“前任是渣男，下一个也是，再下一个还是。”谈了四段，就是四次经历。可如果每次都只贴同一个标签，脑子里的“数据库”可能只多出了一列：渣。
问题就出在这儿。
经历多，不等于从经历里总结出了能反复用的规律。ChatGPT 也一样。把答案整个丢给它，自己动脑的时间可能会变少；但如果你不停追问“为什么”“还有别的解释吗”“有什么反例”“研究怎么说”“知道什么信息就能改变结论”，AI 就不只是替你想，而是陪你练推理的陪练。
2026 年有一篇系统综述，汇总了 67 项实证研究。它的结论是：在带着提问和反思、有结构地使用时，ChatGPT 更容易帮人进行高阶思考；而不加思考、直接照单全收答案时，更容易停留在浅层，把思考外包给 AI。[1]
1. 用 AI，真的会让人少动脑吗？
最准确的回答是：看你怎么用。
2025 年有一项研究，调查了 319 名知识工作者的 936 个真实 AI 使用案例。结果是：越相信 AI，自己报告的批判性思考就越少；越相信自己的判断力，就越会主动去核实。用 AI 时的批判性思考，也更多转向设定目标、检查输出、整合信息，以及把关最后的结果。[2]
所以如果是这样：
问 AI → 照单全收 → 完事
那就很容易把思考外包出去。
但如果是这样：
觉得哪里不对劲
→ 把它变成一个问题
→ 提出假设
→ 让 AI 给出对立的假设
→ 查论文和第一手资料
→ 跟其他案例对比
→ 修改自己的模型
→ 拿到现实里试一试
→ 根据结果再改
人要做的事还有很多，甚至更忙。
本想用 AI 偷个懒，结果脑子里多了一个同行评审委员会。
2. 为什么只记一句“他是渣男”，学不到东西？
“渣”说出来痛快，但拿来预测太粗糙了。
A = 渣男
B = 渣男
C = 渣男
D = 渣男
这样存，四次经历下来，几乎没留下能区分彼此的线索。
不如把事情的经过一步步记下来：
先小小越界一下
→ 看对方什么反应
→ 被指出后收手 / 照旧
→ 要求变少 / 越提越多
表现得特别热情
→ 关系稳定下来
→ 投入慢慢回到正常水平 / 突然消失
被指出问题
→ 解释情况
→ 想办法补救 / 把责任全推回给对方
光凭其中一次行为，没法断定一个人的品性。误会、太累、能力不够、偶尔一次失误，看起来都可能差不多。
真正值得记的是：在什么情况下发生、会不会重复、被指出后有没有变化、好处是不是总落在一边、有没有补救。
别从“他做过一件坏事”一下子跳到“他就是坏人”。留下来的应该是过程，而不是标签。
3. 比起经历了多少次，怎么比较经历有时更重要吗？
有可能。
Gick 和 Holyoak 的经典研究发现：能说出两个表面不同的问题有什么共同结构的人，更容易把背后的解法用到新问题上。[3]
谈判训练的研究也是这样。把两个案例放在一起找共同点的团队，比把同样的案例分开各看各的团队，在新的谈判中更能用上关键策略。[4]
所以与其记成：
恋爱 A：糟糕
恋爱 B：糟糕
职场 C：糟糕
不如记成：
恋爱 A：界线不清，要求越来越多
职场 C：分工界线不清，活儿越来越多
共同结构：界线没说清楚，负担就容易压到一方身上
这样换个领域也能用上。
人物虽然不同，背后的线路图可能是同一张。
4. 反复问“为什么”“有什么反例”，到底在练什么？
自己动手解释原因和关系的学习方法，叫“自我解释”。一项汇总了 64 份研究报告、69 个效应量的元分析发现，引导人做自我解释，平均有中等程度的学习效果。[5]
另一项元分析汇总了 122 个实验、10,382 名参与者。它发现，主动从记忆里把知识提取出来用，比只是再看一遍，平均更能迁移到新问题上，应用题和推理题也一样。[6]
所以下面这些问题，作用不只是把聊天拉长：
- 到底发生了什么？
- 我为什么会这样理解？
- 还有什么别的原因？
- 最有力的反例是什么？
- 知道什么信息，就会改变我的结论？
- 别的领域有没有一样的结构？
它们能把一段经历，变成以后可以检索的结构。
5. 这为什么会让人有“头一回见，却好像看得出下一步”的感觉？
脑子里的抽象模型多了，遇到新事情就不用每次从零开始。
新事情
→ 对照已有的模型 A、B、C
→ 判断现在走到哪一步
→ 对下一步提出假设
→ 观察，然后更新
这不是算命，只是能从“套路库”里更快拿出第一个假设。
不过这里有个大坑：结果出来之后说一句“我早就知道”，一点成本都没有。
想真正检验自己的预判能力，就要在结果出来之前写下来：
预测：2 周内会发生 X
概率：70%
理由：A 和 B 已经出现了
推翻条件：如果出现 C，就修改模型
结果：发生了 / 没发生
决策科学的研究也建议，用数字持续记录预测准不准以及有多大不确定性。[7]
这样，“感觉自己挺会预判”就变成了可以校准的预测。
6. 把 ChatGPT 当“外挂大脑”，哪些事该留给自己？
搜索、列候选、对比、提反对假设、做摘要、整理格式，这类费力又重复的活儿，很适合交给 AI。
下面这些，该留在自己手里：
- 自己觉得哪里不对劲
- 怎么定义问题
- 相信哪些证据
- 出现什么情况就算模型被推翻
- 最后采用哪个模型
- 在现实里试什么
- 看了结果之后，丢掉什么
下面这些问题很好用：
- 对这个假设最有力的反驳是什么？
- 还有哪种因果解释，也能说通同样的事实？
- 如果我的前提错了，最可能错在哪里？
- 哪些部分可以用第一手资料核实？
- 我是不是把相关当成了因果？
- 再多知道什么信息，就会改变结论？
- 别的领域有没有类似的案例？
- 按这个模型，接下来会发生什么？
要是你只会问“我说得对吧？”，AI 就会变成一个巨大的点头娃娃。
外挂大脑要的不是点头点得勤，而是敢反驳你的本事。
7. 为什么把讨论写成文章，会让这个循环更强？
聊天记录一翻就过去了，文章却能把结构留下来。
经历
→ 问题
→ 研究
→ 反例
→ 共同结构
→ 实用规则
→ 保存
→ 下次遇到类似的事再拿出来用
文章不只是拿来发布的东西。它也是一份思考缓存：以前花了很长时间想出来的结果，以后能很快调出来用。
而且文章越积越多，你也就越容易冒出一句：“等等，这不就跟之前那件事是同一个结构吗？”
增加的不只是知识，知识和知识之间的联系也在增加。
8. 那么，“看人看事的眼力”到底是什么做成的？
不是单靠见过多少人、换过多少份工作、经历过多少麻烦。
大致可以这样理解：
眼力
≈ 案例数量
× 每个案例提炼出的细节
× 案例之间的对比
× 自我反驳的次数
× 现实中的验证
把四个人都存成“渣男”，可能得到的是 渣 × 4 = 1 条数据。
要是把界线、甩锅、补救、言行是否一致、不同情况下的变化分别拆出来，同样四次经历，就能留下好几个可以反复用的模型。
ChatGPT 的价值，也不只是回答得快。
它的价值在于，能让你更快地提出假设、攻击假设、重新搭建、套用到别的案例，再拿现实来验证。
别把思考交给 AI。
把思考的次数拉高。
这样 AI 就不是替你想的“代用大脑”，而是不停把球扔回来、好像永远不下班的实验室同事。
