X记录空间认知上的臣服——艾迪·奥斯曼尼，2026年5月5日
Addy Osmani 在他关于认知投降的文章中明确区分了认知卸载和认知投降：认知卸载是指你将部分工作委托给人工智能，但仍然拥有最终答案；而认知投降则是指人工智能的输出悄然变成你的输出，无需再进行任何验证。对于软件工程师而言，这条界限每天都在悄然变化——而且大多数时候，我们都在不知不觉中越过了它。
我觉得这篇文章很有意思，值得深入研究。下文中，我将把Addy的文章称为原文。
核心论点是，认知卸载和认知放弃之间存在巨大差距。
“认知卸载”是一个认知科学领域的通用术语，早于人工智能出现。它指的是人类利用工具——计算器、记事本、地图、日历、搜索引擎——来思考那些他们原本无法在大脑中容纳的更复杂的问题。
原文引用了四篇论文/文章。由于很容易略过这些内容，我将简要介绍每一篇。
1. Shaw & Nave (2026) — “思考——快、慢与人工”
完整标题：思考——快、慢与人工：人工智能如何重塑人类推理以及认知投降的兴起
作者： Steven D. Shaw、Gideon Nave（宾夕法尼亚大学沃顿商学院）
出版： SSRN / OSF 预印本，2026 年 1 月 11 日（链接）抽象的
人们在推理过程中越来越多地依赖生成式人工智能。随着人工智能融入日常思维，人类的判断力将会发生怎样的变化？本研究扩展了传统的双过程推理理论，引入了三系统理论，该理论假设存在系统3——一种在大脑之外运行的人工认知系统。系统3可以补充或取代内部处理过程，从而引入新的认知通路。该理论的一个关键预测是认知投降——即人们放弃直觉（系统1）和深思熟虑（系统2），几乎不加审视地接受人工智能的输出结果。在三个预先注册的实验（N=1372，9593次试验）中，研究人员使用自适应认知反思测试，通过隐藏的种子提示随机化了人工智能的准确率。
2. Shen & Tamkin (2026) — “人工智能如何影响技能形成”
作者： Judy Hanwen Shen、Alex Tamkin（Anthropic）
发布： arXiv:2601.20245，2026年1月29日（博客/论文）概括
多项研究表明，人工智能可以加快部分工作速度，但这种生产力提升是否会带来其他弊端？此前的研究表明，人工智能用户会逐渐脱离任务本身，将思考工作交给人工智能。作者在编程领域对此进行了验证——人工智能工具在该领域已迅速普及。他们开展了一项随机对照试验，招募了 52 名软件工程师（大多为初级工程师）学习 Python 库“Trio”。
主要发现：人工智能辅助组在测试中的平均得分为 50%，而人工辅助组的平均得分为 67%，两者相差约 17 分，相当于两个等级（Cohen’s d=0.738，p=0.01）。人工智能辅助组的完成时间略快，但差异不具有统计学意义。差距最大的是调试题，这表明从小依赖人工智能可能会阻碍人们发现代码错误的能力。
但使用人工智能并不一定意味着分数会降低——关键在于如何使用它。高分考生利用人工智能来加深理解（概念题、后续解释）。低分考生则将其完全外包给第三方，用于代码生成和调试。
3. Kosmyna 等人 (2025) — “你的大脑在 ChatGPT 中的作用”
完整标题：使用 ChatGPT 进行论文写作时大脑的认知债务积累
作者： Nataliya Kosmyna 等（麻省理工学院媒体实验室及其他机构）
发表于： arXiv:2506.08872，2025 年 6 月（论文/项目）抽象的
