一、从一个有点荒诞的担心开始
这是我前几天刷到的一个视频，提到轻微认知障碍可能出现的表现：注意力容易分散、表达时词穷、记忆力下降……
刷到时下意识对号入座，发现竟然命中了几条。
忽然意识到：再这样高强度用 AI，会不会也变笨？
现在写东西、查资料、做 PPT、写代码，会找 AI；买东西做比较、规划旅行、理解陌生概念，甚至一句话不知道怎么表达，也会顺手问 AI。
以前碰到一个问题，第一反应可能是：“我想想。”
现在越来越变成：“我问问。”
方便是真的方便，但用得越深，越会冒出一个荒诞的担心：
如果哪天 AI 突然不能用了，我们还能不能像以前一样工作、学习和处理生活里的很多事情？
到底是人变强了，还是只是身边多了一个越来越强的“外脑”？
“AI 会不会让人变笨”这个问题只是表象，背后隐藏的可能是：
人和 AI 之间，正在重新分配谁来记、谁来想、谁来判断、谁来做。
二、人类一直在“外包大脑”，但 AI 这次有点不一样
把一部分脑力交给工具，是人类一直在做的事。
有了纸笔，不必把所有东西记在脑子里；有了计算器，不必花大量精力做机械计算；有了导航，走过几次的路也未必真的记得。
2011 年，Science 上有一项后来很有名的研究叫“谷歌效应”。研究者发现，如果人知道某个信息以后还能从电脑里找到，就会更少记住信息本身，却更容易记住“去哪里找到它”。
认知科学把这种现象称为 认知卸载（Cognitive Offloading）：人脑借助外部工具和环境，减少自己承担的认知负荷。
所以，用工具本身并不等于“变笨”。否则纸和笔大概也是最早的“降智工具”。
但 AI 和过去的工具有一个明显区别：
过去的工具，大多帮我们记、算、找；AI 开始帮我们理解、总结、表达、分析、规划，甚至先形成判断。
以前主要交出去的是“做”，现在开始往“想”里走了。与此同时，AI 给人的主观感受太轻松，也会让人高估这种外包的效率。
2026 年一项有 1237 人参与的预注册研究发现，人们普遍预期 AI 会明显提速，但在简单任务中，AI 辅助与独立完成的实际用时没有显著差异。AI 更稳定带来的，是主观上“没那么费劲”。研究者把这种把省力误认为省时的偏差称为 速度幻觉（Speedup Illusion）。
一旦把“少费脑”误当成“更高效”，那些自己几分钟能完成、原本还能顺手练习的事情，也会被习惯性地交给 AI。
比如面对一个方案。
一种方式是先自己看一遍，找出可能的问题，再把判断拿给 AI：
“这是我的看法，你帮我挑战一下。”
另一种方式是文件一打开就问：
“帮我分析一下有什么问题。”
答案可能差不多，但人的过程不一样。AI 的特殊之处，不只是能替我们完成更多任务，还可能把原本用于学习、理解和形成判断的过程一起省掉。
三、交付变快，不等于能力在增长
心理学里的 生成效应（Generation Effect） 早已表明：相比直接阅读现成答案，人主动生成的信息通常更容易留下来。
一项 2025 年发布的 MIT 研究，把 54 名参与者分成只用大脑、使用搜索引擎和使用大语言模型三组，连续完成写作任务。结果显示，只用大脑的一组脑连接最强，搜索组居中，LLM 组最弱；LLM 组也更难准确复述自己刚写出的内容，主观上的“作品归属感”更低。这种风险被称为 认知负债（Cognitive Debt）。
这项研究虽然不能断言“用 AI 会让大脑永久退化”。但它能一定程度说明的是：眼前产出的质量，和人在过程中真正留下了什么，是两套指标。
如果说 MIT 的研究提示了外包思考可能带来的损失，伦敦出租车司机研究展示的就是另一面：长期训练会如何塑造大脑。伦敦的持证出租车司机需要熟记大量街道、地标和路线。研究者用 MRI 将他们与普通人进行比较，发现出租车司机负责空间导航的后部海马体更大，而且从业时间越长，这种差异越明显。这项研究不能直接证明“不用脑就会退化”，但它说明了成年大脑仍有可塑性：长期反复使用什么能力，大脑就会随之适应。
这些研究指向同一个区别：把事情做完，和长出一种能力，并不是同一件事。
如果目标只是交付，能交给 AI 的当然可以交；但如果目标是学习写作、分析或判断，就不能把最需要训练的那一步也跳过去。
2026 年 Anthropic 做过一项随机实验。52 名会 Python、但没接触过 Trio 异步库的开发者，被分成 AI 辅助组和手写组。AI 组平均只快了大约两分钟，差异没有达到统计显著；随后的能力测试中，AI 组平均得分 50%，手写组是 67%，差距最大的是调试题。
交互记录显示，直接让 AI 写代码、改报错的人，后测成绩普遍较低；让 AI 解释概念、追问原因，或者拿到代码后继续弄懂的人，理解保留得更好。
