“最近几乎不看书了，会不会把脑子看坏——不对，是不看坏？”
先说结论：光是“读了一本书”这件事，不会自动给大脑加经验值。 真正重要的是阅读过程中，大脑做了哪些工作。
书可以带来新知识，把新旧知识连起来，让你追踪很长的论证，让你接触自己没有主动搜索的内容，也让你长时间泡在语言里。小说还会要求你想象别人的内心和人生。
如果换成不断和AI对话：“为什么？”“真的吗？”“研究怎么说？”“那这个情况呢？”“是不是和之前那个结构一样？”——其中很多认知工作其实会重叠。AI还能在你卡住的那一秒停下来解释，给出反方观点，追到原始论文，并把新知识和你已有的知识连接起来。
所以，“书读得少”不等于“没有在进行智力活动”。用得好的互动式AI，甚至可能比被动地从头看到尾更费脑。
问题也在这里：AI太会给答案，所以你可能把“自己回忆”“自己解题”“自己追完长逻辑”也一起外包了。本文要做的，就是把“可以放心外包”和“想学会就得亲自做”的部分分开。
1. 把“读书的好处”拆成功能
“读书有益”这句话太粗了。至少可以拆成六种功能。
第一，获得知识。历史、科学、经济、心理等。
第二，连接知识。例如“利率”逐渐连接到通胀、贷款、央行、投资、购买力。
第三，追踪长逻辑。作者从A → B → C → D一步步搭建，你要把前面的内容暂时留在脑中。
第四，遇到自己没有选择的信息。搜索通常围绕你已经提出的问题；书则会制造意外：“这章我本来没兴趣，原来它很重要。”
第五，长时间接触语言。词汇、句型、解释方式、文章节奏都会积累。
第六，尤其是小说中的他人模拟。2024年的预注册元分析发现，小说阅读的实验性认知收益平均很小，g = 0.14；较明确的正效应主要出现在共情和推测他人心理方面 [1]。也就是说，有作用，但不是“读十本小说直接获得读心术”。
书的独特优势不只是信息，而是走完一条长路、被带到自己没选的地方、长时间生活在文字里。
2. AI“来回碰撞式对话”能替代什么？
问AI一个问题、复制答案，和真正的来回追问不是一回事。
例如只问“雨的味道是什么？”然后结束，比较像搜索。但如果继续：
- 为什么下雨会有这种味道？
- 土里到底是什么在产生？
- 微生物？
- 人为什么对这么低浓度也敏感？
- 为什么有时下雨前就闻得到？
- 其他动物呢？
- 原始研究到底证明到哪一步？
知识就会从一个点变成网。
这很接近学习科学里的自我解释（self-explanation）和精细化/精致化（elaboration）。自我解释就是主动生成“为什么成立”“和什么概念相连”。2018年的元分析汇总64份研究报告、69个效应量，发现自我解释提示的总体学习效应约为 g = 0.55 [2]。
AI对话厉害的地方就在于：每问一次，都有机会更新脑中的地图。
书：走作者铺好的路。
AI对话：自己决定往哪走，让AI搬材料。
二者都可以是学习，只是分工不同。
3. 什么是图式（schema）？脑内的“知识地图”
图式听起来很学术，意思其实简单：
图式 = 你脑中“这个世界大概怎么运作”的知识地图。
一开始，“利率”可能只是一个孤零零的点。
后来它和存款、贷款、通胀、央行、投资、汇率相连。于是看到“政策利率上升”，你会自动想到：“存款利率呢？”“房贷呢？”“股票呢？”“汇率呢？”
研究把图式看作从多次经验中抽象出来的高层知识结构。它能帮助理解与记忆新信息，但如果旧框架太强，也会让记忆发生偏差甚至扭曲 [3]。
因此“感觉脑中的神经网络要连起来了”是个不错的比喻。但不要把它理解成“一问问题，脑里立刻长出一根实体电线”。更准确的是：把新信息放进已有结构中，并建立关系。
AI特别擅长加速这个循环：发现空洞 → 马上问 → 补上 → 又发现旁边的空洞。
4. 精细化：想记住，就别只加点，要加线
**精细化（elaboration）**这个词看着像终极Boss，其实做法非常朴素：
把一个知识讲得更具体，并把它和其他知识连接起来。
如果只记：
“土臭素（geosmin）= 雨味的一部分”
入口很少。
如果变成：
土壤微生物产生它
→ 雨滴能把相关物质带入空气
→ 人类能感知非常低的浓度
→ 所以雨前后这种味道会变明显
你就多了几条“回到这条记忆”的路。
不是只有A，而是 B ← A → C，再加 A → D。
问AI“为什么？”“举例？”“和之前的X像吗？”“反例？”“放到这个情况怎么解释？”就是在加线。
但别什么都加线。今天ATM手续费220日元这种临时信息，没必要建立“ATM手续费统一场论”。长期想保留的原理建网络，临时数字放外面。
