不僅僅是產出指標。（例如 @chairleader, @gradus_ad）

反對觀點

  • 有些人認為，AI 可以透過提供知識基礎，促進原本不會發生的人類互動，從而「啟發」新的對話。（@navaed01）
  • 其他人指出，與司機被迫閒聊並非獲得外部觀點的唯一來源，因此「最後一位陌生人」的說法可能被誇大。（@crazygringo）
  • 少數人提到，類似動態也出現在開源軟體領域：程式碼貢獻激增，但社群參與卻停滯不前。（@maddiaa0）

機長主導的科學——一個建議的解決方案

研究人員應始終擔任「機長」，而 AI 代理則作為「機組人員」協助，但不主導研究方向。

Dashun Wang（《自然》，2026 年 3 月）倡導「機長主導的科學」：人類定義問題，AI 草稿、批判與規劃，但研究人員保留對結論的最終權威。為維持多樣性，Wang 建議培養具有不同推理風格的多個模型，有效重新引入工程化的摩擦。

資助維持合作的摩擦

機構應將合作活動——研討會、訪問、非結構化討論——視為必要基礎設施，並根據「你與誰思考」來評估研究人員，而非僅僅根據論文產出速度。

  • 為旅行、休假和共處分配專用預算。
  • 在聘任、升等與補助審查中納入「合作影響力」指標。
  • 要求提交類似「你與誰思考？」的陳述，並與傳統影響力摘要並列。

最終結論

The Waymo effect 警示我們，AI 的便利性可能悄然讓研究人員變成一場平順、孤獨旅程中的乘客；研究領導者必須問的關鍵問題是：誰坐在駕駛座上？我們又該如何資助維持那個座位的摩擦？

Sources

相關