你和AI聊了三年，学到了什么

他打开了 ChatGPT 的对话历史。

左侧栏往下滚，一屏又一屏，标题密密麻麻排下去。「如何用 Python 写一个爬虫」「解释一下 Transformer 的 attention 机制」「帮我分析这篇论文的核心贡献」「用第一性原理拆解一下这个问题」。三年量。几千轮对话。如果按 token 算，双方加起来怕是好几百万个字。

他关了页面，往椅背上一靠，用手指敲了敲桌面。

这三年，我从 AI 那里学到了什么？

想了五分钟。什么也没想出来。

不是说 AI 给的回答不好。大多数时候回答很好，清晰、全面、有结构。他甚至专门设置过一个自定义指令，要求 AI 每次都用一种特定的思维结构来拆解问题。一开始觉得这个结构很厉害，每次看完都有「原来如此」的感觉。三个月后，他发现自己开始跳过那些结构，直接拉到底部看结论。半年后，他把那个自定义指令删了。

后来他试过另一种方法。和 AI 聊一个话题，聊得足够深以后，让 AI 把聊天内容整理成一篇文章。文章出来了，读起来也还行。但他心里清楚，这篇文章跟他自己坐下来从零写一篇，完全不是一回事。自己写的时候，每个句子都在逼他想清楚自己到底要说什么。AI 写的时候，他只需要读一遍然后点头。

他开始怀疑一件事：自己一直以为在「用 AI 学习」，但实际上只是在「消费 AI 的思考」。而这两件事之间的差别，比他想象的大得多。

每个工具都杀死过一种认知

工具替代人的认知功能，这件事不是今天才开始的。

最早的警告者是苏格拉底。在柏拉图的《斐德罗》里，他转述了一个埃及故事：发明文字的神 Theuth 向国王 Thamus 展示自己的发明，说这东西能增强记忆。Thamus 不买账。他说：你发明的不是记忆的药方，而是提醒的药方。人们会因为信赖文字而不再用自己的脑子记东西，他们获得的不是真正的智慧，只是智慧的幻觉。

两千多年后回看，Thamus 对了一半。文字确实让人类的内部记忆能力退化了——口头传统社会的人能背诵整部史诗，现代人记不住上周的购物清单。但他也错了一半：文字解放出来的认知资源被重新分配给了更复杂的思考——逻辑推理、抽象建模、系统性知识积累。记忆死了，思考活了。

每一次重大工具革新都踩过类似的路。计算器杀死了心算。三十年前的菜市场小贩能在三秒内算出三种菜的总价加找零，现在我们分一个账单要掏出手机。但计算器杀死心算的同时，也解放了人类做更复杂数学的能力。GPS 杀死了空间记忆。你再也不需要记住从家到机场的路线，但你可以在任何陌生城市自由移动。

模式很清楚：每个工具都杀死了某种认知能力，同时解放了另一种。

但 AI 这一次，赌注不一样。

文字替代的是记忆。计算器替代的是计算。GPS 替代的是空间导航。这些都是认知的子模块——重要，但可替代，替代后释放的资源能被重新分配。AI 替代的是什么？是推理、分析、综合、判断——这些不是子模块，这是认知的核心。

过去的工具都是在思考的外围剔掉一块，然后留出空间给思考本身。AI 第一次把刀伸向了思考这个核心。它替代的不是思考的准备工作，而是思考本身。而当思考本身被替代的时候，释放出来的认知资源应该分配给什么？

没有答案。或者更准确地说，这个问题本身就是答案。

你查找的每一个答案，都是一次被剥夺的学习

1978 年，心理学家 Norman Slamecka 做了一个简单到近乎无聊的实验。他给两组人看同样的单词对，一组直接阅读完整答案，另一组只给前几个字母，让他们自己把剩下的填上去。后来测回忆，自己填的那组记得显著更好。

这个发现后来被叫做 generation effect，生成效应。四十多年里被重复验证了无数次，2020 年的元分析确认效应量超过 0.5——在心理学里这算相当稳固的结论。它说的事情很反直觉：你自己生成一个答案，哪怕生成错了，也比直接看到正确答案学得更深。

这就是为什么你和 AI 聊了三年，回头问自己学到了什么，答案是一片空白。

AI 做的事情，精确地说，是把 generation effect 从你的学习过程里抽走了。你问一个问题，它给你一个完整的、结构化的、面面俱到的回答。你读完觉得「有道理」，但你没有生成任何东西。那个「有道理」的感觉是一种假信号——你的大脑把「看懂了」误认为「学会了」。

UCLA 的认知心理学家 Robert Bjork 在 1994 年提出了一个更广的概念叫 desirable difficulty，必要难度。学习过程中的困难不是 bug，是 feature。间隔复习比集中复习慢，但记得更牢；交叉练习比分块练习混乱，但迁移更好；自己回忆比重新阅读痛苦，但记忆更深。他的原话是：「每当你查找一个本可以自己生成的答案时，你就剥夺了自己一个强大的学习机会。」

