使用AI后为什么思考会变得困难？

使用AI后为什么思考会变得困难？

我总结了四篇近期的研究论文，来展示AI是如何以及为什么侵蚀我们的批判性思维能力。

作者使用AI制作的图像

前言：作者在这篇文章中，借AI技术的崛起，揭示了一场悄然发生的思想博弈。表面上，AI为我们带来了前所未有的效率与便捷，但在无形之中，我们也正在放弃一些至关重要的东西——独立思考的能力。这不仅是一场关于技能与工具的讨论，更是一场深刻的哲学思辨：当AI代替我们思考，我们究竟是在进步，还是在退化？这篇文章带着批判与自省，引导我们重新思考人与技术、效率与思维、依赖与成长之间的微妙关系。当AI日益融入生活与工作，你是否还记得，真正让我们成为“人”的那些能力？

看，我承认，我搞砸了。

AI输出有时会让人失望，但这是一条双向街道。是的，模型有时会产生幻觉，表现不好。但你的提示质量很重要——有时候我也懒得仔细想。被AI的便利性诱惑，我会匆忙完成任务，发送未经检查的邮件和发布未经审核的内容。

现在我尽力三重检查每一件事。但那些疲惫的时刻呢？几百万年的进化并没有让人类具备AI那种机械一致性。

微软的这项研究震撼了我，暗示着频繁使用AI正在积极地重塑我们的批判性思维模式。有些群体会比其他群体更容易承受这种变化的冲击。

一篇2023年的论文预见了这一点，强调了在AI时代将变得至关重要的两项技能。猜猜是什么？

批判性思维和科学。

不是编程，不是数据分析，甚至不是AI工程。但就是那种把战略思维和机械执行区分开来的基本人类能力。

在这篇文章中，我们将探讨Gen AI如何悄悄地重塑我们的认知格局，利用最新的研究来绘制这种转变的地图。但更重要的是，我们将直面那些没人谈论的二阶效应。

因为在我们这个以利润为中心的世界里，谁会去思考日益扩大的技能差距呢？商业老板们会优先考虑这个问题吗？还是我们正走向一个未来，在那里我们正侵蚀那些使我们成为人类的能力？

我们开始吧？

让你不可替代的技能

所以，我们已经确认了AI正在搅动一切。那么，这对你的工作、你的技能、你的未来意味着什么呢？

OpenAI和宾夕法尼亚大学的研究人员决定深入探讨这个问题，他们在论文中写道：《对LLM在劳动力市场潜在影响的初步研究》。

当然，他们不是凭空猜测的。他们拿到了一个庞大的工作数据库，并分析了这些工作中涉及的任务（叫做O*NET）。然后，他们让人类和GPT-4分别评价每个任务使用AI后能提高多少速度。

他们专注于评估单个任务，而不是整个工作。可以这样理解：即使AI不能写完整的报告，能否帮助你检查语法错误？

这张表格才是真正有趣（并且与我们今天的话题相关）。把它看作是一个备忘单，揭示了哪些技能会变得不那么有价值，哪些技能会在AI时代变成你的超能力。

我们来简单明了地解析一下：

想象这张表格中的数字是这样的（我们会关注“β”列，这是一个很好的中等估计值）：

• 正数（比如写作的0.467）：越依赖这种技能的任务，AI影响的可能性越大。

• 负数（比如科学的-0.230在β列）：越依赖这种技能的工作，AI影响的可能性越小。这就像是说，“日常任务越需要科学推理，这个任务越不容易受到AI的直接影响。”

• 更大的数字（无论是正数还是负数，离0越远）：表示这种技能对工作的重要性与AI对该工作的影响之间的关系越强，越可预测。

我们来看一些关键技能及其分数：

• 写作（0.467）：大正数=巨大的红旗。涉及大量写作的任务很可能会受到AI的影响。比如内容创作、报告写作，或者撰写邮件，也就是你很可能已经交给AI做的任务。

• 编程（0.623）：更大的正数！如果你的工作涉及编程，那么……你应该已经在用GitHub Copilot或Cursor了。你最了解这点。这并不意味着程序员会消失，我们会在下一个部分讨论这个问题。

