你有没有发现一个怪事？

身边用 AI 的人越来越多，大家的报告写得更快了，PPT 出得更漂亮了，代码交付周期也短了。可与此同时，面试一问细节就露馅，开会脱离稿子就卡壳，遇到没见过的问题第一反应不是想，而是打开对话框。

我这段时间也在反思这件事。直到我看到一篇刚发表的研究，数据直接把我震住了。

researchers 追踪了 26000 名 7 到 12 年级的中学生，整整 30 个月。结果发现，用 AI 之后学生作业分数平均提升了 18%，完成作业的时间从 64 分钟降到 45 分钟。但闭卷考试分数下降了 20%，升学考试成绩下降了 18% 到 24%。

更狠的是，这种负面影响不是立刻出现的。它大概需要两年，才会真正暴露出来。

我当时看到这儿就愣住了。这不就是我们这些成年人在工作里的处境吗？

01 作业漂亮，考试崩盘，数据到底在说什么

这项研究的对象是美国初高中学生，样本量很大，26000 人，覆盖多个年级和学科。研究用的不是简单的问卷调查，而是面板数据，追踪了每个学生在不同时间点的表现变化。

研究者对比了三组数据，作业分数、完成时间、闭卷考试分数。结果呈现出一个非常明显的剪刀差。

用 AI 的学生，作业分数更高，完成作业更快。从 64 分钟降到 45 分钟，几乎省了三分之一的时间。18% 的分数提升看起来也很诱人。如果只看作业，你会觉得 AI 简直是学习神器。

但闭卷考试不是这么回事。升学考试、期末考试这些没法请 AI 代劳的场景，成绩跌了 18% 到 24%。而且研究还发现，社会学科下降最厉害，跌幅 27%。STEM 下降了 22%，英语 17%，语文只有 9%。

这个差异很有意思。为什么语文受影响最小？研究者没有给定论，但我自己猜测，可能和语文更强调长期阅读积累、语感训练有关，这些东西很难被一次性外包。而社会学科很多作业就是查资料、整理观点、写小论文，天然最容易被 AI 接管。

也就是说，AI 不是让你学得更好，它是让「看起来学得更好」这件事变得更容易了。

02 两年的延迟，才是最可怕的地方

这项研究最让我警觉的，不是成绩下降，而是延迟。

影响大约两年才完全显现。一开始用 AI，作业又快又好，老师和家长可能都觉得孩子有进步。等到闭卷考试真正打脸的时候，中间已经隔着几十个单元、几百节课，早就很难找到元凶了。

我联想到自己在工作里的状态。很多开发者用 AI 之后，代码提交频率上去了，PR 速度变快了，但真到了 code review 或者线上排查 bug 的时候，对底层逻辑的熟悉程度反而下降了。

这种下降不是突发的，而是像温水煮青蛙。你今天让 AI 帮你写了一个正则，明天让 AI 帮你生成了一段 SQL，后天让 AI 帮你调了一个 API。每一次你都觉得自己学到了，但实际上你学到的是「怎么描述问题」，而不是「怎么解决问题」。

两年时间，足够让一个人养成一套依赖习惯。习惯一旦形成，再想回头就特别难。因为你会发现，不用 AI 的时候，你连最基本的思路都起不来。

03 为什么用 AI 会让人「越用越笨」

这个问题我查了不少资料。研究界有个概念叫 cognitive offloading，也就是认知卸载。意思是我们把本该由大脑完成的记忆、推理、决策任务，外包给外部工具。

手机导航刚普及时，就有研究发现，长期依赖导航的人，空间记忆能力会下降。AI 写作和 AI 编程，说到底也是认知卸载，只是卸载的不是方向感，而是思考过程本身。

学习有一个很反直觉的规律，越痛苦的过程，记忆越牢固。你自己吭哧瘪肚算出来的一道题，印象远比看别人讲解深刻。你一个字一个字敲出来的代码，调试时出现的 bug 你记得清清楚楚。你亲手走过的弯路，才是内化的知识。

AI 把痛苦的部分全吃了。它给你的是一个平滑、干净、看起来对的答案。但你的大脑没经过挣扎，没经历试错，没形成神经回路。结果就是你「知道答案」，却不「理解答案」。

我并不是说 AI 一无是处。它确实能加速查找、翻译、格式化、重复性工作。问题是，当它没有痛苦门槛时，我们很容易把所有任务都交给它，包括那些本该让我们变强的任务。

04 剂量决定毒性，时间越长越严重

研究里还有一个数据让我后背发凉。每周使用 AI 一小时，学习损失约 5%。每周使用五小时，损失约 30%。

这是一个剂量依赖关系。不是用 AI 就一定完蛋，而是用得越多，越把学习过程外包，伤害越大。

我在社交媒体上看到有人说，「那不用 AI 不就行了？」

这话听着简单，其实不太现实。AI 已经嵌入搜索、文档、IDE、邮件、设计软件，几乎无处不在。完全不用，等于主动脱离主流工具链。但完全放手，又可能掉进认知退化的陷阱。

关键不是用不用，而是怎么用。剂量这个词很关键，它提醒我们 AI 是一种工具，而不是一种替代品。把 AI 当成计算器，没问题。把 AI 当成大脑的外置硬盘，就有问题。

05 不只是学生，成年人也在经历同样的事

这项研究的对象是学生，但我觉得结论完全可以平移到成年人身上，尤其是我们这些靠脑力吃饭的人。

一个程序员用 AI 写代码，交付速度提升 18%，这和我们学生时代作业分数提升 18% 是一个逻辑。短期 KPI 好看，老板满意。但半年后，他独立设计系统的能力、 debugging 的直觉、对框架底层机制的理解，可能都在悄悄下滑。