现在把这句话里的「查找」换成「问 AI」，意思完全一样。

这解释了一个很具体的现象。你让 ChatGPT 用结构化思维给你拆解问题，用了一阵就脱敏了。这不是意志力问题，也不是那个框架不好。而是你的大脑在做一个完全理性的判断：我没有生成这个框架，所以我不认为它是我的。

接收一个框架和内化一个框架是两件事。接收只需要阅读理解，内化需要你自己在某个问题上挣扎、尝试、失败、再尝试，然后终于「憋」出一个属于自己的结构。这个过程很慢、很累、很不高效。但恰恰是这个不高效的过程才是学习本身。

AI 做的事情，是把这个过程跳过了。它直接把结果给你。你省了时间，也省了学习。

这就是核心矛盾的全貌：AI 的设计目标是消除一切认知摩擦——更快、更全、更精确地把答案送到你面前。而认知科学告诉我们，学习的发生恰恰依赖于这些摩擦。AI 越好用，你从它那里学到的越少。这不是一个可以优化的问题，而是一个结构性的矛盾。

四层机制：从卸载到脱敏

认知科学管这种现象叫 cognitive offloading，认知卸载。把本该由大脑完成的任务外包给外部系统。你把电话号码存进通讯录是认知卸载，你用计算器算账是认知卸载，你问 AI 怎么解决一个问题也是认知卸载。但前两者卸载的是记忆和计算，后者卸载的是思考。

2025 年，SBS 瑞士商学院的 Michael Gerlich 做了一个大规模调查，发现 AI 使用频率和批判性思维能力之间存在显著的负相关。主要的中介变量就是认知卸载——用 AI 越多的人，越少进行深层的、反思性的思考，更倾向于直接接受 AI 给出的结论。

这不难理解。想象你在一个陌生城市走路。如果没有导航，你会留意路口的标志、记住转弯的顺序、在脑子里建立一张粗糙的地图。用了导航以后，你盯着屏幕上的箭头走，到了就到了，但如果把手机拿走，你发现自己对这条路毫无印象。Harvard 的 Karen Thornber 说过，导航系统让我们对所在城市街道的熟悉程度，远低于智能手机出现之前学过的城市。AI 对思考的影响跟导航对空间记忆的影响是一样的结构。

但认知卸载只是第一层。第二层更微妙，叫算法习惯化。

2025 年发表在 Brain Sciences 上的一篇论文提出了 algorithmic habituation 这个概念。用户会逐渐适应 AI 输出的规律性和可预测性。你每次问 AI，它给你一个「第一、第二、第三」的列表，一个「一方面……另一方面……」的平衡分析，一个「总结一下」的收尾。一开始你觉得这种结构很清晰，慢慢地你开始自动跳读，再后来你开始觉得无聊。这就是习惯化。

你对 ChatGPT 的结构化思维框架脱敏，本质上就是算法习惯化的一个实例。AI 的输出模式太稳定了，稳定到你的大脑不再认为它值得仔细处理。就像你家旁边那条路上的广告牌，第一天你注意到了，第三天你就再也看不见它了。

第三层和创造力有关。

Wharton 商学院的 Anil Doshi 和 Oliver Hauser 在 2024 年做了一个实验，让一批人写短故事，一部分人有 AI 辅助，一部分没有。结果发现：AI 组的个人作品质量更高，但所有 AI 组的作品放在一起看，多样性显著下降。不同的人用了同一个 AI，写出来的东西开始趋同。

这个发现解释了你说的「AI 因为太面面俱到所以平庸」。AI 的全面性不是优点，而是缺陷。创造力研究反复证明一件事：约束激发创造，而不是自由。米开朗基罗的大卫像是在严格的合同规定下雕出来的，指定了尺寸、姿态、工期。当 AI 给你一个无所不包的答案时，它其实是消除了约束。而没有约束，就没有创造的必要。你为什么要自己想一个角度，如果 AI 已经把所有角度都列出来了？

你说「给了我们一个框架以后，我们还是想从某一个角度思考」。这个观察比你想的更深刻。人的认知不是空中花园，不是谁给一个框架就能立即切换的。你的思维是从你过去所有的经历、阅读、失败、成功里生长出来的。它有自己的纹理和偏好，有自己的盲点和锐度。这些东西是学不来的，是活出来的。

最后一层证据来自神经科学。

挪威科技大学用 fMRI 扫描了手写和打字时的大脑活动。手写组激活了明显更多的脑区——运动、视觉、感觉处理、记忆，这些区域形成了一个广泛互联的网络。打字组的脑部活动相比之下就单薄得多。

这个发现揭示了一个更深的规律：生成过程的复杂度和学习效果正相关。手写比打字慢，这个「慢」迫使大脑更深地处理信息。打字比手写快，但大脑只做了浅层加工。用 AI 的时候呢？你连打字都不用了，你只需要阅读。

认知卸载把思考的劳动转移给了 AI。算法习惯化让你对 AI 的输出不再敏感。创造力收敛让所有人的想法越来越像。神经科学告诉我们，生成过程的简化直接导致大脑参与度的下降。