5. 提取练习：和人聊天会自动变成突击小测
提取练习（retrieval practice）不是上网搜索。它是不看资料，从自己的记忆里把内容捞出来。
星期一用AI查了一个话题，星期四聊天时突然说：
“对了，我之前查过，好像是……”
这一刻大脑就在做提取。
2021年关于学校和课堂研究的系统综述筛了接近2,000篇摘要，纳入50项实验、共5,374名学习者。49个效应量中，57%显示中等或较大的提取练习收益，而且跨年级、学科、延迟时间和测试形式都能看到效果 [4]。
聊天还会多一个步骤：
AI输入
→ 给别人解释
→ 对方问“为什么？”
→ 你卡住
→ 看见知识洞
→ 回去再查AI。
这就是输入 → 提取 → 找洞 → 再输入。
不一定非要每天晚上像修行一样“复习今天三条知识”。正常聊天就可能成为不定期抽查。
6. 做文章的人，会从“追长逻辑”变成“搭长逻辑”
读书的一个好处是追踪长逻辑。那么制作文章的人呢？
读者追 A → B → C → D。
作者或编辑决定 A、B、C、D 应该怎么排，别人才能看懂。
也就是说，会把一部分“追逻辑”的工作换成**“搭逻辑”的工作**。
2020年对1—12年级学生的56项实验进行元分析，研究“围绕科学、社会学科或数学内容写作”是否帮助学习，平均效应量为0.30 [5]。写作会逼人筛选、组织、连接并重新解释信息。
但AI时代有个大坑：如果你只说“全部帮我研究、做结构、写成文章”，完成后一个字不看，那么长逻辑主要是AI搭的。
如果在成文前你不断说“这个不对”“把这篇研究加进去”“这两段要连起来”“反方怎么说”，那你仍然在做策划与编辑。
所以确实可能出现一种人：书看得少，但每天都在做大量‘写书之前的脑内工程’。
7. AI的陷阱：AI会，所以误以为“我会”
这是最重要的一段。
AI很容易让人混淆两件事：
“答案出来了”
和
“我自己能做到”。
2025年PNAS发表的高中数学现场实验中，使用较自由的GPT-4式“GPT Base”的学生，在可以使用AI的练习中比对照组高48%；带学习保护设计的“GPT Tutor”高127%。但到了不能用AI的独立考试，GPT Base组反而比从未用AI的对照组低17%。Tutor组基本消除了这一负效应，但在无AI考试中也没有明显超过对照组 [6]。
开AI：“我数学挺强嘛。”
关AI：“你哪位？”
2026年8月修订的国际象棋工作论文也给出相似警告。200多名棋社学生训练12周，系统只在关键时刻自动给提示的组，技能提升64%；额外拥有“随时求助”按钮的组只提升30%。作者认为，能做出来的题太快求助，减少了有生产力的挣扎（productive struggle），是差距的重要原因 [7]。这仍是工作论文，应等待更多同行评审和复现。
AI本身不是学习杀手。同一个AI，给答案的时机不同，可以是家教，也可以是复制机。
8. 数学可以整包外包吗？“学习数学”和“使用数学”
先问目的。
如果目标是提高数学能力本身，每次都让AI解完整题，训练效果当然弱。列式、犯错、修正，本来就是技能的一部分。
但如果真正的问题是：
“100万日元放在年利0.2%和0.6%的银行，十年后差多少？”
那你真正需要的不是手算复利的肌肉，而是判断：
- 差额到底多少，
- 税后是多少，
- 手续费多少，
- 通胀会不会吃掉收益，
- 为这点差额换银行值不值。
没必要每次都拿纸笔展开复利公式。
不用加入‘手算银行利率来锻炼大脑教’。真的，拿计算器。
这不等于数学概念没用。你仍然需要理解到足以发现离谱结果。但如果目的只是获得可靠数字来做决策，而不是练习计算本身，外包完全合理。
9. 麻将：最后只有AI升级了
麻将这种技能游戏同样如此。
每局都：
“打哪张？”
AI：“五万。”
人：“哦——原来如此。”
如果一直这样，你会跳过：看局面 → 提候选 → 比较 → 决定 → 看结果 → 修正模型。
结果容易变成：AI段位上升，人类在旁边负责说‘有道理’。
但这也不代表必须禁用AI。
麻将对大多数人是爱好。如果“我自己判断得越来越好”本身就是乐趣，那练习有意义。如果只是想玩、想和AI一起分析、并不想为了几个百分点胜率刷几百局，就没有义务把技能练到极致。
当爱好变成：
“为了胜率多2%，今天再做100次重复训练！”
完全可以问：
“我什么时候把爱好做成作业了？”
一个技能值得保存在自己脑里，通常是因为：做它本身很快乐、没法外包、或不会时的代价很高。否则外包也没罪。
