智力的失去

这几年我一直在观察一个现象。自媒体、短视频和信息流越来越发达，人每天接触的信息比过去多得多，可是很多人处理一个复杂问题的耐心却在下降。

这不只是注意力被占用了。更麻烦的地方在于，人的认知习惯可能也在变化。我们越来越适应短时间内出现的刺激，越来越期待立即得到反馈。如果一件事需要很久才有结果，甚至暂时根本没有结果，就很容易觉得无聊。

我暂时不想把它直接说成医学意义上的大脑损伤，因为这需要另外的证据。我更愿意先把它看成一种功能上的变化：人的智力并没有凭空消失，但它越来越难以长时间运行，也越来越难沉淀成稳定的东西。

智力不只有高低，还有功率和持续时间

通常谈智力，大家会想到一个相对静态的能力值。但在现实中，一个人聪不聪明是一回事，他能不能持续调用自己的智力，又是另一回事。

为了描述这种差别，我想引入“智力功率”这个概念。我最初想到的名字是“智力功率密度”，不过如果只讨论单位时间内的智力输出，严格说来叫“智力功率”更合适。只有再除以注意力、能量或其他资源时，才更接近功率密度。

设 \(W(t)\) 是一个人截至时刻 \(t\) 已经产生的有效智力成果，那么他的智力功率可以写成：

这里的“成果”不是脑子里闪过了多少念头，也不是看过多少条信息。它可以是理解了一个问题，建立了一个模型，作出了一个判断，也可以是写出一篇文章、完成一段代码，或者形成一种以后还能继续使用的方法。

一段时间内的智力总输出，就是智力功率曲线下面的面积：

这个区别很重要。有些人的思维经常出现很高的瞬时峰值，看起来反应很快，也很活跃，可是峰值很短，很快就被下一个东西打断。另一些人的启动速度未必很快，但能够围绕同一个问题持续工作。随着上下文逐渐完整，思考开始进入更深的位置。

长程思考者的功率曲线也不会无限上升。人在一次思考中会有热身、进入状态、形成结构、达到平台，最后也会疲劳。真正能够经年累月上升的，是他的平均功率、功率上限和再次进入深度状态的能力。

碎片化思考则更像一串尖峰。每次刺激都能唤起一点注意，但思维刚准备向下走，下一条信息已经来了。一天结束时，人可能觉得自己看了很多、想了很多，可是把整条曲线积分以后，留下的有效面积并不大。

为什么这些认知峰值还会越来越低

碎片化还有一个容易被忽略的问题。短效刺激并不是每次都能带来同样的效果，它会发生边际递减。

设第 \(n\) 次刺激的强度为 \(S_n\)，人对这一类刺激的敏感度为 \(h_n\)，它带来的主观奖励为：

随着同类刺激不断重复，敏感度可能下降：

如果用一个简单的衰减形式来表示，可以写成：

于是，平台要维持人的兴奋程度，就需要不断提高内容的速度、新奇程度和情绪强度。使用者也会滑得更快。刚开始还能停留几十秒，后来可能几秒就判断“没意思”，继续寻找下一条。

这时会出现一种很奇怪的分离。外部刺激越来越强，真正进入认知结构的东西却越来越少。

可以把有效认知输入写成：

其中，\(P_{\mathrm{stim}}(t)\) 是外部刺激功率，\(A(t)\) 是实际投入的注意力，\(M(t)\) 是信息能够形成意义和结构的程度，\(\eta(t)\) 是理解与沉淀效率。

碎片化环境中可能出现：

刺激增加了，吸收却减少了。人一直在接收，一直在反应，很少有时间把刚才的东西放进一个更大的结构里。

无聊在这里也不只是“内容不好看”。它可能意味着人的刺激参照发生了变化。同样一本书、同样一次普通交谈，并没有突然变得比过去更无聊，只是它们提供刺激的速度低于一个人已经习惯的速度。

信息可以增长，智力资本也可以下降

智力功率描述当下的处理能力，但我更关心经年累月以后留下了什么。

我把知识、技能、模型、方法、经验和作品的长期存量称为智力资本 \(K(t)\)。它不是信息总量。信息只有经过理解、重建和反复调用，才会变成一个人可以继续使用的东西。

智力资本的变化可以写成：

其中，\(\eta(t)\) 是成果沉淀率，\(P_{\mathrm{eff}}(t)\) 是有效智力功率，\(\delta\) 表示遗忘和能力折旧，\(F(t)\) 是注意力切换频率，\(\phi\) 表示切换对认知结构造成的额外耗散。

这个模型里有两股相反的力量。一股力量把当下思考沉淀为长期资本，另一股力量不断让已有的结构变得模糊、松动或者难以调用。

当：

就会有：

一个人可能每天接触大量信息，智力资本却在负增长。

这并不神秘。很多信息只在眼前经过，没有真正进入记忆。原本建立到一半的推理链被不断打断，深度阅读和长程推理又长期缺少练习。最后损失的不只是刷视频的那几个小时。即使把手机放下，人也可能需要更久才能重新进入一个复杂问题。

