以人类定方向、大模型做执行为核心的人机协史，生成式大语言模型（LLM）正在重塑内容创作的底层逻辑。这一转变是有明确的学术研究支撑，同时也在日常协作场景中得到验证，其核心是基于比较优势的人机分工，以及人类角色从“生产者”到“决策者”的转型。
Korinek（2023）在研究中明确指出，生成AI系统在内容生成方面具备越来越显著的比较优势，而人类的比较优势则集中在内容评估、区分以及研究项目的组织协调上。这一结论为日常的AI协作写作提供了学术层面的依据。LLM的训练过程分为三个核心步骤，首先是预训练，模型基于大规模文本语料学习预测下一个单词，以此掌握句法结构、词汇关系、上下文逻辑和文本含义；其次是指令微调，通过大量指令响应案例让模型更好地理解并遵循人类需求；最后是基于人类反馈的强化学习，依靠人类评估者的反馈优化模型输出，使其更贴合人类偏好。
需要注意的是，LLM的输出存在可重复性限制。一方面，即便将生成温度设置为0，模型输出仍会保留少量变异性，在多句子的长文本响应中，这种限制表现得更为明显；另一方面，模型迭代速度较快，旧版本模型通常会在新版本推出3个月后被弃用，这也导致基于特定旧模型的研究结果可能无法复现。
在应用层面，Korinek（2023）将LLM的使用场景划分为六个领域，包含构思和反馈、写作、背景研究、编码、数据分析和数学推导，共提供27个具体用例。其中一个典型案例是，LLM能够将零散的要点整合为符合特定风格的文本。例如，用学术经济学家的文风，将“LLM自动化认知任务”“经济学家工作以认知为主”等多个要点，整合为一段逻辑连贯、包含主题句和具体解决方案的段落。
这一学术结论，与实践中总结的AI协作写作五步流程形成高度契合。五步流程的核心是，人类负责记录原始想法、口述传递想法、评估修正内容和终稿编辑，LLM则负责将混乱的口述内容整理为结构化的可讨论文本。这一分工模式，正是对人类评估、LLM生成比较优势的落地应用。
在这一协作模式的讨论中，还衍生出老板思维的认知转型观点。该观点认为，AI时代的人类需要从亲自执行内容生产的员工思维，转变为定方向、审核的老板思维。这与Korinek（2023）提出的人类角色定位一致，研究指出，中期内基于LLM的助手和导师会愈发实用，能够生成研究论文相关内容，而人类研究者则需要聚焦自身优势，包括提出问题、引导研究方向、筛选有用内容、编辑文本并提供反馈，同时承担组织研究工作的职责，类似于研究经理的角色，课题组长的价值将更多体现在审批LLM生成的输出上，而非直接参与内容开发。
围绕这一协作模式，还存在关于AI辅助作品原创性的争议。有观点以导师修改学生文稿为例，指出只要核心想法由人类提出，LLM仅承担表达打磨的角色，作品的核心归属权就应属于人类。这一观点也能在学术研究中找到支撑，因为LLM的生成始终基于人类设定的框架和需求，人类掌握着内容的核心方向和质量把控权。
此外，Korinek（2023）还提出了数字鸿沟的相关警示，随着LLM助手和导师的发展，无法接触或不善于利用LLM的人群，可能会在效率和产出上被拉开差距。这也从侧面强调了掌握人机协作模式的必要性，其本质不是让人类被工具替代，而是让工具成为人类放大自身能力的杠杆。
参考文献
Korinek, A. (2023). Generative AI for Economic Research: Use Cases and Implications. Journal of Economic Literature.