用了AI两年，我的大脑开始生锈，到底错在哪里？

最近，硅谷一位资深工程师的文章在朋友圈刷屏，标题引人深思："工作五年，我好像忘了怎么手写反向传播"。

他复盘了自己如何从"通宵啃论文"的专家，变成一个依赖AI生成代码和报告的"提问机器"，并担忧自己正陷入"认知外包"的陷阱，深度思考的能力正在钝化。

他说的不是空穴来风。

我也是个AI重度使用者，经常会用AI来提供写作素材和思路，有时就在想：

AI再智能一点，以后我输入几个文章关键词，AI秒出答案，我稍加修改润色，一篇文章就成了，那该多好啊。

因为我不再需要像以前一样，想思路、查资料、熬夜推敲每个字句，甚至买书籍进行补课。

但然后呢，我又会反问自己：

"长此以往，写文章还有什么意义？

一方面大家都在比拼AI和提示词了，另一方面，自己也没获得实质性提升，写文章变成了枯燥的编辑和审核工作，没有喜悦可言......"

这种焦虑是真实的，我们不禁会问：AI会让我们变笨吗？

一个流行的、充满赋能感的答案是这样的：

💡 "真正的问题，不是AI让我们退化了，而是我们大多数人，还停留在最低阶的使用方式上。"

这个观点很有启发性，它将我们从对技术的恐惧中拉回，转向审视自身。它告诉我们，主动权在我们手中。

这当然是事实的一部分，也是本文讨论的起点。

但如果止步于此，就像只看到水面上的冰山一角，我需要的是更深层次的真相。

01 第一层思考："技能退化"还是"技能迁移"？—— 一个乐观的开端

我首先会想到，那位工程师忘了手写代码，真的是能力退化吗？

一个常见的类比是：

📊 "就像善用计算器的会计，他不再需要精通心算，因为他的能力已经迁移到了财务分析和战略规划上。"

这就是乐观的"技能迁移"论。它认为，AI帮我们处理了繁琐的执行，让我们能专注于更有价值的创造。

✅ 这个观点有它的合理性：

它鼓励我们跳出"技能固化"的陷阱。比如，一个营销经理不再需要花半天时间用Excel拉数据、做图表，AI可以在几分钟内完成。他便可以将省下的时间，用来洞察数据背后的消费者行为，这无疑是一种价值升级。

💡 此时的结论是：

AI不是要取代我们，而是要升级我们。它淘汰的，只是那些抱着旧地图，不愿寻找新大陆的人。

然而，这个乐观的类比，真的没有漏洞吗？

02 第二层思考：迁移的代价与"能力空心化"的风险

现在，让我对上面的观点提出第一个挑战：

❓ 如果会计从一开始就只会按计算器，却不懂基本的借贷记账法，他能做财务分析吗？

答案显然是否定的。

但这里需要更细致的区分。重要的不是你是否还记得所有细节，而是你是否掌握了底层的思维框架。

一个优秀的程序员可能忘记了某个算法的具体实现，但他仍然理解算法的时间复杂度、适用场景和设计思路。

🎯 这就带来了一个更精确的观点：

AI带来的并非简单的"技能迁移"，而是一场对"能力结构"的重塑。这个过程有三种可能的路径：

🌟 健康的进化

你已经内化了核心原理（如编程思维、数学直觉），现在借助AI工具，让你能更快地实现想法、验证假设。就像钢琴家使用电子琴编曲，技术扩展了表达的边界。

⚠️ 有风险的依赖

你掌握了一定基础，但过早地完全依赖AI，导致基础能力逐渐生疏。这就像学了两年钢琴就完全依赖自动演奏，最终可能连基本的节奏感都会退化。

🚨 危险的空心化

你从未真正理解过原理，直接跳到使用AI。这就像从未学过音乐理论，却试图用AI作曲，结果只能是机械的拼贴。

💡 此时的结论深化为：

AI应该是专业人士的"外骨骼"，而不是新手的"速成捷径"。

关键在于，你是在什么阶段、以什么方式引入AI辅助。

这自然引出了下一个问题：如果道理都懂，为什么现实中第三种情况如此普遍？

03 第三层思考："个人选择"还是"系统塑造"？—— 重新定义问题

我们很容易将问题归咎于个人："是你自己懒，是你没有选择更高阶的用法。"