• 批判性思维（-0.196）：负数。需要批判性思维的工作——分析信息、做出判断、解决没有明确答案的复杂问题——较不容易受到AI的影响。正如我之前所说，AI可以生成文本，但它还不能真正思考。

• 科学（-0.230）：另一个负数！依赖科学方法、实验和深厚领域专长的工作相对安全。AI可以帮助数据分析，但它无法取代思考的部分。

这并不是“高技能”与“低技能”任务的对比，而是那些使人类成为人类的技能。

而涉及例行、公事、重复性任务的技能，即使需要培训（比如基础编程或写作公式化报告），也最容易受到威胁。

然而，一种残酷的讽刺正在浮现。那些帮助我们更“聪明”工作的工具正在悄悄地侵蚀我们最宝贵的认知防线。

让我们来看看证据。

用AI效率换取脑力劳动

技能格局正在发生变化。

是的，批判性思维、科学推理和复杂问题解决正变成你在AI驱动的世界中的盔甲。 但这在实践中到底意味着什么？Gen AI是如何改变我们思维方式的？有哪些取舍？

在我们深入探讨之前，我希望你做个小实验。打开你最喜欢的AI工具——ChatGPT、Gemini、DeepSeek，或你使用的任何工具。给它这个提示（根据你的具体角色稍作调整）：

“我需要分析[你的职位名称]角色的批判性思维要求。

首先，根据行业标准预期，生成一个该职位的典型日常和每周任务的完整列表。然后，分析每个任务，并根据它需要多少：

• 分析复杂信息

• 独立判断

• 在没有明确解决方案的情况下解决问题

• 战略决策

将输出格式化为CSV，包含以下列：

任务、批判性思维评分、理由

按批判性思维评分降序排序。”

去吧，我等你……

结果与你自己的评估一致吗？无论如何，这都是一份很好的清单。这次小练习凸显了我们即将探讨的核心困境：AI的双刃剑。

讽刺。AI正在剥夺批判性思维

ChatGPT发布已有两年。从那时起，研究实验室已经开始绘制一个令人担忧的取舍：效率与思维能力。

我分析了三项揭示这一模式的关键研究：

• 《生成性AI对批判性思维的影响：知识工作者的自我报告的认知努力和信心影响》（Lee等，微软研究）

• 《技能差距扩大：生成性AI对初学者程序员的利与弊》（Prather等）

• 《AI工具在社会中的影响：对认知卸载和批判性思维未来的影响》（Michael Gerlich） Gen AI工具无疑是强大的。

例如，“GPT是GPT”研究发现，LLMs可以在相同质量水平下，平均加快15%的工作任务。通过一些额外的辅助工具，这一比例提高到47%至56%的任务。这是一个巨大的提升！《AI工具在社会中的影响》论文也得出结论，AI提供了“更高的效率和前所未有的信息访问”。

但有一个问题。

一些研究揭示了一个紧迫的问题。 他们发现，AI工具使用和批判性思维技能之间有着强烈的负相关（-0.68）。也就是说，使用AI工具越频繁，涉及批判性思维的程度就越低。

“生成性AI对批判性思维的影响”总结时指出： 此外，尽管GenAI可以提高工作效率，但它可能会抑制与工作的批判性参与。它可能导致对工具的长期过度依赖，削弱独立解决问题的能力。

