導(dǎo)讀：

一項(xiàng)涉及1222人的隨機(jī)對照實(shí)驗(yàn)發(fā)現(xiàn)，短暫依賴AI獲取答案，會讓人在AI撤除后表現(xiàn)更差，并更頻繁地選擇直接放棄。研究者認(rèn)為，AI的設(shè)計(jì)不應(yīng)只是回應(yīng)用戶的請求，也要考慮支持用戶的成長。

你是否有過這樣的體驗(yàn)：在寫作業(yè)、解難題時(shí)，第一反應(yīng)是打開AI 對話框，輸入問題，等待秒回的答案；做報(bào)表處理時(shí)，打開OpenClaw下指令，等待任務(wù)自動完成；或者正在讀這篇文章時(shí)，忍不住@一下元寶，總結(jié)一個(gè)“省流版”的摘要。有人認(rèn)為這是高效，是跟上時(shí)代潮流。但一項(xiàng)來自卡內(nèi)基梅隆大學(xué)、牛津大學(xué)、麻省理工學(xué)院、加州大學(xué)洛杉磯分校的跨團(tuán)隊(duì)研究，用1222名受試者、3組嚴(yán)格隨機(jī)對照實(shí)驗(yàn)得到了令人吃驚的結(jié)論：僅僅10到15分鐘的AI輔助，就足以讓人在獨(dú)立面對問題時(shí)表現(xiàn)更差，并更頻繁地選擇直接跳過。研究人員提醒，這種傷害像“溫水煮青蛙”，在毫無察覺中，慢慢侵蝕人類的學(xué)習(xí)能力與思維韌性。

這項(xiàng)題為《AI 輔助降低堅(jiān)持性并損害獨(dú)立表現(xiàn)》的研究，于今年4月發(fā)表在預(yù)印本平臺arXiv，目前正在評審之中。它采用因果實(shí)證研究而非相關(guān)性推測，指出當(dāng)下主流AI 助手對人類認(rèn)知能力存在隱形傷害——短期貌似讓人 “開掛”，長期則存在無法忽視的負(fù)面影響。[1]

AI 是 “神助攻”，還是 “拖后腿”？

好的助手或?qū)煟肋h(yuǎn)把學(xué)生長期成長放在第一位。研究人員表示，就像一位負(fù)責(zé)任的老師，不會直接提供答案，而是引導(dǎo)學(xué)生思考，陪學(xué)生經(jīng)歷挫折，在真正需要時(shí)才伸出援手，甚至在必要時(shí)“狠心” 拒絕，逼學(xué)生獨(dú)立面對挑戰(zhàn)。因?yàn)檎嬲膶W(xué)習(xí)，從來不是輕松得到答案，而是在掙扎、試錯(cuò)、堅(jiān)持中，把知識內(nèi)化為自己的能力。

但今天的AI助手，則是另一種模樣。它們被訓(xùn)練成短視的“討好型合作者”：除了安全限制，永遠(yuǎn)不會說“不”，永遠(yuǎn)秒回完整答案，永遠(yuǎn)把“即時(shí)滿足”做到極致。用戶問數(shù)學(xué)題，直接給步驟和結(jié)果；寫作文，直接生成全文；做閱讀理解，直接提供正確選項(xiàng)。AI助手讓用戶瞬間變“學(xué)霸”，卻不關(guān)心這種“輕松” 會對用戶的認(rèn)知和習(xí)慣造成什么長期影響。

這種極致的 “即時(shí)幫助”，代價(jià)是什么？

牛津大學(xué)出版社在2024 年將“Brain Rot”（腦腐）選為年度詞匯，《紐約時(shí)報(bào)》認(rèn)為AI搜索、對話機(jī)器人和社交媒體導(dǎo)致腦腐。