10. 我对小说过敏，看电影不行吗？
部分成立。
如果目标是故事、人物、情绪、体验另一种人生，电影能完成很多。它直接提供脸、声音、房间、动作、音乐和节奏。
小说则把一部分渲染工作留给你的脑。
文字：“一个男人站在昏暗的房间里。”
大脑：“什么房间？什么脸？什么声音？什么气氛？”
电影相当于影视公司替你外包了大量脑内渲染。
2024年小说阅读元分析的平均实验效应只有 g = 0.14，主要在共情和推测他人心理方面看到显著正效应 [1]。因此“小说不读，人性就完了”并不成立。
小说仍有独特任务：长时间接触文字、仅凭文字构建场景、长期跟随一个作者的语言。电影的优势则是高密度视觉、声音和表演。
如果目标只是“体验故事”，电影完全是正当路线。如果目标还包括持续阅读和脑内生成场景，小说有自己不能完全替代的部分。
11. 认知卸载：把脑力工作搬到外面，是坏事吗？
**认知卸载（cognitive offloading）**指通过外部动作或工具改变任务，让脑内处理需求下降 [8]。
提醒事项。
笔记。
计算器。
地图。
AI。
全都是。
人类一直在外包。我们不再背所有电话号码，也没有因此导致文明灭亡。
真正的问题不是“有没有外包”，而是：
“有没有把必须独立完成的能力也一起外包？”
例如：
- 利率乘法 → 很适合外包
- 决定该比较哪些东西 → 自己要会
- 查错别字 → 很适合外包
- 感觉某个说法很可疑 → 需要保留自己的判断
- 麻将最优出牌 → 看你玩麻将的目的
- 紧急操作机器 → 如果失败代价大，最好自己也能做
AI时代真正的问题不是“怎样不用AI”。
而是：
“哪些任务应该搬出大脑？省下来的脑力拿去做什么？”
12. 这个问题真的在长图式吗？“那时候Dekopin在干嘛？”问题
问题多，不等于学习多。
大谷翔平在2024年12月宣布妻子怀上第一个孩子时，公布的照片里也有他的爱犬Dekopin（Decoy）[9]。日本社交媒体后来把“那时候Dekopin呢？”这种过度追问细节的句式玩成了梗。这里不认定某一条帖子为绝对原始出处，只把它当作传播开的梗式表达。
有用的精细化问题：
“A真的导致B吗？”
“和C是同一个机制吗？”
“例外是什么？”
“这是相关还是因果？”
杂问型：
“什么时候？”
“哪里？”
“几点几分？”
“那时候Dekopin呢？”
后者有时只是看到信息表有空格，就想把所有空格点开。
当然，很好玩。不是每一份好奇心都要追求学习ROI。Dekopin部门负责让人生不无聊。
但如果目标是记住与理解，可以问自己：这个问题是在增加有用的连接，还是只是在补一个格子？
13. AI时代，哪些东西值得留在脑里？
如果AI越来越强，人还该学什么？
不需要把所有数字和计算都存进脑。
更值得保留的是：
目标：你到底想做什么。
基本概念：利率、概率、因果、风险等，让你看懂结果。
提出问题的能力：为什么？和什么比？反例呢？
怀疑的能力：AI可以非常自信地错，重要问题要看原始资料。
连接的能力：把新知识挂到旧知识上。
判断：数字算完之后，决定“所以怎么办”。
即使AI负责计算、搜索、起草，人仍然要决定：算什么、信哪一个答案、拿答案做什么。
14. 实践：把AI对话变成学习装置
不需要重新发明一整套学习法，只要改一点提问方式。
想记住的知识
不要停在“告诉我答案”，继续问：
- 用初中生能懂的话解释。
- 为什么？
- 具体例子？
- 失败的例子？
- 和之前的X怎么连？
- 研究到底确定到哪一步？
- 原始来源是什么？
- 我这样解释哪里错？
想掌握的技能
把AI从司机降职为教练。
数学：“先别给答案，只帮我把式子列出来。”
麻将：先自己选一张，再让AI评分。
不需要亲自掌握的计算
大胆外包。
银行利率、长表格汇总、税后比较——如果真正目标是决策，不要把手算神圣化。
再把它取出来
聊天时不看屏幕解释。说不出来的部分，就是下一轮调查的入口。
AI输入 → 精细化连接 → 对话中提取 → 发现缺口 → 再问AI
这就是循环。
15. 总结：别只增加信息，增加连接
书仍然很强，尤其擅长：
- 让你遇到自己没选的信息，
- 训练追踪长论证，
- 长时间接触文字，
- 只凭文字在脑中构造人物和世界。
AI来回对话则擅长：
- 在卡住的瞬间马上提问，
- 找研究，
- 生成反方观点，
- 连接已有知识，
- 快速补图式的洞。
