内容提要：生成式人工智能推动信息传播从检索范式向对话范式转变，这是技术工具的升级，更是信息生态的结构性重塑。AIGC不仅提高了信息获取的效率，还构建了一个以对话为核心的新型信息网络联结机制，使用户能够与自我、他人乃至人类智慧进行深度对话。在这个过程中，AI扮演着一个有思维的“主体”的角色，与用户共建新的信息内容，同时作为联结人类知识、感受的关键节点，潜在地塑造着人机互嵌的新型认知共同体，形成对话式信息生态。对话式信息生态以持续的人机对话为组织原则，使信息从可被索引的静态存量转变为在互动中不断生成、修改与沉淀的过程。该理论揭示了AIGC如何重构信息生成与流通路径，也为分析AI时代的知识生产提供了一个具有统摄力的新视角。
关键词：AIGC/ 对话式AI/ 信息生态/ 人机关系
作者简介：晏青(1984- )，男，江西峡江人，博士，暨南大学新闻与传播学院教授，主要研究方向：新媒体文化、娱乐理论与认知传播；郭京(1997- )，女，河南新乡人，暨南大学新闻与传播学院博士研究生，主要研究方向：新媒介文化（广东 广州 510632）。
原文出处：《编辑之友》(太原)2026年第2期 第15-25页
标题注释：暨南大学“大先生”培育计划“基于人工智能传播的社会效应研究”(YDXS2402)。
一、问题的提出：当信息开始“言说”
信息，作为认知、经验、智慧的载体，其内容与传播方式，不仅决定着人们所见之景，更从根本上形塑着人们对世界的认知、与世界的连接方式。从口语到文字，再到互联网时代的比特洪流，我们往往习惯于在一个静态的信息宇宙中检索、浏览与汲取，所有的信息如同图书馆的藏书或网页上陈列的文本，是被动的、待提取的客体形态。然而，人工智能生成内容(AIGC)，从根本上改变了信息的呈现形态以及人们获取信息的主要渠道。
生成式人工智能技术给用户带来的是与传统搜索引擎截然不同的使用体验。ChatGPT、DeepSeek等大语言模型能够通过上下文感知与内容感知，[1]在短时间内调用大量信息资源，并以对话的形式为人们的疑问提供一份极具针对性的答案。信息获取的入口与形式，正在被AI重新定义。一方面，“谷歌作为头部搜索引擎，其全球市场份额十年来首次跌破90%”；[2]另一方面，包括ChatGPT、Perplexity在内的多款人工智能应用都具备搜索功能，且“用户使用生成式人工智能有八成需求是为了检索和获取信息”。[3]两组数据足以说明生成式AI正在成为一种全新的、以对话为界面的基础性信息服务设施。
尽管从技术本质而言，大语言模型是“从已经存在的信息中生成内容的人工智能”，[4]但其对信息资源的高效调用与重组能力，彻底改变了人与信息的交互范式。当“对话”取代“检索”，成为信息生产与组织的核心机制时，它将如何重塑我们的信息网络，并重构人与人、人与知识之间的认知联结？基于此，本文拟对AIGC语境下的信息生成机制与人机互动过程展开研究，重点探讨在对话式AI系统中，信息如何被动态生成，技术如何在不同对话节点间建立联结，进而回应一个更深层的问题，即对话作为一种新型信息组织逻辑，如何重塑信息的流动模式乃至整个信息生态。
二、文献综述
1.媒介技术影响下信息网络形态的变迁
媒介技术作为信息传播的“物质性骨架”，在信息网络的建构中扮演着至关重要的角色。每一次媒介技术的重大革新，都重塑了信息的流动方式、组织形式与权力结构。在印刷术与广播电视技术主导下的传统媒体时代，信息网络呈现出鲜明的中心化、单向性与层级化特征。英国学者弗朗西斯·培根曾提出，“印刷与火药、指南针一样，改变了整个世界的面貌和状态”，[5]因为印刷术的出现使书籍、报纸和期刊能够被大规模生产并迅速传播，这“加速了文化信息的流动”。[6]这一时期，知识与信息的权威始终把握在少数人手中。之后，广播电视的兴起加速了信息流动，并且能够兼容多种技术，拓展传播渠道，在竞争中孕育出交互、立体等传播观念，不过传播的权力与议题框架依旧掌握在固定的机构或媒体手中。整体来看，信息网络的构建还是以单向的信息扩散为主。
进入互联网时代，信息传播开始呈现去中心化、多向互动的特征。互联网的普及，使信息的传播和接收变得随机性、个人化，改变了信息存储与传播的方式，只要搜索关键词，人们就能获取想要的内容。[7]这一时期，“搜索引擎成为信息传播的关键枢纽，能够影响信息的结构、编排，甚至可以凸显或遮蔽部分信息”。[8]社交媒体平台作为互联网时代的重要产物，将互联网的去中心化与互动性逻辑推向高峰，并催生了真正意义上的社会化信息网络，为我们带来了一个人人都能生产信息的“群体传播”[9]时代，使得信息不再由少数权威机构掌握，而是通过用户生成内容和平台推荐机制，进而形成广泛的、去中心化的社交网络。但是，“这种连接是企业平台通过编码技术将连通性转换为连接性所实现的商品化关系”，[10]究其本质，依旧是技术逻辑影响着人们喜欢谁、对什么信息感兴趣等。
智能时代的信息获取不再仅仅依赖于查找和检索，而是由AI智能推送或直接生成信息内容，信息网络的个性化与自动化特征凸显。信息的个性化传播来自算法推荐机制的出现，“计算机能够通过收集用户数据并分析，而后改变信息的分发逻辑”，[11]“使信息流动从中心向外的线性传播转向去中心化，且以个人为原点形成再中心化的分布”。[12]但是，当AI成为影响信息流动的核心中介，新的社会风险也随之出现，如算法利维坦、黑箱效应，甚至是思维活动中“意向性”缺失所引发的知识生产紊乱。[13]出现这些问题，均是因为机器的“理解”更多是基于模式识别和概率推理，而不是像人类那样通过意识和语义去理解。[14]这种以AI为中介的信息流动方式，也使得传统的传播权力结构发生了一定程度的转变，产生了一种新型权力形态，即“算法权力”(algorithmic power)。[15]近几年来，生成式人工智能更是彻底改变了信息网络的基本形态，因为“AIGC能够以现有信息为基础，创建新的、有逻辑性的内容”。[4]这意味着，AI从信息的中转站角色，一跃成为内容的生产商。人们获取信息的渠道与逻辑也产生了根本性的变化，“从基于关键词匹配的搜索引擎模式，转向由模型主动生成答案的对话式搜索模式”，[16]“原本由搜索引擎和平台算法主导的部分信息呈现通道被AI替代”。[17]由此，信息的显现不再依附于权威发布或算法推荐，信息网络也不完全由人类参与，而是在模型、数据与用户输入的交互中动态生成。