但这种归因忽略了一个重要事实：我们的选择从来不是在真空中做出的。

就像超市把糖果放在收银台旁边，不是因为那里空间合适，而是精心设计的"选择架构"。

让我们看看AI时代的"选择架构"是如何运作的：

📱 案例一：产品设计的即时满足倾向

主流AI工具都在优化"响应速度"和"答案完整度"。当你提问，它立即给出看似完美的答案。

这种设计逻辑类似于社交媒体的"无限滚动"——通过即时满足来创造依赖。

相比之下，那些需要多轮对话、逐步深入的使用方式，在产品设计上就处于劣势。

📊 案例二：效率导向的评价体系

在许多公司，"用AI提升效率"已经成为KPI。但"效率"往往被狭隘地定义为"产出速度"。

一个每天用AI生成10份报告的员工，可能比花时间深度思考、只产出1份高质量报告的员工更受青睐。

这种评价体系实际上在惩罚深度工作。

💰 案例三：知识付费的"技巧化"趋势

市面上充斥着"10个ChatGPT提示词让你效率翻倍"的课程，却很少有人教"如何培养与AI协作的思维框架"。

因为前者可以速成、易于营销，后者需要长期积累、难以量化。

🎯 认知的再次升级：

这不是简单的"个人懒惰"问题，而是一个"个体理性与集体困境"的博弈。

在当前的激励结构下，选择"快餐式"使用AI，对个人来说可能是理性的短期策略。

但这种"系统塑造"带来了一个更深层的后果：

它不仅影响着我们如何使用AI，更在悄然改变着谁能真正从AI中获益。当"快餐式使用"成为主流，那些有能力进行"深度使用"的人反而获得了更大的相对优势。

这就把我们引向了下一个关键问题：在这样的环境下，不同背景的人使用AI的差距是在缩小还是在扩大？

04 第四层思考：从"技能差距"到"能力鸿沟"——一个被掩盖的真相

面对上述问题，一个常见的回应是：

每个人都可以通过学习"人机协作四层模型"（替代、辅助、增强、启发）来提升自己的AI使用水平。

这听起来就像一个公平的游戏——只要你愿意学习和进步，就能不断升级。

但让我们诚实地审视现实：

为什么同样是使用AI，有人停留在"替代"层面，有人却能达到"启发"层面？仅仅是因为后者更努力吗？

🎹 一个更准确的比喻是：

AI就像一架钢琴，理论上每个人都能弹，但实际效果天差地别。

这种差别不仅来自练习时间，更来自你是否：

• 🎵 有音乐理论基础（对应专业领域知识）
• 👂 有听力训练（对应批判性思维）
• 🎨 有审美积累（对应跨学科视野）
• 👨‍🏫 有名师指导（对应高质量的学习资源）

让我们看看现实中的对比：

💼 资深投资分析师使用AI：

"基于美联储最新的利率决议和过去20年的历史数据，帮我分析本轮加息周期可能出现的三种情景，并评估对科技股估值的影响。"

AI成为他的智囊团。

📚 金融专业大学生使用AI：

"什么是市盈率？"或"帮我写一份股票分析报告。"

AI只是他的百科全书或代写工具。

🤷 完全没有金融背景的人：

可能连该问什么问题都不知道，只能问："哪只股票会涨？"

❗ 看到问题了吗？

AI不是在消除差距，而是在放大差距。它就像一个"能力放大器"——你的基础能力越强，放大效果越明显，强者越强这个理论在AI时代会被无限放大。

这种"能力鸿沟"的形成有其结构性原因：

• 📖 高质量的AI使用需要大量隐性知识，这些知识往往通过长期专业训练才能获得
• 💳 优质的AI工具和API往往需要付费，形成了新的"数字门槛"
• 🔒 最先进的使用方法往往在专业圈子里流传，信息本身就不对称

当我们意识到这种结构性差距的存在，一个关键的概念浮出水面——我们需要重新思考在AI时代，什么是真正的"认知公平"，如何才能确保每个人都有机会成为AI的主人而非奴隶？

05 第五层思考：重新定义"认知主权"——从个人奋斗到结构性权利

面对上述的能力鸿沟，一个自然的反应是强调个人责任：

"每个人都应该努力学习，提升自己，守住自己的'认知主权'。"

这个建议本身没错，但如果仅止于此，就像告诉溺水的人"你应该学会游泳"——正确但不够。

因为当前的"认知主权"面临的威胁不仅来自个人能力不足，更来自结构性的不对等。

想象一下：

• 🔒 当AI的训练数据、算法逻辑都是黑箱，你如何知道它给你的答案是否有偏见？
• 📊 当你的所有数字痕迹都被用来"优化"对你的推送，你还有真正的选择自由吗？
• ⏰ 当AI系统的设计目标是"最大化用户使用时长"而非"最大化用户成长"，你的努力是否在与系统对抗？