所以，AI 是否削弱能力，不能只看“用没用”，还要看任务目标和使用方式。为了交付，可以让 AI 多做；为了学习，就必须保留必要的认知摩擦。这也把问题推向下一层：当越来越多执行工作交给 AI，人应该把自己的位置放在哪里？
四、AI 接手执行，人要保留判断和接管
分工一变，人的行为也会跟着变。组织行为学里的从众实验就是一个典型例子。
一个答案明明很明显，但如果周围所有人都给出同一个错误答案，一个人也可能开始怀疑自己的判断。
以前是：“大家都这么说。”
现在多了一种：“AI 都这么说。”
问一个模型是这个答案，换几个模型都给出类似方向，很容易产生一种感觉：那应该没问题了。
可几个模型给出类似回答，并不等于几个真正独立的人分别判断过一次。更重要的是，AI 的答案通常特别“像答案”——逻辑完整、表达顺畅、语气确定。
它越像已经想明白了，我们越容易停止继续想。
微软研究院和卡内基梅隆研究者在 2025 年调查了 319 名知识工作者，收集了 936 个真实的 GenAI 使用案例。结果发现：越相信 AI，越少主动进行批判性思考；越相信自己能完成任务，反而越愿意继续思考和核对。
这不意味着人的思考消失了，而是思考的位置变了。过去主要花力气找信息、分析和执行；AI 介入后，人的任务越来越偏向验证、整合、监督和验收。
问题在于，判断和接管能力仍然依赖日常训练。人平时参与得越少，系统出错时越可能接不住。自动化领域早就发现了这个矛盾。
1983 年，经典论文 Ironies of Automation 指出：自动化越强，人平时越少参与；可系统真正出问题的时候，又往往需要人回来处理最复杂的异常。
2025 年，《柳叶刀·胃肠病学与肝病学》发表了一项来自波兰四家内镜中心的观察性研究。医生开始日常使用 AI 辅助息肉检测后，在没有 AI 帮助的普通检查中，腺瘤检出率从 28.4% 降到了 22.4%。观察性研究不能证明下降一定由 AI 造成，但它确实提示了 去技能化（Deskilling） 和 自动化偏差（Automation Bias） 的风险：工具在线时表现更好，工具离线时，人却可能接不回来。
医学场景里的去技能化很严肃，日常工作生活中也有类似现象，最近身边有一个比较火的梗：AI 在手，人人都是“天才程序员”“天才产品经理”；AI 一断，天才集体陨落。笑过之后，问题还是那个问题：工具借给我们的能力，究竟有多少真正长在了自己身上？
现在如果一个 Agent 一路帮你查资料、写代码、修改、检查，真出了问题，你还能不能说清：
它刚才做了什么？为什么这么做？错在哪里？从哪里接回来？
AI 越能做，人还能不能理解、判断、接管和负责。
五、从“用 AI”到“管理 AI”
判断和接管不能只靠临场警觉，还要写进协作过程。AI 一旦从问答工具变成工作流里的参与者，背景、规则、步骤和检查点就需要显性化。
问答式使用很临时：今天解释一次项目背景，明天换个窗口又要重来。于是，AI 实践开始从“问一句”走向“搭一套”。
项目里留下 AGENTS.md、CLAUDE.md，说明项目用途、目录、规则、运行和检查方式；稳定的方法沉淀成 Skill；复杂任务变成 Workflow：资料进入、拆任务、调用工具、生成、检查，关键节点由人确认。
规则和流程解决了“怎么做”，资料多了以后，还要解决“AI 依据什么做”：怎么让 AI 不只是临时检索，而是把知识积累下来？
AI圈大佬Andrej Karpathy 在 2026 年公开的 LLM Wiki 提供了一种思路。
普通 RAG 是每次提问时从资料里找相关片段，临时拼出答案。
LLM Wiki 让 AI 持续维护一套 Markdown 知识库。
原始资料保留，AI 把读过的内容整理成 Wiki；新资料进来后继续更新、关联、发现矛盾。Karpathy 给出的结构里，还把 CLAUDE.md / AGENTS.md 放在 Schema 层，规定知识如何组织和维护。
组合起来，就是一套相对稳定的协作系统：AGENTS.md / CLAUDE.md 定规则，Skill 固化方法，Workflow 组织执行，LLM Wiki 积累知识，再通过复盘持续修正。
这套系统把原来全靠人脑临时记、临时做的事情，变成人和 AI 都能理解、能够持续运转的流程。它的价值不是让 AI 接手更多，而是让委托过程可见、结果可查、关键节点仍由人决定。
六、AI 时代需要“认知编排能力”
管理系统解决了“怎样与 AI 协作”，但还有一个更根本的问题：什么应该交给 AI，什么必须留在人手里？