2.作为信息生产机制与认知组织逻辑的对话
对话作为一种思想与实践，其意义远超日常语言交流的范畴。在哲学、语言学与认知科学的长期探索下，对话逐渐被认定为意义生成、知识建构与理解世界的过程和方法。梳理对话研究的相关理论谱系，是理解当前生成式人工智能所驱动的信息生产机制及认知互动何以可能、何以重要的思想前提。
对话作为一个专业概念，最早出现在西方哲学领域。苏格拉底提倡“苏格拉底式对话”，他是对话思想早期的实践者。“对话通过提问和回答引导参与者不断自我反思，揭示潜在的知识和真理，推动他们逐步构建更清晰的认识体系”。[18]该观点强调对话不仅是知识的传递，更是一个认知生成的过程。马丁·布伯将对话进一步阐释为人与对象之间的互动关系，存在着“我—它”和“我—你”两种关系。他认为“真正的传播无法建立在‘我—它’这种工具性关系之间，而是发生在‘我—你’的互动性关系中”，[19]该观点强调了对话传播的核心是平等性与互相尊重。汉斯-格奥尔格·伽达默尔从阐释学角度出发，强调对话是主观的、理解是自由的，甚至意义也是动态流动的，“人对文本的理解本就具有历史性，而这种带有历史差异性的理解也正是跳出消极复制走向积极创造的根本”。[20]这一观点强调，在对话中，参与者不仅是信息的接收者和传递者，还通过不同视角的交流与融合，共同构建新的认知方式和理解框架。这些观点为我们理解认知如何在对话中生成提供了坚实的理论基础。
对话理论(Dialogue Theory)由文艺理论家巴赫金正式提出，他认为“自我意识是在自我与他者的对话中形成的，为了完成自我，必须创造他者”，[21]开放式的复调对话成为对话的高级形式。基于巴赫金的对话理论，大致可以解释对话式AI，如何使多重声音、不同意见在互动中交织。大量研究表明，AIGC实践的是巴赫金的复调对话，它以大规模、高并发、个性化的方式，为用户提供了一个对话人类智慧的技术化场景，使对话作为一种古老的信息生产与认知组织逻辑，在智能技术条件下获得了前所未有的赋能与凸显。
尽管现有研究为我们提供了将AIGC驱动的交互视为一种技术中介型对话实践而非机械问答程序的深刻理论基础，但并未充分将AIGC置于信息生态的整体视域中，系统阐释其如何作为一种基础性媒介环境，重构信息从生产、记忆到联结的全过程。因此，本文尝试考察AIGC系统中信息生成、联结与流转的微观机制，并最终回应人机对话如何作为一种新的认知组织逻辑，重塑信息生态并培育新型认知共同体这一根本问题。
三、研究方法
本研究综合运用走查法①与深度访谈法，旨在从系统技术逻辑与用户主观体验的双重维度出发，全面考察AIGC驱动的人机对话实践，揭示其对信息生成及宏观信息生态的影响。
1.走查法
本研究采用走查法，对目前具有广泛影响力的主流对话式AIGC平台(如ChatGPT、DeepSeek等)进行沉浸式体验与分析，核心目的在于打开人机对话的过程黑箱。具体而言，是从研究者作为深度参与者的第一视角，体验对话式AI技术的界面设计(如对话框的引导设计、历史会话的呈现与管理方式、多功能入口的布局与可及性)、功能机制(包括多轮对话的上下文保持能力、文件上传与解析功能、联网搜索的触发与信息整合逻辑)和实际应用(涵盖从简单事实查询到复杂问题求解、从文本生成到创意协作的完整任务谱系)，揭示这些技术如何在信息生产与认知建构中发挥作用。此外，研究还收集并分析了各大平台发布的相关技术报告、行业报告、新闻报道等外部材料。这些资料提供了AIGC技术发展、应用案例以及行业动态的最新信息，使研究者能够更全面地了解AIGC技术的演进与行业趋势。
作为对话式AI的长期深度用户，研究者系统性地记录、反思自身的互动体验与实践感受，并将这种内部视角作为一种反思性工具，融入对走查现象的解读与分析中，以期获得更具深度与洞察力的理解。
2.深度访谈法
在深度访谈部分，研究选取了16名来自不同学科和职业领域的深度用户，通过访谈获取其与对话式AI互动的经验、感受与意义判断。访谈对象的选择尽量遵循差异性原则，涵盖人文社科、工程技术等不同学科领域，以及高校教师、媒体从业者、科研工作者、企事业单位员工等多种职业(见表1)。所有受访者均具有至少6个月的对话式AI持续使用经验，且在日常工作或学习中将其作为重要的信息获取工具。访谈采用主题导向的半结构化方式进行，具体围绕“什么情境下会优先使用对话式AI”“在与AI对话过程中如何提出、修正问题”“是否出现过因对话而引发的新颖见解或认知突破”等问题展开。每次访谈时长约30至50分钟，全程录音，并在受访者同意的前提下收集了他们的部分人机多轮对话文本记录。
四、研究发现
对话式AI的出现，让信息的生成不再是单向的内容供给，而是一个涉及用户反馈、系统调整与内容优化的持续互动过程。当我们习惯性地通过ChatGPT、DeepSeek获取信息或与之展开对话，输入问题或文本的每个瞬间，都在促成一种全新的、以对话为基本单元和组织逻辑的对话式信息生态的形成。
1.信息生成与AIGC内容的组织逻辑
在生成式AI驱动的对话环境中，信息的生产与呈现范式发生了根本性转变。“对于用户来说，ChatGPT最主要的用途就是获取信息”，[22]对话式AI凭借着自然语言交互能力、多模态理解与生成能力、动态推理与自主决策能力等底层原生技术架构的持续性迭代升级，使得用户获取信息的过程不再是简单的查询，而是一次经过文本理解、内容记忆和逻辑推演的高质量人机对话体验。在这个过程中，信息不是静态存储、等待被发现的客体，而是在互动中被生成、能够直接响应人类需求的新型信息。
