打开网易新闻 查看精彩图片

本刊官方网站:

http://cjjc.ruc.edu.cn/

摘要

本研究意图突破传统人文主义视野下的“个体—自主性”框架,重新阐明智能时代人机关系中自主性的生成逻辑与分布机制。为此,研究引入了海勒斯的技术认知理论,并围绕其核心概念“认知装配”构建了一个可用于实证分析的操作性框架。在该框架下,研究以自动驾驶技术为个案,对其迭代和发展历程进行了深入考察。通过勾勒人机关系从“人类主导”到“动态协同”再到“技术共生”的演进轨迹,研究揭示出:自主性并非人类个体所固有的内在属性,而是认知装配中的诸多异质性要素通过共同运作涌现出的关系性效应,其生成和分布方式会随着装配构成和运作模式的演化持续地发生重构。基于上述发现,研究提出了“装配—自主性”这一整合性概念,并结合自动驾驶技术阐明了它的关系性、系统性与过程性等核心特质。

作者简介

孔舒越,上海大学新闻传播学院讲师。

基金项目

本文系上海大学新闻传播学院青年教师激励计划科研类一般项目“智能媒体时代超大城市的数字沟通与技术治理研究”(项目编号:BX2025JL016)的研究成果。

打开网易新闻 查看精彩图片

一

引言:当人类决策遭遇算法

2018年3月18日晚,一辆以40英里时速行驶的优步(Uber)自动驾驶测试车与一位名为伊莱恩·赫茨伯格(Elaine Herzberg)的行人发生碰撞,导致其不幸身亡(Griggs & Wakabayashi,2018)。赫茨伯格由此成为有记录以来第一位死于自动驾驶汽车撞击的人。美国国家运输安全委员会的调查报告指出:虽然车辆的自动驾驶系统在撞击前5.6秒检测到了赫茨伯格,但始终未能准确地将其归类为行人或预测其路径,而车内的人类操作员直到撞击前1秒才将目光转向前方道路(National Transportation Safety Board,2019)。

赫茨伯格的悲剧引发了全球性的关注和争议。在这一事故中,人类并非是唯一的决策者,算法也在一定程度上导致了这一后果。对于本研究而言,它作为智能时代的一个缩影,折射出当下日益复杂的人机关系以及“个体—自主性”框架的失灵——当人类决策遭遇算法,以“独立的人类个体作为决策主体”的传统自主性概念在越来越多的场景中丧失了解释力。随着算法被广泛应用于经济、交通和教育等诸多社会领域,构成我们日常生活和交往中不可分割的一部分,人机协作范式正在面临颠覆性的改变。算法与人类在感知、分析、决策和执行中形成深度耦合,我们与机器之间的边界也正在面临消融和重构(孙玮,2021;Lanzeni et al.,2023:1-17)。在此背景下,人类自主性正在经历的变化及其未来发展趋势逐渐成为人文社会科学领域乃至全社会的共同关切。

既有研究已经围绕算法带来的自主性影响展开了广泛讨论,尤其是对算法自动化和智能化所造成的社会问题和潜在危害进行了深入反思(Sankaran & Markopoulos,2021;Sundar,2020)。然而,这些研究大多未能超越传统的“个体—自主性”框架,理所当然地将“自主性”等同为人类个体所固有的、不受技术干预的决策能力。在这一本体论预设的局限下,现有研究极易陷入“零和博弈”的迷思之中:算法要么被视为侵蚀人类自主性的“他者”,要么则是被简化为承载并强化人类意志的技术手段。这两种过度简化的叙事显然无法全面涵盖当前人机关系的复杂图景,更难以为智能时代的人机伦理与算法治理提供有效的理论支撑。

本研究意图突破传统“个体—自主性”的本体论预设,重新阐明智能时代人机关系中自主性的存在和生成逻辑。为此,研究引入了后人类思想家海勒斯(N. Katherine Hayles)的技术认知理论,并在该理论视角下对自动驾驶技术这一个案展开了深入考察。该视角通过对认知范畴的革命性扩展,将“认知主体”从人类拓展至生物和技术领域,从而以一种超越传统人类中心主义的方式回应了智能时代的人机议题。接下来本文将按照如下架构展开:首先本文将对已有研究进行回顾和反思。其次本文将系统梳理海勒斯技术认知理论的核心观点,并围绕其关键概念“认知装配”(cognitive assemblage)搭建一个可供实证分析的操作性框架。接着本文将以自动驾驶技术为个案,对其从人类主导到人机协同、再到技术共生的三个阶段依次展开分析,以呈现自主性边界的消解、演化与重构历程。然后本文将提出“装配—自主性”这一整合性概念,并厘清自主性是如何在人与算法之间动态涌现和分布式运作的。最后本文将对研究的理论贡献进行总结和讨论。

二

理论与问题:算法与自主性研究

(一)已有研究回顾与反思

近年来,算法与人类之间的关系,尤其是算法对人类自主性的影响,逐渐成为人文社科领域的核心议题。既有研究主要沿着以下两条路径展开:

第一条路径强调对算法影响的批判性思考。此类研究旨在揭示算法渗透人类决策空间所导致的各种社会问题,其中包括:“算法偏见”导致社会弱势群体面临系统性排斥(Sweeney,2013),社会资源分配失衡和阶层差异被进一步加深(O’Neil,2016);算法系统通过自动化流程剥夺人类对决策逻辑的掌控,人类甚至被迫听从算法指令执行任务,由此形成“算法专制”(刘战伟,2024);算法推荐机制导致用户陷入“信息茧房”,加剧社会认知极化和群体对立(Pariser,2011);对算法决策的过度依赖导致人类逐渐丧失独立思考能力和深度专注力等(Lu,2024)。

第二条路径主要集中在对算法伦理的规范性讨论中。采取这一路径的研究主张对算法加强监管和审查,并基于伦理原则重新设计人机交互方式(Mittelstadt et al., 2016)。这些研究强调,自主性不仅是人类个体的内在能力,更是需要全社会共同维护的公共价值。因此它们提出从两个方面保护人类自主性:一是从技术层面入手,促进算法的透明化和可解释性(Calvo,2020)。政策制定者和技术设计者需仔细评估算法对人类自主性的影响,并制定相应措施,确保算法发展符合伦理底线(Prunkl,2024)。二是聚焦个体层面,通过教育提升公民的算法素养,促进公众参与治理(Rubel,Castro & Pham,2021:21-42)。同时加强社会协作和集体行动,如通过工会和集体谈判等争取算法规则的知情权与干预权(de Stefano,2019)。

然而,上述研究始终局限于所谓的“个体—自主性”框架。在传统人文主义视野中,自主性的理论内涵虽然呈现为多元脉络,但却共享同一个前提——将独立的人类个体视为自主性的唯一承载主体,其核心是“自我决定”在认知、意志、行动层面的统一。尽管这一自主性概念因其内含的西方个人主义倾向与男性中心视角已经受到了诸多批评(Jaggar,1983:27-50;Mackenzie & Stoljar,2000:3-31),但其影响力仍广泛体现在当下关于人机关系的诸多研究与讨论之中。在这些研究中,“自主性”作为“自由意志”和“自我决定”的核心体现,被理所当然地等同为人类个体所固有的、未受技术干预的纯粹决策空间,因此需要被保护,以防遭到来自外部的干预和操纵(Botes,2023)。

在本文看来,正是上述预设使得既有研究普遍陷入“零和博弈”、非此即彼的迷思——算法要么作为“工具”被用于强化人类的决策权,成为人类意图、社会关系和权力结构的延伸和载体(Fink,Newman & Haran,2024);要么就是作为“他者”侵蚀人类的自主性,以其自身逻辑影响乃至扭曲人类行动,甚至脱离人类控制,造成严重的社会风险(Susser,Roessler & Nissenbaum,2019)。这两种极度化约的叙事,显然难以解释当下日益普遍的人机协同、混合决策的复杂情况。例如在使用导航软件时,算法贡献了强大的信息整合与路径优化能力,同时人类掌握着目标设定、最终裁决与情境判断的权力——驾驶者可以基于对路况的亲身观察或本地知识,决定是否采纳算法推荐的路线。在这一场景中,自主性的边界并非固定不变,而是会随着信任程度、环境熟悉度等因素的变化而持续地流动和重构。人与算法也并非是简单的控制与被控制的关系,而是形成了一种基于情境的动态协作系统。不仅如此,“个体—自主性”框架对于自主性去语境化的理解,还使得现有研究忽略了由技术演化与迭代所带来的自主性生成逻辑与分布机制的深层转变,而这恰恰是智能时代人机关系最为核心的变化之一。

上述回顾和反思表明,要充分探明人类在智能时代的处境,必须突破传统的“个体—自主性”框架,对自主性概念本身进行根本性反思。接下来,本文将引入海勒斯的技术认知理论,为重新切入智能时代的人机自主性议题提供一个全新的理论视角。

(二)海勒斯的技术认知理论及其优势

不同于“个体—自主性”将人类视为具有独立思考和决策能力的唯一主体,海勒斯的技术认知理论从根本上取消了人类在高级思维活动中的垄断地位。她将“认知”重新定义为“在特定情境中解释信息并赋予其意义的过程”(Hayles,2017:22),其核心在于选择、决策与诠释——这意味着认知并非人类专属,算法进行信息处理、模式识别与快速决策的过程也可以被看作是认知活动。海勒斯还主张:只要一个系统能够解释信息、做出选择,并结合语境生成意义,它就是“认知者”。而那些仅受物理力量支配的物质过程(如海啸、冰川等)则构成了“非认知者”。通过对“认知”概念的扩展和重构,海勒斯将人与算法一同纳入到了“认知者”的连续性光谱中,从而彻底消除了人类中心主义为二者划定的边界。

海勒斯(Hayles,2017:9-40)还指出,算法的认知能力具有三个关键特征:其一,算法无需意识参与即可完成复杂任务。它通过模式识别、数据处理和决策执行等非意识机制运作,与人类的非意识认知(如神经突触的快速反应)具有功能层面的相似性,但在速度和规模上都远超人类。其二,算法的认知过程以数据驱动的意义建构为核心,不依赖情感、伦理等主观推理原则。人类认知依赖非意识与意识的协同(如直觉与理性分析),而算法则是通过预设程序框架与数据反馈实现信息解释。其三,算法能够通过与其他要素的互动实现自我调节。这意味着它不再依赖人类指令,可通过数据反馈自发调整行动策略,甚至可能会偏离设计者最初的预期。在海勒斯看来,正是这三个特征使得算法能够突破工具属性,产生复杂的伦理影响。