10分鐘，足以影響普通人的獨(dú)立思考

研究者設(shè)計(jì)了三項(xiàng)獨(dú)立實(shí)驗(yàn)，覆蓋了1222 名受試者。他們讓人們做幾道分?jǐn)?shù)運(yùn)算題或閱讀理解，一組人可以用AI 輔助，一組人完全靠自己，然后在沒有任何預(yù)告的情況下，撤走AI，讓兩組人完成最后幾道題，測試他們的真實(shí)水平。

結(jié)果顯示，AI輔助可提升短期表現(xiàn)，一旦撤回AI，則表現(xiàn)大幅下滑，顯著低于從未用過AI的對照組。AI 輔助導(dǎo)致堅(jiān)持的心力斷崖式下跌，在沒有幫助時(shí)，面對難題更容易直接跳過、放棄嘗試，不再愿意花時(shí)間思考攻克難關(guān)。

而這一切，只需要10–15 分鐘的AI 使用，就足以讓一個(gè)正常人的認(rèn)知受到負(fù)面影響。

在第一項(xiàng)實(shí)驗(yàn)中，研究人員招募了354名受試者，任務(wù)是做15道分?jǐn)?shù)計(jì)算數(shù)學(xué)題，難度逐級提升。實(shí)驗(yàn)組的191人在前12題隨時(shí)可用AI（GPT5），沒有AI的對照組163人全程無輔助，獨(dú)立完成所有題目。關(guān)鍵步驟是對最后的3道題目，實(shí)驗(yàn)組AI功能被突然撤走。

結(jié)果令人吃驚：解題正確率AI 組測試階段平均0.57，對照組0.73，AI組低了16 個(gè)百分點(diǎn)。放棄（跳過）率：AI 組0.20，對照組0.11，AI組高了近一倍。統(tǒng)計(jì)學(xué)意義上的差異極其顯著（P<0.001）。簡言之，用AI做了10分鐘題的人，一旦失去AI，不僅做得更差，還更不想做了。

AI削弱人在沒有輔助時(shí)的表現(xiàn)和堅(jiān)持完成任務(wù)的意愿。(a) 按題目出現(xiàn)順序統(tǒng)計(jì)的參與者每題平均解答率和跳過率，95% 置信區(qū)間（CI）。灰色虛線表示學(xué)習(xí)題與測試題之間的分界。實(shí)驗(yàn)中題目難度逐步提升：依次為一步題（第1—4 題）、兩步題（第5—8 題）和三步題（第9—12 題）。（b）圖為參與者在測試階段的平均解題率與跳過率，95% 置信區(qū)間。測試指標(biāo)通過對每位參與者最后三道測試題的表現(xiàn)取平均值。

那么，實(shí)驗(yàn)1的結(jié)論，是不是因?yàn)锳I 組保留了更多能力差的人？是不是界面突然變化導(dǎo)致不適應(yīng)？

對于這些干擾項(xiàng)，研究團(tuán)隊(duì)做了規(guī)模更大、控制更嚴(yán)格的重復(fù)實(shí)驗(yàn)：招募了667名受試者。同時(shí)增加前測進(jìn)行篩選，保證兩組初始能量完全一致。此外對照組也設(shè)置實(shí)驗(yàn)組相同的側(cè)邊欄界面，也在最后3題同步撤走，消除界面不對稱干擾。

結(jié)果仍然符合實(shí)驗(yàn)1的結(jié)論：AI 組測試正確率0.71，對照組0.77。放棄率AI 組0.10，對照組0.07，方向一致。這顯示能力差異被嚴(yán)格排除，界面干擾被徹底消除，傷害依然存在。

也許有人說：數(shù)學(xué)是計(jì)算，依賴AI正常，文科思維不會受影響。研究團(tuán)隊(duì)的第三項(xiàng)實(shí)驗(yàn)，則直接用SAT 水平的閱讀理解進(jìn)行實(shí)驗(yàn)：招募201名受試者，讓他們做閱讀理解題目，考察邏輯推理、觀點(diǎn)辨析、細(xì)節(jié)理解。