计算机时代，人没有训练自己比计算机算得更快，而是学会拆解问题、建立抽象，再让计算机参与求解。我们把这类能力称为“计算思维”。AI 时代也需要一次类似的能力迁移：不再和模型比生成速度，而是设计人和 AI 的认知分工。
近年的人机协作研究提出了 Hybrid Intelligence（混合智能）、Human-AI Teaming（人机协同） 和 Orchestration（编排） 等概念。2026 年，PNAS Nexus 的一项跨学科研究认为，人机互补不仅取决于模型能力，还取决于目标与约束、角色划分、注意与质询机制，以及持续评估。Strategic Organization 同年提出 Interpretive Orchestration（解释性编排），把人的角色从“亲自完成分析”推进到“组织人与 AI 共同完成分析”。
这些研究指向的能力可以概括为 认知编排能力：
知道什么应该自己想，什么可以交给 AI；知道问题怎么拆、知识怎么组织，也知道哪里可以自动，哪里必须由人判断。
要做好这种分工，先得有能力审查 AI 的结果。这时，一些看起来很老的理论和经典著作，反倒可以派上用场。
比如 苏格拉底式提问（Socratic Questioning）。面对一个听起来很完整的答案，先别急着接受，而是继续追问：这里的概念到底是什么意思？结论依赖哪些前提？前后有没有矛盾？如果条件变了，结论还成立吗？
《学会提问》把这种追问推进到证据层面：结论凭什么，事实和推断有没有混在一起，什么证据能推翻它。《第五项修炼》则把视角拉到整个系统：一个局部方案放进去，会产生什么连锁反应。至于专业细节是否靠谱，最终还得靠领域知识守住底线。
有了这些基础，才能决定哪些环节交给 AI，哪些必须自己把住。日常工作中，可以先建立四个工作习惯：
第一，先判断任务是为了交付还是为了训练。 为了交付，可以让 AI 多做；为了训练，要保留自己的第一次尝试。
第二，重要问题先形成初步判断，再让 AI 补充和挑战。 哪怕只先想十分钟，也比直接接收答案多了一层主动加工。
第三，重要任务采用 AI 结果前，能够用自己的话说清依据、边界和接管点。说不清，就还没有真正掌握。
第四，对出错代价高、又容易因生疏而失去的能力，定期在没有 AI 的情况下完整做一次，确认关键时刻仍然接得住。
除了日常使用中的习惯，还有两项更长期的训练：
第五，多读一些看起来很老、但经得起反复阅读的经典。 AI 工具更新很快，关于提问、判断、系统和人的问题却没有那么快过时。这些书未必直接教你怎么用 AI，却能帮你建立一套不容易被工具牵着走的思维框架。
第六，刻意训练 元认知（Metacognition），也就是观察和校准自己的思考。 每次用完 AI，可以问问自己：我原本知道什么？哪一步是 AI 替我完成的？我真的理解了吗？没有 AI，我能不能复述、验证和接手？
这些习惯和训练不是为了少用 AI，而是为了在使用 AI 的同时，保留自己的判断权和接管能力。
回到开头：AI 越来越聪明，我们是不是越来越笨了？
决定结果的不是 AI 用得多不多，而是认知分工怎么设计。如果 AI 接走重复劳动，人把精力转向提问、判断、系统思考和创造，人的能力结构会改变，但不一定会变弱。如果连理解和判断也一起交出去，交付可能更快，能力却会慢慢空掉。
AI 越来越聪明以后，我们准备把什么交给它，又准备把什么留给自己？
参考资料
- Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. Science. https://pubmed.ncbi.nlm.nih.gov/21764755/
- Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences. https://pubmed.ncbi.nlm.nih.gov/27542527/
- Yu, S., Cheng, M., Jabbar, A., et al. (2026). Cognitive Offloading and the Speedup Illusion in Human–AI Interaction. arXiv preprint. https://arxiv.org/abs/2605.23177
- Slamecka, N. J., & Graf, P. (1978). The Generation Effect: Delineation of a Phenomenon. Journal of Experimental Psychology. https://doi.org/10.1037/0278-7393.4.6.592
