「前任是個渣男，下一個也是，再下一個還是。」談了四段，就是四次經驗。可是如果每次都只貼上同一個標籤，腦中的「資料庫」可能只多了一欄：渣。
問題就出在這裡。
經驗多，不代表從經驗裡整理出了可以重複使用的規律。ChatGPT 也一樣。把答案整包丟給它，自己動腦的時間可能會變少；但如果你一直追問「為什麼」「還有別的解釋嗎」「有沒有反例」「研究怎麼說」「知道什麼資訊就會改變結論」，AI 就不只是幫你想，而是陪你練推理的練習對手。
2026 年有一篇系統性回顧，彙整了 67 項實證研究。結論是：帶著提問和反思、有結構地使用時，ChatGPT 比較能幫人做高階思考；而不加思考、直接照單全收答案時，比較容易停在表面，把思考外包給 AI。[1]
1. 用 AI，真的會讓人少動腦嗎？
最準確的答案是：看你怎麼用。
2025 年有一項研究，調查了 319 位知識工作者的 936 個真實 AI 使用案例。結果發現：越相信 AI，自己回報的批判性思考就越少；越相信自己的判斷力，就越會主動去查證。用 AI 時的批判性思考，也更常轉向設定目標、檢查輸出、整合資訊，以及把關最後的結果。[2]
所以如果是這樣：
問 AI → 照單全收 → 結束
就很容易把思考外包出去。
但如果是這樣：
覺得哪裡怪怪的
→ 把它變成一個問題
→ 提出假設
→ 請 AI 提出相反的假設
→ 查論文和第一手資料
→ 跟其他案例比較
→ 修改自己的模型
→ 拿到現實中試試看
→ 依結果再改一次
人要做的事還是很多，甚至更忙。
本來想用 AI 偷懶，結果腦袋裡多了一個同儕審查委員會。
2. 為什麼只記一句「他是渣男」，學不到東西？
「渣」說出口很痛快，但拿來預測實在太粗糙。
A = 渣男
B = 渣男
C = 渣男
D = 渣男
這樣存，四次經驗下來，幾乎沒留下能區分彼此的線索。
不如把事情的經過一步步記下來：
先小小越線一下
→ 看對方什麼反應
→ 被指出後收手 / 照樣來
→ 要求變少 / 越提越多
表現得特別熱情
→ 關係穩定下來
→ 付出慢慢回到正常程度 / 突然消失
被指出問題
→ 解釋狀況
→ 想辦法補救 / 把責任全推回給對方
光憑其中一次行為，沒辦法斷定一個人的個性。誤會、太累、能力不夠、偶爾一次失誤，看起來都可能差不多。
真正值得記的是：在什麼情況下發生、會不會重複、被指出後有沒有改變、好處是不是總落在同一邊、有沒有補救。
不要從「他做過一件壞事」一下子跳到「他就是壞人」。要留下來的是過程，不是標籤。
3. 比起經歷幾次，怎麼比較經驗有時更重要嗎？
有可能。
Gick 與 Holyoak 的經典研究發現：能說出兩個表面不同的問題有什麼共同結構的人，更容易把背後的解法用到新問題上。[3]
談判訓練的研究也是如此。把兩個案例放在一起找共同點的團隊，比把同樣案例分開各看各的團隊，在新的談判裡更能用上關鍵策略。[4]
所以與其記成：
感情 A：糟糕
感情 B：糟糕
職場 C：糟糕
不如記成：
感情 A：界線不清，要求越來越多
職場 C：分工界線不清，工作越來越多
共同結構：界線沒講清楚，負擔就容易壓到一方身上
這樣換個領域也用得上。
人物雖然不同，背後的線路圖可能是同一張。
4. 一直問「為什麼」「有沒有反例」，到底在練什麼？
自己動手解釋原因和關係的學習方法，叫「自我解釋」。一項彙整了 64 份研究報告、69 個效果量的統合分析發現，引導人做自我解釋，平均有中等程度的學習效果。[5]