为了进一步阐明上述观点,她创造了“认知装配”这一概念,并将其定义为人类、非人类和计算媒介的动态集合,信息、解释和意义在其中流动(Hayles,2019,2023)。她特别强调,认知者们对信息进行分析和阐释的过程最终决定了整个装配的组成和发展方向。围绕这一概念,海勒斯提出了以下核心主张:第一,人与算法并非是彼此分离、独立运作的两个实体,而是作为认知者共同嵌入在认知装配中,并基于对信息流的处理和解释形成了在功能性上紧密耦合、动态协作的“分布式认知系统”。第二,认知装配不仅涵盖了人类和算法,还包括支撑整个系统运作的其他非认知要素(包括物质环境、基础设施、制度框架等)。这些异质性要素共同构成了人类和算法认知能力得以成立的必要条件。第三,无论是人还是算法的认知能力都并非其固有属性或权力,而是在它们与装配中其他要素的互动中得以实现的(Hayles,2017,2022)。

海勒斯的技术认知理论旨在解构长期以来占据主导地位的人类中心主义与意识中心主义,为理解智能时代的人机关系提供全新的分析视角。对于本研究所关注的算法与人类自主性议题而言,这一理论视角具有以下优势:首先,它通过重构“认知”范畴,揭示出算法和人类在功能层面的对等性——二者同为认知者,共同参与信息流的生成、传递和解释,共同影响行动的结果和走向。这一主张从根本上解构了“个体—自主性”将人类个体视为自主性唯一载体的预设,为我们重新定义自主性的内涵打开了本体论空间。其次,技术认知理论通过提炼出算法运作的三个核心特征,明确了算法并非纯粹的技术手段,而是具备独特认知潜力的能动者。这一认识论突破,让我们得以超越表层交互,深入剖析人机互动背后复杂的功能性耦合机制以及由此引发的新型伦理问题。最后,传统的“个体—自主性”框架将自主性视为个体固有的内在属性,而“认知装配”通过聚焦系统内的信息流动以及由此产生的一系列决策活动,为我们在具体情境中把握自主性的生成、分布与演化提供了可行的分析路径。

(三)“认知装配”作为操作性分析框架

为了将海勒斯的技术认知理论转化为可以被直接应用于实证考察的方法论工具,本研究将其核心概念“认知装配”进一步拆解为三个核心维度,由此构建了一个操作性分析框架:

其一是核心分析范畴的划定。研究者须系统识别认知装配中所有关键的异质性要素,而不仅限于人与算法。如上文所言,认知装配中的非认知要素是算法自主性得以成立的必要条件,因此在分析时必须将它们也纳入到研究范畴中。以自动驾驶系统来说,这些要素包括:通信基础设施、软硬件设备协同工作、物质性要素和制度框架等。它们共同构成自动驾驶系统运作的必备条件。

其二是研究的分析焦点。研究的核心任务在于追踪信息流动的路径与转化过程,而非解读人类动机。认知装配强调信息并非仅由人类意识产生或处理,人类和技术系统(如算法和传感器)通过“创造、修改和阐释信息流的各种选择和决策”(Hayles,2017:116)形成了所谓的“分布式认知系统”。这意味着研究的重点需要从分析人类意图和行动,转向追踪装配中各要素围绕信息流产生的关联和互动,由此还原人机关系的动态生成和变化过程。以自动驾驶系统为例,人与算法基于信息流形成的交互与协作,贯穿了系统的设计、运作和优化等多个环节。对这些信息机制进行解构,有助于我们呈现二者复杂而又动态的耦合关系。

其三涉及到具体的分析内容。研究的关键问题不再是“人和算法扮演了怎样的角色”,而是“人和算法是如何成其所是的”。在认知装配视角下,人与算法都是关系性的存在,这意味着算法不仅会在不同场景中扮演多样化的角色,还会随着装配运作持续演化,甚至超出设计者预期。以自动驾驶技术来说,从早期定速巡航的辅助工具,到如今能够处理复杂路况的独立决策者,其角色始终在不断发生变化。因此要理解算法的自动化和智能化对于人类自主性来说意味着什么,就必须展开历时性考察,厘清人与算法是如何在装配中纠缠共生、共同演进的。

总之,在认知装配的框架下考察人机自主性,意味着研究者需遵循以下要点:(1)系统地勾勒由人类、技术、基础设施以及制度和文化环境等异质性要素构成的关系网络;(2)聚焦人与算法基于信息流形成的诸种关联与互动;(3)在历时性维度上追踪并解析二者协同演化的轨迹。接下来本研究将运用该分析框架,对自动驾驶系统这一案例进行深入考察。

三

个案选取和经验资料来源

本研究之所以选择自动驾驶技术作为情境化分析的个案,首要考量在于:相较于以用户和数字技术为核心行动者的传统人机交互场景,自动驾驶技术所嵌入的认知装配不仅涵盖了典型的人类操作者和算法,同时还广泛牵涉到法律法规、伦理准则、基础设施以及政府监管部门等多元异质要素。这些要素共同构成了一个多层次、多面向的动态关系网络,使得研究能够更加全面地还原认知装配的复杂形态。其次,在过去近半个世纪中,自动驾驶技术形成了脉络清晰的阶段性演化轨迹——不同阶段不仅在系统架构上存在明显差异,其底层运作逻辑也呈现出递进式的革新,为比较各阶段自主性分布机制提供了丰富的经验材料。最后,相较于搜索引擎、推荐算法等决策过程隐匿于代码黑箱之内的场景,自动驾驶系统运作过程中人与算法的互动模式以及自主性边界均以相对具象化的形式呈现,使得本研究能够较为精准地把握每个阶段的人机协作模式。

