短视频把思维切成许多片段，AI则可能直接越过形成答案的过程。系统越来越强，不等于使用者也在同步变强。

上一篇讨论了信息流如何切碎注意力，以及信息为什么不等于智力资本。AI让问题又多了一层：它不一定让我们频繁切换，却能在问题刚刚出现时，就给出一个完整、流畅、看起来足够可信的答案。

这当然是一种巨大的能力。人不必独自完成每一次检索、整理、翻译和计算，原本分散的知识也可以被快速连接起来。但正因为工具太强，另一种风险很容易被结果遮住：人机系统的表现提高了，人的内生能力却未必同步增长。

AI提高了系统能力，人却未必同步变强

使用AI之后，报告写得更快，代码产生得更快，陌生问题也能迅速得到一份结构完整的解释。如果只看最终产出，人显然变强了。

可这里至少有两种不同的能力。第一种是借助工具迅速取得结果，第二种是独立理解、生成和检验结果。AI会显著扩大前一种能力，却不保证后一种能力也跟着上升。

一个人可以拿到很好的答案，却不知道答案用了哪些前提；可以交出一份漂亮的分析，却无法在没有原文的情况下重新说明推理；可以让AI比较十种观点，却没有形成自己判断证据的标准。此时变强的是整个人机系统，而不一定是这个人。

这种错觉之所以危险，是因为两种状态在短期内看起来几乎一样。无论是人被AI增强，还是人被AI替代，屏幕上都可能出现流畅的文字和正确的结果。区别通常要等到工具离开以后才会显现。

答案来得太快，也可能终止好奇心

很多长程思考都从未知开始。人暂时没有答案，心里保持着一种张力，于是愿意继续找材料、试解释、遇到矛盾，再修改原来的想法。

未知当然不是越多越好。完全无从下手的问题只会让人放弃。真正能驱动探索的，是一种适度的未知：我还不知道答案，但已经看见了一点轮廓，也相信再往前走几步可能会找到东西。

关于好奇心与学习的研究发现，好奇状态不仅会提高人对答案的记忆，也可能改善对同一时期出现的其他信息的记忆。这说明“想知道”并不是学习之前无关紧要的情绪，它本身就在改变大脑如何接收信息。可参见关于好奇心与记忆机制的研究。

AI的默认工作方式，却常常是尽快把未知填满。问题刚刚提出，一个组织严密的答案已经出现。它可能真的解决了问题，也可能只是让问题看起来已经解决。人的好奇心被安抚了，模型却还没有在内部形成。

这不是说答案越慢越好，也不是要故意拒绝效率。关键在于顺序：如果一个人尚未形成自己的问题结构，答案就先替他规定了问题是什么、哪些证据重要、结论应当落在哪里，那么他得到的往往是一份结果，而不是一次思考。

AI是在增强我，还是替代我

判断AI究竟在增强人还是替代人，不能只看它帮我们做了多少，而要看使用之后还剩下什么。

一个简单的检验是：关掉AI以后，我能不能用自己的话重建刚才的逻辑？如果某个前提改变，我知不知道结论为什么会跟着改变？遇到反例时，我能不能修改原模型，而不是立刻再向AI索取另一个答案？

另一个检验是，把结果放到新的情境里。真正进入智力资本的知识，通常可以迁移。它不只让人记住一道题的答案，还让人看见另一道题为什么属于同一种结构。若离开原来的提示和措辞，能力就立即消失，那么答案多半仍停留在工具那里。

这方面的实证研究正在快速发展，结论还远未封闭。一项生成式AI辅助数学学习的随机实验发现，无保护措施的通用聊天式界面虽然提高了练习时的表现，却可能让学生在撤去AI后的独立考试中表现更差；经过专门设计、限制直接给答案的辅导界面则缓解了这一问题。它提示我们，效果取决于AI究竟在帮助练习，还是在替代练习。可参见这项关于生成式AI与学习表现的研究。

所以，AI不是天然让人变聪明，也不是天然让人变笨。决定长期结果的，是它替代了什么，又迫使人练习了什么。

元认知：先看见自己正在发生什么

我能想到的第一个抵抗办法，是元认知。简单地说，就是从正在发生的行为里暂时跳出来，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，还是在逃避一段本来应该由自己完成的思考？如果关掉对话框，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，人越容易产生一种熟悉感：文字都看懂了，于是误以为自己已经掌握。为了打破这种错觉，可以在提问之前先留下自己的判断，哪怕它很粗糙；得到回答以后，再关闭AI，尝试重建、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：让AI成为节点，而不是裁决者

第二个办法不是拒绝外部工具，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。有的AI负责检索，有的负责寻找反例，有的负责跨领域联想，还有的可以模拟不同立场。

真正有用的数据库不能只保存结论。它还要保留来源、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，熟悉的说法越多，人反而越难分辨什么值得相信。

AI可以是能力很强的节点，也可以是一个节点群，但它不应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，仍然要由人决定。只有这样，外部智能才会扩展人的认知边界，而不是覆盖人的判断。

时间轴思考：不要被一个时点的完整答案骗住

第三个办法，是把静态分析变成时间轴上的观察。

一个模型可以把已经发生的事情解释得很漂亮，却未必能说明接下来会怎样变化。时间轴思考要求我们继续追问：这个状态是怎么形成的？哪些变量先变化，哪些后来才出现？当前判断会导出什么结果？过去的预测有没有兑现？

一个观点如果只存在于静态文本里，很容易永远显得正确。把它放到时间轴以后，就必须留下时间、条件和可以被检验的预期。过一段时间再回来检查，哪些地方有效，哪些地方失效，哪些因果关系只是事后解释，会逐渐显现出来。

时间轴也能抵抗AI带来的浅层化。AI在某个时点给出的完整回答不必被当成终点。它可以只是一个阶段性版本，等待后续事实、反例和新的经验继续检验。

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、书籍和数据库，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。还要看一个人在长期使用AI之后，是否形成了更多可以独立调用的知识、模型和判断方法。

危险的状态是，系统越来越强，人却越来越离不开系统。离开AI以后，他无法重建答案，不知道答案用了哪些前提，也没有能力发现答案可能错在哪里。

真正的增强则是另一种状态：AI提高了系统的处理能力，人也因为与AI协作而学会提出更好的问题、寻找更强的证据、识别反例并修改模型。只有这样，AI带来的才是人的延伸，而不是对人的替换。

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，可能同时终止思想的生长。

认知主权不要求我拒绝AI。它要求我在借用AI之后，仍然保有提出问题、重建答案、审查证据和修正模型的能力。

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。

如果这些权力仍在我手里，AI就是我的认知延伸。

如果这些权力已经交了出去，那么屏幕上的答案越漂亮，错觉就越完整。变强的只是系统，而那个逐渐失去提出问题、形成判断并承担判断的人，正是我自己。