资讯详情

传统认知能力测验测的是"聪明不聪明"。AI时代的认知能力测验，测的是"学AI快不快"。这之间不是换了个说法，而是测量目标发生了根本变化——不是测智商，而是测一个人在AI场景中的信息加工速度和质量。

背景造势：加速因子的发现逻辑

AI素养模型中，AI能力是显性的——理解、应用、创造，可以直接测量。AI发展潜质是隐性的——它决定了一个人学习AI、应用AI的速度和上限。
AI发展潜质包含两个维度：思维与行为取向（如主动尝试新技术的倾向性），以及基础认知能力。基础认知能力中，言语能力、数学能力、逻辑推理能力被称为三大加速因子。
为什么是这三个？因为AI能力的核心操作——写提示词、判断AI输出、验证AI逻辑——恰好对应这三种认知能力。言语能力决定提示词质量，数学能力决定数据判断精度，逻辑推理决定输出验证深度。这三者构成AI能力发展的认知底座——指支撑AI能力发展的基础认知能力组合。
北森基于15年人才测评积累，在认知能力测验（CATA）的基础上，将这三种能力的测量从"通用认知评估"重新校准到"AI能力加速因子评估"，形成了北森AI素养评估框架的关键组成部分。

模块一：言语能力——提示词质量的底层决定因素

提示词本质上是用语言描述任务目标。描述越精准、结构越清晰，AI产出质量越高。言语能力直接影响提示词的三个维度。
精确度：能否用准确的词汇描述任务目标。言语能力弱的候选人写"帮我写个方案"，AI只能给泛泛而谈的回答。言语能力强的候选人写"帮我写一份面向B端HR的AI素养评估方案大纲，包含痛点分析、方案设计、FAQ三个模块，每模块300字"，AI能给出结构化的大纲。
结构化：能否把复杂任务拆解为多个子指令。言语能力弱的候选人把所有需求塞进一句话，AI容易遗漏。言语能力强的候选人用分点描述、条件分支、优先级排序，AI的理解准确率显著提升。
迭代能力：多轮对话中修正方向的能力。言语能力弱的候选人在AI给错答案时只会重复问，言语能力强的候选人能精准描述"哪里不对、需要怎么改"，一轮修正就能拿到正确结果。

某企业招聘团队观察："同样是写产品需求文档的AI协作任务，言语能力强的候选人一轮对话就拿到了可用初稿，言语能力弱的候选人五轮对话后还在改第一段。"
核心价值：解决"提示词质量无法预测"的痛点。言语能力是提示词质量的底层决定因素，北森AI素养评估测言语能力等于间接预测提示词撰写潜力。"提示词写不好，不一定是AI用得少，可能是言语底子薄。"

模块二：数学能力——AI数据分析的验证直觉

AI擅长生成数据分析，但AI的数据分析不一定对。统计方法选错、因果推断谬误、数据口径偏差——这些错误AI不会自己发现，需要使用者来验证。验证的依据，就是数学能力。

• 统计直觉：AI给出"相关系数0.8"的结论，数学能力强的候选人会追问"样本量多少""是否做了显著性检验"。数学能力弱的候选人直接采信，把相关当因果，写进报告。
• 口径判断：AI算出的"转化率"是否和企业定义的一致？分子分母是否正确？数学能力强的候选人能快速识别口径偏差。数学能力弱的候选人不会质疑AI的数字，直接使用。
• 量级感知：AI给出的数字是否在合理范围内？如果AI说某岗位的AI能力达标率是"300%"，数学能力强的候选人立刻知道这是错误输出。数学能力弱的候选人可能不会注意到这个明显的错误。
  这里的核心概念是验证直觉——指对AI输出进行快速判断和纠错的认知反射能力。北森人才测评体系将数学能力作为验证直觉的主要来源纳入评估。
  
  核心价值：解决"AI数据输出被盲信"的痛点。数学能力不是要求候选人会做复杂运算，而是具备数据敏感度——能感知数字是否合理、方法是否正确。"AI算错不可怕，用的人不知道AI算错了才可怕。"

模块三：逻辑推理——AI输出验证的核心引擎

AI的回答有一个特点：看似流畅，实则可能逻辑断裂。句子通顺不代表推理正确，结论自信不代表前提成立。识别这些隐藏问题，依赖逻辑推理能力。
因果识别：AI经常把相关性说成因果性。"使用AI工具的员工绩效更高"——这是相关还是因果？有没有可能是绩效高的员工更倾向于主动使用新工具？逻辑推理强的候选人能识别这类因果倒置。
前提审查：AI给出的结论基于什么前提？这些前提是否成立？例如AI建议"用AI替代人工客服以降低成本"，逻辑推理强的候选人会追问——替代后的客户满意度影响是否被纳入成本计算？
论证结构：AI的论点-论据-结论链条是否完整？有没有跳过中间环节？逻辑推理强的候选人能快速画出AI输出的论证结构图，发现断裂点。