研究涉及到的经验材料主要包括四大类别:其一是由国际组织、我国政府部门及其下属机构发布的官方文件与调研报告;其二是由国内外新闻媒体所生产的新闻报道和评论,以及国内外出版社正式出版的相关书籍和文献资料;其三是相关企业公开发布的技术资讯;其四则是由国内外权威智库所编写的行业报告。在分析过程中,这些不同来源的数据和资料被汇聚在一起,作为整个“拼图”的一部分被解读,而非以孤立的方式被处理,其目的在于促进本研究对现象整体的理解,同时通过对不同来源的材料之间进行交叉质证,以增强研究结果的可靠性和说服性。

四

“自主性”的演化史:
认知装配视角下的自动驾驶技术

本文对自动驾驶技术发展阶段的划分,并非遵循单纯的技术编年史逻辑,而是通过对技术发展中认知装配的运作逻辑、信息交互模式与自主性分布特征进行逻辑提纯与典型化抽象,最终完成具有解释效力的类型学建构。这一建构的目的在于突破传统人文主义的“个体—自主性”框架,揭示出本文的核心主张:自主性并非孤立、静止的个体内在属性,而是在认知装配中涌现的关系性效应。随着认知装配的构成和运作模式不断演化,自主性的生成逻辑与分布样态也相应地持续发生重构。基于上述目标,本文提炼出了自动驾驶技术发展过程中的三种“理想型”:从早期以人类为主导、结构简单、功能有限的“规则映射型”装配,到人机分工协作、基于数据驱动的“动态协同型”装配,再到构成多元、功能整合、自主性在多层级间流动和涌现的“生态整合型”装配。接下来本文将对这三种理想型逐一展开深入分析,并由此勾勒出自主性边界消解、演化与重构的核心脉络。

(一)早期研发与应用阶段(1980年—2000年):人类主导的“规则映射型”装配

在自动驾驶技术的早期研发与应用阶段,形成了以人类为主导的“规则映射型”装配。该阶段算法高度依赖人工预设的显性规则,被视为人类经验的编码化表达,而非具有自主决策和演化能力的认知主体。人机关系相应地呈现为人类主导、算法辅助的基本模式。

从装配的构成和运作逻辑来看,该阶段包含了三类关键要素:

其一是人类认知者,以系统工程师和驾驶员作为核心群体。其中工程师承担规则设计与系统开发职责,负责将抽象的驾驶经验转化为可执行的技术逻辑。以Navlab-1项目来说:工程师通过摄像头采集道路图像后,利用人工设计的图像处理算法提取车道线、障碍物等特征,然后再由算法基于提取的环境特征,依据预设逻辑生成控制指令。该阶段的自动驾驶车辆与其说是交通工具,不如说是“实验对象”,人类驾驶员也因此承担了双重职责。例如Navlab-1项目驾驶员除了需要在未编码场景中接管车辆,还需在系统软硬件性能异常时介入处理(Agarwal,2022)。

其二是作为技术认知者的算法。早期计算机科学界算法研究多依赖规则系统和计算机视觉算法,因此该阶段的自动驾驶系统主要是通过显式规则(即具体的计算步骤和条件判断)模拟人类分析和决策的过程,缺乏自主学习机制,无法像人类那样通过经验积累实现决策模式的优化。以Navlab-1为例,其运行机制是通过硬编码规则在大型机架上进行顺序执行,这种模式使得系统在面对未定义场景时会立即失效,需要工程师们通过硬编码程序实现“补丁式”的系统升级(Agarwal,2022)。

其三是基础技术组件,涵盖感知、计算和执行装置等。受到硬件性能限制,该阶段的感知设备精度与处理器算力均存在显著瓶颈。1986年在欧洲启动的普罗米修斯(Prometheus)计划代表了该阶段硬件设计的前沿探索,该计划实验车辆雷诺R21 Nevada首次实现CCD摄像头与激光测距仪的集成,构建了视觉检测结合测距验证的多传感器融合架构,并且采用并行计算晶片机及嵌入式多处理器架构。尽管如此,系统仍旧存在动态障碍物跟踪延迟、无法有效检测远距离障碍物等不足(Xie et al.,1993,1994)。

这一阶段认知装配内部的信息交互模式相对简单、线性和机械:环境信息通过传感器输入后,通过预设的硬编码规则进行条件匹配与简单转换,直接输出为控制信号以驱动车辆——整个流程都是固定的。人类仅仅作为外部指令强行切入或覆盖这一自动化流程,无法触发系统运行规则的自主更新或优化,因此并不构成系统内部反馈机制。自主性分布也相应地呈现为人类主导认知和决策的基本格局。在规则制定环节,由工程师预先划定算法的决策边界和逻辑,系统的数据感知和采集、规则匹配处理、控制信号输出等过程均被限定在人类预设的框架内。而在实时运作时,系统尽管可以自发采集环境数据、分析处理并输出控制信号驱动车辆,但是受限于硬件性能局限和规则引擎的不完备性,车辆驾驶活动仍旧高度依赖人类驾驶员的持续监管和修正。此外,驾驶员在异常场景中的干预经验也会被传递给工程师,用于对系统进行优化和校准,这也进一步强化了人类对算法的控制。