稍微反思一下：

• 你上次真正与一个问题“搏斗”是什么时候？那个你需要深呼吸，集中精力完成的问题。 • 你多久验证一次AI提供的信息？

这不仅仅是关于AI，而是我们对AI的过度依赖。

做得少，做得更好

忘掉机器人全面抢占工作的过时想法。

这种转变是微妙而深刻的。

这是一个正在以指数级速度发生的变化，与Gen-AI工具的采用率完美契合。但它的变化如此渐进，以至于我们很多人甚至没有察觉。我们正在不自觉地适应一种新的工作方式。

想想你的日常。

• 你是否花更多时间编辑AI生成的草稿，从邮件到报告？

• 你是否仍然从头开始构建报告，还是专注于完善AI的分析？

• 你是自己写每一行代码，还是验证Copilot的建议并将其集成到更大的项目中？

这并不是完全由自动化取代工人的问题。一项研究将其称为从“物质生产”到“关键整合”的转变。你的角色正在从创作者逐渐转变为管理者、验证者和AI生成内容的策展人。

AI可以生成文本；但它（目前）还无法运用那些真正让文本变得有效和相关的细微判断。

因此，批判性思维就显得尤为重要。它让你能够评估AI输出的质量，识别偏见，发现错误，并将这些输出整合到更广泛、更复杂的上下文中。

我重新排列了研究中提到的这些能力顺序，把它变成一个迷你框架，方便你对照自己的工作流程进行检查：

1、任务管理（Task Stewardship）：很多人在这里犯了错。

问题：你在使用生成式AI时，是否经常带着清晰的目标？

你是否能清楚界定AI的局限，并知道什么时候该由你接管？

2、信息验证（Information Verification）：

你是否能区分可靠信息和AI生成的幻觉信息？

3、结果整合（Response Integration）：

你能多快、多准确地把一段AI生成的内容无缝融入到你的整体工作中？简单地复制粘贴是行不通的。你需要判断AI输出是否符合你的目标，然后对输出进行调整，使其贴合最终结果。

以软件开发者的角色为例。我去年写过一篇文章，探讨AI是否提升了开发者的生产力：

《AI代码助手提升26%的生产力？请看小字部分》。

结合这篇文章和“鸿沟扩大”（Widening Gap）研究的发现，大多数资深开发者都遵循了上述三个步骤。他们先理解架构以及任务在其中的位置；然后，他们使用生成式AI工具来完成一个小的具体工作；最后，他们将其整合到现有代码库中。

而使用生成式AI的新手程序员，则遇到了以下元认知困难：

1、干扰（Interruption）：

AI不断提供建议，打断他们的思考流程。

2、误导（Mislead）：

AI把他们带入错误的方向，提供了不正确或无用的代码。

3、进阶困境（Progression）：

即使AI提供了一个能运行的解决方案，他们依然很难理解背后的原理。

所以你看，现在想找到一份未来可持续的工作，比以往任何时候都更具挑战。

但你又有多自信，自己并没有过度依赖AI？那些刚入行的人又如何？他们是否正在掉入陷阱？对AI的过度信任，加上缺乏经验，甚至还有一点人类的懒惰，正在共同加剧这个“鸿沟”。

研究已经开始看到这些裂缝了。

更多AI使用 = 更少思考？

隐藏在表面之下的一个危险：虚假的安全感。我们自以为很擅长使用AI，但实际上我们使用AI的效果远没有我们想象的那么好，这之间存在着危险的脱节。

所有这些研究揭示了一个令人不寒而栗的“信心悖论”：人们对AI能力越自信，越不愿意进行批判性思考。

两项独立研究中的数据表格，最能说明这个悖论。

请你想象一下，你正在驾驶一辆配备高度先进自动驾驶系统的汽车。这个系统几乎可以处理驾驶的所有环节。然而，最终负责的依然是你——驾驶员。我将这些“驾驶员”分为两类：一类是拥有强大批判性驾驶技能的人，另一类是批判性驾驶技能较弱的人。

