洞见特写|AI 正在提升人的表现,却未必提升人的能力
1. 洞见特写|AI 正在提升人的表现,却未必提升人的能力
[!abstract] 速览
- AI正在提升人的表现,却未必提升人的能力。
- 被交出去的不再只是写作、计算和检索工作。很多时候,连判断和反思也被一并外包了。
- 其中最危险的,并非能力不足的“迷失状态”,而是高绩效却低成长的“自动驾驶绩效”。
- AI负责检索、计算、生成和扩展认知边界;人类则负责判断目标、验证结果、进行价值选择和创造性思考。
- AI可以成为认知的杠杆,但不应成为思考的义肢。
生成式 AI 显著提高了任务执行效率,但通过自动化认知过程,可能导致人类在缺乏主动验证的情况下,误将流畅的输出当作真实理解,从而抑制了真正的学习和能力增长。
1.1. 摘要
本文探讨了生成式 AI 对人类认知和学习的潜在负面影响。虽然 AI 可以快速提供高质量的答案,但它也可能导致’元认知卸载’,即人们不再主动检查或质疑 AI 的输出,从而陷入思维陷阱。研究建议,为了避免能力退化,人们应该将 AI 视为学习伙伴而非答案机器,并保持对结果的批判性验证。
1.2. 主要内容
| 要点 | 说明 |
|---|---|
| 1. AI 创造了新的能力幻觉 | 在传统社会中,表现和能力通常是相关的。然而,AI 允许缺乏经验的用户完成复杂任务,这导致他们可能误以为自己拥有了这些能力,而实际上他们只是依赖于 AI 的自动化。 |
| 2. 被 AI 拿走的,不只是工作,还有思考权 | 当人们依赖 AI 来生成答案时,他们往往也会将判断和反思的过程外包给机器。这导致大脑处于一种’自动驾驶’状态,缺乏对信息的自主验证,从而抑制了学习。 |
| 3. 越聪明的 AI,越容易让人停止学习 | AI 生成的内容通常非常流畅和连贯,这使得人们更容易接受它们为真理,而不会进行必要的批判性分析。这种’流畅性陷阱’使得人们停止了对信息的验证,从而阻碍了知识的积累。 |
| 4. AI 时代的四种思维陷阱 | 文章列举了四个常见的陷阱:流畅性陷阱(认为流畅的答案就是正确的)、迎合性陷阱(AI 顺着用户的观点说话)、连贯性陷阱(结构良好的答案掩盖了逻辑错误)和透明性陷阱(详细的解释让人放松警惕)。这些陷阱都导致人们停止对 AI 输出的验证。 |
| 5. 真正的竞争力,不是会用 AI,而是不会被 AI 替代思考 | 未来,仅仅会使用 AI 是不够的。真正有价值的是保持独立思考的能力,能够识别 AI 的错误,并进行跨领域的连接和价值判断。人们需要将 AI 视为辅助工具,而不是替代自己的大脑。 |
一项发表于《Communications Psychology》的最新研究提出警告:生成式AI正在创造一种新的认知悖论。它能够显著提升人的任务表现,却未必带来相应的学习成长。我们可能比过去任何时候都更高效,却未必比过去更聪明。
最近两年,大模型最常见的宣传语是“提高效率”。
这句话当然没错。
写方案、查资料、做数据分析、写代码,甚至完成一份此前需要数小时才能交付的研究报告,AI都能把时间压缩到原来的几分之一。许多人第一次体验ChatGPT时,都会产生一种接近震撼的感受:原来知识工作也可以被如此大规模地自动化。
但在这种兴奋背后,一个更重要的问题却很少被讨论。
当AI帮助我们完成越来越多认知工作时,人类自己的能力究竟是在增长,还是在悄悄退化?
最近发表于 Communications Psychology 的研究 A metacognitive approach to learning and performance in human-AI interaction,试图回答这个问题。论文提出,生成式AI最大的影响,也许并非提高生产效率,而是正在改变人类学习和成长的底层机制。
研究团队提出了一个看似简单、实则尖锐的判断:
AI正在提升人的表现,却未必提升人的能力。
这个观点之所以重要,是因为它挑战了我们长期以来的一个默认认知。
1.3. AI正在制造一种新的能力幻觉
在传统社会里,人们通常认为“表现”和“能力”基本是一回事。
学生考试成绩提高,意味着掌握了更多知识;医生诊断准确率提升,意味着专业能力增强;员工工作效率变高,也意味着经验与技能的积累。
很长一段时间里,这种逻辑几乎成立。
但生成式AI出现之后,两者开始脱钩。
一个大学生借助ChatGPT写出高质量论文,并不意味着他真正理解了论文中的理论框架;一个初级程序员利用代码生成工具完成复杂项目,也不意味着他掌握了背后的系统设计能力。
表面上看,绩效提高了。
但能力有没有同步增长,却成了另一回事。
研究者在文中举了一个颇具启发性的类比。
驾驶技术的进步,曾经意味着驾驶能力的进步。一个人必须经过学习、练习、修正和积累经验,才能把车开得越来越好。
但自动驾驶出现之后,情况发生了变化。
一个驾驶经验有限的人,同样可以借助自动驾驶系统安全抵达目的地。此时完成任务的能力,已经部分来自系统,而不完全来自驾驶者本人。
图片来自原文
今天的人机协作,正在进入类似阶段。
问题在于,大多数人只看到了“抵达目的地”,却忽略了驾驶能力本身是否还在成长。
这也是论文最核心的发现之一。
1.4. 被AI拿走的,不只是工作,还有思考权
过去心理学研究普遍关注“认知卸载”。
比如用计算器代替心算,用导航代替记忆路线,用搜索引擎代替知识储存。人类把部分认知任务交给外部工具完成,从而释放有限的大脑资源。
在大模型时代,正在发生的却是一种更深层的变化。
研究团队将其定义为“元认知卸载”。
如果说认知是思考本身,那么元认知就是对思考的管理。
[!question] 元认知的四问
- 我要解决什么问题?