图1 支撑对话式AI理解能力的技术模型图
(1)理解：语义解析与再编码。语义解析与再编码能力是衡量大模型成熟度的核心标准，它决定了AI系统在接收到用户输入内容后，能否准确地理解并生成符合语境的回应。从技术角度看，理解人类语言的过程涉及多个关键技术，如自然语言处理(Natural Language Processing，NLP)技术、深度学习模型(如Transformer架构)、可训练参数变量及预训练机制等。这些技术使得AI能够将人类语言中带有模糊性、多样性和丰富意图的信息，转化为机器可以精确运算和推理的高维语义表示，从而显著增强大模型的自然语言“理解力”(见图1)。
自然语言处理技术是AI理解人类语言的基础，它涉及多个任务，包括但不限于语义解析、词性标注、句法分析、情感分析和文本生成等。在对话式AI中应用该技术的重要目标是让计算机能够理解语言背后的含义，并根据这些含义生成合理的回应。如，当研究者在对话式AI中输入“帮我比较一下iPhone17 Pro和华为Mate80 Pro在电池续航和影像系统上的主要区别”时，自然语言处理技术会执行一系列基础解析任务，首先将句子切分为“比较”“iPhone17 Pro”“华为Mate80 Pro”“电池续航”“影像系统”等单元，而后进行句法分析，确定“比较”是核心动词，宾语是两个产品，比较的方面是电池续航和影像系统。在信息获取类任务中，自然语言处理技术承担了将非结构化查询转换为机器可处理形式的关键角色。
Transformer架构的引入，是语义解析能力从语法解析升维至语境与意图深度理解的关键。它由Google DeepMind团队在2017年发表的论文Attention is AII You Need中首次提出，可以“通过自注意力机制和多头注意力机制，高效地处理长距离依赖和复杂的语义关系”。[23]在处理语言时，Transformer架构能够对输入的每个词语与其他所有词语进行权重计算，从而捕捉到长距离依赖关系和复杂的语义关系。在对话式AI中，Transformer架构的应用显著提升了人机之间的对话真实感。通过对上下文信息的全面理解，Transformer架构能够生成更加自然、流畅的对话内容。以GPT系列为例，GPT-3和GPT-4等大模型凭借Transformer架构的优势，在对话时所生成的文本内容不仅更加准确自然、更具互动性，还能够保持对话上下文的一致性。
对话式AI的表现与其参数量密切相关。如果说Transformer提供了强大的信息处理架构，那么海量可训练参数与大规模预训练，则共同构筑了模型的内部知识库与事实性推理引擎。以ChatGPT系列模型的进化为例，能够看出参数量与预训练数据量始终是模型迭代过程中发生显著变化的部分(见表2)。国内相关研究也表明，“截至2025年8月底，豆包、DeepSeek、元宝、Kimi等产品纷纷达到千亿级参数规模”。[3]大模型的参数量与预训练数据规模的增加，不仅使模型的推理能力得到增强，也使其生成内容在语言质量、语境理解能力和数据准确性上不断提高。
对话式AI“理解力”的构建，是一个以NLP技术为基石进行形式解析、以Transformer架构为引擎实现深度语义关联、以海量参数与预训练数据为知识库完成推理的协同过程。这三层技术能力共同作用，将人类模糊多义的自然语言，精准转化为可被机器运算的高维语义表示，驱动了对话式AI从“听懂词句”到“理解意图”的根本性跨越。
(2)思考：自动推演与再延伸。对话式人工智能的内容生成，长久以来被简化为一种基于概率的语言模仿游戏，即模型根据输入内容，从词表中挑选最可能的下一个词，循环往复，直至形成语句。这一过程虽然能够生成流畅的文本，但往往导致生成内容在语言逻辑和上下文连贯性上的混乱，尤其在面对复杂任务时，缺乏高质量的上下文联系和深度推理能力。
大模型迭代升级的核心任务，是要实现生成能力与内容质量的系统性提升。其中，上下文窗口的扩展(Token数量增加)、检索增强生成(Retrieval-Augmented Generation，RAG)技术的引入以及智能体范式的成熟，能够将生成的本质从被动的“语言接龙”升维为主动的“思维推演”(见图2)。
任何有效的推演，都始于连贯的上下文。在大语言模型中，Token是AI处理文本的最小语义单元，也是AI语言世界的基石。模型通过内化其海量参数，能够学习到一定的语言规则，再根据规则对这些Token进行高质量关联、操作和重组。这一过程的外化表现就是AI在特定语境中的逻辑推理能力。在要求对比搜索引擎和对话式AI时，受访者往往表示对话式AI生成的信息会更具逻辑性。
图2 支撑对话式AI逻辑思维能力的技术模型图
我一开始不觉得崇高和理想这两个词有什么差别，但是(对话式)AI从词源、词义演变这些维度向我解释了它们之间的不同之处，这是我从搜索引擎中很难获取到的信息。(S5)
搜索引擎一般是直接提供具体的信息，但是对话式AI能够给我解释A为什么是A，B又为什么是B。(S16)