結(jié)果再一次高度重復(fù)：AI 組測試正確率0.76，對照組0.89。放棄率AI 組0.08，對照組0.01，高了 8 倍。統(tǒng)計(jì)學(xué)顯著（P<0.01），效果量較大（Cohen’s d=0.42）。

這意味著AI 帶來的堅(jiān)持性下降、獨(dú)立能力受損，不只是數(shù)學(xué)任務(wù)的特例，而是較為普遍的效應(yīng)。無論是數(shù)字計(jì)算，還是文字理解，只要習(xí)慣了AI 秒出答案，一旦失去它，普通人的表現(xiàn)就會變差，且更不想努力。

“人們不僅會變得不擅長任務(wù)，他們甚至不再嘗試，”該研究第一作者、卡內(nèi)基梅隆大學(xué)博士Grace Liu在接受CNET采訪中談到，“如果這種效應(yīng)隨著經(jīng)年累月的AI使用不斷累積，我們最終可能會培養(yǎng)出一代學(xué)習(xí)者，他們失去了脫離技術(shù)輔助而進(jìn)行高效掙扎（productive struggle）的傾向。”[2]

閱讀理解任務(wù)中表現(xiàn)與堅(jiān)持性的下降。（a）圖為參與者在題目呈現(xiàn)順序下的平均答題率與跳過率，95% 置信區(qū)間。灰色虛線標(biāo)示學(xué)習(xí)階段與測試階段的分界點(diǎn)。（b）圖為參與者在測試階段的平均答題率與跳過率，95% 置信區(qū)間，由各參與者數(shù)據(jù)匯總。

Grace Liu ，論文第一作者，目前在卡內(nèi)基梅隆大學(xué)從事強(qiáng)化學(xué)習(xí)和 AI 向善領(lǐng)域的博士研究

如何用 AI很重要？

值得注意的是，在實(shí)驗(yàn)2中，研究者還讓AI組受試者自行報(bào)告使用方式，顯示直接要答案占61%，要提示/ 解釋，用AI找思路、問步驟、理解難點(diǎn)，不直接抄答案的占27%，基本不用AI的占12%。

對比三組的后測表現(xiàn)，AI 使用方式不同，結(jié)果也明顯分界：直接要答案組測試正確率最低，放棄率最高，相比自己的前測，成績大幅下滑，堅(jiān)持性顯著惡化。要提示/ 解釋組表現(xiàn)接近對照組，傷害極小，甚至部分人略有提升。基本不用AI 組表現(xiàn)最好，正確率最高，放棄率最低，甚至超過純對照組。這表明AI使用的方式對于個(gè)人獨(dú)立面對問題時(shí)的表現(xiàn)影響巨大。

我們的大腦為何會被AI重塑？

但是，為什么AI能在10分鐘內(nèi)就能如此影響到我們的大腦？

研究團(tuán)隊(duì)認(rèn)為，有兩個(gè)機(jī)制或許可解釋這一現(xiàn)象。

首先是即時(shí)滿足導(dǎo)致預(yù)期扭曲，進(jìn)而帶來努力厭惡。AI 秒給答案，讓普通人形成“問題=瞬間解決”的心理預(yù)期和多巴胺路徑后，效率閾值被無限拉高了。研究將其歸因于“享樂適應(yīng)”（Hedonic Adaption），當(dāng)突然失去AI，需要自己花1 分鐘、3 分鐘、5 分鐘思考時(shí)，大腦會覺得：“這太慢了、太麻煩了、太痛苦了”。這種主觀難度的急劇上升，讓大腦本能地逃避、放棄。更令人擔(dān)心的是，這是自我強(qiáng)化的惡性循環(huán)：越依賴AI，就越覺得獨(dú)立思考辛苦，從而越依賴AI，越不想思考。[3]

