當AI替你思考：認知投降的代價｜人工智能發展｜經濟學人｜May02 2026｜

大家好,歡迎收聽知否,我們分享最新一期5月2日經濟學人雜誌值得關注的內容。 本次分享有關AI科技發展的話題,題目是 當AI替你思考,認知投降的代價 一位職場新人打開AI助手,輸入問題,等待答案,複製粘貼,提交報告 整個過程不超過10分鐘 他甚至沒有意識到,那個答案裡有一處關鍵錯誤,而他也沒有發現 這不是一個科幻故事,而是正在無數辦公室、課堂和會議室裡每天上演的場景 當人工智能以驚人的速度滲透進我們的工作與思維流程 一個令人不安的問題開始浮出水面 我們是在藉助AI變得更聰明,還是在悄無聲息地讓渡自己的判斷力 一,一項令人警覺的實驗 賓夕法尼亞大學沃頓商學院的史蒂文‧肖‧斯蒂文‧沙爾和他的同事吉迪恩‧納夫‧基迪恩‧內夫 做了一個設計精巧,結果令人不安的實驗 他們讓志願者藉助AI回答一系列有難度的問題 同時悄悄在AI的部分答案中隨機植入錯誤 結果是,當AI給出正確答案時 使用AI的人明顯優於那些單憑自己思考的對照組 這符合直覺,畢竟AI確實強大 但當AI給出錯誤答案時,情況發生了戲劇性逆轉 使用AI的參與者表現遠遠差於從頭到尾依靠自己的那組人 換句話說,人們不只是接受了錯誤答案 而是連帶著放棄了自己本可以獨立發現錯誤的能力 肖江這一現象命名為認知投降Cognitive Surrender 不是有意識地把任務交給工具 而是在不知不覺中交出了判斷本身 這篇發表於近期的研究論文 讓沃頓商學院的研究者們憂慮的 不只是個人層面的失誤 而是當整個組織、整個行業都以相似方式使用AI時 這種集體性的判斷力侵蝕將意味著什麼? 二、歷史先例,計算器與導航儀的教訓 肖的發現並非橫空出世 在此之前,人類已經用過幾次類似的認知外包實驗 最經典的一個案例來自路易斯安那大學拉法葉分校的 馬克‧拉克爾‧馬克‧勒庫爾 他在研究計算器對本科生影響時 特意讓計算器在某些運算中給出錯誤答案 結論令人印象深刻 即使答案明顯荒謬 相當一部分參與者仍然沒有產生懷疑 而是直接接受了計算器的輸出 當我們習慣於相信一個工具 我們對它的批判性審視便會隨之降低 再看導航軟件 哈佛醫學院的路易莎‧達瑪尼‧魯伊薩‧戴蒙尼 越多使用GPS導航的人 其空間記憶能力越差 另有研究顯示 使用手機導航的行人 走的路線往往比拿著紙質地圖的人更繞 停頓次數也更多 他們並沒有因為卸載了地圖記憶而解放出更多認知資源 反而變得更依賴、更低效 還有谷歌效應 Google Effect 當人們預期一條信息隨時可以被搜索到時 他們對這條信息的記憶留存會系統性地下降 工具的可及性本身就在重塑我們的記憶和學習機制 這些先例提供了一個共同的敘事框架 將認知任務外包給工具是有代價的 代價的大小取決於我們外包的是什麼 外包到什麼程度 以及我們是否保留了獨立驗證的能力 如果說計算器是認知外包的第一代 GPS是第二代 那麼大型語言模型LLM就是一次量級上的躍升 原因不只在於AI的能力更強 更在於它的介面設計 計算器只處理數字 導航軟件只管路線 但AI可以替你寫郵件、分析數據、起草報告 給出建議、甚至模擬對話和推演策略 它的能力邊界模糊 幾乎可以介入任何認知活動 更重要的是它使用自然語言 語氣流暢、充滿自信 極易令人產生這是個知情者在說話的錯覺 與此同時 當前AI領域正經歷一場供應側的劇烈擴張 據經濟學人報導 今年前三個月 一個AI模型市場處理的每週Token量翻了四番 Anthropic、Amazon、OpenAI等主要玩家都在抱怨 計算力不夠用 這種需求爆炸式增長的背後 是人類與AI協作 已經滲透進商業、教育、醫療、法律等各個領域 用量越大 依賴越深 認知投降的潛在規模也就越大 值得注意的是 AI使用的便利性和其輸出的自信程度之間 存在一種危險的搭配 越是自信的錯誤 越難被發現 這與計算器實驗的發現高度吻合 人們不是因為懶惰而接受錯誤 而是因為信任邊界被模糊了 對於企業管理者來說 這個研究結論製造了一個兩難困境 一方面 AI確實大幅提升了工作效率 在許多場景下 使用AI的員工產出更多、更快 犯下低級錯誤的概率也更低 前提是AI給出了正確答案 另一方面 如果整個團隊都在AI給出正確答案時依賴它 給出錯誤答案時無法識別 那麼這個團隊的風險管理能力就大打折扣 目前多數企業管理者的關注點還集中在 如何讓員工更多地使用AI上 尚未深入思考AI對員工思維方式本身的影響 但隨著AI錯誤引發的實際後果逐漸顯現 無論是醫療診斷的誤判、財務分析的漏洞 還是法律文書的錯誤 管理層將不得不面對認知投降問題 賓夕法尼亞大學的蕭給出了幾條實用建議 第一,有意識地招募高認知需求 這類人天生對知識挑戰保有熱情 