如果说基于海量参数的预训练过程赋予了模型内化的常识与推理规则，那么RAG技术则为其思维推演过程提供了主动“外求”的能力。这种“外求”机制指的是AI在与用户对话时，通过访问外部信息源，获取最新或更为详细的信息，从而提高回答的准确性和时效性。它从根本上解决了两个问题，一是模型的静态知识无法覆盖最新或特定领域的信息，导致其可能无法提供及时的回答；二是仅依赖预训练参数生成的思维链可能会因数据偏见或训练局限而偏离事实，从而产生不准确或虚假的回答。当用户向DeepSeek提出问题时，系统会从外部的知识库中检索与用户输入相关的内容，并进行汇总。如，研究者在DeepSeek上输入问题“请告诉我中国近五年大学毕业生的就业率”，DeepSeek回答道：“关于中国近五年大学毕业生的就业率，目前没有单一权威机构发布的完整五年连续数据。不过，我为你整合了来自不同报告和官方发布的最新及部分历史数据，可以帮你了解大致的趋势。”这一回应不仅借助外部数据直接回答了问题，还主动说明了数据的局限性，并提供了具有替代性的信息。因此，RAG技术的“外求”与模型内部Token的“内推”形成了完美的互补关系。
传统的AI模型通常根据预训练数据生成响应或执行任务，依赖于固有的规则和知识，缺乏主动学习和实时调整的能力。自动化程度的加深始终是大模型发展的终极目标，“若对AI自动化程度进行分级，大致可以分为辅助自动化、部分自动化、条件自动化、高级自动化和完全自动化五个阶段”。[24]而智能体范式的成熟，标志着对话式AI的生成能力已然进入条件自动化阶段，并积极向具有创新性的高级自动化阶段努力。2025年，多个对话式大模型推出智能体。例如，OpenAI于7月推出ChatGPT智能体，[25]DeepSeek于8月表示为模型加入关键的智能体能力，[26]Kimi K2也特意强调模型具备代理式人工智能能力。[27]这些最新的大模型应用该技术，使AI灵活地在思考与操作之间切换，独立且完整地处理复杂的工作流程，而用户本身始终掌握着绝对的控制权，拥有随时“叫停”的权力。如受访者S11和S12均为高校教师，他们在访谈中都提及，在备课时遇到了需要AI帮助他们延伸备课思路的情况。在与AI对话的过程中，他们不仅得到了想要的答案，还被启发下一步可以如何做或应该补充些什么知识更好。
从Token数量的增加、RAG技术到智能体能力的引入，对话式AI在逻辑推理、信息梳理和内容生成等方面的能力发生了质的飞跃。这一进化过程使得AI在处理复杂问题方面，不再是单纯的回答工具，而是一个能够进行引导、决策并执行任务的智能体。
2.信息联结与对话式生态的形成
信息与人类的联结方式正经历着技术驱动下的深刻变革，传统搜索引擎代表的索引逻辑逐渐失去其主导地位，取而代之的是更具互动性的对话逻辑。对话式AI在人类与信息之间搭建了一个丰富的关联环境，不仅能够整合多元资源、定制个性化对话语境，还能通过不断引介新知识网络，扩展用户的认知图谱。
(1)整合资源：对话当下的公共智慧。对话式AI为人们提供了一个与公共智慧直接对话的技术界面，这是因为其训练过程本质上是对海量文本与知识的一次编码与压缩。在传统搜索引擎主导的信息检索模式中，“用户需要使用布尔逻辑”，[28](1-3)将复杂的需求拆解为若干关键词，并且“往往需要多次检索和人工筛选”，[28](7-11)才能在浩如烟海的信息中找到相关的结果。而对话式AI如同一部“全球文本压缩器”，通过数千亿参数集纳了互联网、书籍、期刊论文等集体知识，形成了一个可被瞬时调用的内部模型，让用户能在互动中轻松获取和利用当下的公共智慧。
对话式AI能够通过其强大的信息整合能力，帮助用户更全面、更有逻辑地获取所需信息。与传统的搜索引擎依赖关键词检索和人工筛选不同，对话式AI能够在对话中理解用户的信息需求，提供结构化、逻辑性强且高度定制的答案。正如S1所言：“AI给我整理的内容很全面也很有逻辑性，甚至有时候能给我做一个信息表。”除了日常类信息外，学术性信息也能够通过对话式AI被有效整理和总结，帮助研究者更好地把握相关领域的学术动态。OpenAI曾发布报告称，“科研人员也可以通过使用GPT-5帮助自己生成更具有逻辑性的文献综述”。[29]本研究的受访者针对这一点，颇有感触。
它能给我一个很全面、逻辑性很强的信息汇总。比如我做一个材料一时间不知道要怎么“提纯”的时候，它会根据现在已有的研究，给我一些方法或比例上的推荐，帮我节约了不少时间。(S13)
生成式AI具备强大的信息“提纯”能力，能够有效排除传统检索过程中难以避免的大量无关信息。在没有ChatGPT的时代，人类始终以孤身之姿进行思索。面对浩如烟海的文明积淀，人们只能费心费力地加速检索，用效率弥补心智的短板。传统的信息检索需要用户在成百上千条结果中反复比对、验证与筛选，而生成式AI可以通过语义理解与上下文建模，直接跳过冗余环节，将用户所需的关键信息以凝练的文本形式输出。
我觉得AI让我们看到了更少的信息，它不像搜索引擎里那么全面，但给出的一般都是我需要的。(S2)
AI会根据我的问题猜测我的想法，然后对我需要的内容做一个初步的分析和整合，而不是简单罗列，相比于报纸、书籍来说方便了很多，给我的信息也都是我想要的。(S6)
总体而言，对话式AI通过整合资源和优化信息生成过程，成功地将人类集体知识转化为高效、可用的对话服务，为用户提供了一个接入公共智慧的技术接口。它为用户提供了一个高效的起点，使得信息获取和知识生成更加便捷。
(2)定制语境：对话内在的意向网络。对话式AI凭借强大的技术记忆能力和无限连接能力，为用户提供了定制般的对话语境。大语言模型能够通过记忆与持续对话，逐步构建起一个理解用户独特背景、偏好与思维模式的动态模型。这意味着它不再是一个面向所有人的信息灯塔，而是演化为一种深度嵌入个体思维轨迹的意向网络。在这个网络中，用户可以随时与AI展开对话，探索、构建或重组自己的知识体系。