一个产品经理用 AI 写需求文档，一个运营用 AI 写文案，一个分析师用 AI 跑数据。每个人都在某些环节上省了时间，但省下来的时间里，有多少人真正去学了原本该学的东西？

大多数人不会。他们只会接下一个任务，继续用 AI 更快完成。然后循环。

这就是隐藏成本最阴险的地方。它不会出现在季度考核里，不会出现在 OKR 上，它出现在你下一次跳槽面试时的沉默里，出现在你遇到新问题时脑子一片空白的瞬间里。

06 真实的局限，我没办法给出一个完美解法

写到这里，我必须承认，我自己也没找到银弹。

我每天都在用 AI 工具，写代码、查资料、润色文字。让我完全不用，不现实。让我完全依赖，我又不甘心。说实话，我也在摸索这个平衡点。

我目前能做的是几个小策略，分享给大家，也欢迎大家批评。

第一，区分任务类型。重复性、机械性、信息检索类的工作，可以交给 AI。涉及核心推理、创意判断、长期积累的东西，尽量自己先干一遍，再让 AI 优化。

第二，强制自己输出「半成品」。比如先手写一个草稿，再让 AI 改。而不是从零开始让 AI 生成。这样至少你脑子里有过一次完整的思考路径。

第三，定期做「无 AI 练习」。我会刻意挑一些不用 AI 的场景，比如手写一段算法，或者口述一段架构设计。不是为了复古，是为了确认自己的能力没有退化。

第四，关注长期指标。不要只看今天多快交了差，要看半年后、一年后，自己还能不能独立解决同类问题。

这些方法不一定对每个人都有效，也不一定解决了根本矛盾。但它至少让我在 convenience 和 competence 之间，保留了一点主动权。

07 回到那个更本质的问题

这项研究真正让我夜不能寐的，其实不是 AI 让学习变差这件事。而是它揭示了一个我们不愿意面对的真相，

很多我们以为的「效率提升」，可能只是在透支未来的能力。

AI 把学习曲线压平了。短期看，曲线更顺滑，任务完成更快。但长期看，这种顺滑意味着我们跳过了爬坡期。而爬坡期，恰恰是建立深度能力的唯一阶段。

一个没经历过 confusion 的程序员，写不出真正 robust 的代码。一个没亲手整理过混乱思路的写作者，不会拥有稳定的表达风格。一个没在国家考试中独立答题的学生，不会培养出真正的问题解决能力。

我们不能怪 AI。它只是一个工具。怪的是我们使用工具时的贪婪。我们想要所有好处，却不想承担任何代价。可学习和成长偏偏是最没法完全外包的东西。

08 我们这一代人要学会的新技能

以前人们常说，21 世纪最重要的技能是学会使用计算机。现在我觉得，最重要的技能是学会使用 AI 的同时，不丢失自己的大脑。

这不是一句空话。它要求我们在每次打开 AI 工具之前，都问自己一个问题。这个任务，是我真的想外包，还是我只是想偷懒？

这两个答案的区别，很小，但决定很大。外包是把低价值任务放出去，让自己腾出时间做高价值思考。偷懒是把高价值任务也放出去，换取一时的轻松。前者的结果是复利，后者的结果是透支。

AI 不会消失，只会越来越强。我们对抗认知退化的方式，不是拒绝工具，而是更清醒地决定什么让自己做，什么让机器做。

这项研究给了我一个提醒。它用 26000 个孩子、30 个月的数据告诉我，表面的进步可能掩盖真实的退步。而真正的代价，往往要等到两年后才找上门。

到那时，我们还能不能把脑子找回来？

说实话，我也不确定。但至少我愿意先开始注意这件事。

09 给团队和组织的一点提醒

这篇文章最后还想提一下团队维度。

现在很多公司都在推 AI 编程、AI 写作、AI 数据分析。老板看到 KPI 变好看，很容易上头，要求全员全面接入。但这项研究提醒我们，全面接入是有成本的，而且这个成本不会立刻出现在报表里。

我见过一些团队的做法，我觉得可以分享。有的团队规定，代码提交前必须人工写一段 design note，不能用 AI 直接生成的设计文档。有的团队要求，PR 描述里必须说明「哪些部分是人类写的，哪些部分是 AI 辅助的」。还有的团队每周安排一次「无 AI 研讨会」，让大家手动解决一个具体问题。

这些做法不是反 AI，而是在组织层面保留一块人类思考的自留地。

如果一个团队里所有人都依赖 AI，短期效率会很高，但长期来看，整个团队的知识密度会下降。最可怕的不是某一个人不会了，而是整个团队都找不到一个还记得底层逻辑的人。等到线上出大事，或者要做一个没有现成方案的项目时，才会发现能力已经断层了。

所以我在公司管理上也觉得，AI 不能变成唯一的交付标准。除了看速度、看产量，还要看成员的理解深度、看问题排查能力、看独立设计能力。这些指标很难量化，但它们是决定团队能走多远的东西。

好了，写到这里差不多了。

写在最后

我这篇文章不是想反对 AI。我自己就是 AI 从业者，靠这个领域吃饭。我想说的是，我们太容易被短期指标迷惑了，以至于忽略了更长期的指标。

作业更快、代码更多、报告更漂亮，这些都是容易量化的东西。但理解力、判断力、独立思考能力，这些东西很难量化，却在决定我们能走多远。

如果你也在用 AI 工具，不妨停下来想一想。你今天省下来的时间，是花在了让自己变强的事情上，还是花在了更多需要 AI 的事情上？

这个选择，日积月累，会把我们带向完全不同的方向。