表4：混合效应回归模型的非标准化系数 —— 生成式AI对批判性思维的影响

具备强批判性思维技能的驾驶员：

• 有经验且善于反思的驾驶员，即使有自动驾驶系统，依然会持续监控道路和系统的行为，随时准备接管。（0.52*，反思倾向）

• 自信且技术娴熟的驾驶员，即使使用自动驾驶，依然保持参与，一旦需要，他们随时准备接手。（0.26*，对自身能力的信心）

• 能准确判断自动驾驶何时可能出错的驾驶员，更可能主动介入并纠正。（0.31*，对评估能力的信心）

不具备强批判性思维技能的驾驶员：

• 那些过于信任自动驾驶并认为它能应对一切的驾驶员，更不可能保持警觉，因而可能错过关键错误。（-0.69*，对AI的信任）

同样，另一项研究的数据也证明了完全相同的现象。

继续沿用我们的“汽车与高级自动驾驶系统”的比喻。下表解释了驾驶员对自动驾驶的整体使用情况（AI工具使用），与他们在驾驶决策中对其依赖程度（认知卸载）之间的关系。

表5. 相关矩阵 — 社会中的AI工具

1、AI使用↑，认知卸载↑（r = 0.89）：更多的自动驾驶使用，强烈导致对系统的更多依赖。因此，呈现出0.89的强正相关。

2、AI使用↑，批判性思维↓（r = -0.49）：频繁使用自动驾驶，与核心驾驶技能的下降有关。-0.49的负相关反映了这一点。

总结：更多AI使用 → 认知卸载增加 → 批判性思维下降

也就是说，驾驶员对AI信任度越高，对道路的关注就越少。

我们乐于把思考外包出去，其实并不令人意外。我们正在让AI处理那些我们本可以自己完成，却主动选择不做的任务。如果AI是GPS，你是在学习路线，还是只是机械地听从每一个导航指示？

生成式AI如何加剧技能差距？

事实证明，“经验”比以往任何时候都更加重要，而这也正是“鸿沟不断扩大”的根源之一。

当然，这并不是说有经验就一定没问题，你仍然需要具备批判性思维。

想象一下，你刚毕业，拿到人生中的第一份工作，满怀热情，迫不及待想要证明自己。

但与此同时，你的经验还很欠缺。而你的资深同事们，则早已身经百战。

他们见过顺利推进的项目，更重要的是，他们也见过“惨案现场”，并且熬夜收拾过烂摊子（当然，不是真的现场清理）。因此，资深人士往往会培养出一种“直觉”——什么行得通，什么行不通。

这正是Marvin Minsky所说的“负面专业知识（negative expertise）”，这种直觉极其宝贵。

现在，把生成式AI也放进这个场景里。

对于有经验的员工来说，生成式AI的潜力是指数级的。他们用它来加速那些自己本就熟练掌握的任务。当AI开始“脱轨”时，他们能迅速察觉，因为他们具备“负面专业知识”——他们以前见过类似的错误。

但对新手来说，生成式AI却像雷区。他们可能过度依赖AI，无条件接受AI的建议，而对背后的原理缺乏真正的理解。这些新手更容易陷入“漂移（drifting）”，正如“鸿沟扩大”研究中所描述的那样——不断在AI的建议之间来回切换，却几乎没有真正的进展。

他们缺乏一套完整的思维模型或框架，来有效地引导AI为自己所用。

研究人员观察到，许多使用生成式AI工具的新手程序员都表现出了“元认知困难（metacognitive difficulties）”——这个专业术语的意思其实很简单：他们很难意识到自己在如何思考**，缺乏“思考自己的思考”的能力。这些新手程序员具体表现为：

• 被打断：AI持续弹出的建议不断分散他们的注意力，严重干扰思路。

一名参与者说：“这些提示有时候真的很烦”，

还有人说：“我正想个东西……算了，等下，这个是什么？”

• 被误导：AI提供的错误或无用建议，把他们引向了错误的方向。

• 困在循环里：他们无法理解AI生成的代码为什么能运行（或者为什么不能运行），

这暴露了他们基础知识薄弱的问题。

这些新手并非真的懒惰，他们往往是真的想学。但由于缺乏经验，他们很难有效地筛选和整合AI的输出。

很多使用AI却苦苦挣扎的程序员，以为自己理解了代码，即便代码是错的，他们依然觉得自己“掌握得不错”。AI的帮助给了他们虚假的信心，反而让他们更难意识到自己正在犯错。