长程思考之所以会越来越宝贵，原因也在这里。它的价值不等于内容更长。两个小时的空洞视频仍然很浅，三分钟的表达也可以凝结多年的思考。真正稀缺的是，有人愿意把一个问题留在头脑中足够久，让不同材料发生关系，让暂时的矛盾继续存在，直到一个比较稳定的模型慢慢形成。

这种能力也有直接的经济意义。当然，智力总输出和经济收益不是严格正比。一个人还要选择值得解决的问题，把思考转化为产品、作品、决策或方法，并利用技术、组织和传播形成杠杆。但在其他条件大致相同时，能够持续思考并积累智力资本的人，通常拥有更多可以长期使用的认知资源。

长期认知优势可以粗略表示为：

这里，\(\overline{P}_{\mathrm{eff}}\) 是长期平均有效智力功率，\(T\) 是持续投入的时间，\(\overline{\eta}\) 是平均沉淀率，\(\Gamma(T)\) 是知识、作品、技术和声誉带来的复利效应。

AI补上了答案，也可能拿走形成答案的过程

AI让整个问题多了一层。

它当然可以补强认知。人不需要记住所有资料，也不必独自完成每一项检索、整理和计算。AI可以提供外部记忆，连接不同领域，也可以帮助人找到原本看不到的关系。

但这种补强很容易制造错觉。人机系统确实变强了，使用者便自然地把系统的能力归到自己身上。

设人的内生智力功率为 \(P_H(t)\)，AI提供的外部智力功率为 \(P_{\mathrm{AI}}(t)\)，人机系统表现出来的总功率为：

AI很容易提高 \(P_{\mathrm{sys}}(t)\)。报告写得更快，答案来得更快，表达也更完整。可是，系统表现提高并不能证明人的智力资本 \(K_H(t)\) 也提高了。

完全可能出现：

系统输出上升，人的内生能力下降。这种情况很容易被忽略，因为只看最终结果时，一切似乎都在变好。

我把它理解为一种外接智力的归因错误。能够迅速取得答案，和能够独立生成、理解、检验答案，是两种不同的能力。AI让前一种能力迅速扩大，也可能遮住后一种能力的退化。

短视频和AI造成的问题还不完全相同。短视频把一条较长的思维链切碎了。AI不一定切碎它，有时只是把中间过程直接省略。

人在没有AI时，往往要经历不知道、产生疑问、寻找资料、提出假设、遇到矛盾、修正模型，最后才得到一个暂时的答案。AI可以把这个过程压缩成提问和回答。最终文字可能更好，但问题没有在人的内部真正展开。

未知为什么会驱动思考

很多长程思考都受到未知的驱动。人还没有答案，心里保持着一种张力，所以愿意继续找下去。设未知程度为 \(U\)，探索动力为 \(D(U)\)，可以用一个倒U形的概念模型表示：

未知太少，没有继续探索的必要；未知太多，人又可能完全无从下手。适度的未知最容易维持思考。

AI如果过早给出一个完整而流畅的答案，就可能迅速把未知压低：

有时答案并没有真正解决问题，只是让问题看起来已经解决了。人的好奇心在模型形成之前被安抚，长程思考也就停了下来。

AI对人的长期影响取决于它替代了什么，又帮助人练习了什么。可以写成：

这里，\(R(t)\) 表示人在使用AI之后亲自完成的理解和重建，\(V(t)\) 表示验证、反驳和现实检验，\(O(t)\) 表示未经理解就外包给AI的认知活动。

如果AI帮助人重建问题、发现反例、比较不同解释，那么 \(R(t)\) 和 \(V(t)\) 会增加。AI成为学习和思考的一部分。如果人把回忆、推导、判断和表达都直接交出去，\(O(t)\) 就会增加。即使眼前的产出很好，人的内生智力资本也可能慢慢下降。

所以我并不认为问题可以归结为“AI是好工具还是坏工具”。AI的默认使用方式偏向即时回答，而即时回答本身就容易造成过早结束。人需要主动改变自己和AI的关系。

我能想到的三个抵抗办法

我目前把抵抗认知耗散的方法归纳为三部分：元认知、多维数据库和时间轴思考。它们不是三个孤立的技巧，更像同一套认知系统的不同部分。

元认知

元认知首先要求我能够从正在发生的行为中暂时跳出来，观察自己。

我现在是真的理解了，还是只是拿到了一个答案？我为什么在这个时候打开AI？我是在清除机械劳动，还是在回避一段本来应该由自己完成的思考？如果关掉AI，我还能不能把刚才的逻辑重新说出来？

这个过程不会自动发生。AI回答得越顺，人越容易产生理解的熟悉感。所以我需要在提问之前先留下自己的判断，哪怕它并不成熟。得到答案以后，再关闭AI，试着重新解释、推导和反驳。