(二)系统增强阶段(2000年—2020年):人机协作的“数据驱动型”装配

从2000年左右开始,以人机协作为核心特征的“数据驱动型”装配逐渐形成,其运作逻辑不再是对人类驾驶经验的符号化编码,而是通过海量数据训练使算法具备自主模式识别能力。该阶段自主性边界逐渐消解,人机之间形成了动态协同、分工互补的基本模式。

该阶段认知装配的构成和运作逻辑和前一阶段呈现出明显区别:

首先,就人类认知者而言,工程师的核心任务从编写具体驾驶规则转向数据治理,即通过数据采集、标注和模型调优等方式间接影响算法决策。譬如特斯拉从2016年开始鼓励用户通过“影子模式”贡献真实驾驶数据,并由工程师依托这些数据对算法进行模型训练和优化(Harris,2022)。尽管随着算法独立决策和学习能力增强,驾驶员的实时控制干预权呈现出有限让渡的趋势,但后者作为道路安全责任主体的义务并未因此弱化。事实上,“如何防止驾驶员过度依赖自动驾驶”成为一个关键技术命题。特斯拉在Autopilot 8.0版本中强化了分级警示机制——系统在开启辅助驾驶模式时会通过方向盘传感器对驾驶员实施实时监测,一旦检测到双手离开,便会发出多级警告并逐步减速至停止(界面新闻,2016;Tesla,2016)。

其次,数据驱动算法逐步取代了人工规则引擎。深度学习模型结合真实路况数据训练,使得算法能够在简单的结构化场景中实现从环境感知到控制指令的端到端映射(Bojarski et al.,2016)。譬如百度Apollo(3.5版本)在训练时便通过融合真实数据与仿真器生成的扩展数据,以优化系统辅助决策的能力(Apollo开发者社区,2019;Li et al.,2019)。该阶段算法的学习过程高度依赖人工标注与场景定义,端到端映射也仅能覆盖有限的简单场景,复杂场景下仍需人工介入。

基础技术组件方面,该阶段的硬件性能获得了整体升级。诸如激光雷达、毫米波雷达与高清摄像头等多模态传感器的融合应用,实现了对道路环境的高精度建模。配合专用算力芯片,大大缩短了系统所需的响应和决策时间。以第五代Waymo来说,该车采用多类型高性能传感器的互补集成方案:车顶激光雷达可精准识别远处障碍物及复杂路况,车身部署的近距离激光雷达则聚焦盲区覆盖,形成“远距探测、近距补盲”的立体感知网络;同时还配备高精度摄像头,可识别500米之外的行人或交通标识 (Waymo, 2020)。在算力方面,Waymo也通过引入英特尔的高性能硬件与优化的计算架构,实现了多传感器实时处理、通用计算及低延迟连接等一系列技术能力的提升(Intel Corporation,2017)。

云计算技术作为该阶段的新增技术组件,为自动驾驶系统提供了多方面的重要支撑(中国信息通信研究院,2019)。例如微软基于Azure云服务打造的互联汽车平台,能够提供高精度地图数据和实时交通信息(Microsoft,2019)。云仿真技术还能够大大降低研发所需要的时间和经济成本。比如百度Apollo仿真平台基于百度云与Azure构建,借助大规模分布式及云计算能力,能够实现日均百万公里虚拟运行与快速迭代闭环,显著提升了自动驾驶开发效率(中国新闻网,2017;智猩猩AI,2021)。此外云端服务器还可以对车载传感器产生的海量数据进行集中处理和分析。如图森未来借助亚马逊云科技的云计算和机器学习服务,对自动驾驶算法进行训练、校正和迭代(TuSimple,2018)。

区别于早期线性、固化的指令传递,该阶段装配内的信息交互形成了以数据为核心的复杂动态网络。其中,车载系统作为终端感知与执行单元,持续采集环境与自身状态数据,并接收来自云端或驾驶员的决策指令。驾驶员作为监督与反馈节点,其干预行为、接管操作乃至注意力状态,均被系统识别为关键反馈信号,用于校准模型和维护驾驶安全。云端平台则扮演了计算中枢与协同调度的角色,负责海量数据的融合分析、模型迭代优化,并在车队层面实现信息同步与策略协调。三者之间持续的数据交叉验证与反馈循环,使得算法不再依赖预设规则的静态匹配,而是能够基于真实场景与人类反馈,实现动态调适与自主演进。

在这一信息机制下,自主性分布呈现为人与算法的动态协作和功能互补。每个环节的人和算法都围绕“数据”这一核心要素形成了结构化的协同模式:在规则制定环节,工程师通过数据治理从底层规定算法学习的目标和边界,约束其演化方向;而算法则依托海量数据训练形成自主模式识别能力,二者共同构建了系统的决策逻辑基础。在车辆行驶场景中,驾驶员将部分常规操作让渡给算法,同时作为监督者始终保持高度关注和即时介入。在优化调节环节,驾驶员的干预行为作为参考样本被系统自动记录,工程师借此评估系统表现并校准迭代目标,算法则基于整合后的数据自主优化决策模型。“个体—自主性”框架在这一阶段逐渐丧失了解释力。