因此，我们必须扩展"认知主权"的内涵，让它不仅是一种个人品质，更成为一组应被保障的权利：

1️⃣ 透明权

我有权知道AI如何工作，它的局限在哪里

• 就像食品必须标注成分，AI也应披露其"认知成分"

2️⃣ 选择权

我应能选择AI的工作模式

• 不只是"快速模式"，也要有"学习模式"、"探索模式"

3️⃣ 发展权

社会应提供支持深度学习的环境

• 不能让"快"成为唯一的价值标准

4️⃣ 参与权

作为受影响者，我们应参与AI规则的制定

• 用户不应只是被动的使用者

这意味着维护认知主权需要多层次的行动：

👤 个人层面

是的，我们需要保持学习，培养批判性思维。但也要认识到个人努力的边界，学会识别和抵制系统性的操纵。

🏢 组织层面

企业和教育机构需要创造"慢思考"的空间。比如，一些前沿科技公司开始设立"深度工作日"，禁止使用即时通讯工具，鼓励员工进行深度思考。

📜 政策层面

需要建立AI的"营养标签"制度，强制披露算法的基本逻辑；需要"AI影响评估"机制，评估新技术对认知能力的长期影响。

💻 技术层面

开发"增强型"而非"替代型"的AI工具。比如，不是直接给答案，而是通过苏格拉底式的提问引导用户思考。

当然，以上这样，都可能是我的异想天开。

💭 最终结论：在复杂生态中寻找平衡点

回到最初的问题：AI会让我们变笨吗？

现在我可以给出一个更细致的答案：

🎯 AI本身是中性的工具，但它被嵌入的社会-技术系统却不是中性的。

在当前的发展轨迹下，确实存在认知能力两极分化的风险。但这种风险不是技术决定论的必然结果，而是可以通过有意识的设计和干预来缓解的。

对于个人而言，明智的策略是：

1、区分"工具"和"拐杖"

AI应该是工具，而不是拐杖。

工具是什么？ 是你已经会走路，工具让你走得更快。 

拐杖是什么？ 是你不会走路，没有它你寸步难行。

判断标准很简单：

如果没有AI，你还能不能完成这项工作？

如果不能，那AI对你来说就是拐杖。

你需要警惕了。

2、保持"困难模式"的训练

就像运动员需要负重训练，我们的大脑也需要"困难模式"。

我的做法是：

• 重要的思考和创作，先自己完成初稿，再用AI优化
• 定期做一些"原始"的练习，比如手写日记
• 设立"无AI工作区"，在重大决策任务中完全依靠个人直觉

这些看似"低效"的练习，其实是在维护你的核心能力。

3、从"使用者"变成"驾驭者"

真正的高手，不是不用AI，而是能驾驭AI。

什么叫驾驭？

• 你知道AI的答案对不对
• 你能判断AI的建议好不好
• 你能引导AI产出更好的结果
• 你理解AI的能力边界和潜在偏见

这需要你在专业领域有足够的积累。

否则，你只是AI的"传声筒"。

4、建立"思考先行"的习惯

遇到问题，先给自己5分钟思考时间：

• 这个问题的本质是什么？
• 有哪些可能的解决方案？
• 我的初步判断是什么？

有了自己的思考后，再去问AI。

这时AI的作用是"查漏补缺"，而不是"替代思考"。

反问自己："如果没有AI，我会得出同样的结论吗？"

5、培养"AI抵抗性技能"

什么是AI抵抗性技能？

就是那些AI难以替代的能力：

• 深度理解力：不是知道"是什么"，而是理解"为什么"
• 批判性思维：质疑、验证和独立判断的能力
• 创造性连接：看似无关事物之间的连接能力
• 情境判断力：处理独特情境和例外情况的能力
• 共情与情商：理解和连接他人的能力
• 伦理判断：在复杂情境下做出符合价值观的决策

这些能力，恰恰是在AI时代最稀缺、最有价值的。

而对于社会而言，需要思考的是：

• ❓ 如何设计更好的AI工具，支持而非替代人的成长？
• ❓ 如何建立制度，确保AI增强人的能力而非加剧不平等？
• ❓ 如何在效率与深度、速度与质量之间找到平衡？

当然，这不是我能控制的。

小结

"AI不会取代你，但会用AI的人会取代你。"

这句话现在很流行。

很遗憾，这话其实只说对了一点点。

在AI时代保持认知能力，需要的不仅是个人的觉醒，更需要系统性的应对。这是一场需要个人、组织、社会共同参与的长期博弈。

💡 AI确实可能成为我们最好的副驾，但前提是，我们不仅要坐稳驾驶位，还要参与道路规则的制定，甚至要思考：我们究竟要驶向何方？

公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个在看或者把本号置顶！