如果我不能重建它，那么这个答案还在AI那里，没有进入我的智力资本。

多维数据库

只依靠肉体大脑当然有局限。解决办法也不应该是拒绝外部工具，而是把AI纳入一个更大的认知结构。

在这个结构里，人的大脑是核心节点，个人笔记、原始资料、现实经验和不同功能的AI是其他节点。某些AI负责检索，某些负责寻找反例，某些负责跨领域联想，另一些可以模拟不同立场。

多维数据库不能只是存放结论。它还需要保留来源、证据强弱、不确定程度、相互冲突的解释，以及一个观点是在什么条件下形成的。否则数据库越大，混乱也可能越大。

AI在这里可以是一个节点，也可以是一个节点群，但它不应该成为整个系统的最终裁决者。选择什么问题，接受什么证据，什么时候修改判断，仍然需要由人决定。

这样使用AI，外部智力不会只是覆盖人的思考。它会把人的认知延伸到更多领域，让原本分开的知识发生连接。新的想法也往往出现在这些连接处。

时间轴思考

静态分析很容易制造一种完整感。一个模型可以把已经发生的事情解释得很漂亮，却未必能够说明事情接下来会怎样变化。

时间轴思考要求我继续追问：这个状态是怎么形成的，哪些变量先变化，哪些变量后来才出现，当前模型会导出什么结果，过去的判断有没有兑现。

可以把动态过程写成：

其中，\(X_t\) 是当前状态，\(U_t\) 是人的行动和外部输入，\(\varepsilon_t\) 是暂时无法控制的事件。

一个观点如果只存在于静态文本里，很容易一直显得正确。把它放入时间轴以后，就必须留下时间、条件和预测。过一段时间再回来检查，模型哪些地方有效，哪些地方失效，哪些因果关系只是事后解释，就会逐渐显现。

时间轴也能抵抗AI带来的浅层化。AI可以在某个时点给出一个看起来完整的回答，但我不必把它当作终点。我可以把它保存为一个阶段性版本，让后续事实继续检验它。

认知主权不能外包

元认知、多维数据库和时间轴思考，最后都指向同一个问题：AI进入我的认知系统以后，究竟是谁在控制这个系统？

我当然可以把检索、整理、计算，甚至部分推演交给AI。人的大脑本来就会使用纸张、书籍、数据库和各种工具，没有必要把独自完成一切当成某种纯洁性。问题在于，AI和过去的工具不同。它不只保存信息，还会替人组织证据、解释因果、生成判断。使用者稍不留意，就会从思考者变成结果的接收者。

所以，判断AI是否增强了人，不能只看输出速度和结果质量。我要同时观察两个变量：人机系统的总功率 \(P_{\mathrm{sys}}\)，以及人的内生智力资本 \(K_H\)。

危险的状态是：

系统越来越强，人却越来越依赖系统。离开AI以后，他无法重建答案，也不知道答案用了哪些前提，更难发现答案可能错在哪里。

我希望达到的是另一种状态：

AI提高了系统的处理能力，人也因为与AI协作而形成了更多可以独立调用的知识、模型和判断方法。只有在这种情况下，AI带来的才是人的增强，而不是对人的替换。

两种状态在短期内很难区分。它们都能产出漂亮的文本、快速的答案和看起来完整的分析。区别要过一段时间才会显现：我能不能离开原来的回答重新推导？能不能解释自己为什么相信它？遇到反例时，我是有能力修改模型，还是只能再向AI索取另一个答案？

这也是时间轴思考不可缺少的原因。认知主权不能靠一次自我感觉来证明。它要看一个人在长期使用AI之后，自己的 \(K_H(t)\) 究竟是在增长，还是在萎缩。

AI可以成为多维数据库中的节点，也可以成为能力很强的节点群，但它不能悄悄取代人的控制层。什么问题值得继续追踪，哪些证据足以改变判断，一个结论应当在何时保留、何时放弃，这些决定仍然要由人作出。否则，多维数据库规模越大，人反而越容易失去方向。

我不反对从AI那里取得答案。我反对的是，答案来得太快，以至于问题还没有在我内部形成；表达已经完成，我却没有经历形成判断的过程；系统替我完成了思考，我还把系统的能力误认为自己的能力。

因此，有些未知需要暂时留下。它们制造的困惑和不适，并不全是低效率。有时候，正是因为答案迟迟没有出现，一个人才会继续寻找材料，发现矛盾，修改假设，让原本互不相关的东西慢慢连接起来。过早填满未知，可能同时终止了思想的生长。

认知主权不要求我亲自完成每一次计算，也不要求我拒绝任何外部智能。它要求我在借用AI之后，仍然保有提出问题、重建答案和修正模型的能力。

问题为什么值得思考，由我决定；答案是否足够可信，由我审查；判断产生的后果，也由我承担。

如果这些权力还在我手里，AI就是我的认知延伸。

如果这些权力已经交了出去，那么无论屏幕上的答案多么漂亮，变强的都只是系统，不是我。