教育鸿沟（补充说明）：

这不仅仅是工作年限的问题，教育水平也起到了关键作用。一项研究发现，受教育程度更高的参与者，更倾向于交叉核对AI生成的信息。

受过更高教育的人通常更具怀疑精神，因此更容易运用批判性思维。这意味着，正式教育强调的分析和评估能力，或许能为人们提供一定程度的防护，防止对AI的过度依赖。

社会中某些群体被“去技能化”（deskilling）的风险，已经成为真实的隐忧。如果他们无法建立起扎实的基础知识和批判性思维能力，未来他们想要成功将变得越来越难。

拯救你自己，不要在梦游中走向未来

我已经给你描述了一个迫在眉睫的威胁：AI驱动的高效正在侵蚀你的批判性思维。

然而，真正的问题不是这件事是否正在发生，而是——你现在所处的位置，以及这种趋势会带来什么样的后果。

这不是某种抽象的学术争论（尽管我引用了不少研究）。

这是一个正在你我职业生涯中逐步裂开的深渊。

“轻松工作”悖论

你可能已经同意批判性思维的重要性，但现实是：很多岗位并不会直接奖励这种能力。

无论你是开发、市场、客服，还是其他岗位，是的，有些人在自己的职位上堪称战略天才。但更多的人只是按照流程操作，执行任务，依赖既有框架。

如果你的雇主现在已经乐意让AI完成你80%的任务，而你只负责“监督”，那么，无论是对你自己，还是对你的雇主来说，还有什么动力去培养你的批判性思维能力？

激励错位（这是我最担心的）

当你因为依赖AI提升效率而逐渐丧失批判性思维时，你的公司真的会投资资源来帮你重新掌握它吗？

天啊，我当然见过企业里的“技能提升”项目。资源分配极度不均，质量也参差不齐。

或者，公司会不会发现：直接从那群越来越少的批判性思考者里挖人更便宜、更快捷、更省事？然后让剩下的人自己摸索？我是个现实主义者。利润永远优先于长期员工培养，这就是商业法则。

批判性思维，真的能“培训”出来吗？

理论上是有框架可用的，没错。

但如果你把自己定义为一个批判性思考者，我希望你认真思考这个问题：

你的批判性思维是从公司培训课上学到的吗？还是来源于你亲身经历的那些混乱局面，来源于你用科学方法一点点摸索出来的经验？这些东西，真的能在一个2小时的Zoom会议或1天的工作坊里复制出来吗？

对我个人而言，我的批判性思维来源于：我的STEM教育背景，我作为技术人的职业经历，以及那些跟伴侣一起熬夜讨论战略的夜晚。

教育的回声

高等教育似乎与更强的批判性思维能力存在某种相关性。

但这是教育本身带来的，还是因为本来能接受高等教育的人就具备更强的思辨能力？

而且，STEM背景的人，是否真的更有优势？如果答案是肯定的，其他人应该怎么做才能缩小这种差距？

“经验”错觉

是的，经验很重要，特别是那种“负面专业知识”——知道什么是行不通的。

但如果你的经验来自一个长期压制批判性思维的岗位呢？如果你多年只是在按部就班执行别人制定的流程，把分析工作都交给AI，那这样的“经验”，并不会自动把你变成一个批判性思考者。“经验”本身不是你的护身符，重要的是你经历的是什么样的经验。

我希望你重新审视自己的“经验”。

最后的思考

再强调一次，我并不反对AI。我支持技术进步。

但我对批判性思维和深入研究有太多热爱，绝不会允许AI把它们从我手里夺走。

如果有一天，我失去了独立思考的能力，那么活着还有什么意义？

你是在梦游着走向未来，还是愿意掌控自己的命运？当我们停止批判性思考时，这对我们的大脑会产生什么长期影响？如果你跟我一样在意这些，那你打算怎么保持自己的思维敏锐度？

希望我的这些问题，能让你看到这场技术革命背后那些意想不到的后果。别等到那个深渊宽得没人能跨过去才惊醒。

说到底，没有人会替你思考，也没有人会替你走这条路。