Google团队于2025年11月发布了一篇新论文Nested Learning：The Illusion of Deep Learning Architectures，提出了“嵌套学习”新范式和“HOPE(Hierarchy of Optimizers and Persistent Experience)架构”，[30]该技术成功落地后，AI将彻底摆脱“健忘症”，实现真正意义上的持续记忆与个性优化。目前，国内外头部对话式AI已经做到短期记忆与长期记忆并行优化，在日常使用中人们能够感受到与AI互动得越多，AI就越“懂”自己。如，研究者曾与ChatGPT探讨过一篇关于“人机主体性争夺”的论文的选题，在研究完成之后并未删除相关记录，后续再探讨其他AI相关话题时，ChatGPT会援引此前对话中的一些观点。这意味着对话式AI并不像传统的搜索引擎或早期的大模型那样，每次谈话都要从零开始，而是已经能够结合之前的部分对话内容，为用户提供更具针对性和个性化的反馈，并有意识地摸索用户的意向网络，将用户带入其可能感兴趣的话题或方向中。
定制语境的意义，还在于对话式AI为用户创造了一个可以无负担、无限制进行自由探讨的思维沙盒。在真实人际对话中，时间、社交压力与对方的知识边界都可能构成约束，而AI提供了近乎无限度的包容性与可及性。Meta(元)的创始人马克·扎克伯格就曾在一场专访中表示，“Meta AI的一个主要用途就是‘我想讨论一下问题’”，[31]在与生成式AI对话的过程中，用户也往往不自觉地赋予AI丰富的角色定位。根据用户的不同需求与任务目标，“它可能充当助手、老师或合作者等多重身份”。[32]无论是深夜闪现的灵感，还是需要反复推翻重来的选题，AI都能作为一个不知疲倦的对话伙伴，接纳所有试错。
我觉得AI很方便，我随时可以跟它开启对话，不用考虑时间和现实社交关系这些。就比如我虽然很多时候也想跟师兄师姐讨论，也可以跟导师讨论，但大家都有自己的事，没有人能无时无刻陪我聊。(S15)
对话式AI的进化，使得人机交互不再局限于信息检索，而是通过记忆为用户搭建个人知识脉络，在持续对话中与用户共同编织一张独一无二的个性化意向网络。AI使人们在每一次对话中完善、优化知识的内部建构，并在持续互动中激发他们新的想法。
(3)引介新域：对话全新的知识图谱。AI模型通过吸纳大量专业领域的数据，逐步拥有了跨越不同学科范畴、知识图谱的能力，引导用户进入一个全新的、更加广泛的知识体系。在对话过程中，AI不仅是信息的提供者，还如同一位博学的向导，扮演着引介者的角色，将陌生的概念、理论与方法编织进用户所能理解的语境中，帮助用户跨越学科壁垒或知识鸿沟，迅速完成对新知识的基本理解并建立起接触未知领域的信心。
受访者S15在处理复杂的Excel函数任务时，借助AI的指导不仅快速掌握了操作方法，还理解了背后的逻辑原理，他认为“很多知识壁垒因此被消解，以前不懂的技术不再高不可攀”。S16也表示，在自己不熟悉的研究领域(如健康传播与量化分析)中，AI提供的解释和建议让她能够迅速进入陌生领域，尤其是在反复对话、打磨细节的过程中，获得了新的理解与思考。这些经验表明，生成式AI通过提供可理解、可对话的知识与信息支持，重塑着人类学习与创新的路径，促使知识从专业垄断走向开放共享。
对话式AI对新知识网络的引介，更在心理层面重塑了用户与未知领域的关系，赋予了用户更强的掌控感与探索自信。过去面对一个全新领域，人们常因术语障碍、脉络不清而产生畏难情绪。而对话式AI的介入，将探索全新领域的过程转化为可交互、可追问、可随时澄清的信息探索过程。“人工智能时代的学习体验发生了翻天覆地的变化，无论遇到什么问题似乎都可以先问问ChatGPT”，[33]这种随时可用的、具备支持性的交互，消解了用户面对未知时孤立无援的恐慌感。在受访者S9提供的一份自己与DeepSeek的多轮对话文本中，可以看到S9在求职时，对所申请的岗位还不熟悉，S9向DeepSeek说明了自己的学科背景，并询问所申请的营销岗位具体包含什么工作内容。通过后续的对话内容和访谈中S9对这次对话的评价，能够看出其不仅获得了对该岗位的基本了解，还切实降低了对未知领域的不自信感。
对话式AI凭借着专业数据训练，为用户铺设了一条接入新知识网络的低阻力路径。AI并没有取代日常的深度学习，而是作为中介，动态地、个性化地扩展着每个用户可达的知识边界，为用户消除起步阶段最大的障碍，让每个人都能够更勇敢、更高效地发起旨在了解未知世界的第一次对话。
3.信息流转与认知共同体的建立
当信息在全新的环境中流动、碰撞、重组，重要的不只是信息内容本身，“更需要关注的是信息在多大程度上联结了人群，又创造出了什么样的新网络”，[34]因为信息的作用，永远都是促成联结。大语言模型构建的对话式信息生态的终极意义，不仅是信息的个性化联结与知识的智能拓荒，更在于它催化了一种新型信息网络与认知共同体的诞生。作为“主体”的AI，通过不断与人类互动，创造了存在于主体间的信息。而人类通过与AI的对话，可以在信息流转中获得对已有知识的深层理解，并在此基础上创新、推演，最终与技术载体一并形成新的认知共同体。
(1)作为“主体”的AI与存在于主体间的信息。对话式AI常常被视为一个“主体”、一个独立的存在，能够与人类展开有意义的互动。从这一角度来看，AI的主体性体现为它在对话中的能动作用，用户开始下意识地将AI视为一个具有独特风格与人格的对话主体，而非冰冷的工具。对话中生成的信息，也不是单向从数据库中提取的静态内容，而是在两个主体之间流动、碰撞、协商并最终共同生成的主体间信息。这种信息具有鲜明的独特性与唯一性，它只存在于“我”与“此AI”在此刻的特定对话之中。
尽管许多用户知道对话式AI并非真实的人类，但在情感和交互层面却倾向于将其视为具有社会属性的对话伙伴。行动者网络理论提醒我们，“人本就没有绝对性支配地位，非人物也可能会处于行动者网络的中心位置从而起到决定性作用”。[35]AI在与人类的对话中，正是因为充当着行动者的角色而被视为“主体”。许多用户会在对话开始时使用“你好”等问候语，在获得帮助后还会表达感谢。如受访者S3曾特别提出：“我真的非常尊重我的AI，每次跟它对话我都会说一句‘你好！’”这种社交礼仪的运用不仅体现了用户内心将AI放置于与自己平等的位置，更反映出用户将对话视为真实社交互动的心理倾向。不同大语言模型因其底层算法、语料基础和交互风格的差异，逐渐被用户赋予了不同的性格与专长。