- 我是否真正理解?
- 这个答案可靠吗?
- 还有没有其他解释?
这些规划、监控、检验和修正能力,构成了人类自主学习最核心的部分。
图片来自原文
而当人们越来越依赖AI之后,被交出去的不再只是写作、计算和检索工作。
很多时候,连判断和反思也被一并外包了。
这正是作者最担心的问题。
因为当AI不仅替你写答案,也替你决定什么是正确答案的时候,人其实已经退出了思考过程。
从外部看,人依然在工作。
从内部看,大脑却处于某种“自动驾驶”状态。
1.5. 为什么越聪明的AI,越容易让人停止学习
为了解释这一现象,研究团队建立了一个名为SYNC的新框架。模型将人与AI协作划分为四种状态:
| 象限 | 状态 | 学习增益 | 任务与工作表现 |
|---|---|---|---|
| 象限 I | 迷失(Floundering) | 低 | 低 |
| 象限 II | 刻意学习(Effortful Learning) | 高 | 低 |
| 象限 III | 自动驾驶绩效(Autopilot Performance) | 低 | 高 |
| 象限 IV | 协同精通(Synergetic Mastery) | 高 | 高 |
[!warning] 最危险的不是“迷失”,而是“自动驾驶绩效”
其中最危险的,并非能力不足的“迷失状态”,而是高绩效却低成长的“自动驾驶绩效”。
因为在这一状态下,人很难意识到自己正在退化。
AI生成的内容流畅、完整且逻辑清晰,人们天然会把这种流畅感误认为理解本身。久而久之,大脑逐渐失去主动审视和验证的习惯。
这也是论文提出“四大认知陷阱”的背景。
1.6. AI时代的四种思维陷阱
| 陷阱 | 表现 |
|---|---|
| 流畅性陷阱 | 回答越顺畅,人越容易认为正确。 |
| 迎合性陷阱 | AI倾向于顺着用户已有观点展开讨论,久而久之形成认知回音壁。 |
| 连贯性陷阱 | 一个结构严密、表述完整甚至充满专业术语的答案,很容易掩盖其中的逻辑漏洞和事实错误。 |
| 透明性陷阱 | 当AI展示推理步骤、引用来源甚至给出详细解释时,人们往往更愿意相信它,但“解释存在”并不等于“解释正确”。 |
图片来自原文
[!important] 四个陷阱的共同终点
仔细观察会发现,这四个陷阱其实都指向同一个终点:人类逐渐停止验证。而一旦验证消失,学习也将停止。
这也是为什么今天越来越多教育学者开始重新思考一个问题:
AI究竟应该成为答案机器,还是学习伙伴?
论文作者给出的答案非常明确。
1.7. 真正的竞争力,不是会用AI,而是不会被AI替代思考
未来最理想的人机关系,并不是让AI代替人学习,而是让AI帮助人学习得更快、更深、更远。
在作者看来,真正值得追求的状态被称为“协同精通”。
[!tip] 协同精通:能力互补,而非能力替代
AI负责检索、计算、生成和扩展认知边界;人类则负责判断目标、验证结果、进行价值选择和创造性思考。机器提升效率,人类保持主体性。两者形成能力互补,而非能力替代。
回头看AI的发展史,或许会发现一个耐人寻味的现象。
每一次技术革命,最终淘汰的都不是技能,而是对技能的依赖方式。
工业革命没有消灭劳动,而是改变了劳动。
互联网没有消灭知识,而是改变了获取知识的方式。
而大模型时代真正改变的,也许不是思考本身,而是我们愿意把多少思考权交出去。
未来最稀缺的能力,很可能不再是写得快、搜得快、总结得快。
因为这些事情AI终将做得更好。
真正有价值的,将是那些机器尚无法替代的能力:提出关键问题、识别虚假逻辑、进行跨领域连接、做出价值判断,以及在信息洪流中保持独立思考。
从这个意义上说,AI时代最重要的学习,不是学会使用AI。
而是学会在AI无处不在的世界里,依然保有自己的思维肌肉。
因为决定一个人未来高度的,不是AI替他完成了多少工作,而是当AI关闭之后,他还能思考多少。
AI可以成为认知的杠杆,但不应成为思考的义肢。
1.8. 参考文献
Fan, Y., Yan, L., Molenaar, I., Greiff, S., & Gašević, D. (2026). A metacognitive approach to learning and performance in human-AI interaction. Communications Psychology, 4, 150.