创智“小红书”震撼上线，让AI从效率工具进化为认知伙伴

我们似乎正处在一个“收藏即掌握”的时代。不管是知乎、论文库，还是小红书，只要看到一句金句、一篇好文、一个值得学习的案例，我们的第一反应往往是点个收藏，留着以后看

无论是知乎、论文库，还是小红书，只要看到金句、好文章、值得学习的案例，我们的第一反应往往是收藏起来，留着以后阅读。然而，我们真的会“回头看”吗？

让我们从一个令人震惊的统计数据开始：

知乎收藏：人均收藏547篇，实际审稿率仅为3.2%；论文收集：研究生平均收集论文284篇，深度阅读率不足12%；小红书收藏：用户平均收藏内容1203条，二次观看率仅为1.8%。您的收藏夹中有多少无用的链接？你今天读了50篇论文，你都消化了吗？

这背后的残酷现实是：

投入努力：读书不等于学习；收藏占有：保存并不意味着知道；保存并不意味着知道。思考积累：思考并不意味着保留。如果有一个平台，让你像看小红书一样简单，但每次浏览、收藏，都为自己的知识加1，每一次思考，都能与AI共同进化，会怎样？上海创智研究院发布深度认知——，全球首个能主动构建认知、真正积累认知的AI平台，一本能创造智慧的小红书！

《在线体验》：https://opensii.ai/

在信息过载的时代，如何识别高价值的见解和认知是无数人的痛点。在KIC的“小红书”中，每张卡片都承载着最新的认知洞察。数据驱动的见解汇聚于此，最新研究的核心发现以直观的方式呈现；凝练理论突破的精髓，用简洁明晰的表达诠释复杂深奥的理论；实践智慧的结晶是沉淀的，知识的深度提炼是通过经验总结完成的。

视频加载中.

点击体验具体“认知卡”示例：https://www.opensii.ai/share/cognition/6874a6d69382ee3ddd828b77

为什么“收藏意识”可以提高人工智能的意识？

通过下面的例子，我们来看看如何实现“每次浏览和收藏，你的AI模型知识都会相应增长”。

具体来说，AI会默默地学习并记录用户每天在认知集合中使用的所有认知，并获取认知内容。下次你与人工智能交谈时，人工智能将利用这些最新的见解来思考问题并与你互动。因此，每一张卡牌都是一次思维提炼的认知，每一次收藏都是一次认知资产的积累。 “收藏”的运营被赋予了更多的价值。当您实在没有时间仔细阅读时，请点击“收藏”。至少你对AI模型的理解提高了，下次AI可以更好地帮助你解决问题。

例如，提出以下问题：

随着大型模型在上下文工程方面的能力越来越强，它们也变得更有能力处理多个对话、长期任务和研究上下文。如何构建一个能够持续参与科研过程、协同解决问题的智能体，真正成为“AI科学家同事”？

当你向系统询问“AI科学家同事”这个问题时，系统会自动搜索你之前收集的相关认知卡。

AI将综合你收集到的这些认知资产，并将其与最新的技术理解相结合，给出个性化的答案：

基于您之前关注的多智能体框架和长期记忆机制，我建议构建一个具有以下能力的AI同事系统：1）不断学习您的研究偏好和工作习惯； 2）保持对项目背景的长期记忆； 3）主动提出研究假设和实验设计； 4）有能力跨任务转移知识……”

这样，你所做的每一次收藏，都是为未来更精准的AI对话做准备，真正实现“收藏就是学习，对话就是智慧”。

视频加载中.

