Artificial Intelligence Think Tank: a modern problem-solving framework

Shahryar Sorooshian

doi:10.3389/frai.2025.1603562

Artificial Intelligence Think Tank: a modern problem-solving framework

2025-08-14

0

PRE

AI

S

Shahryar Sorooshian *

DOI：10.3389/frai.2025.1603562

原文链接

原文求助

摘要

En 中文

在当今世界，当一切快速变化且新的全球性关切不断涌现时，终身学习和创造性问题解决比以往任何时候都更为关键。传统的做法，如头脑风暴、德尔菲法、名义群体技术、焦点小组和世界咖啡等，是现有的一些支持问题解决的途径，但它们未必适用于复杂且延展的决策情境（Caudle等人，2025；Raadschelders和Whetsell，2018；Watkins等人，2012）。这些方法基于共识，因此依赖于专家的可及性、时间和认知能力，这限制了它们在动态环境中的可扩展性和有效性。其缺点在新兴领域尤为突出，因为获取足够专家资源的途径常受高成本、时间压力或缺乏既定专家的限制（Palonen等人，2014）。这些经典方法的缺点，如依赖专家的可及性、显著的时间需求以及有限的可扩展性，可能导致决策延迟、错失机会，以及在资源受限情境下解决方案不足。为应对传统方法的局限性，一种日益增长的趋势是利用人工智能（AI）来支持各领域的人类能力（Korteling等人，2021）。据Fui-Hoon Nah等人（Fui-Hoon Nah等人，2023）所述，AI-人类协作已成为应对这些挑战和释放人类发展新可能性的有前景的路径。这些技术提升了数据挖掘、数据分析，甚至某些此前属于人类专家领域的决策活动，这可能对循环学习过程和面向未来的问题解决具有极高价值。因此，为利用这些前景，本文提出AI智库（AITT）框架作为决策代理建模的一种新颖独特方法，可能补充并替代现有的决策和学习方法。当前生成式AI技术版本能生成类人对话，因其能够提供定制化和情境敏感的回复而日益普及（Dwivedi等人，2023）。AITT流程，如图1所示，通过促进持续技能获取、提高决策效率以及鼓励AI与人类判断的合作，能够促进创新思维，拓宽人类在持续变化环境中学习、适应和繁荣的边界。需解决的问题/决策。相应地，决策者（们）制定全面标准化的提示/查询，以确保AI输出的连贯性和可靠性。提示可包含所有必要背景信息，如当前趋势、约束和目标。若可行，邀请（一位）领域专家审阅并验证提示，将其映射到具体问题/决策。阶段2：从AI获取洞见。虽然依赖单一AI聊天机器人仍是可能的，但更倾向于将标准化提示提交给多个AI系统，以确保广泛洞见的覆盖。使用不同AI确保输入多样性，因为每个AI系统（如ChatGPT、Gemini）基于独特的数据源和方法运行，提供互补视角。1. 选择一个AI系统，根据制定好的提示，委托其生成想法和所需的问题解决变量（如成功因素、障碍与挑战、动机、决策标准、风险等），或针对给定问题的替代方案。作为决策者（们），使用相关性、可行性等标准评估输出，并依据问题/决策情境验证洞见，以减少潜在偏见。采用了一个简单案例研究来说明所提AITT的可行性，它构成了初步的概念验证。该案例研究旨在展示AITT框架的潜在应用。因此，AITT的四个阶段按下方明确规定的顺序执行。在本案例研究中，我们实施AITT以识别其局限性。1. 我们考虑了在无特定AITT专家可用且作者为唯一提议者的情况下进行AITT验证。因此，AITT被用于提供对其自身可能约束的反馈。在问题定义完成后，使用AITT方法介绍启动了此案例研究。选择ChatGPT和Gemini进行此案例研究，因其广泛流行；仅使用这两个AI系统以确保简化的AITT实施演示。向两个AI平台（ChatGPT和Gemini）发送了详细的AITT框架描述，询问所提AITT的潜在局限性。该方法对两个AI采用标准化输入，并向双方提出相同问题：“AITT框架的潜在局限性是什么？”。结果被综合成一份全面列表，将每个AI系统的输出整合为连贯的概念集合。要求更多输出，与AI的沟通持续进行，直至无新答案、可行、重要或合理的输出。此阶段包含排除作者低认可度或未直接涉及AITT与传统问题解决和决策方法相关的条目。共有21个概念纳入上述列表，其中9项来自Gemini，12项来自ChatGPT。在这些概念中，8个在ChatGPT和Gemini评估时显示相同或极其相似的结果。因此，收集了一份13项的列表，在审阅数据摘要后，作者作为决策者认定某些限制更为显著，应明确传达，尽管所有列出的条目均有效。通过采用AITT策略，上述决策情境有效收集并排序了想法，表明与经典方法相比，其在效率和全面性方面具有改进潜力，尽管仍需更多实证验证。战略规划的这一特定阶段需要大幅减少时间，因为概念创建和分析方法实现了自动化。决策者认定所开发的概念展示了适当的逻辑一致性。所应用的技术展示了高效处理广泛输入并适应不同决策情境的能力，无需大量主题专家参与。此外，AITT的应用确保了对AITT方法重要特征和前提条件的全面理解，因此提供了额外优势。本具体案例研究证实了AITT的适用性，展示了其作为克服问题解决挑战和达成明智结论的可行高效工具的潜力。然而，识别出一些潜在局限性。AITT结果可能因AI性能不一致而存在偏差，存在产生不当自信的风险，偶尔还可能面临解释或清晰说明AI生成推理的挑战。这些可通过采用交叉引用技术和人工验证AI输出来减轻。AITT无法处理隐性知识，且因依赖文档信息而面临创造性和新颖性限制，还难以充分考量情感、文化、直觉理解、常识和情境细微差别。为克服这些局限，AITT用户可遵循最佳实践，以在实际应用中实现更可靠和透明的使用。人机交互监督仍被视为理解AI结果并确定其效用和相关性所必需的。用户可通过交叉验证评估AI响应，以识别一致或矛盾之处。他们可能需要执行迭代提示优化以提升输出质量，并监控AI系统升级以确保响应连贯性。AITT的另一挑战是提示工程的复杂性及由此导致的信息过载风险，但这需通过整合人工监督和提示修改来解决。如本函所述，AI可作为智库，协助我们解决问题和决策。本文提出了一种补充性的、系统性的、适应性强且高效的AITT框架，用于现代问题解决；这种半自动化的创意生成节省时间和资源，使AITT高度适用于各行业、情境和复杂度。然而，需要在各领域和情境中进行更多研究，以确定AITT的潜在应用和改进。为推动这一范式，必须请求实际案例，开展调查，并需要更多验证合作。AITT与传统或现代决策方法的整合拓宽了问题理解，即使在人类专家投入稀缺或昂贵的情况下，未来研究者可予以验证。

Keyword:

lifelong learning

artificial intelligence

decision-making

problem-solving

AI-human collaboration

Artificial Intelligence Think Tank: a modern problem-solving framework

摘要

期刊

机构

引用论文