用 ChatGPT 會讓思考能力下降嗎？——為什麼「爛人 × 4 = 1 筆學習資料」能解釋深挖如何提升判斷力
「前任是個爛人，下一個也是，再下一個還是。」經歷確實有四次，但如果每一次都只存成同一個標籤，資料庫裡可能只多出一欄：爛人。
經驗多，不等於從經驗中抽出了可以重複使用的模型。ChatGPT 也是一樣。若把答案整個外包，思考量可能下降；若不斷追問「為什麼」「還有別的解釋嗎」「什麼證據能推翻它」「什麼資訊會改變結論」，AI 就不再只是替代思考，而會變成推理的陪練。
2026 年一項彙整 67 項實證研究的系統性回顧指出，在有提問、反思與結構化引導的環境中，ChatGPT 較可能支持高階思考；而無結構地直接接受答案時，較容易出現淺層參與與認知外包。[1]
1. 使用 AI 真的會讓人少思考嗎？
最準確的回答是：取決於工作流程。
2025 年一項涉及 319 名知識工作者、936 個真實 AI 使用案例的研究發現，對 AI 越有信心，回報的批判性思考越少；對自身判斷能力越有信心，則越傾向主動驗證。AI 環境中的批判性思考也更多轉向設定目標、核驗輸出、整合資訊與監督最終結果。[2]
問 AI → 接受答案 → 結束
容易變成思考外包。
但如果是：
發現異常
→ 提出問題
→ 建立假設
→ 請 AI 提出競爭假設
→ 查論文與第一手資料
→ 與其他案例比較
→ 修改模型
→ 在現實中測試
→ 依結果再次修改
人類仍然有很多工作。
本來買 AI 是想省腦力，結果腦內反而成立了同行評審委員會。
2. 為什麼只記「他是爛人」幾乎長不出模型？
道德標籤可以表達態度，但對預測太粗。
A = 爛人
B = 爛人
C = 爛人
D = 爛人
四次經驗幾乎沒有留下可區分的變數。
更有資訊量的是保存行為序列：
小幅越界
→ 觀察對方反應
→ 被指出後停止 / 重複
→ 要求縮小 / 繼續擴大
強烈示好
→ 關係穩定
→ 投入自然回到常態 / 突然大幅消失
被指出問題
→ 解釋情況
→ 嘗試修復 / 把責任全部推回對方
任何單次行為都不足以替一個人定性。誤解、疲勞、能力不足或一次性失誤都可能產生類似表現。
更值得保存的是發生條件、是否重複、收到回饋後的變化、利益是否單邊集中、是否修復。
3. 比起經驗數量，比較經驗的方法有時更重要嗎？
有可能。
Gick 與 Holyoak 的經典研究發現，能從兩個表面不同的問題中說明共同結構的人，更容易把底層解法遷移到新問題。[3]
談判訓練研究也發現，把兩個案例拿來比較共同點的團隊，比把同樣案例分開分析的團隊，更容易在新談判中遷移關鍵策略。[4]
與其保存成：
感情 A：糟糕
職場 C：糟糕
不如保存成：
感情 A：邊界不清 → 要求增加
職場 C：職責邊界不清 → 任務增加
共同結構：邊界未定義時，負擔容易集中到一方
人物不同，內部線路圖可能一樣。
4. 反覆問「為什麼」和「反例是什麼」會訓練什麼？
主動解釋原因與概念關係的學習方式稱為自我解釋。彙整 64 份研究報告、69 個效果量的統合分析發現，誘發自我解釋的介入平均具有中等程度的學習效益。[5]
另一項彙整 122 個實驗、10,382 名參與者的統合分析發現，主動從記憶中取出並使用知識，相較於單純再次接觸材料，對學習遷移有平均正向效果，也包含應用與推理問題。[6]
因此這些問題不只是讓聊天變長：
- 到底發生了什麼？
- 我為什麼這樣解讀？
- 還有什麼原因？
- 最強的反例是什麼？
- 什麼資訊會改變結論？
- 其他領域有沒有同樣結構？
它們能把經驗變成可搜尋的結構。
5. 為什麼這會帶來「第一次見卻好像看得到下一步」的感覺？
抽象模型夠多時，新事件不用每次從零開始處理。
新事件
→ 與模型 A、B、C 對照
→ 判斷目前階段
→ 對下一步提出假設
→ 觀察並更新
這不是預言，而是從模式庫快速產生先驗假設。
真正的陷阱是事後聰明。結果出來後說「我早就知道」幾乎沒有成本。
如果想檢驗預測能力，應在結果前記錄：
預測：兩週內發生 X
機率：70%
理由：A 與 B 已出現
反證條件：若出現 C，修改模型
結果：發生 / 未發生
決策科學關於情報分析的研究也建議定量追蹤預測準確度與不確定性。[7]
6. 如果把 ChatGPT 當外部大腦，人類必須保留什麼？
搜尋、產生候選解釋、比較、提出反對假設、摘要與整理格式，都很適合交給 AI。
但人類應保留：
- 哪裡讓自己覺得不對勁
- 如何定義問題
- 哪些證據值得信任
- 什麼條件能推翻模型
- 最終採用哪個模型
- 在現實裡測試什麼
- 依回饋丟掉什麼
可以常問：
- 這個假設最強的反證是什麼？
- 哪個替代因果模型也能解釋同樣事實？
- 如果我的前提錯了，最可能錯在哪裡？
- 哪些部分能用第一手資料核驗？
- 我有沒有把相關當成因果？
- 什麼新增資訊會改變結論？
- 其他領域有哪些類似案例？
- 這個模型預測下一步會發生什麼？
如果一直只問「我說得對吧？」，AI 很可能變成一隻巨大的點頭玩具。
外部大腦需要的不是脖子靈活，而是反證能力強。
7. 為什麼把討論寫成文章會讓循環更強？
對話會流走，文章會保留結構。
經驗
→ 問題
→ 研究
→ 反例
→ 共同結構
→ 實用規則
→ 保存
→ 在下一個案例中重用
文章不只是發布內容，也能成為過去高成本思考的思維快取。
文章越多，越容易出現「等等，這跟之前那個問題不是同一結構嗎？」
增加的不只是知識量，知識之間的連線也在增加。
8. 所謂「看人看事的眼力」到底由什麼組成？
它不只是經歷過多少人、多少工作、多少麻煩。
判斷力
≈ 案例數量
× 每個案例提取的資訊解析度
× 跨案例比較
× 反證次數
× 現實回饋
如果四個人全部存成「爛人」，可能只得到爛人 × 4 = 1 筆資料。
如果分別提取邊界、甩鍋、修復、言行一致、條件變化，四次經歷就能留下多個可重用模型。
ChatGPT 最深的價值不只是更快回答。
而是提高提出假設、攻擊假設、重建假設、遷移到別的案例，再回現實驗算的速度。
不要把思考交給 AI。
把思考的迭代次數拉高。
那麼 AI 就不是替代大腦，而是永遠把球打回來，而且好像從不下班的研究室同事。
