关键词：关系性思考，大模型，表演式智能，深度协作，涌现，共享探究
在人工智能技术，尤其是大模型（LLM）日新月异的时代，我们常常面临一种诱惑：利用这些工具来展示创新，追求表面的光鲜，即所谓的“表演式智能”。然而，Evelien Verschroeven 在其文章中，回应 Iris Meredith 的“保持表面现象”，深刻地指出，这种倾向可能会阻碍真正的学习和深度协作。本文将探讨如何在大模型时代重新审视“关系性思考”，抵制“表演式智能”的诱惑，拥抱涌现，促进共享探究，从而在教育、研究和复杂问题解决中实现更深层次的进步。
“表演式智能”的陷阱：对关系性能力的忽视
“表演式智能”指的是一种将人工智能工具，特别是大模型，仅仅作为展示个人或团队能力的手段，而非促进共同学习和解决问题的行为。这体现在对 LLM 的过度依赖，将其视为快速生成内容、总结信息甚至替代团队讨论的工具。例如，在一些学术会议上，演讲者可能会展示利用 LLM 生成的论文摘要，以此彰显其对前沿技术的掌握，但却忽略了与听众进行深入交流和互动，从而错失了宝贵的反馈和合作机会。这种行为看似高效，实则牺牲了真正的学习和思考过程。
这种“表演式智能”的陷阱在于，它掩盖了 大模型 无法替代的核心能力：关系性思考。关系性思考 强调的是在团队中建立信任、理解不同观点、共同构建意义的能力。正如 Verschroeven 所说， LLM 无法读懂团队会议中的语气，无法察觉跨部门合作中的信任危机，也无法从多个视角重构复杂问题。这些能力对于解决 “复杂问题”（Wicked Problems）至关重要。
举例来说，一个跨国科研团队试图解决气候变化带来的粮食安全问题。如果团队仅仅依赖 大模型 提供的文献综述和数据分析，而忽略了不同国家和地区农民的实际需求、传统知识以及对气候变化的认知差异，那么最终的解决方案很可能无法落地，甚至会加剧当地的社会矛盾。只有通过深入的田野调查、与当地社区的对话和合作，才能真正理解问题的复杂性，并制定出符合实际情况的解决方案。
重塑“关系性思考”：以“共享探究”对抗“表演式智能”
要抵制“表演式智能”的诱惑，关键在于重塑对关系性思考的重视，并将其融入到我们的学习和工作流程中。这需要我们转变学习环境的激励机制，从奖励 “表演式认知”转向鼓励“共享探究”。
“共享探究” 是一种强调参与、合作和持续反思的学习方式。它鼓励团队成员共同提出问题、探索解决方案、并不断反思和改进。这种学习方式的核心在于建立一个安全、开放和信任的环境，让每个人都能够自由地表达自己的观点，并积极倾听他人的想法。
例如，在一些创新企业中，他们会定期组织 “反思会议”，让团队成员共同回顾项目的进展，分析成功和失败的原因，并从中学习经验教训。在这些会议中，鼓励每个人都分享自己的观点和感受，而不是仅仅展示项目的成果。通过这种方式，团队成员可以建立更强的联系，并共同成长。
与此相反，如果一个团队仅仅关注快速的知识生产和表面上的成果，而忽略了团队成员之间的沟通和协作，那么最终很可能会导致项目的失败。正如 Meredith 所说，我们需要重建对深度、关怀和真正技艺的尊重。
拥抱“涌现”：在不确定性中寻找创新
大模型 擅长处理结构化数据，快速生成文本和图像，但它们缺乏创造性和适应性。在面对复杂问题时，我们需要拥抱 “涌现”，即从看似随机的互动中产生新的想法和解决方案。
“涌现” 是一种自组织的过程，它发生在团队成员之间进行自由交流、互相启发和碰撞思维的过程中。在这种过程中，新的想法和解决方案往往会自然而然地产生，而这些想法和解决方案往往是单个成员无法独立想到的。
例如，在一些设计思维工作坊中，参与者会被要求进行头脑风暴，尽可能多地提出新的想法，而不必担心这些想法是否可行或实用。在这种过程中，往往会出现一些意想不到的、极具创意的想法，而这些想法可以为解决问题提供新的思路。
与此相反，如果一个团队仅仅依赖 大模型 提供的标准答案，而忽略了团队成员之间的互动和交流，那么最终很可能会错失创新的机会。正如 Verschroeven 所说，我们需要为涌现留出空间，而不是仅仅追求快速的知识生产。
实践建议：培养深度协作的习惯
为了将 关系性思考 融入到我们的日常工作和学习中，我们可以采取以下实践建议：
- 主动倾听和提问： 在团队会议和讨论中，积极倾听他人的观点，并提出有意义的问题，以促进更深入的理解和交流。
- 重视非正式沟通： 创造更多的非正式沟通机会，例如茶歇、午餐或团队活动，以增进团队成员之间的了解和信任。
- 鼓励多元视角： 在团队中引入不同背景和经验的成员，以促进更全面的思考和创新。
- 反思学习流程： 定期反思团队的学习和工作流程，识别哪些环节阻碍了 关系性思考，并进行改进。
- 设立共同目标： 确保团队成员对项目的目标和愿景有共同的理解，并鼓励他们为实现共同目标而努力。
- 拥抱不确定性： 承认复杂问题的复杂性，接受解决方案可能需要不断迭代和改进的事实。
- 利用大模型辅助，而非替代： 将 大模型 视为辅助工具，用于快速获取信息和生成初步方案，但不要完全依赖它，而是要结合团队成员的智慧和经验，进行深入的思考和分析。例如，可以使用大模型生成多种方案，但最终决策需要团队成员共同讨论，并考虑各种因素，包括伦理、可行性、社会影响等。
案例分析：关系性思考在教育领域的应用
在教育领域，关系性思考 的应用尤为重要。传统的教学模式往往强调教师的权威性和知识的单向传递，而忽略了学生之间的互动和合作。近年来，越来越多的教育者开始尝试采用基于项目的学习（Project-Based Learning，PBL）等教学方法，鼓励学生在团队中共同完成任务，并从中学习知识和技能。
在一个 PBL 项目中，学生可能会被要求设计一款可持续的城市交通系统。在这个过程中，学生需要进行大量的研究，了解城市交通的现状、未来的发展趋势、以及各种交通方式的优缺点。同时，他们还需要与当地政府、企业和社区进行沟通，了解他们的需求和意见。通过这种方式，学生不仅可以学习到相关的知识和技能，还可以培养团队合作、沟通协调、以及解决问题的能力。
此外，一些教育机构还开始引入导师制度，让学生与经验丰富的专业人士进行一对一的交流和指导。这种导师制度可以帮助学生更好地了解自己的优势和劣势，并制定个性化的学习计划。同时，导师还可以为学生提供职业发展方面的建议，帮助他们更好地适应未来的工作环境。
结论：超越工具崇拜，回归以人为本
大模型 的出现无疑为我们的工作和学习带来了巨大的便利，但我们也必须警惕对工具的过度依赖，避免陷入 “表演式智能” 的陷阱。只有当我们真正重视 关系性思考，拥抱 涌现，促进 共享探究，才能在 大模型 时代实现更深层次的进步。我们需要重新审视协作的价值，提升深度协作能力，最终实现知识的真正 涌现 与创新。让我们共同努力，培养深度和 共享探究 的习惯，特别是在没有任何工具可以快捷完成工作时，更要注重这些习惯的培养。在快节奏、以产出为导向的系统中，保持关系性的专注，共同学习，抵制表象的诱惑。