(三)技术成熟阶段(2020年至今):技术共生的“生态整合型”装配

随着全栈式AI系统、车路协同、边缘计算等技术加速融合,自动驾驶技术正在逐渐形成技术共生的“生态整合型”装配。该阶段技术逻辑超越了单一车辆,通过“人—车—路—云”的深度耦合,使算法具备全域环境建模、跨主体协同决策与自我演化等多项复杂认知能力。人机关系也随之呈现出相互作用、共同演化的特征。

认知装配的构成和运作逻辑在该阶段发生了重要变化:其一,人类认知者的类型进一步趋向于多元化。这种多元化不仅表现为参与者类型的增加,更体现在各类参与者之间正在围绕决策权、责任分配与伦理框架等核心议题开展日益密切的协商与合作。各国政府和相关监管部门开始逐步加强对技术伦理规范和安全管理的干预与约束(Dentons,2025)。我国陆续出台《智能网联汽车道路测试与示范应用管理规范(试行)》《关于加强智能网联汽车生产企业及产品准入管理的意见》等文件,从道路测试到产品准入层面系统规范行业发展(工业和信息化部,公安部,交通运输部,2021;工业和信息化部,2021)。与此同时,计算机科学家们致力于将复杂的伦理原则转译为算法逻辑和场景化决策模型(Poszler et al.,2023),人文社科研究者们也对自动驾驶技术潜在的社会风险展开了批判性反思(Lim & Taeihagh,2019)。

自动驾驶技术工程师的核心工作不再仅限于解决技术难题,还需要在算法中融入伦理考量。譬如宝马集团制定了涵盖人类监督、技术稳健性和隐私保护等维度的七条人工智能基本准则,并由工程师转化为具体技术规则加以应用(BMW Group,2020)。随着L4/L5级别自动驾驶逐步落地,驾驶员变成了“自动驾驶服务用户”。以亚马逊Zoox为例,自2024年11月开始,其无方向盘车辆已在旧金山特定区域测试运行。用户仅需通过手机应用设置目的地,车辆即可自主完成路径规划、交通信号识别、障碍物规避等操作(Forlini,2024;Zoox,2025)。

在这一阶段,算法通过融合领域知识和数据,实现了对场景理解和泛化能力的突破性提升。以Waymo为例,其感知网络与预测网络实现了联合端到端训练:感知系统不再由工程师预先划定物体类别,而是自主学习能够捕捉物体细节特征(如行人的姿态、动作)的最优表征方式;预测网络则借鉴语言模型的思路,将车辆轨迹视为可学习的序列,直接从真实道路上人类驾驶员的行驶数据中捕捉车辆之间难以被明确规则穷尽的互动逻辑,从而使车辆的行驶表现变得更平顺、更有把握(Lee,2024)。

该阶段装配中形成了“车载智能单元—边缘计算节点—云端决策平台”的多层级技术架构(中国信息通信研究院,中国通信学会,2026)。首先,车端借助高性能传感器与车载芯片构成智能单元,实时采集并初步处理车辆周边环境数据。如第六代 Waymo自动驾驶系统集成了由13个高精度摄像头组成的视觉模块,与包含激光雷达(LIDAR)的先进传感器套件协同工作。在算力架构上,系统依托英伟达GPU及博通定制的张量处理单元(TPU)提供高性能计算支持,实现了对环境的精准感知与复杂自动驾驶决策的高效运算(Loftus Peak,2024)。其次,边缘计算节点可对部分数据进行快速分析与预处理,缓解车端计算压力并降低数据传输延迟(中国信息通信研究院,2025)。以百度Apollo来说,其在路口等数据源附近部署路侧计算单元(RSCU)实时采集数据,同时通过该单元搭载的边缘计算模块实现对交通参与者的亚米级识别,最终结合全局路网图像、车辆位置、速度等信息达成超视距感知(百度Apollo,2020)。

云计算与自动驾驶技术在该阶段实现了进一步融合,不仅为后者提供计算和存储资源,更成为智能交通协同、“车路云一体化”的核心支撑(中国信息通信研究院, 2023,2025)。以阿里云为例,它不仅通过分布式计算融合公共交通与路侧感知数据,构建车路一体化场景数据库,同时还基于其海量数据处理能力,实时解析路侧设备采集的交通流量、路况等,为车端自动驾驶系统、路侧智能设施以及云端管理平台提供决策依据(阿里云开发者社区,2022)。

在技术成熟阶段,信息流的交互模式进一步演化为实时、多向、网络化的生态级循环:数据在车载智能单元、边缘计算节点、云端决策平台、道路基础设施以及用户终端之间持续流动与动态融合,构成了一个整合感知、决策和执行等功能的跨域协同网络。任何节点的信息变化都能触发全网范围的协同计算与自适应调整,使得局部决策与全局优化紧密耦合,形成具有持续演进能力的智能生态闭环。

