AI 是人的延伸，判断力还要自己长出来

今天把麦克卢汉、唐纳德·诺曼和马克思的几段论述放在一起琢磨，核心其实指向同一个困惑：AI 延伸了人的脑力，那人自身到底是在被武装，还是在被缴械？

麦克卢汉在《理解媒介》里提出，所有技术与媒介都是人的延伸：轮子延伸了脚，书本延伸了眼，电子网络延伸了中枢神经。但我最初写下的一句直觉是：

延伸什么，就可能萎缩什么。

这里的“可能”不是危言耸听，而是技术史里反复出现的代偿：汽车延伸了双腿，人的长途行走耐力就随之退化；计算器延伸了算力，心算与估算就成了稀缺技能。到了生成式 AI，它延伸的是信息提炼、逻辑推演与语言组织——当人类最核心的“思考神经”开始大面积外包，代价究竟是什么？

一、系统变强，不等于人自身变强

诺曼在讨论“认知人工制品”（Cognitive Artifacts）时，做过一个非常冷静的区分：
从整个系统看，人加上工具，能处理的事情大幅增加了；但从个人看，工具只是重构了任务，未必提升了人的原生能力。诺曼《Cognitive Artifacts》（1991）

一张待办清单，把“用大脑死记十件事”变成了“看一眼清单、逐项勾选并核对”。事情办得更稳当了，但这不代表你的脑内工作记忆容量随之扩大——你只是把记忆负荷卸载到了纸面上。

把这个逻辑移到 AI 上，一切就更明显了：
写作从“绞尽脑汁搭建论证框架”变成了“审阅一份现成的草稿”；
解题从“在混沌中摸索推导步骤”变成了“检查一份现成的答案”。

产出的质量和速度确实提升了，但那是“人＋AI 系统”的表现，不是使用者个人的能力。拿到一份漂亮的结论，并不等于你拥有推导出这个结论的能力。 区分这两件事，是看清技术代价的第一步。

二、工具的分水岭与“梯子困境”

传统认知工具与 AI 之间，横着一道本质的分水岭：
过去的工具主要接管“执行步骤”，而 AI 正在接管“推理链路与意义建构”。

用算盘或计算器算开方，机器接管的是繁琐的进位与乘除，但算式背后的业务意义、公式推导的逻辑框架，依然由人脑严密掌控。工具只是把执行步骤的摩擦力降为了零。

但 AI 完全不同。你给它一个粗糙的输入，它吐出一篇旁征博引、逻辑自洽的成稿。它把中间最费脑子、最考验推演功力的论证过程，全部打包代劳了。

这就引出了一个严峻的“梯子困境”：
> 如果高阶判断力必须依赖底层一步步手推、踩坑、纠错所形成的肌肉记忆；那么一个从一开始就站在现成答案上的新手，究竟靠什么来判断这个答案是真知灼见，还是极其流畅的“精致平庸”？

判断力不是天上掉下来的。能看出一段论证有没有硬伤，前提是你自己曾经在类似的逻辑断层里挣扎过；能识破一份方案的边界漏洞，前提是你亲身体验过模型推演与现实撞击的摩擦。

跳过底层的攀爬过程、直接被电梯送到顶楼的人，往往对高空的风速和承重毫无感知。当推理过程被彻底黑盒化，人看似从“操作工”升维成了“把关人”，实际上却可能退化为一个面对流利输出毫无辨别力的“验收盖章员”。

三、这不是哲学担忧，而是已经显现的代偿

这种担忧并不是空想，在实证研究中已经有了清晰的证据。

2025 年 PNAS 发表了一项针对高中数学教学的随机对照实验：
研究把学生分成普通 GPT 组、带有学习引导的 GPT 辅导组，以及不用 AI 的纯对照组。在练习阶段，使用普通 GPT 的学生表现极其出色，解题飞快。但当最终考试撤去 AI 工具时，普通 GPT 组的考试成绩反而比对照组相对低了约 17%。Bastani 等，《Generative AI without guardrails can harm learning》（2025）

更值得深思的是对照实验的另一半：如果把 AI 限制为“只给思路提示、不直接给出完整答案”的辅导模式，这个负面效应就基本被消除了。

这项实验精确切中了问题的要害：工具接管得越彻底，练习的消失就越隐蔽。
直接给答案的 AI，偷走的是学生亲自推导、承受思维阻力的过程；而带有约束的引导，才把真正的认知练习留给了人。

四、保留必要的“思维摩擦力”

马克思在《政治经济学批判大纲》里谈“普遍智能”（General Intellect）时曾揭示：人类积累的社会知识，最终会对象化为庞大的机器系统。相关原文 如果人丧失了主体性，就很容易沦为这个自动化系统的附庸。

在 AI 时代，我们不需要成为拒绝一切技术的现代卢德分子，更不可能倒退回去手算开方、手工抄书。但人必须在人机协同中建立自己的防护堤坝：

思维的阻力不能彻底归零。费劲本身不是目的，但唯有克服阻力的推导，才能沉淀为真能力。

与其笼统地担心认知萎缩，不如在日常使用中为自己保留几个具象的防线：
1. 先做无辅助思考：在把问题丢给 AI 之前，先强迫自己写下核心假设、推导骨架和直觉判断。先有一个粗糙的“自己的锚点”，再去让 AI 扩充。
2. 把 AI 当磨刀石，而不是产出机：让 AI 找反例、挑漏洞、扮演刁钻的反对者，而不是直接让它替自己下结论。
3. 撤去工具的复述检验：每次完成一次复杂的 AI 协同后，合上屏幕问自己一句：不看这份输出，我能不能用自己的话，把为什么得出这个结论、它的边界和死穴在哪里，清清楚楚讲给别人听？

AI 可以接管大量的认知劳动。但无论工具多么强大，一个人如果越来越容易得到答案，却越来越说不清自己为什么接受这个答案——这就是认知萎缩真正开始的时刻。