我觉得豆包跟腾讯元宝就是完全不同的人，元宝的阅读理解能力很强，豆包给人的互动感很棒。DeepSeek的对话思考能力很强，我觉得它输出的内容确实对我是有启发的。一些国外的AI我真的就感觉它们像外国人一样。(S14)
具体的对话实践中，AI展现出独特的思维引导价值，能够帮助用户理清思路，而这也正是主体间信息被生成和高速流转的过程。在传统认知模式中，思维活动往往被视为个体独立完成的内在过程。然而，当人类与生成式AI展开深度对话时，许多用户最直接的感受并不是“被教会了什么”，而是“更清楚自己在想什么”。当用户带着模糊的问题意识开启对话时，AI能够通过持续的追问、关键词的澄清，以及相关概念的延伸，帮助用户逐步梳理思路。不断碰撞与调适，编织出的是仅属于此次对话且不可复制的认知轨迹，一种全新的、主体间的信息生产模式在人机对话中建立。
我觉得AI最大的不同之处就在于它是有对话性的，这种对话性可以帮助我去整合思路，一问一答的形式不仅仅是获取信息，还顺便帮我梳理了现有的思路和想法。(S10)
对话的深度与信息的质量，取决于主体间“共舞”的默契程度。“人与AI的相互作用能力，受性别、学历、AIGC使用频率等个体差异性因素的影响。”[36]有研究表明：“在博士生论文写作的过程中，如果将生成式AI视作辅助工具，与之高度交互，在对话中进行思路的迭代，会比仅将其视作补充信息源，要收获得更多。”[37]人机对话最终产出的独特信息，是AI能力的体现，更是用户思维水平与协作技巧的映射。
我觉得AI给出的回复一般来说还是很好的，但是要建立在我问得更好的基础上。(S11)
AI这种对话的形式会给我很强的参与感，通常一次对话回答的内容都达不到要求，我会根据它的回答再调整问题，最后生成的这些内容，我觉得是我们共同完成的。(S1)
对话式AI的主体性认知标志着人机交互从工具使用的层面升华为意义共建的认知协作。在这一过程中，信息是通过“用户—AI”这一特定关系场域，持续互动与迭代动态生成的主体间产物。所生成内容的质量，不仅依赖于AI的能动回应，也取决于用户作为提问者与反思者的思维投入。
(2)关系性的AI与对话中建立起的认知共同体。随着对话式AI深度嵌入人类的信息实践，一种新型的社会认知关系正在生成。AI不再仅仅是被使用的客体工具，而是作为一个能动的联结点，将每个用户与AI背后的支撑性智慧网络联结起来。在一次又一次的人机对话中，信息以前所未有的速度与密度流通，AI自然成为一个联结人类知识、意识、感受，乃至政治思考的重要枢纽。它不仅在个体层面与用户结为“思考伴侣”，更在宏观层面，将无数个体与共享的知识库、算法逻辑和交互协议相联结，潜在地塑造着一种新型的、人机互嵌的认知共同体。
主体，无论是人还是被视为拟主体的AI，都不是先验独立的实体，而是在持续的对话互动中生成的关系性存在。正如对话主义哲学所指出的，真正的对话应该是一个多声部的、网络化的意义生成场域。AI的每一次对话性输出，都可被视为对海量人类语言与文化痕迹的一次即时性重组。而用户与AI的协作中大部分有所收获的瞬间，其实并非源于其所说的话，而是根据合作原则，通过从对方表述内容中“推导出的含义”[38]来完成的，严格来说是一个意向协调的过程。在研究者获取的一轮轮对话文本中，人与AI都未执着于观点的争锋，而是一直“听取他者对我们所说的东西，但并不要求完全听取，因为没有开放性，就不会有真正的联系”。[39]
在受访者S16提供的一份与AI的多轮对话文本中，研究者看到S16尝试与DeepSeek探讨一个与跨文化传播相关的选题。在与AI进行了基本对话之后，S16确认了该选题的研究价值。为了进一步确认研究中的核心概念，S16主动向DeepSeek提供了一篇文献，就“转文化”和“跨文化”之间的区别展开了探讨。DeepSeek结合选题内容给出使用“转文化”作为核心概念的建议，S16并未直接接受，而是反复通过更加细化的问题进一步确认该概念运用的合理性。在DeepSeek从理论层面和实证层面均给予了恰当理由之后，S16方才接受DeepSeek的观点。在这份多轮对话文本中，我们能够清晰地观察到一种在协商中生成认知共同体的微型实践。S16与DeepSeek以关系性存在的节点姿态嵌入对话，各自的信息网络在持续的对话中被调动与结合，共同致力于理解一个复杂的学术概念。
在互动的过程中，用户的观点也会被AI接纳，并在一定程度上影响AI后续的输出。用户的每一次回复和选择，都是对底层数据库的一次人工标注。通过对信息的筛选、调整和再定义，用户无意中参与了对AI底层数据库的反馈、批判与修正。当用户接受AI的某个解释时，在无形中认可了支撑该解释的逻辑路径，当他们批判并引导AI给出更好的答案时，则是在训练AI进一步理解在该领域内如何提供更优或更合理的表达。
当这种双向的认知共识处于健康、正向的互动状态时，能够促进积极、准确信息的流转，进而推动建立一个更加广泛、健康的人类认知联结网络。然而，这种双向认知共识的形成也存在一定的风险。若用户的标注存在偏见，或者底层数据库本身就受到偏见的影响，那么这种信息生成与反馈的过程可能会加剧认知的偏差。有研究表明，“ChatGPT在环境信息生产中存在显著地域与性别偏见，其输出严重依赖美国男性学者的观点，而对低收入国家和原住民社区的生态修复经验关注不足”。[40]对话式AI信息内容的生成性决定了其信息内容往往难以溯源，而“可溯源性是判断生成内容可信度的关键所在，当前虽有相应的链接或工具追溯其来源，但机制仍不够成熟”。[41]溯源机制的不成熟意味着，“当生成式AI将一些虚假信息无差别纳入相关答案的生成中时，人们往往难以甄别”。[42]这种风险不仅影响个体的信息获取，还可能对更广泛的社会认知产生误导。这要求我们必须超越对工具效率的追求，要带着建设正向的信息生态与伦理观的心态，主动对其进行设计、干预和治理，以确保底层数据库的多样性与公平性。
