用 ChatGPT 会让思考能力下降吗？——为什么“烂人 × 4 = 1 条学习数据”能解释深挖如何提升判断力
“前任是个烂人，下一个也是，再下一个还是。”经历确实有四次，但如果每次都只存成同一个标签，数据库里可能只多出了一列：烂人。
经历多，不等于从经历中提取出了可以重复使用的模型。ChatGPT 也是一样。如果把答案整个外包，思考量可能下降；如果不断追问“为什么”“还有别的解释吗”“什么证据能推翻它”“什么信息会改变结论”，AI 就不再只是代替思考，而会成为推理的陪练。
2026 年一项汇总 67 项实证研究的系统综述指出，在有提问、反思和结构化引导的环境中，ChatGPT 更可能支持高阶思考；而在无结构地直接接受答案时，更容易出现浅层参与和认知外包。[1]
1. 使用 AI 真的会让人少思考吗？
最准确的回答是：取决于工作流。
2025 年一项涉及 319 名知识工作者、936 个真实 AI 使用案例的研究发现，对 AI 越有信心，报告的批判性思考越少；对自身判断越有信心，则越倾向于主动验证。AI 环境中的批判性思考也更多转向设定目标、核验输出、整合信息和监督最终结果。[2]
问 AI → 接受答案 → 结束
很容易变成思考外包。
但如果是：
发现异常
→ 提出问题
→ 建立假设
→ 让 AI 给出竞争假设
→ 查论文和一手资料
→ 与其他案例比较
→ 修改模型
→ 在现实中测试
→ 根据结果再次修改
人类仍然有大量工作要做。
本来买 AI 是为了省脑子，结果脑内反而组建了一个同行评审委员会。
2. 为什么只记“他是烂人”几乎长不出模型？
道德标签有助于表达态度，但对预测来说太粗。
A = 烂人
B = 烂人
C = 烂人
D = 烂人
四次经历几乎没有留下可区分变量。
更有信息量的是保存行为序列：
小幅越界
→ 观察对方反应
→ 被指出后停止 / 重复
→ 要求缩小 / 继续扩大
强烈示好
→ 关系稳定
→ 投入自然回到常态 / 突然大幅消失
被指出问题
→ 解释情况
→ 尝试修复 / 把责任全部推回对方
任何单次行为都不足以给一个人定性。误解、疲劳、能力不足或一次性失误都可能产生相似表现。
更值得保存的是发生条件、是否重复、收到反馈后的变化、利益是否单边集中、有没有修复。
不要从“一次糟糕行为”瞬移到“这个人就是坏人”。保留机制。
3. 比起经历数量，比较经历的方法有时更重要吗？
有可能。
Gick 与 Holyoak 的经典研究发现，当人们能从两个表面不同的问题中说明共同结构时，更容易把底层解法迁移到新问题。[3]
在谈判训练中，把两个案例拿来比较共同点的团队，比把同样案例分开分析的团队，更容易在新谈判中迁移关键策略。[4]
与其保存成：
恋爱 A：糟糕
职场 C：糟糕
不如保存成：
恋爱 A：边界不清 → 要求增加
职场 C：职责边界不清 → 任务增加
共同结构：边界未定义时，负担容易集中到一方
人物不同，内部线路图可能一样。
4. 反复问“为什么”和“反例是什么”会训练什么？
主动解释原因与概念关系的学习方式叫作自我解释。汇总 64 份研究报告、69 个效应量的元分析发现，诱导自我解释的干预平均具有中等程度的学习收益。[5]
另一项汇总 122 个实验、10,382 名参与者的元分析发现，从记忆中主动提取并使用知识，相比单纯再次接触材料，对学习迁移有平均正向作用，也包括应用和推理问题。[6]
所以这些问题不只是让聊天变长：
- 到底发生了什么？
- 我为什么这样解释？
- 还有什么原因？
- 最强的反例是什么？
- 什么信息会改变结论？
- 其他领域有没有同样结构？
它们可以把经历变成可检索的结构。
5. 为什么这会带来“第一次见却好像能看到下一步”的感觉？
抽象模型足够多时，新事件不需要每次从零处理。
新事件
→ 与模型 A、B、C 对照
→ 判断当前阶段
→ 对下一步生成假设
→ 观察并更新
这不是预言，而是从模式库中快速产生先验假设。
真正的陷阱是事后聪明。结果出来后说“我早知道”几乎没有成本。
如果想检验预测能力，应在结果前记录：
预测：两周内发生 X
概率：70%
理由：A 与 B 已出现
反证条件：若出现 C，则修改模型
结果：发生 / 未发生
决策科学关于情报分析的研究也建议定量跟踪预测准确度与不确定性。[7]
这样才能把“感觉自己很会预测”变成可校准的预测。
6. 如果把 ChatGPT 当外部大脑，人类必须保留什么？
搜索、生成候选解释、比较、提出反对假设、总结和整理格式，都适合交给 AI。
但人类应保留：
- 什么地方让自己觉得不对劲
- 如何定义问题
- 什么证据值得信任
- 什么条件能推翻模型
- 最终采用哪个模型
- 在现实里测试什么
- 根据反馈丢掉什么
可以经常问：
- 这个假设最强的反证是什么？
- 哪个替代因果模型也能解释同样事实？
- 如果我的前提错了，最可能错在哪里？
- 哪些部分可以用一手资料核验？
- 我有没有把相关性当成因果？
- 什么新增信息会改变结论？
- 其他领域有哪些类似案例？
- 这个模型预测下一步会发生什么？
如果一直只问“我说得对吧？”，AI 很可能变成一只巨大的点头玩具。
外部大脑需要的不是脖子灵活，而是反证能力强。
7. 为什么把讨论写成文章会进一步增强这个循环？
对话会流走，文章会保留结构。
经历
→ 问题
→ 研究
→ 反例
→ 共同结构
→ 实用规则
→ 保存
→ 在下一个案例中复用
文章不仅是发布内容，也可以成为过去昂贵思考的思维缓存。
文章越多，越容易发生“等等，这和之前那个问题不是同一结构吗？”
增长的不只是知识量，知识之间的连接也在增长。
8. 所谓“看人看事的眼力”到底由什么组成？
它不只是经历过多少人、多少工作、多少麻烦。
判断力
≈ 案例数量
× 每个案例提取的信息分辨率
× 跨案例比较
× 反证次数
× 现实反馈
如果四个人全部存成“烂人”，可能得到的只是烂人 × 4 = 1 条数据。
如果分别提取边界、甩锅、修复、言行一致、条件变化，四次经历就能留下多个可复用模型。
ChatGPT 最深的价值不只是更快回答。
而是提高提出假设、攻击假设、重建假设、迁移到别的案例、再去现实验算的速度。
不要把思考交给 AI。
把思考的迭代次数拉高。
那么 AI 就不是替代大脑，而是永远把球打回来、而且好像从不下班的研究室同事。