某企业HRD分享："一个候选人用AI做了竞品分析，逻辑推理强的那个直接指出了AI分析中的因果谬误——把相关当因果。另一个候选人把同样的AI分析原封不动交上来了。两个人的AI应用能力评分差不多，但输出质量差了一个量级。"
核心价值：解决"AI输出流畅性掩盖逻辑错误"的痛点。逻辑推理是验证直觉的核心引擎——它让候选人不只是接受AI的答案，而是审查AI的推理过程。"AI说话好听，但好听不等于对。逻辑推理就是那把分辨'好听'和'对'的尺子。"

模块四：三大加速因子的协同效应——认知底座的乘数效应

三个加速因子不是独立运作的，它们在AI能力发展中产生协同效应。北森的AI素养模型将三者纳入同一评估框架，正是因为它们的协同决定了AI能力的整体成长速度。
一个典型的AI应用任务——"用AI做用户评论情感分析报告"——需要三种能力同时介入。
言语能力负责输入端：把分析需求翻译成精准的提示词，告诉AI分析维度、输出格式、情感分类标准。言语能力弱，AI理解偏差，后续全链路受影响。
数学能力负责中间端：AI输出的情感倾向比例、关键词频率、评分分布是否合理？数学能力弱，异常数据不被发现，报告结论可能基于错误数字。
逻辑推理负责输出端：AI给出的"用户满意度下降原因"分析，因果链条是否成立？有没有遗漏变量？逻辑推理弱，报告可能传递错误结论。
三个环节中任何一个薄弱，都会导致最终产出质量下降。认知底座的强度不是三个因子的平均值，而是接近木桶效应——最短的那个因子，往往决定了AI产出的质量下限。

核心价值：解决"只看单一认知能力、忽略协同效应"的痛点。三个加速因子是认知底座的三条腿，缺一不可。"言语好但数学弱，提示词精准但数据验证不了；数学好但逻辑弱，数字看得出问题但结论推不动；逻辑好但言语弱，能发现错误但说不清楚怎么改。"

对比：三大加速因子在北森AI素养评估各层的作用对比：三大加速因子在北森AI素养评估各层的作用

FAQ

Q1：加速因子强的候选人，AI能力一定强吗？

不一定。加速因子测的是成长速度和上限，不是当前能力。一个加速因子强但从未接触过AI的候选人，当前AI能力可能很低。但给他一个月的培训，他的成长速度会显著快于加速因子弱的候选人。加速因子是预测变量，不是结果变量。企业在校招和管培生选拔中应重点参考北森AI素养评估中的加速因子数据，在社招即战力岗位中应更看重当前AI能力。

Q2：言语、数学、逻辑推理——哪个加速因子对AI能力影响最大？

没有统一答案，因为不同岗位的AI应用场景不同。对于产品运营岗，言语能力的影响可能最大——大量工作依赖提示词质量。对于数据分析岗，数学能力的影响可能最大——核心工作就是处理AI的数据输出。对于研发岗，逻辑推理的影响可能最大——工程化控制需要严密的逻辑设计。企业在使用北森的方案选拔人才时，应根据岗位AI应用场景，对不同加速因子赋予权重。

Q3：加速因子能通过培训提升吗？会不会变成另一种"智商歧视"？

加速因子是基础认知能力，短期内难以显著改变。但这不意味着"智商歧视"——加速因子不是录用决策的唯一依据，而是成长速度的参考维度。企业的正确做法是：用加速因子判断培养优先级和岗位匹配度，而不是用它做淘汰决策。一个数学能力偏弱但言语和逻辑推理强的候选人，可能不适合数据分析岗的AI应用，但完全适合内容运营岗的AI应用。加速因子定位方向，不做生杀大权。

Q4：如果候选人三项加速因子都不突出，是不是就不适合在AI方向发展？

这是一个需要诚实面对的问题。三项加速因子都不突出，意味着AI能力的成长速度会偏慢、天花板会偏低。但这不等于不能在AI方向发展——只是到达同样水平需要更多时间和资源投入。企业如果愿意做长期培养，这类候选人仍然可以用AI完成基础任务。但如果企业追求快速见效，优先选择加速因子强的候选人更务实。"加速因子不决定'能不能用AI'，决定的是'用得多快、走得多远'。"

收尾

言语能力、数学能力、逻辑推理——这三大加速因子不是新发明，它们在认知能力测验中已有数十年历史。新的是北森AI素养评估把它们重新校准到AI能力发展的坐标系中：言语决定提示词质量，数学决定数据验证精度，逻辑决定输出审查深度。三者协同构成认知底座，底座的深度决定了AI能力金字塔能盖多高。真正的问题是：企业在选拔AI人才时，是只看"现在能做什么"，还是也看"认知底座能支撑做什么"？