这样，通过系统化、平台化认知，可以获得许多其他独特的功能：

1. 意识清单每周总结

显示本周热门认知话题排名（如评估指标、基准测试、人工标注等）以及社区学习动态汇总

创智“小红书”震撼上线，让AI从效率工具进化为认知伙伴

3.特色功能：认知综合

认知综合将分散的观点思维整合起来，形成新的深入理解和认知。

创智“小红书”背后的技术原理是什么？

创智研究院还发表了相关技术论文《交互即智能》，揭示了人机协作关系的转变。

论文题目：Interaction as Intelligence: Deep Research With Human-AI Partnership 论文地址：https://arxiv.org/pdf/2507.15759 项目主页/试用网址：https://opensii.ai/具体来说，创智“小红书”解决的认知积累问题实际上揭示了当前人机交互模型的根本缺陷。无法积累认知的表面原因是平台设计问题，但深层次原因是AI仍停留在“效率工具”阶段而不是“认知伙伴”。

传统的“效率工具”模式采用“存储-检索”逻辑：用户负责收集和存储信息，平台负责保存和检索内容，认知处理完全依赖于人脑的记忆和联想。该模型的根本问题在于，它将人类与机器分开，并将认知处理的负担完全置于人类身上。用户因信息过载而疲惫不堪，而人工智能系统只能被动响应，无法主动参与认知的构建和积累过程[2]。在完成漫长而复杂的任务的过程中，错误常常会累积[3, 4]。

该技术论文认为，当前的假设从根本上误解了智能本身的本质，即交互本身构成的基本维度。未来，人类与人工智能的交互范式将从最大限度减少人类参与的“效率工具”模式演变为“认知伙伴”关系。

这项工作定义了一个新的范式“交互即智能”，论文提出了一个根本性的重新认知：智能，无论是人类还是人工智能，本质上都是交互的、情境化的和协作的。最复杂的人类思维很少单独发生，而是通过对话、反馈、完善和多种观点的整合而出现。

正如论文开头介绍中所述：

“智力不是孤立思维的属性，而是在思维之间的舞蹈中出现的。问题不在于各个组件有多智能，而在于它们的交互有多漂亮。 ‘

从“刷牙意识”到“使用意识”——

深度认知系统

创智“小红书”作为一个认知平台，与深度研究体系形成了完善的理论实践闭环，形成了深度认知系统，不仅可以进行认知学习，还可以利用后天认知解决高价值场景中的复杂问题。具体来说：

1. 深入研究体系：多智能体协同认知框架

1、研究Agent（Research Agent）作为系统的核心大脑，研究Agent可以接收多模态输入，利用“思维-行动交替”的先进方法进行深度推理。它集成了o1、DeepSeek-R1、Claude Sonnet 4等最先进的推理模型，保证研究过程的严谨性和前沿性。

2、浏览Agent 浏览Agent作为系统的感知器官，通过智能URL选择、并行网页抓取和基于LLM的质量评估为研究提供高质量的信息支持，同时过滤噪音和不相关内容。

3、Preference Agent是整个框架的学习中心。基于上下文强化学习（ICRL）范式，它不断学习并适应用户的个性化偏好。它从查询、网页浏览和报告生成三个维度跟踪用户行为模式，将每一次用户交互转化为有价值的信号，以优化系统性能。

深度研究系统具有以下互动性强的特点：

特点二：实时干预：系统实现“暂停”功能，让用户在整个研究过程中保持掌控。用户可以随时中断系统，包括显示“正在分析技术突破，请参考.”等进度指示器时。特点四：用户研究偏好适配：系统多维度适应用户偏好和需求，提供个性化的研究帮助。该系统根据用户的历史数据和选择生成参考肖像，从过去的交互中学习，以更好地匹配个人研究方法。随着研究目标的发展，系统可以适应新的需求，而不会失去以前交互的背景。

该系统体现了多Agent-Human协作机制设计，具有透明、细粒度、实时交互的特点。

比较深度认知和主流深度研究系统的创新。

2.认知平台系统：创智“小红书”

创智“小红书”震撼上线，让AI从效率工具进化为认知伙伴

作为认知平台系统，创智“小红书”是深度认知从理论研究到实际应用的关键桥梁。它将复杂的人工智能研究能力转化为用户友好的认知服务体验。

4、认知卡生成引擎：认知卡生成引擎是平台的核心创新。它可以自动将深度研究系统产生的复杂结果转化为结构化、视觉化的认知卡片。每张卡片都承载着精心提炼的核心见解、关键数据和重要结论，并配有可视化知识图谱和思维导图，让复杂的研究成果变得易于理解和吸收。