本研究探索了语言学习模型（LLM）辅助论文写作的神经和行为后果。参与者被分为三组——LLM组/搜索引擎组/仅使用大脑（不使用任何工具）组——并在相同的条件下完成三个实验环节。在第四个实验环节中，LLM组被重新分配到仅使用大脑组（LLM→Brain），而仅使用大脑组则被重新分配到LLM组（Brain→LLM）。共有54名参与者完成了前三个实验环节；18名参与者完成了第四个实验环节。脑电图（EEG）用于测量认知负荷；论文通过自然语言处理（NLP）和人工教师+人工智能（AI）评分进行评估。
在每个组内，命名实体识别（NER）、n-gram模式和主题分类均表现出高度同质性。脑电图（EEG）显示脑连接存在显著差异——仅使用大脑的组（Brain-Only）显示出最强、最广泛的脑网络，搜索引擎组（Search Engine）中等，LLM组最弱。认知活动随外部工具使用量的增加而减弱。在第四次实验中，LLM→Brain组的参与者表现出α波和β波段连接性降低，表明其认知参与度不足；而Brain→LLM组的参与者则表现出更高的记忆回忆率以及后顶叶和前额叶区域的激活，与搜索引擎组相似。LLM组的自我报告论文所有权最低，而仅使用大脑的组最高。
⚠️ 注意：已有一篇针对此预印本的评论文章（arXiv:2601.00856），指出其样本量过小、结果难以重复、脑电图方法存在缺陷以及报告不一致等问题。因此，应采取更为保守的解读方式。
4. Xu 等人 (2026) — “认知主体性屈服”
完整标题：认知主体性屈服：通过脚手架式人工智能摩擦捍卫认知主权
作者：徐匡哲、沈宇、闫龙杰、任颖慧
发表于： arXiv:2603.21735，2026年3月抽象的
生成式人工智能的普及已将原本良性的认知卸载转变为认知自主性丧失的系统性风险。受“零摩擦”设计商业教条驱动的高度流畅的人工智能界面，积极利用人类认知上的吝啬，过早地满足了人们对认知封闭的需求，并导致严重的自动化偏差。
为了实证量化这种认知侵蚀，作者将零样本语义分类流程（τ=0.7）应用于2023年至2026年初发表的1223篇高置信度人工智能-人机交互（AI-HCI）论文。分析揭示了一种不断升级的智能体接管：捍卫人类认知主权的研究在2025年短暂上升（19.1%），随后在2026年初迅速下降（13.1%），取而代之的是优化自主机器智能体的爆炸式增长（19.6%）。与此同时，无摩擦可用性仍然保持着结构性主导地位（67.3%）。
为了打破这种困境，作者提出了“支架式认知摩擦”理论：将多智能体系统（MAS）重新定位为显式的认知支架，并引入“魔鬼代言人”智能体来揭示结构性矛盾，从而迫使系统2的分析推理重新上线，以捍卫人类的认知主体性。他们还提出了一种多模态计算表型分析方案，整合了注视转换熵、任务诱发瞳孔测量、功能性近红外光谱（fNIRS）和分层漂移扩散模型（HDDM）。他们总结道，有意设计的摩擦不仅是一种心理干预，更是实施全球人工智能治理和维护社会认知韧性的基础性技术前提。
Anthropic 的框架与原文的冲突之处
最吸引我的是第二篇引用——Anthropic 的论文。其中“认知卸载”一词的使用含义与原文明显不同。
在原文中，认知卸载被视为一种超能力。
而在Anthropic的《人工智能如何影响技能形成》一文中，认知卸载则被视为一件坏事。
据我了解，这段历史是这样的：直到2016年左右，“认知卸载”通常指的是使用工具来扩展思维。而到了2020年左右，在人工智能领域，这个术语的含义逐渐演变为“思考即捷径”。
原文随后对这两个术语进行了重新定义：
- 认知卸载→能够在不失去方向的情况下，利用人工智能不断扩展你的思维。
- 认知投降→通过人工智能走思维捷径。
我始终无法摆脱的方法论问题。
基于以上词汇：我大致同意人类学的假设和结论，但我对其方法论确实存在疑问。
“当然，假设和结论——即把决策权交给人工智能会让你失去所有权——可能是正确的。但是，测验是检验这一点的合适方法吗？”
