一些经常使用AI的人注意到，反复让模型生成初稿后，自己独立开始任务似乎变得更难。这一观察不能证明技能永久丧失，本文也不作这样的主张。它只是一个理由，让你检查工作流中是否仍为自己希望维持的能力保留了练习机会。
这不是反对用AI写作、编程或分析，而是提醒你留意：哪些任务正在悄悄外包掉真正产生学习的环节。这样，你就能在工作流中为自己真正想保留的少数技能安排一次不借助AI的练习。
证据实际表明了什么
2025年6月，MIT Media Lab研究者发表了预印本Your Brain on ChatGPT，描述54名参与者在三种条件下写短文：使用LLM、使用搜索引擎，或无辅助写作。作者报告了不同条件下的EEG连接性差异；在其分析中，无辅助组连接性最强，LLM组最弱（Kosmyna et al., MIT Media Lab, 2025）。他们把「认知债务」（cognitive debt）用作解释性比喻。该研究并未确立一种临床状况、永久损伤，或每次使用都会必然累积伤害的剂量反应规律。
该研究中有两项发现值得认真看待。第一，LLM组参与者对刚写完的短文报告的所有权感最低，许多人在完成后几分钟内无法准确引用自己作品中的一句（完整预印本，arXiv:2506.08872）。第二项结果较为积极，但必须保留重要限定：可选的第四场次仅由54人中的18人完成，两个转换方向各九人。从LLM条件回到无辅助写作的九人，神经连接参与程度仍然偏低；而从无辅助写作转为LLM协助的九人，则表现出更好的记忆回想，以及与专注写作相关脑区的重新参与。不过，第四场次写的是参与者此前已经写过的主题，因此论文把这一结果限定为「获准在熟悉主题上使用LLM时」的表现。这项设计无法把操作顺序与材料熟悉度的影响分开。
这与自动化偏见文献中更广的想法一致：「认知吝啬者」（cognitive miser）模式，人们默认选择当下可用的、脑力成本最低的选项（What is Wrong With Automation Bias?, Philosophy & Technology, 2026）。流畅的AI草稿几乎每次都是最省力的选项，因此需要刻意制衡，不能指望问题自行得到纠正。
常见误解
误解不在于「AI让你变笨」这句话本身，而在于把它当作已经得到证明的永久、普遍结论；研究实际并没有这样说。MIT研究只是一份有54名参与者、历时四个月的预印本，而实践意义最强的第四场次结果只来自自愿返回的18人，每种条件九人。它提供了可测量短期模式的证据，却不能证明不可逆的认知衰退。研究者自己也把这些发现描述为提出了需要「更深入探究」的问题，而不是已经定论。
更准确、更有用的说法要窄得多：对于你正在努力提高的任务，跳过独立尝试，就会失去那段帮助你形成能力的必要困难。 这并不是AI带来的新现象——学生若不先尝试，只照抄完整解法，通常会比先独立思考再核对答案学得更少。AI只是让这条捷径随时适用于几乎所有任务，因此我们需要比过去更有意识地决定何时不走捷径。
技能保全审计
对任何反复出现的任务，在决定如何对其使用AI之前问四个问题：
- 这是我正在主动培养的技能，还是只需完成的任务？ 起草例行状态更新是一项需要完成的任务；学习如何组织有说服力的论证，则是一项需要培养的技能。同一工具在两种情况下应当有不同用法。
- 一次诚实的独立尝试应该是什么样，我能否为它设定时限？ 打开模型前先自己尝试十分钟，通常足以暴露你真正还不明白的地方——这些才值得拿到AI对话中讨论。
- 辅助阶段应补充哪些独立尝试无法提供的内容？ 反馈、反方论证、更快的第二稿，或你自己想不到的表达方式——辅助应当带来明确增益，而不只是替你完成工作。
- 以后如何确认自己仍能独立完成？ 如果不定期独立检查，技能退化往往要到你真正需要它，而工具不可用、不可靠或不适合当前情境时，才会显现。
| 任务类型 | 基线（无辅助尝试） | 辅助阶段 | 独立检查 | 复查节奏 |
|---|---|---|---|---|
| 撰写有说服力的论证 | 不用工具，先写一份简短粗略大纲 | 请AI强化弱点并提供反方论证 | 定期无辅助写完整论证，并与先前尝试对照 | 由学习者选择节奏 |
| 调试自己的代码 | 请求提示前先尝试隔离bug | 请AI审阅你的隔离并建议你遗漏的原因 | 关闭工具，调试一道难度相近的问题 | 由学习者选择节奏 |
| 外语句子 | 先写自己的尝试 | 请AI纠正并解释纠正 | 进行一段简短的无辅助对话并记下新缺口 | 由学习者选择节奏 |
| 工作估算中的算术 | 手算 | 用计算器或独立核查过的公式验证 | 无辅助重做一道相近的估算 | 由学习者选择节奏 |
完整的技能保全AI使用审计提供空白表，供你记录自己的任务、基线与复查日期。
切勿把这一方法用于具有真实安全、法律、医疗或财务后果的任务，并把第一次独立尝试当作足以据此行动的答案。审计的目的是通过刻意练习保留技能，而不是在错误的首次尝试可能造成伤害的任务中回避核实。
操作顺序最重要之处
MIT研究的第四场次发现——九名参与者先独立写作、再使用辅助，而且写的是已经写过的主题——样本太小、混杂因素太多，不足以解决两种顺序孰优的问题。但它仍指向一个成本很低、值得采用的习惯：学习新内容时，先粗略尝试，再寻求帮助，即使第一次写得很差。当你已经掌握相关技能并需要批量产出时（例如专业写作者起草第五十封相似邮件，或开发者编写常规样板代码），权衡就会改变，因为技能已经形成，再多一次独立练习的边际收益很小。用AI刻意练习介绍了完整的反馈循环——尝试、评分标准、反馈、重试——帮助你把这项原则变成可重复的习惯，而不是一次性的决心。
这也直接关系到更广泛的委派决策。如果还没有做过，请用“什么不该委派给AI”中的六维检查审视每项新的重复任务。其中的「技能」维度问的正是这个问题，但它要求逐项判断，而不是笼统担忧。
常见陷阱：把谨慎变成长期额外负担
另一个陷阱，是因为担心「失去」那些原本就不打算培养的能力，而逼迫自己在所有任务中都拒绝辅助，最终耗尽精力。没有人需要亲手独立写完每封邮件才能保住写作能力。技能保全方法只应当用于少数你明确认为重要的任务，而不是整个工作量。如果说不清自己想保留哪项具体技能、为什么重要，这项任务多半更适合「放心委派」，而不是「刻意保全」。
今天就试
挑一项你一直完全外包给AI、但仍希望能独立完成的反复任务。选择一段适合该任务的短时限，不用工具先尝试，然后才引入AI协助处理无辅助尝试卡住的部分。把任务、条件和日期记作基线。按你能持续的节奏重复同样的检查；本文并不规定一个经过科学验证的间隔。