2025年哈佛物理课的一项随机对照研究中，按学习科学原则设计的AI导师，比课堂主动学习获得更大的学习增益。AI组学习时间中位数49分钟，课堂约60分钟；作者在考虑天花板效应的分析中估计效应量约0.73—1.3个标准差。注意，这不是“AI vs 一对一真人家教”。它采用交叉设计，同一学生两种条件都体验过，对照是哈佛研究型主动课堂 [10]。
所以“AI学习必然浅”已经不能当通用结论。
但数学和国际象棋研究也提醒我们：AI如果拿走太多挣扎，就可能出现AI在时表现很好，AI一关就不会 [6][7]。
答案不是“书还是AI”。
想长期记住的原理，用AI多连线。
想独立完成的技能，先自己尝试。
不需要练熟的计算，大胆外包。
偶尔让书或其他作品把你带去一个自己根本不会搜索的地方。
大脑没必要存下每一个数字。
更重要的是世界地图，以及地图上点与点之间的路。
想记得更牢，不要只增加信息，要增加连接。
参考资料（10条）
- Wimmer, L. F., Currie, G., Friend, S., Wittwer, J., & Ferguson, H. J. (2024). “Cognitive effects and correlates of reading fiction: Two preregistered multilevel meta-analyses.” Journal of Experimental Psychology: General, 153(6), 1464–1488. DOI: 10.1037/xge0001583
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). “Inducing Self-Explanation: a Meta-Analysis.” Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Gilboa, A., & Marlatte, H. (2017). “Neurobiology of Schemas and Schema-Mediated Memory.” Trends in Cognitive Sciences, 21(8), 618–631. DOI: 10.1016/j.tics.2017.04.013
- Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). “Retrieval Practice Consistently Benefits Student Learning: a Systematic Review of Applied Research in Schools and Classrooms.” Educational Psychology Review, 33, 1409–1453. DOI: 10.1007/s10648-021-09595-9
- Graham, S., Kiuhara, S. A., & MacKay, M. (2020). “The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis.” Review of Educational Research, 90(2), 179–226. DOI: 10.3102/0034654320914744
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122
- Poulidis, S., Bastani, H., & Bastani, O. (working paper; posted 2025, revised 1 Aug 2026). “Self-Regulated AI Use Hinders Long-Term Learning.” Wharton School Research Paper / SSRN
- Risko, E. F., & Gilbert, S. J. (2016). “Cognitive Offloading.” Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
- MLB.com (2024-12-28). “Baby Ohtani! Shohei, wife Mamiko expecting first child.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6