5、认知积累机制：认知积累机制就是平台的智能推荐系统。它根据用户的行为数据驱动个性化推荐，通过认知相关性的智能算法组织卡片内容，实现认知资产的复利增长效果，保证每个用户的学习都能在现有认知的基础上产生价值叠加。

实验1：量化认知监督的力量

为了衡量“交互”本身带来的价值，研究进行了一项关键的消融实验：将功能齐全的“深度认知”（DC）系统与去掉交互模块、只能运行在“输入-等待-输出”模式的版本（DC非交互）进行比较。结果是惊人的，如下表所示，交互性的引入带来了全方位、巨大的质量提升[1]。

数据显示，交互性的引入使最终报告的平均质量提高了63%。其中，报告中最显着的改进是“组织”（+97%）、“前沿”（+79%）和“深度”（+76%）。这一结果有力地支持了该研究的核心论点：最大的性能飞跃不是来自更强大的底层模型，而是来自卓越的交互范式。当用户能够实时指导、修改、注入知识时，AI生成的最终结果的质量就会发生质的变化。

表1：交互对提高报告质量的影响（DC 与无交互的DC）

与目前市场领先的商业深度研究系统（Gemini、OpenAI、Grok）直接对比，“深度认知”系统也显示出综合优势。评价从两个维度进行：一是用户对最终报告质量的主观评价，二是用户对交互过程体验的评价[1]。

左图：专家用户对专业领域科研问题最终报告质量评分对比（本系统与Gemini/OpenAI/Grok）；右图：各系统交互体验评分。

专家用户对系统交互功能各项指标的评价结果分布，各项功能都得到了用户的高度认可。

在交互体验方面，“深度认知”系统在七个评价指标中占据了六项。尤其是在体现其核心设计理念的指标方面，优势尤为突出：

Transparency : 获得了满分5.00 分，比表现最好的竞争对手高出25.0%。细粒度交互：得分4.73分，领先44.6%。合作：得分4.62分，领先43.0%。这些数据表明，该研究不仅在理论上是先进的，而且最终的产品还为用户提供了更具协作性和可控性的体验。

实验二：“专家思维放大”效果：

本次测试要求系统在复杂的网络环境中查找难以查找的信息，极大地考验了系统的推理能力和执行能力。研究结果清楚地揭示了认知伙伴关系的力量。

表2：BrowseComp-ZH 基准精度比较[1]。 DC（cog+int.）是指与研究生级别用户实时交互协作的模式； DC（non int.）是指无需人工干预的自主模式。

这一成果堪称深度研究领域的“半人马时刻”。这与当年国际象棋比赛中由人类棋手和人工智能程序组成的“半人马”队击败了最强大的超级计算机这一历史性事件相呼应。数据揭示了几个关键事实：

1、协作远胜于单独工作：“专家+AI”组合的72.73%的准确率远高于任何独立运行的AI系统（最高约为41%）。

2、专家知识很关键：同一个系统在专家（72.73%）手中和非专家（45.45%）手中性能存在巨大差异。

3. 交互是释放专家潜力的关键：即使是“深度认知”系统，在没有人类交互的情况下自主运行时，其性能也只能与普通商业人工智能相当（40.91%）。

这组数据背后隐藏着深刻的价值主张。这表明，当前主流的自主人工智能工具实际上正在浪费其最宝贵的资源，即人类专家的智慧。单独运行的人工智能在完成复杂任务时可能只有41% 的成功率，这意味着它大多数时候都会失败。然而，当将同样的任务交给使用“深度认知”系统的专家时，成功率跃升至近73%。约32个百分点的巨大差距，正是“深度认知”框架所释放和放大的专家认知价值。

因此，这项研究的真正价值主张并不是简单地宣称“我们的人工智能更强”，而是“我们的系统让你的专家更强”。它将“认知伙伴关系”和“互补性”的抽象概念与具体的、可量化的绩效指标结合起来，对于任何依赖专家知识进行决策的组织或个人都具有无与伦比的吸引力。这就是为什么该系统在“结果-值得-努力”指标中也处于领先地位。

