引言

近年来，人工智能相关技术发展迅速，由此催生的智能系统已在工业、交通、医疗、教育乃至科研中得到广泛运用。Petrat（2021）对237篇相关研究文献进行系统分析发现，当前人机工学研究已从传统的身体工效学逐渐扩展至人工智能支持下的认知工效学与组织工效学领域，其中人机协同、智能决策支持以及工作场所人工智能应用成为研究热点。技术的改进在生产效率优化、决策能力提升的同时，也要求传统人机关系模式作出改变。传统人机工学的研究范畴集中于人体、工具、环境三者之间的配合问题，其基本思路是让系统更有效、使用更安全、体验更舒适。但现代人工智能已不能只简单看作执行机器，它本身有感知、有思考、能做决定。人与人工智能之间不再仅以操作相联系，而是发挥各自优势协同完成任务。如此大的变化便使得人机工学有必要重新考虑研究内容与分析方法。本文按时间顺序考察人机工学的发展史，分析人工智能时代的到来对人机工学产生的现实影响，最后给出未来走向的思考。

一、人机工学的发展历程：从“人适应机器”到“机器适应人”

（一）工业化时代的人机工学

现代人机工学的历史应从工业革命时期开始考察。机械化生产方式出现以后，大量工业活动对劳动效率提出了更高的要求。此时的研究基本围绕工人效率及有关的疲劳问题展开分析。泰勒（Taylor）所提出的科学管理理论是早期工效学观点的一种重要表达。他运用时间、动作两种方法去确定最佳操作形式，以达到高产目的。上述思路虽有明显增产效果，但只把生产流程当作标准对象，未充分顾及心理和个体因素。第二次世界大战中军事装备复杂性的上升又促使现代人机工学得到正式发展。飞机事故调查已证明误操作是很多事故的主要成因，并不是完全由机械故障引起。人们开始重新思考设计是否要适应人本身的心理与生理条件。美国空军曾按此思路调整仪表、操纵杆的布置，结果飞行员错误大为减少。此后，人机工学研究的重点正从“人适应机器”慢慢过渡到“机器适应人”。

（二）信息化时代的人机工学

20世纪70年代之后计算机技术取得飞速进步，人机工学的研究范围随之拓展。当信息系统变得越来越复杂时，单纯按生理标准分析人机关系已难以解决实际问题，认知工效学开始受到重视。1979年的美国三里岛核电站事故是认知工效学发展史上的一个重大转折点。事故的调查结果表明，信息界面过于复杂会造成判断延迟，错误判断又会把事故引向更坏的方向。Norman指出，若系统不结合人的认知能力、心理习惯来设计，即便技术可靠也未必安全。互联网出现以后人机交互成了重要研究课题。以苹果公司发明的iPhone为例，所用多点触控、图形标识及简单流程都对学习做了很大简化。有关用户体验的思考现在属于产品设计中的一环，人机工学也正从身体工效学走向认知工效学 and 用户体验理论。就总体演进而言，工业化时代集中于“效率”，信息化时代集中于“认知”，由此形成人工智能时代人机工学的基本思路。

二、人工智能时代对人机工学的影响

（一）人机关系由工具使用转向协同合作

人工智能最突出的特征是它在一定程度上具有自主学习及自行决策的能力。由此看来，所用的机器不只属于被动工具，而是可以协作的伙伴。现在已有如特斯拉Autopilot一类的自动驾驶辅助装置来执行车道控制、巡航或部分环境分析任务。驾驶员的职责因而有所改变，由直接控制人变为对系统做监督的人。按正常情况而言，监督状态下工作量大为减少；但遇到突发状况时，驾驶员仍要马上掌控车辆。这种角色的转换提出新的工效学课题。相关研究表明长期处于监督状态会削弱人的警觉感、集中力，使接管失败概率上升。Vacaro等对106项实验研究开展系统评价后发现，人机组合系统的绩效高度依赖于任务特征、协同模式以及信息共享机制。如果协同设计不合理，人机团队甚至可能低于单独人工智能或单独人类的表现。所以从人机工学角度看，人工智能时代的人机工学研究重点并不是单纯地配合人或机器，而是要设计好协同的效率与安全性。

（二）关注重点由体力负荷转向认知负荷

传统工业背景中有关工效学的讨论基本以体力劳动负荷为着眼点，而人工智能的大规模运用使重复性体力劳动有所减少。但人类要应付的认知任务反而变得更多。智能医疗是这种情况的一个实例。目前用深度学习方法做医学影像分析对肺癌或乳腺癌有较准确的识别能力，人工智能可迅速处理图像信息、提示可能的诊断，但不能直接替代医生做结论。此时医生既要知悉病况，又要考虑人工智能判断的可靠性。若所见的结论同医生经验不符，判断就必须得到补充或证实。这种对人工智能的认知监督过程属于新增的心理负荷。所以人工智能没有将工作压力一概减轻，而是促使原来的各种执行性劳动转为判断、监督或决策类劳动。