假设我正在开发一个项目，并告诉人工智能：“库的处理方式由你决定。” 对于一个我怀疑存在争议的问题，我让人工智能比较不同的选项并选择一个。在这种情况下，我拥有采用该库的决定权——但我对其方法签名不感兴趣。我仍然可以判断这个选择是否合理，但我肯定考不过关于其 API 的测试。
这难道不是代理编码的一个极其常见的横截面吗？
论文对此的回答体现在测验设计上：它特意侧重于“调试、随机阅读和概念理解”。公平。
也就是说：“你采用了这个库——你现在理解它了吗？”这个问题本身并没有什么争议性。
但根据我自身的经验，我真正需要深入了解图书馆运作方式的时候是：
- 某项功能表现不佳
- 同样的问题反复出现。
- 这确实是个问题。也就是说，当我重新审视这个库，重新评估它的质量，或者最终彻底学习它的 API 时，就会发现这个问题。只要我保持这种态度，我也会觉得这个测试很难——但我仍然会说我并没有放弃任何东西。
这两种学习方式都有名称：
- 前期学习——在采用阶段进行深入研究。
- 按需/延迟学习——先少量使用；只有当出现问题时才深入学习。
我的论点实际上从哪里开始呢？
我的 AI 使用方式是否健康（将任务卸载为思维延伸），还是我已放弃控制权？
我认为这个问题可以归结为一句话：
我在发展过程中是否仍然保持着延迟学习的途径，还是我已经放弃追赶，开始把人工智能当作魔法/咒语？
把这句话代入原文，原本模糊的测试——“你是否在当下形成独立的观点？”——就变得更加明确了。严格来说，原文要求你完全验证人工智能输出的每一个结果。这并不现实。
我的重新表述让时间重新回到了这个概念中：
你是否仍然掌握足够的线索，以便在问题出现时能够进行调查？
这是你可以掌控的事情。而放弃，是指那些诱惑不再奏效——或者你不再追随它们。
“你是否拥有独立的观点？”这个问题很难评估：你和人工智能的观点一致吗？还是人工智能已经影响了你？你很难判断。但是，你能验证你当前的观点吗？这个问题可以分解为“你是否仍然掌握着这种方法？”——这是一个更容易解决的测试。
债务类比越来越贴切了。
我喜欢这种重新定义的方式：认知债务的比喻更加清晰了。
标准财经新闻：
- 只要你有可靠的还款计划，债务就是好事——它可以极大地改善现金流，让你利用营运资金创造价值。
- 债权人打电话催款而你又无力偿还的那一刻，企业就会倒闭。
把这种情况映射到人工智能编程中： - 只要你有信心在被问及时能够解释代码，那么使用 AI 进行编程就能倍增你的价值。
- 一旦信心崩溃——“我觉得我再也无法解释这件事了”——你就破产了。
那么，究竟是什么区分了这两种状态？不是知识。
我的看法：分界线不是知识，而是：
- 你能否保持调试技能，包括找到真正问题所在的感觉？
- 你是否保留了获取所需知识的元技能，并将其融入到调试技能中？换句话说：调试是一种技能，所以你可以推迟学习相关知识。这就是延迟学习的价值所在。
人工智能会对任何事情都充满自信地发表意见。但如果你有意识地问自己“这真的正确吗？”以及“这里是否存在任何可疑之处？”——并且你能将这种怀疑指向正确的方向——你就可以进行高效的验证。
如果没有这种判断力，你就只能面临两个糟糕的选择：要么全盘相信，要么全盘怀疑。前者会随着时间的推移扼杀你的能力；后者只会让你精疲力竭。
为什么程序员、产品负责人和 Scrum Master 似乎都“擅长人工智能”？
当人们说这样的话时：
“程序员擅长使用人工智能。”“不，产品负责人才擅长。”“Scrum Master 也擅长。”
我认为他们所指的是调试经验——分别是代码调试、产品调试和团队调试。
分析你所在领域出现的问题并进行修复，这能培养我所谓的调试能力。而持续运用这种能力解决问题，直到问题彻底解决——这就是调试的掌控力。
任何每天训练这两个工具（代码、产品、团队）的人，可能已经掌握了将人工智能作为自身延伸的秘诀。他们只是没有意识到自己正在使用它。