另外，AI剝奪了學(xué)習(xí)中的有效掙扎，導(dǎo)致元認(rèn)知退化。認(rèn)知科學(xué)顯示：真正的學(xué)習(xí)，發(fā)生在掙扎中。如同健身過程的肌肉撕裂和重建，自己算錯(cuò)題、找思路、啃難點(diǎn)，這個(gè)過程不僅重建神經(jīng)元連接，學(xué)會新知識，更會知道：我能靠自己解決難題，這種元認(rèn)知校準(zhǔn)和信心建立是堅(jiān)持性的心理根基。AI 直接給答案，徹底剝奪了大腦掙扎的機(jī)會。從未體驗(yàn)過“靠自己攻克難題” 的成就感，也從未建立“我能行”的信念。一旦AI 消失，面對難題的第一反應(yīng)不是“我試試”，而是“我不會，放棄”。[4]

每一天的AI 依賴，都只帶來一點(diǎn)點(diǎn)微小的傷害，完全察覺不到，但日積月累，研究團(tuán)隊(duì)形容這將“猶如溫水煮青蛙”，導(dǎo)致后果最后難以收拾。

AI系統(tǒng)應(yīng)該重新設(shè)計(jì)？

從文字、算盤、計(jì)算器，到互聯(lián)網(wǎng)、搜索引擎，人類一直在用工具拓展能力邊界。但歷史反復(fù)證明：工具越強(qiáng)大，越考驗(yàn)我們使用工具的智慧。AI 是人類有史以來最強(qiáng)大的認(rèn)知工具，可以把高密度信息瞬時(shí)推送到面前，也可以在短短10 分鐘內(nèi)，悄悄瓦解我們的認(rèn)知能力和韌性。

研究團(tuán)隊(duì)明確提出：AI的發(fā)展，不能只追求“即時(shí)好用”，必須兼顧長期能力培養(yǎng)。就像好導(dǎo)師知道“什么時(shí)候不幫忙”，未來的AI，也應(yīng)該學(xué)會適度拒絕、引導(dǎo)思考、分步提示、延遲滿足，而不是一味秒給答案、討好用戶。

該研究的通訊作者、MIT教授Michiel Bakker在接受《連線》（The Wired）雜志采訪時(shí)指出，“直接給出答案的系統(tǒng)，與為用戶搭建思考支架、提供引導(dǎo)輔導(dǎo)或是向用戶提出思辨挑戰(zhàn)的系統(tǒng)，二者帶來的長期影響截然不同”。[5]

該研究仍然存在一定局限。比如樣本以美國成年人為主，是否適用于兒童、老人、不同文化背景，仍需驗(yàn)證，而且題目對中國成年人來說，可能相對簡單。實(shí)驗(yàn)任務(wù)為短期認(rèn)知任務(wù)，長期日常使用的累積效應(yīng)，仍需縱向追蹤研究。另外僅測試了GPT5 ，不同AI 設(shè)計(jì)的影響，仍需進(jìn)一步探索。但這些局限，絲毫不影響其核心結(jié)論。當(dāng)下“秒給答案、永不拒絕” 的AI 使用模式，對人類堅(jiān)持性與獨(dú)立能力的傷害，值得深思。

參考文獻(xiàn)：

[1]AI Assistance Reduces Persistence and Hurts Independent Performance, https://arxiv.org/abs/2604.04721v2

[2] Counting on AI to Solve Problems Makes Us More Likely to Struggle and Give Up, Study Suggests. https://www.cnet.com/tech/services-and-software/counting-on-ai-to-solve-problems-makes-us-more-likely-to-struggle-and-give-up-study-suggests/

[3] Philip Brickman. Hedonic relativism and planning the good society. Adaptation level theory, pp. 287–301, 1971.

[4] Nick Yeung and Christopher Summerffeld. Metacognition in human decision-making: conffdence and error monitoring. Philosophical Transactions of the Royal Society B: Biological Sciences, 367(1594):1310–1321, 2012.

[5] https://www.wired.com/story/using-ai-negative-impact-thinking-problem-solving-study/

來源：賽先生

編輯：檸七

轉(zhuǎn)載內(nèi)容僅代表作者觀點(diǎn)

不代表中科院物理所立場

如需轉(zhuǎn)載請聯(lián)系原公眾號