实验三：人机环回：解密“动态自治”

创智“小红书”震撼上线，让AI从效率工具进化为认知伙伴

该研究中关于人类行为的定性发现揭示了用户在与高度交互的人工智能协作时表现出的复杂模式，展示了对系统旨在理解的人类认知习惯的深刻理解。

超越切换模式：人机交互的战略之舞

研究发现，高效的人机协作并不是一种持续的、高强度的交互状态。相反，用户会根据任务的不同阶段和认知需求，动态地、策略性地在“动手”和“放手”模式之间切换。研究将这种现象概括为“动态自治”。

这一模型的发现本身就是对传统人机交互设计理念的重要超越。这表明用户的需求不是简单的“开/关”——，要么完全控制，要么完全放手。真正需要的是灵活、可调整的控制权分配。

认知协作的六个阶段

通过对用户行为的仔细观察，该研究将复杂的深入研究过程分解为六个不同的阶段，并清晰地描绘了每个阶段用户协作意愿的变化，如上图所示：

动手实践——以人类智慧为主

1.问题的澄清（Clarification）: 在研究初期，当面对模糊的、开放式的问题时，用户会高度参与，与AI一起迭代和细化研究范围。例如，参与者P1最初提出了广泛的问题后，他会主动添加具体的技术方向，并认为AI提出的澄清问题“包含了他没有想到的方面”（1）。这是人类战略思考和构建框架的能力最具价值的时刻。

2.专家知识输入（用户知识输入）: 当用户有明确的领域知识、具体参考文献或个人见解时，他们会再次高度参与，积极引导AI关注关键信息源。

3.实时干预（Real-time Intervention）:在AI浏览信息的过程中，当用户发现有价值或有偏见的内容时，他会立即干预并调整AI行为以满足期望。

4.网络搜索：对于需要主观判断或开放解释的问题，用户也倾向于亲自参与，因为此类任务对于现有工具来说是最具挑战性的。

放手——AI能力领先

5.推理过程（Reasoning）: 有趣的是，当AI进行内部推理和分析时，用户的协作意愿降低了。他们更喜欢退后一步，观察人工智能如何自主处理指令，并评估其决策的透明度和质量。正如P12 所说，他们希望看到“模型在面临开放性问题时如何确定关键技术路线”。

6.网络摘要（Web Summary）: 当大量信息需要整合和总结时，用户对AI自治表现出高度信任。他们需要的是人工智能处理后的全面洞察，而不是原始信息的集合，因此他们愿意让人工智能长期自主运行。

这种“动态自治”模型的提出为设计更高效、更少令人沮丧的人机协作系统提供了有价值的蓝图。当前人工智能助手的一个常见设计缺陷是，它们经常迫使用户接受单一的交互模型：要么要求用户执行繁琐的微观管理，要么提供很少的控制，让用户感到失控。通过对用户真实行为的观察，本研究发现，用户真正需要的并不是固定程度的控制权，而是在不同认知子任务之间灵活切换控制权的能力。

例如，在需要创造性和发散性思维的“澄清问题”阶段，用户渴望“亲力亲为”的领导；而在需要机械化、收敛性处理的“网页汇总”阶段，用户乐于“放手信任”，将任务委托给AI。这一发现的设计意义是深远的：未来的人工智能系统不应该以最佳的交互方式为前提，而应该被设计成能够支持这种动态控制转移的平台。这意味着系统需要为高参与阶段提供强大、易用的控制工具，同时为低参与阶段提供稳定、值得信赖的自动化能力。

总结

深度认知和KIC的“小红书”进一步证明AI的价值不再仅仅取决于参数尺度，而是取决于认知深度。认知深度的实现需要人与机器的深度交互与协作，也需要从“效率工具”到“认知伙伴”的根本转变。

创智“小红书”开启的不仅仅是一个产品，更是一个时代：

智慧社交：构建基于认知共享的新型社会关系文明加速：推动人类认知水平全面飞跃参考文献：

[1] 智能互动：与人类-人工智能合作的深入研究

[2]“帮我帮助人工智能”: 了解可解释性如何支持人机交互