人与算法之间也随之形成了相互塑造、协同演化的共生关系。在规则制定环节,人类主导算法的价值准则,而算法则通过融合交通规则与实时数据,自主生成决策逻辑。这意味着算法的行动规则不再是一个静态框架,而是人与算法协同合作的结果。在实时运作过程中,二者的协作进一步拓展至由人、车辆、道路和云端构成的实时交互网络。人机协同不再局限于单一车辆和局部场景,而是在用户、车端智能单元、边缘计算节点、云端决策平台的实时数据交互中动态涌现和变化。在优化调节环节,人与算法形成了双向迭代的循环反馈机制——人类通过伦理审视与需求反馈为算法进化锚定方向,而算法在数据驱动下的自我演化又会不断突破边界,促使人类重新对其进行价值校准。这一阶段的自主性分布呈现为一种动态流动而又层级化的复杂形态。

五

转向“装配—自主性”:一个整合性概念

上文考察揭示出,自主性的生成逻辑与分布机制始终在随着认知装配的构成和运作模式的演化而持续发生重构。基于此,本文尝试提出“装配—自主性”(assemblage-autonomy),以弥补既有算法与自主性研究的不足。这一整合性概念旨在继承并发展海勒斯的技术认知理论,将原本聚焦认知过程的“认知装配”,提炼和转化为可直接用于阐释智能时代自主性生成逻辑与分布机制的分析框架。不同于“个体—自主性”,“装配—自主性”强调:在智能时代,自主性不再是孤立的人类个体固有的决策与行动能力,而是认知装配中的诸要素(包括人类、算法、物质基础设施、制度规则、环境等)通过持续地动态互动与协同运作所涌现出的一种暂时性效果。接下来,本文将结合自动驾驶技术阐明“装配—自主性”的核心特质,以及它是如何在人与算法之间动态涌现和分布式运作的。

首先,“装配—自主性”具有关系性特质——它是在认知装配中各要素的持续互动与协同运作中动态生成的关系效应,而非人类或算法单独具备的独立决策能力。对自动驾驶技术的分析表明,“自主性”始终高度依赖装配中其他要素的支撑和协作:早期阶段,工程师制定的规则必须通过算法编码才能转化为可执行的指令,驾驶员的即时控制也需要借助传感器提供的环境信息和算法输出的预警信号。在系统增强阶段,算法虽具备了一定的自主学习能力,但仍旧是以工程师设定的学习框架为前提条件,并且有赖于多模态传感器、本地与云端算力等要素的支撑。驾驶员也需要算法处理常规场景,并借助云计算提供的实时信息辅助决策。二者的自主性都必须以人类、算法、硬件与云平台等要素的协同为基础。在技术成熟阶段,自主性的关系性特征最为显著。算法的环境建模与自我演化能力,既依托政府、专家和工程师等多元主体的参与,也需要车载智能单元、边缘计算节点等硬件要素的支持。反过来,用户需求必须经由系统才能转化为可执行的命令,监管者制定规则也必须参照算法迭代规律和数据反馈。

其次,“装配—自主性”强调自主性的系统性特质,即自主性总是涉及到多个相互关联的层级结构,而非局限于人类或算法在单一操作层面的控制权。对自动驾驶技术的分析表明,自主性的分布机制始终包含了执行层(具体操作)、战术层(规则框架)与价值层(伦理准则)三个维度(如表1所示),并且它们共同构成了一个嵌套式的、动态反馈的层级结构。早期阶段自主性分布呈现出高度集中的特征,人类在所有层级中占据绝对主导。在进入系统增强阶段后,自主性在执行层向算法转移,算法在常规场景中获得了较大操作权;在战术层,由于工程师可以通过数据治理设定算法学习框架,因此人类在整体上还是占主导地位;在价值层,人类始终拥有绝对的决策权。这种分布格局使得系统能够同时实现效率的大幅度提升与对潜在风险的有效控制。技术成熟阶段则展现出更为复杂的层级互动关系:执行层演变为由算法主导决策并实施操作,战术层形成了人机共同参与的合作模式,价值层在前一阶段的基础上拓展为多主体(政府、企业、学界、公众)协商共治的复杂生态。

打开网易新闻 查看精彩图片

更重要的是,在这三个层级之间还形成了持续的双向反馈与协同演化:一方面,执行层的技术突破推动战术层规则的演进,如高精度定位与车路通信技术成熟后,单车可实时交互信息,催生出“协作式交叉路口通行”等新规则,车辆可依据协同算法动态分配路权。而此类复杂协同战术的常态化,又会要求价值层建立配套制度体系。例如为确保“协作式通行”的公平与安全,就必须建立责任追溯与数据仲裁制度。另一方面,价值层的规范约束始终自上而下地渗透到战术层与执行层,确保技术的发展方向符合社会伦理规范,如行人安全优先的原则推动战术层将 “避让行人” 列为最高优先级决策逻辑,同时要求执行层升级紧急制动与转向的协同响应技术。正是这种多层级之间的动态反馈和协同演化机制,使得“装配—自主性”成为一种具有适应性和进化能力的系统属性。