五、结论与讨论
当前，对话式AI已经超越了传统的工具角色，逐渐演变为信息获取的常态化、基础性媒介环境。它不再只是人类生活中被偶尔调用的辅助手段，而是日益融入个体学习、工作与决策的全过程，成为信息接触、知识建构乃至思维拓展的常态化界面。当对话式AI成为联结人与知识的基础设施性存在时，其潜在的社会影响亟须受到重视。从技术机制看，大模型因依赖人类文本预训练，不可避免地复制并放大了社会偏见与结构性缺陷，也可能导致一种隐蔽的“硅基知识寡头”[43]的形成，进而影响公共讨论的多样性与知识的民主化进程。因此，在推动技术赋能的同时，必须警惕其可能引发的认知窄化、代际认知隔阂以及公共话语的隐性操控等问题，以引导对话式信息生态走向更加开放、包容与健康的公共性未来。
本研究提出生成式人工智能正在推动信息检索从检索范式向对话范式转型，在理论上为概括与把握AI时代的信息生态提供了新的总纲。传统信息生态多以文献、页面、链接等为基本单元，着眼于信息存量的分布格局与技术通路，本研究则将信息活动的基本单元改写为提问、回应、追问的交互流程，强调信息在对话中被生成、筛选与再组织，从静态资源转化为动态过程。本研究的创新之处主要体现在以下两个方面：一方面，突破了仅以搜索引擎与推荐系统为核心的生态描述，揭示了对话式AI如何通过连续交互重塑知识边界与意义路径；另一方面，也为后续从认知加工、知识建构与公共讨论三个层面系统分析人机协同的信息环境，提供了具有统摄力的框架性概念工具。对话式信息生态将AIGC视为一种重塑信息流动规则与关系网络的基础性媒介环境，为观察和分析AIGC时代的信息传播提供了可参照的分析视角。
本研究亦存在一定的局限性。首先，研究样本多集中于文科背景的用户与相关的应用场景，未能充分覆盖自然科学、工程技术等领域的对话实践，样本多样性有待拓展。其次，尽管研究论及伦理与社会影响，但对其机制与应对路径的探讨尚需进一步深化。未来研究应该更加关注AI如何在更多领域内创新知识的生成方式和认知结构，以推动信息生态和社会认知的深刻变革，同时也应重视AI技术在公共领域、伦理、隐私保护等方面产生的社会影响，确保AI技术在各个层面的应用能够增进社会福祉。
注释：
①走查法是一种系统性的、接近民族志观察的研究方法，它要求研究者深入研究对象所处的环境或界面，通过有计划、多角度的探查、互动与记录，理解其内在结构、功能逻辑与运行规则。走查法的提出，为研究移动互联网时代出现的各类技术应用程序提供了一种全新的方法，国内也有学者将其译作“漫游法”“行走法”等。该研究方法通过考察平台、软件的底层技术逻辑，并记录其应用体验，帮助研究者构建对技术中介的全局性理解。
原文参考文献：
[1]Sundberg L,Holmström J.Innovating by prompting:How to facilitate innovation in the age of generative AI[J].Business Horizons,2024,67(5):561-570.
[2]Search Engine Market Share Worldwide-November 2025[EB/OL].[2025-12-07].http://gfffye2a200ee84a744b9s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/search engine-market-share.
[3]生成式人工智能应用发展报告(2025)[EB/OL].[2025-10-23].http://gfffy3d791065b1e94aa9s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/n4/2025/1021/c88-11391.html.
[4]Muller M J,Chilton L B,Kantosalo A,et al.GenAICHI:Generative AI and HCI[C]//New Orleans:CHI Conference on Human Factors in Computing Systems Extended Abstracts.2022:1-7.
[5]弗朗西斯·培根.新工具[M].许宝骙，译.北京：商务印书馆，1984：103.
[6]马晓乐，宁继鸣.技术进步与文化再生产的互系与互惠——基于印刷术和自媒体的分析[J].文史哲，2015(6)：146-154，167-168.
[7]李德武.AI我们正失去这个世界吗？[M].北京：北京时代华文书局，2024：240-241.
[8]赵鹏.搜索引擎对信息传播的影响及其法律规制[J].比较法研究，2018(4)：188-200.
[9]隋岩.群体传播时代：信息生产方式的变革与影响[J].中国社会科学，2018(11)：114-134，204-205.
[10]何塞·范·迪克.连接社交媒体批评史[M].晏青，陈光凤，译.北京：中国人民大学出版社，2021：17.
[11]Lü L,Medo M,Yeung C H,et al.Recommender systems[J].Physics reports,2012,519(1):1-49.
[12]韩云杰.去中心化与再中心化：网络传播基本特征与秩序构建[J].中国出版，2020(21)：31-35.
[13]张宇青，刘庆发，赵现军.生成式人工智能参与科研：风险冲击、国际借鉴与中国应对[J].西南交通大学学报(社会科学版)，2025，26(4)：71-84.