这不是四个独立的问题，而是同一个问题的四个切面。它们共同指向一个结论：你和 AI 之间的交互越高效、越流畅、越无摩擦，你从中获得的认知增长越少。

更好的结果，更差的思考

EDUCAUSE Review 在 2025 年发了一篇文章，标题直接叫《The Paradox of AI Assistance: Better Results, Worse Thinking》。里面讲了一个案例：一个法学院学生用 ChatGPT 找案例引用，写进了法律评论文章里。AI 编造了几个根本不存在的案例，幸亏编辑发现得早。但这个故事的重点不是 AI 幻觉，而是那个学生为什么没有核实。他不是懒，而是他的大脑已经把「核实」这个步骤卸载给了 AI。既然 AI 负责找案例，那核实也应该是 AI 的事。整个思考链条被外包了。

Cambridge 大学和 Microsoft 的研究者 Advait Sarkar 在 2026 年的一次演讲中总结了他的发现：和 AI 一起工作的人，产出的想法范围更窄，报告的分析努力更少，对自己做过的工作记忆更差。最后一点特别值得注意：如果你连自己的工作都记不住，那你学到了什么？

这和你的体验完全对得上。让 AI 把聊天内容写成文章，不如自己写那篇文章收获大。这不是心理感受，是神经科学事实。当你自己写的时候，你在做的事情是：从混沌的思维里抽取结构，给模糊的感觉找到准确的词，在逐字敲下去的过程中不断修正自己的想法。这每一步都是 generation——都是你的大脑在生成。当 AI 替你做这件事的时候，你得到了一篇文章，但你没有得到写这篇文章的过程。而那个过程才是收获。

这里有一个微妙的误解需要澄清。很多人以为「用 AI 学习」的意思是让 AI 当老师，它讲你听。但往上数几十年的教育研究早就证明了，「讲的人」学到的比「听的人」多得多。教一遍是最好的学习方法，因为教的过程强迫你生成。当你和 AI 聊天的时候，谁在教，谁在听？大多数时候，AI 在教，你在听。AI 在生成，你在消费。

但事情也不是完全没有希望。

2026 年一篇新研究提出了一个有趣的发现：在特定设计下，认知卸载可以改善而不是侵蚀思考。关键在于卸载的是什么。如果 AI 帮你减少的是外在认知负荷——格式、排版、语法检查这些消耗精力但不产生学习的东西——而把省下来的精力投入到生成性认知负荷，也就是真正的思考、分析、综合，那结果完全不一样。研究发现这种设计下外在负荷降低了 32%，生成性负荷增加了 28%。

但现实是，绝大多数人用 AI 的方式不是这样的。绝大多数人用 AI，是把思考本身卸载出去，而不是把思考的准备工作卸载出去。你不是让 AI 帮你整理素材然后自己写，你是让 AI 直接替你写。你不是让 AI 帮你理清问题然后自己想答案，你是直接问 AI 答案。

前者是把 AI 当工具用，后者是把 AI 当替身用。工具增强你，替身替代你。而大多数人无意识地选了后者。

怎么扩展框架？反着用

回到你最初的那个观察：「或许以我们现在的框架思考，那就真的好像你想的一样，扩展你的框架。」

问题是，怎么扩展。

如果扩展的方式是让 AI 给你一个新框架，前面已经说了，你会接收它，但不会内化它。一个月后你还是会用自己原来的框架想问题。这不是因为你意志不坚定，而是因为接收和内化是两个完全不同的认知过程，后者需要你自己的 generation。

那什么方式才能真正扩展框架？

不是让 AI 给你答案，而是让 AI 给你问题。你说了一个观点，AI 不说「你说得对」也不说「你说得不对」，而是问你一个你没想过的问题。这个问题会逼你的旧框架去处理一个它处理不了的东西。裂缝就是从这里开始的。

不是让 AI 替你写，而是让 AI 逼你写。你已经发现了，自己写文章比让 AI 写收获大。那就把 AI 的角色反过来：不是它写你读，而是你写它评。你拿出一个草稿，AI 指出逻辑漏洞、弱论据、没考虑到的角度。你去修。这个修的过程就是 generation。

不是接收 AI 的框架，而是用你的框架去撞 AI 的框架。你有一个观点，AI 有一个不同的观点。不是放弃你的接受它的，而是用你的去和它的碰。碰撞会产生三种结果：你的框架被加强了，因为你发现它经受住了考验；你的框架被修正了，因为你发现了它的漏洞；或者你的框架被打碎后重建了，因为你发现它根本不适用。三种结果都是真正的学习。

共同点是什么？是你在生成。不是 AI 在生成。

从 AI 那里学东西不是不可能，但它要求你反着用这个工具。不是用它来减少摩擦，而是用它来制造摩擦。不是让它给你答案，而是让它挑战你的答案。不是把思考外包出去，而是让它成为你思考的磨刀石。

那个翻对话记录的人最后应该会明白一件事：问题不是「我从 AI 那里学到了什么」，而是「在和 AI 对话的过程中，我自己生成了什么」。如果答案是「什么都没有」，那不是 AI 的问题，是你用错了方向。