我们是否正在用AI替代思考，却忘了思考本身

从认知科学的角度看，奥尔特曼的担忧并不新鲜。Clark和Chalmers在1998年提出的“扩展心灵”假说（Extended Mind Thesis）中已经指出，人类认知天然依赖于外部工具——从纸笔到计算器，再到今天的LLM。但这里有一个关键差异：过去的工具是“执行器”，我们仍然需要设计步骤、解释结果；而今天的AI是“完成器”，它直接输出答案，跳过中间过程。

问题在于，当推理过程被黑箱化，人类大脑的“计算回路”可能被长期抑制，进而萎缩。这就好比一个长期依赖导航的人，会逐渐失去方向感。

---

从实验设计的角度，要验证奥尔特曼的假设，需要区分“工具性使用”和“替代性依赖”。我最近在课题组讨论过类似课题：如何设计纵向实验测量AI依赖对认知的影响。一个可能的框架如下：

# 实验设计伪代码
class CognitiveDeclineExperiment:
    def __init__(self):
        self.group_A = 随机分配(高AI依赖组, n=50)
        self.group_B = 随机分配(低AI依赖组, n=50)
        # 基线测试：解决问题能力、元认知准确性、记忆检索速度
        self.baseline = run_battery_of_tests()
        
    def intervention(self, weeks=12):
        for week in range(weeks):
            group_A.assign_task(允许使用GPT-4完成复杂推理)
            group_B.assign_task(仅允许使用搜索引擎+纸笔)
        # 后测
        self.posttest = run_battery_of_tests()
        # 分析效应量
        return cohens_d(self.posttest - self.baseline)

当然，这样的实验在现实中很难控制变量——你无法阻止受试者在课外使用AI。但一些初步研究已经给出警示。例如，2023年一篇发表在《Memory & Cognition》上的论文（Sparrow et al., 2023）发现，当人们知道信息可以轻易从网上获取时，他们对信息的语义记忆编码会显著减弱。这被称为“Google效应”（Google Effect）。AI的便利性比搜索引擎更强，因为搜索引擎需要你筛选和判断，而AI直接给你一个“看起来合理”的答案。

---

这张图里，一个人坐在屏幕前，光影交错，神态模糊。这让我想起计算机视觉里的一个经典问题：当模型学会了从数据中提取特征，它是否真的“理解”了场景？还是仅仅学会了统计关联？同样的，当人类依赖AI获取答案，我们是否在丧失对问题本身的“视觉理解”？

在CV领域，我们常说“模型是工具，但研究者必须理解特征图”。如果一个学生只会调用预训练模型，却看不懂梯度传播，那么他永远无法调试模型。同样，如果一个普通人只会用ChatGPT写邮件，却从不思考语法结构、逻辑连贯性，他的写作能力必然退化。这不是预测，而是基于“使用-依赖”神经可塑性的基本事实。

[!note] 核心机制

认知卸载（Cognitive Offloading）本身不是坏事，但卸载的阈值决定了认知能力是扩展还是萎缩。当卸载比例超过某个临界点，大脑的“要事优先”机制会认为不再需要维护该能力，从而将其释放。

从进化心理学看，大脑是一个精明的能量管家。它不会为不常用的功能保留资源。如果你每天用AI做数学推导，你的代数推理能力会下降，但节省下来的神经资源可以用于其他高价值活动（比如创造性思维）。问题是，这些节省下来的“能力”如果没有被主动使用，就会变成纯粹的奴役——你依赖AI，却没有做更有价值的事。

奥尔特曼提到的“被低估的风险”正在于此：我们可能低估了AI对元认知的影响。元认知（metacognition）是“对思考的思考”，它让我们知道自己何时该相信自己的判断，何时该求助。过度依赖AI，会削弱我们对自己认知边界的感知。当AI给出一个错误答案时，没有元认知的人会直接接受，而不是质疑。

---

那怎么办？行动建议其实很简单：**定期

原文链接：https://www.ithome.com/0/983/812.htm