（三）人机信任成为新的研究重点

有关人机协同系统的讨论中信任是影响性能的一个重要课题。信任是个体对不确定情况所作的、关于自动化的心理依赖。2024年的一项综述研究指出，影响人机信任的因素主要包括用户特征、人工智能系统属性以及具体应用情境三个维度，其中解释能力、透明性和不确定性表达被认为是促进合理信任的重要机制。用户若把人工智能看得过于可靠，未必有好处。已知某些驾驶员误用自动驾驶辅助设备，以为车辆能毫无偏差地自己开动，结果造成安全上的一系列问题。但若用户彻底否定系统能力，也有可能舍弃有用的建议，使技术未获充分运用。现在生成式人工智能的发展又将此问题提上议事日程。就大语言模型（如ChatGPT）而言，所写文本可以很自然、很完整，却仍有事实性错误或“幻觉”类现象。部分用户因知识有限而盲目接受系统答案；也有用户对人工智能抱极端怀疑的态度。所以要找到信任的适当尺度——即“信任校准（Trust Calibration）”——正是人工智能时代人机工学所应处理的关键问题（图1）。

三、人工智能时代人机工学面临的新挑战

（一）算法透明性与可解释性挑战

传统机械类系统所依据的运行逻辑比较清楚，但深度学习模型一般有较复杂的算法构造，其决策过程是难以解释的。像医疗诊断或自动驾驶这类高风险应用若缺少透明度，用户就可能怀疑结论、难以作出可靠决策。近年来，可解释人工智能（Explainable AI）逐渐成为研究热点，目标是在保证模型性能的同时提高决策过程的可理解性。从人机配合的角度说，解释性既是技术课题，又对整体效率、对工作方式有明显意义。

（二）人机职责边界模糊

传统人机系统所规定的人与机器职责是清楚的。但人工智能可以自行作出若干类决策，因而使有关责任的判断较难落实。以自动驾驶为例，发生事故之后对责任的认定（驾驶员、厂商或算法设计者谁来负责）至今没有定论。职责边界的不明朗既属于法律难题，也可能影响用户对系统的使用行为和信任程度。所以从人机工学角度看，将来要讨论各种自动化情形中功能如何分担的问题，即人和人工智能各自应当做些什么、在决策上应扮演什么角色。

（三）伦理与安全挑战

人工智能发展的同时还会牵涉到数据隐私、算法偏见、公平性等诸项问题。若训练所用的数据不公允，人工智能的结论就可能有歧视倾向。对大量个人信息作集中式采集也有可能增加隐私泄露风险。就工效学而论，虽然效率是技术需要达到的目标，但作为主体的人的尊严、权利也须予以尊重。怎样处理好创新同伦理的关系，是将来要思考、要解答的问题（图2）。

四、未来发展趋势与展望

首先，以人为中心的人工智能设计正成为主流思路。目前国际上所提的“Human- Centered AI（以人为中心的人工智能）”理念是把技术作为人的工具而不是替代品来考虑。Shneiderman提出，高水平自动化与高水平人类控制并非对立关系，未来智能系统应同时保证系统自动化能力和人的最终控制权，从而实现安全、可靠和可信的人机协同。其次，人机协同应是智能系统的基本特征。比起全自动化，现在已有较多研究赞成“增强智能”这种模式较切实际。这时人工智能做信息分析、作模式归纳，而人作价值权衡、定最后方案，双方所长因而得到充分运用。再者，智能工效学或可作为一个新研究领域。传统身体工效学同认知工效学结合人工智能之后，会形成有关复杂智能体的新思考方式。所研究的对象将由“人—机器”发展到“人—人工智能—环境”三元系统。最后，人机融合技术有可能促成人与机器关系的根本性变化。借助脑机接口、协作式机器人或数字孪生，人与机器的分野开始变得不那么清楚。未来人机工学要同时处理交互本身及人与智能体结合后的行为、社会等诸项影响（图3）。

五、结论

人机工学的演变一直和各种技术进步有关。工业化时期考虑身体适应性，信息化时期把认知交互纳入视野，而今在人工智能背景下又以人机协同为基本思路，所追求的核心是人—技术关系的优化。人工智能的飞速发展已令机器有较强的能力去学习或判断，人机之间不再只是单纯地使用工具，而是协作地完成任务。由此也产生了关于信任、认知负荷、算法公平及伦理控制的新类问题。就未来而言，人机工学要走向以人为本、人机配合、智能工效诸项结合的方向，用理论指导安全、有效、可信的智能社会建设。

参考文献：

1. [1] Petrat D. Artificial Intelligence in Human Factors and Ergonomics: An Overview of the Current State of Research[J]. Discover Artificial Intelligence, 2021,1(03): 1-17.
2. [2] 弗雷德里克·泰勒.科学管理原理：典藏版[M].马风才,译.北京:机械工业出版社,2024.
3. [3] 唐纳德·诺曼.设计心理学：第2版[M].张磊,译.北京:中信出版社,2015.
4. [4] Vaccaro M, Almaatouq A, Malone T. When combinations of humans and AI are useful: A systematic review and meta-analysis[J]. Nature Human Behaviour, 2024,8(12): 2293-2303.
5. [5] Wong K K L, Han Y, Cai Y, et al. From trust in automation to trust in AI in healthcare: a 30-year longitudinal review and an interdisciplinary framework[J].Bioengineering,2025,12(10):1070.
6. [6] Shneiderman B. Human-centered artificial intelligence: reliable, safe & trustworthy[J]. International Journal of Human-Computer Interaction,2020,36(06):495-504.