即便在使用AI時也更傾向於主動驗證 而不是被動接受 這不是說要拒絕接受AI輔助 而是要確保團隊中有足夠比例的主動思考者 作為把關人 第二,設計激勵機制 蕭的實驗還發現 當參與者被告知答案正確與否 並且正確答案有金錢獎勵時 即使AI給出了錯誤答案 人們也更傾向於推翻它 這說明反饋循環和激勵設計 可以在一定程度上抵禦認知投降 對企業而言 如果只考核產出而不考覈過程中的獨立判斷 等於在制度層面鼓勵依賴 第三,設置無AI時間 這聽起來像是反技術主義的姿態 但背後有實證支撐 法國歐洲工商管理學院 INSEAD斯特凡諾斯 波利迪斯 Stefanos Pulidis 和同事招募了200多名國際象棋俱樂部的學生 在一個AI輔助訓練平臺上開展實驗 一部分學生可以隨時點擊按鈕獲取AI建議 按需組 另一部分學生則只在特定節點被自動推送建議 限定組 結果按需組的進步幅度不足限定組的一半 這個結論非常反直覺 隨時可以獲取幫助 反而學得更差 研究者認為 當人們知道幫助隨時唾手可得時 自我努力解題的動力就會顯著下降 深層的認知訓練也就無從發生 五,不只是個人能力問題 認知投降的危險並不只停留在某個員工犯了錯的層面 它指向的是一種更系統性的集體知識退化風險 試想一個場景 某個行業的從業者 在過去五年裡幾乎所有複雜判斷都交由AI輔助完成 那些在AI時代之前靠大量實踐磨練出的判斷直覺 醫生對影像的經驗性識別 分析師對市場異常的敏銳感知 工程師對系統故障的預判將在多大程度上萎縮 當AI系統本身出現系統性偏差或遭遇攻擊時 誰來發現? 這種擔憂在網絡安全領域已經高度顯性化 在今年4月於新加坡舉行的Black Hat Asia安全大會上 資深網絡防禦專家指出 AI工具已經讓攻擊者能夠在數小時內完成 以往需要數週的滲透工作 而防禦方同樣在利用AI快速迭代應對策略 這種人機協同的攻防博弈 對每一位參與者的獨立判斷力都提出了更高要求 因為一旦你完全依賴AI防禦 對手只需找到AI的盲點 整條防線就會崩潰 更深層的文化影響同樣值得關注 當一代人從學習階段起 便習慣於把推理過程外包給AI 當思考越來越變成提問加粘貼 知識的積累方式 問題意識的形成 乃至對錯誤的直覺感知 都將發生根本性的變化 6.主流媒體的不同聲音 圍繞AI與認知能力的關係 媒體和學界並非只有一種聲音 麻省理工科技評論MIT Technology Review 長期關注AI對工作技能的去技術化 the killing 效應 多次報導初級程序員 在GitHub Copilot等代碼輔助工具普及後 獨立調試能力顯著下滑的問題 其立場整體上與肖的研究結論一致 工具的便利性與使用者技能的深度發展之間 存在真實的張力 哈佛商業評論Harvard Business Review 則呈現出更為複雜的圖景 他的多篇文章認為 AI對人類認知的影響高度依賴於如何使用 將AI作為思考的絞手架 而非思考的替代品 可以增強而非削弱人類的推理能力 HBR的觀點偏向於組織設計和管理文化層面的解決方案 而非對AI使用本身的限制 紐約時報的技術專欄作者凱文·魯斯 Kevin Ruse則提出了一個不同的框架 他認為AI帶來的最大風險不是讓人變蠢 而是讓人更自信於自己的錯誤判斷 即所謂自動化偏見automation bias 這與肖的實驗發現殊途同歸 只是側重點不同 肖強調判斷力的被動萎縮 魯斯強調主動採信的錯誤增強 也有反對聲音 認知科學家安迪·克拉克、安迪·克拉克等人 長期主張延伸心靈 Extended Mind理論 人類的認知從來就不是孤立在顱骨之內的 我們始終在藉助工具、環境和他人的參與來思考 從這一框架看 AI不過是認知延伸的新形態 與紙筆、圖書館、搜索引擎並無本質區別 關鍵不在於是否使用外部工具 而在於人與工具之間的協作質量 這一分歧的實質 是關於什麼構成真正的思維能力的根本性爭議 這個問題目前沒有定論 沒有人主張回到算盤時代 也沒有人真的相信拒絕AI是現實選項 問題的核心從來不是用還是不用 而是如何用以及用到什麼程度 蕭的研究提供了一個簡潔的思維工具 把認知外包分成兩類 卸載是有意識的委託 我知道這個計算我可以交給機器 我保留的是判斷這個結果是否合理的能力 投降則是不知不覺地 連判斷力本身一起交了出去 這個區別在AI功能極度整合的時代 正變得越來越難以把握 當AI不只給出計算結果 而是給出完整的分析報告 附帶結論和建議時 保留驗證能力就要求使用者 對底層邏輯有足夠的獨立理解 而這種理解 恰恰是長期依賴AI後最先流失的東西 這不是悲觀主義 而是一種必要的自我審視 在我們為AI的強大而讚歎 為其效率而歡呼的同時 也需要問自己 我們還記得怎麼思考嗎 以上就是我們本次分享的內容 感謝您收聽知否頻道