- Kosmyna, N., Hauptmann, E., Yuan, Y. T., et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv preprint. https://arxiv.org/abs/2506.08872
- Maguire, E. A., et al. (2000). Navigation-related Structural Change in the Hippocampi of Taxi Drivers. PNAS. https://pubmed.ncbi.nlm.nih.gov/10716738/
- Shen, J. H., & Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv preprint / Anthropic Research. https://arxiv.org/abs/2601.20245
- Asch, S. E. (1956). Studies of Independence and Conformity. Psychological Monographs.
- Lee, H.-P., Sarkar, A., et al. (2025). The Impact of Generative AI on Critical Thinking. CHI 2025 / Microsoft Research. https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/
- Bainbridge, L. (1983). Ironies of Automation. Automatica. https://www.sciencedirect.com/science/article/pii/0005109883900468
- Budzyń, K., Romańczyk, M., Kitala, D., et al. (2025). Endoscopist Deskilling Risk After Exposure to Artificial Intelligence in Colonoscopy: A Multicentre, Observational Study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903. https://pubmed.ncbi.nlm.nih.gov/40816301/
- Andrej Karpathy. LLM Wiki. GitHub Gist, 2026. https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Wing, J. M. (2006). Computational Thinking. Communications of the ACM. https://doi.org/10.1145/1118178.1118215
- Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid Intelligence. Business & Information Systems Engineering, 61, 637–643.
- Human–AI Teaming for Decision Making: A Multidisciplinary Review and Research Agenda. PNAS Nexus (2026).
- Interpretive Orchestration in Human–AI Collaboration. Strategic Organization (2026).
- Browne, M. N. & Keeley, S. M. Asking the Right Questions: A Guide to Critical Thinking. Pearson. https://www.pearson.com/en-us/subject-catalog/p/pgmtitle/P200000002371/9780137501731
- Senge, P. M. The Fifth Discipline. Penguin Random House. https://www.penguinrandomhouse.com/books/163984/the-fifth-discipline-by-peter-m-senge/