另一項統合分析彙整了 122 個實驗、10,382 位參與者。它發現，主動從記憶中把知識提取出來用，比起只是再看一遍，平均更能遷移到新問題上，應用題和推理題也一樣。[6]
所以下面這些問題，作用不只是把聊天拉長：
- 到底發生了什麼事？
- 我為什麼會這樣解讀？
- 還有什麼其他原因？
- 最有力的反例是什麼？
- 知道什麼資訊，就會改變我的結論？
- 別的領域有沒有一樣的結構？
它們能把一段經驗，變成之後可以搜尋的結構。
5. 這為什麼會讓人有「第一次碰到，卻好像看得出下一步」的感覺？
腦中的抽象模型多了，遇到新事情就不用每次從零開始。
新事件
→ 對照現有的模型 A、B、C
→ 判斷現在走到哪一步
→ 對下一步提出假設
→ 觀察，然後更新
這不是算命，只是能從「套路庫」裡更快拿出第一個假設。
不過這裡有個大陷阱：結果出來之後說一句「我早就知道」，一點成本都沒有。
想真正檢驗自己的預判能力，就要在結果出來之前先寫下來：
預測：2 週內會發生 X
機率：70%
理由：A 和 B 已經出現
推翻條件：如果出現 C，就修改模型
結果：發生了 / 沒發生
決策科學的研究也建議，用數字持續記錄預測準不準，以及有多大的不確定性。[7]
這樣，「感覺自己蠻會預判」就變成了可以校準的預測。
6. 把 ChatGPT 當「外掛大腦」，哪些事該留給自己？
搜尋、列候選、比較、提反對的假設、做摘要、整理格式，這類費力又重複的工作，很適合交給 AI。
下面這些，該留在自己手上：
- 自己覺得哪裡怪怪的
- 怎麼定義問題
- 相信哪些證據
- 出現什麼情況就算模型被推翻
- 最後採用哪個模型
- 在現實中試什麼
- 看了結果之後，丟掉什麼
下面這些問題很好用：
- 對這個假設最有力的反駁是什麼？
- 還有哪種因果解釋，也說得通同樣的事實？
- 如果我的前提錯了，最可能錯在哪裡？
- 哪些部分可以用第一手資料查證？
- 我是不是把相關當成了因果？
- 再多知道什麼資訊，就會改變結論？
- 別的領域有沒有類似的案例？
- 照這個模型，接下來會發生什麼？
如果你只會問「我說得對吧？」，AI 就會變成一隻巨大的點頭娃娃。
外掛大腦要的不是點頭點得勤，而是敢反駁你的本事。
7. 為什麼把討論寫成文章，會讓這個循環更強？
聊天紀錄一滑就過去了，文章卻能把結構留下來。
經驗
→ 問題
→ 研究
→ 反例
→ 共同結構
→ 實用規則
→ 保存
→ 下次遇到類似的事再拿出來用
文章不只是拿來發布的東西。它也是一份思考快取：以前花了很長時間想出來的結果，之後能很快叫出來用。
而且文章越積越多，你就越容易冒出一句：「等等，這不就跟之前那件事是同一個結構嗎？」
增加的不只是知識，知識和知識之間的連結也在增加。
8. 那麼，「看人看事的眼光」到底是什麼做成的？
不是光靠見過多少人、換過多少份工作、碰過多少麻煩。
大致可以這樣理解：
眼光
≈ 案例數量
× 每個案例整理出的細節
× 案例之間的比較
× 自我反駁的次數
× 現實中的驗證
把四個人都存成「渣男」，可能得到的是 渣 × 4 = 1 筆資料。
要是把界線、甩鍋、補救、言行是否一致、不同情況下的變化分別拆開來，同樣四次經驗，就能留下好幾個可以重複使用的模型。
ChatGPT 的價值，也不只是回答得快。
它的價值在於，能讓你更快地提出假設、攻擊假設、重新搭建、套用到別的案例，再拿現實來驗證。
不要把思考交給 AI。
把思考的次數拉高。
這樣 AI 就不是替你想的「代用大腦」，而是不斷把球丟回來、好像永遠不下班的研究室同事。