最后,“装配—自主性”具有过程性特征,它在认知装配的动态运作中不断涌现和重构,而非一经确立就保持不变。本研究揭示出,自主性演化过程的内在逻辑包含了两个关键维度:一方面是装配构成要素的拓展。人类认知者从早期的工程师与驾驶员,逐步扩展为包含工程师、用户、云端运维人员、政府部门以及专家学者等在内的多主体网络。他们不仅依据自身职能共同参与了自主性的分配和实现,彼此之间也建立起了紧密和深入的合作。技术组件也从最初的传感器和处理器,逐步演进为包含车载智能单元、边缘计算节点与云端决策平台的复杂架构。这些技术要素不仅提升了系统的感知精度与决策效率,更通过有效整合为系统提供了更为强大的协同能力支撑。另一方面是认知装配运作模式的迭代。早期的信息流动以人类主导的线性单向模式为主,自主性的实现高度依赖人类的直接控制与干预,人类由此构成了装配的权力中心。而随着装配演进,信息开始在人机之间实现充分的双向互动,自主性呈现为人机协同的初步分布形态,权力也从单一中心转变为分布式运作。进入“生态整合型”装配阶段后,信息流动方式进一步升级为跨域多向、实时迭代的循环模式,人类、算法、边缘节点与云平台等多元主体之间建立起密集的信息交换与协同机制,自主性的实现依赖于多组件耦合计算与多主体共同干预,并由此呈现出动态协商和去中心化的特征。

六

结语

本研究立足于智能媒介持续渗透社会各领域并改变传统决策模式的时代背景(苏涛,彭兰,2023),为算法与人类自主性议题提供一种补充性的思考。研究对自动驾驶技术迭代发展历程中的三个关键阶段进行了深入考察。通过呈现人机关系从“人类主导”到“动态协同”再到“技术共生”的演进轨迹,研究揭示出:自主性并非是个体内在的能力或属性,而是认知装配中诸多异质性要素通过持续互动和协同运作而生成的关系效应,其分布机制和实现方式会随着装配构成与运作模式的变化而持续地发生重构。

本研究的理论贡献在于以“装配—自主性”这一整合性概念把握智能时代的人机关系,通过厘清自主性在认知装配中的生成逻辑与分布机制,打破了既有研究对于人机自主性边界的迷思。“装配—自主性”提示我们,算法和人类自主性之间并非是一种简单的此消彼长的关系。以自动驾驶技术这一个案来说,算法决策能力的增强,看似削弱了人类在操作层面的控制权,实则重新配置了自主性在执行层(具体操作)、战术层(规则框架)与价值层(伦理准则)之间的分布格局:一方面,人类得以从低层级操作任务中解脱出来,转而专注于更高层级的目标——如价值设定、规则校准与系统伦理边界的确立等;另一方面,人类、算法、边缘节点与云平台等多元主体的信息交换与协同机制,使得装配整体具有更强的适应性和灵活性,进而推动着驾驶实践朝着更高效、更安全的方向演进。把握这一趋势,有助于我们超越“人类控制技术”或“技术替代人类”的二元叙事,转而追问:在不同的应用场景中,算法究竟承担了哪些差异化的角色?它与人类形成了怎样的联结与协作机制?又是如何重塑了认知装配内部自主性的分布样态?

“装配—自主性”这一概念还深刻揭示出,算法决策的潜在风险远不止于技术本身的缺陷或人类监管的疏忽,其更深层的原因在于认知装配内部各要素之间协同机制的缺失,以及自主性在系统层面分布的结构性失衡。以“赫茨伯格事件”为例,这一悲剧不应简单归因于算法误判或操作员的个体失职:首先从表面来看,事故折射出系统未建立起人机之间的有效协作机制。自动驾驶系统没有准确识别行人轨迹,人类操作员也未能及时履行监管职责。其次,就深层原因而言,该事件实际上反映出装配中不同层级之间的传导机制存在严重断裂——价值层的伦理原则未能被充分转化为战术层规则设计框架中的具体约束,使得执行层人和算法的实时操作均缺乏有效制约。正是这一传导机制的失效造成了装配整体在应对复杂风险场景时存在严重的决策盲区。通过揭示出算法决策风险的深层原因,“装配—自主性”提示我们超越传统研究中局限于单一责任主体的归责模式,转而从系统层面整体审视认知装配的运作逻辑,从而全面识别并防控其协同性风险与传导机制失灵。

“装配—自主性”还向我们指出了未来算法治理的方向。如前文所言,“个体—自主性”框架下的解决方案往往局限于技术监管和个体赋权这两个基本维度,而“装配—自主性”提示我们将认知装配整体作为治理对象,广泛覆盖认知装配中的各类关键要素——包括技术组件、制度环境、人类参与者与基础设施等,防止因局部治理盲区引发系统性风险。最后需要承认的是,不同类型智能技术所嵌入的认知装配往往存在显著差异。如工业机器人与人类的协作模式明显区别于自动驾驶系统,智能教育算法所遵循的伦理准则也显然不同于自动驾驶场景。后续研究可开展跨场景比较分析,进一步深化对人机关系与自主性议题的理解。

本文注释及参考文献从略,原文刊载于《国际新闻界》2026年第7期。

本期执编 / 赵冉

订阅信息

全国各地邮局均可订阅《国际新闻界》,国内邮发代号:82-849,欢迎您订阅!

您也可通过下方二维码或网址https://mall.11185.cn/h5/#/bkGoodsDetails?spuId=113613&from=imgShare&dsId=zxSWChat&dsModule=c3df4964-af5d-40a8-d6cc-a768b5306e52 ,进入中国邮政微商城订阅本刊。

您还可访问《国际新闻界》官方网站 http://cjjc.ruc.edu.cn/ ,免费获取往期pdf版本。

进入官网下载原文

打开网易新闻 查看精彩图片