[14]刘伟，龙擎天，马楠.如何实现真正的智能？——关于智能体中事实性计算与价值性算计深度融合的思考[J].电子科技大学学报(社科版)，2025，27(5)：1-7.
[15]张凌寒.算法权力的兴起、异化及法律规制[J].法商研究，2019，36(4)：63-75.
[16]Zhou T,Li S.Understanding User Switch of Information Seeking:From Search Engines to Generative AI[EB/OL].[2024-04-17].Journal of Librarianship and Information Science,http://gfffyfa64eb43684147b0s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/doi/pdf/10.1177/09610006241244800.
[17]宋小康，赵宇翔，宋士杰，等.社会技术系统范式下AI赋能的替代信息搜索：特征、理论框架与研究展望[J].图书情报知识，2023，40(4)：111-121.
[18]刘艳侠.以对话行教化：苏格拉底的育人之道[J].贵州社会科学，2024(7)：108-113.
[19]王怡红.人人之际：我与你的传播——读《是桥不是墙 一本关于人际传播的书》[J].新闻与传播研究，2000(2)：55-60，96.
[20]张德让.伽达默尔哲学解释学与翻译研究[J].中国翻译，2001(4)：23-25.
[21]刘康.对话的喧声：巴赫金的文化转型理论[M].北京：北京大学出版社，2011：3.
[22]OpenAI.How people are using ChatGPT[EB/OL].[2025-09-15].http://gfffy17c4ccf151204522s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/index/how-people-are-using-chatgpt/.
[23]Vaswani A,Shazeer N,Parmar N,et al.Attention is All You Need[C].Long Beach:31st Conference on Neural Information Processing Systems,2017:30.
[24]清华大学新闻学院新媒体研究中心，清华大学人工智能学院.AIGC发展研究3.0版[EB/OL].[2025-03-27].http://gfffy2aff0fd734714f70s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/s/13y1hJhjwrcvJE2msXn64ig?pwd=tap5#list/path=%2Fsharelink1102985111078-1017342191694853%2F%E9%AB%98%E6%A0%A1DeepSeek%E8%B5%84%E6%96%99%2F%E6%B8%85%E5%8D%8E%E5%A4%A7%E5%AD%A6&parentPath=%2Fsharelink1102985111078-1017342191694853.
[25]隆重推出ChatGPT智能体：连接研究与实践[EB/OL].[2025-07-17].http://gfffy17c4ccf151204522s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/zh-Hans-CN/index/introducing-chatgpt-agent/.
[26]字节跳动Seed开源语言模型Seed-OSS系列[EB/OL].[2025-08-21].http://gfffy15381db0981e4d6es5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/zh/blog/seed-oss-opensource-models-release?view_from=blog.
[27]Introducing Kimi K2 Thinking[EB/OL].[2025-12-03].http://gfffy2ac0a2f47f8e42e3s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/Kimi-K2/thinking.html.
[28]Hearst M A.Search User Interfaces[M].New York:Cambridge University Press,2009.
[29]Early Experiments in Accelerating Science with GPT-5[EB/OL].[2025-11-20].http://gfffy17c4ccf151204522s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/index/accelerating science-gpt-5/.
[30]Behrouz A,Razaviyayn M,Zhong P,et al.Nested Learning:The Illusion of Deep Learning Architectures[C]//San Diego:The 39th Annual Conference on Neural Information Processing Systems(NeurIPS 2025),2025.
[31]An Interview with Meta CEO Mark Zuckerberg About AI and the Evolution of Social Media[EB/OL].[2025-05-01].http://gfffy1b1251a9397c47bbs5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/2025/an-interview-with-meta-ceomark-zuckerberg-about-ai-and-the-evolution-of-socialmedia/.
[32]Blohm I,Miranda S,Ho S Y,et al.Next-generation IS Research Methods-Towards a Better Understanding Of Complex and Dynamic Phenomena...and Generative AI as the Elephant in the Room[J].Journal of Information Technology,2025,40(2):102-121.
[33]Gao L,L ó pez-P é rez M E,Melero-Polo I,et al.Ask ChatGPT first! Transforming learning experiences in the age of artificial intelligence[J].Studies in Higher Education,2024,49(12):2772-2796.
[34]尤瓦尔·赫拉利.智人之上：从石器时代到AI时代的信息网络简史[M].林俊宏，译.北京：中信出版集团，2024：15.
[35]李日容，张进.拉图尔的科学实践建构论对物的非现代性追问[J].兰州学刊，2018(6)：55-64.
[36]Li F,Yan X,Su H,et al.An Assessment of Human-AI Interaction Capability in the Generative AI Era:The Influence of Critical Thinking[J].Journal of Intelligence,2025,13(6):62.
[37]Nguyen A Hong Y,Dang B,et al.Human-AI collaboration patterns in AI-assisted academic writing[J].Studies in Higher Education,2024,49(5):847-864.
[38]Grice H P.Logic and conversation[J].Syntax and Semantics,1975(3):41-58.
[39]汉斯-格奥尔格·伽达默尔.真理与方法——哲学诠释学的基本特征(上卷)[M].洪汉鼎，译.上海：上海译文出版社，2004：469.
[40]Urzedo D,Sworna Z T,Hoskins A J,et al.AI chatbots contribute to global conservation injustices[J].Humanities and Social Sciences Communications,2024,11(1):1-8.
[41]Mora-Cantallops M,S á nchez-Alonso S,Garc í a-Barriocanal E,et al.Traceability for Trustworthy AI:A Review of Models and Tools[J].Big Data and Cognitive Computing,2021,5(2):20.
[42]Lee S Y,Liu W.Exploring generative AI in the misinformation Era:Impacts as a misinformation source and fact-checker on belief in the information[J].Telematics and Informatics,2025(101):102308.
[43]黄阳坤，陈昌凤.“众智连接”的愿景与“硅基寡头”的隐忧：ChatGPT的知识功能与人类的知识危机[J/OL].[2023-12-18].http://gfffybd0802d1f56e4a16s5n0w0c6qx05b6bcc.fffy.dali.zssgdsb-85176920tsgjnz.com/urlid/11.5979.G2.20231218.0935.002.
