当 AI 替我们“懂了”

引言：一个问题，在 AI 时代变得更难回答

先交代本文的一个基础判断。关于“信息是否已成为认知”，理论篇提出过一套检验方法，称为“外化三检”：不问“我懂了吗”——内省不可自证——而是要求先产出一个可观察的外部产物，再对这个产物做三层递进的检查。一检·外化，看有没有外部产物，判断这条信息是否还停在“记住了但没理解”的状态；二检·结构化，看产物是孤立的条目堆砌还是形成了关系网络；三检·换情境，换一个没演练过的情境再试一遍，看它还是否成立。这套方法的底层判断是：内省不可靠，因为检验者与被检验者是同一个；出路是找一个外部锚点，而且必须是一个动作，不能是一份决心。

这个判断在 AI 出现之前就已经成立。解释性深度错觉、元认知错觉和检索练习等领域的实证研究共同表明，人们对自己理解的评价系统性地高于实际水平，而重复接触会加固这种错觉。

但现在需要把 AI 放回来。放回来之后，问题不是“AI 是否让这件事变得更糟”——这个问题太粗糙。更精确的问题是：AI 在什么意义上改变了“信息→认知”这一转化的条件？它使哪一部分变难了，哪一部分变容易了？

核心判断是：AI 不仅加剧了自评失效，而且改变了自评失效的性质。 在传统环境中，自评失效的原因是“内省本身不可靠”。在 AI 环境中，自评失效的原因变成了一个更深层的悖论——当 AI 替你完成了“解释”“结构化”甚至“换情境”这些动作时，你手上有一个产物，但这个产物不经过你的认知加工。 你有了一个外部锚点，但这个锚点锚定的是 AI 的理解，不是你的。

“外化三检”的原始设计假设了一个前提：产物是“我”的认知劳动的结果。 这个假设在 AI 环境中不再自动成立。一检产出的“解释”，可能是 AI 写的；二检产出的“结构图”，可能是 AI 画的；三检换的“新情境”，可能是 AI 模拟的。三检的判据落点——“产物在不在”——在 AI 环境中需要一次根本性的修订：不是“有没有产物”，而是“产物经过了谁的认知加工”。

一、AI 时代自评失效的加剧：三条证据链

1.1 认知外包：从“摩擦”的消失到“理解”的短路

传统学习环境中，理解和判断之间始终存在“摩擦”。你读一段文字，提取信息，形成判断——这个过程本身就是认知加工，它让信息有机会进入你的认知结构。

AI 的交互逻辑恰恰是消除这种摩擦。你输入一个提示词，得到一段逻辑清晰、结构完整的回答。从“获取信息”的角度看，这无疑是效率的飞跃。但从“信息→认知”的转化角度看，摩擦的消失意味着认知加工环节的消失。

一项随机对照实验为此提供了直接证据。Ju（2023）的研究中，大学学历的参与者进行了三轮阅读和写作任务，每轮之后回答与材料相关的理解问题。在控制了背景知识和人口学因素之后，完全依赖 AI 进行写作任务导致理解准确率下降 25.1%；AI 辅助阅读也导致了 12% 的下降。这一降幅对应的是完全依赖 AI 完成写作任务的场景，不是泛指使用 AI 辅助。值得注意的是，AI 用于摘要生成时，输出质量和产量反而显著提高——这意味着AI 让“产出”变好了，但让“理解”变差了。

这里的“短路”是一个精确的比喻。电流本应经过一段电阻才能做功，现在电阻被去掉了，电流直接流过，什么也没留下。AI 替你完成了“理解”这个动作本身。

1.2 元认知懒惰：当“容易”被误认为“掌握”

研究者把学生过度依赖 AI 作为学习捷径而导致的“知识掌握假象”称为“元认知懒惰”（Fan et al., 2024；该概念后被 OECD《2026 年数字教育展望》采纳并引述）。这个提法的关键在于“假象”——它不是因为学生没有学习，而是因为学生感觉自己学习了，但实质上没有发生深度学习所需的认知加工。

Fan 等人（2024）的随机对照实验揭示了“元认知懒惰”的运作机制。该研究招募了 117 名大学生，比较了 ChatGPT 组、人类专家对话组、写作分析工具组和无额外工具组。结果显示：ChatGPT 组在作文分数提升上表现最好，但他们的知识获得和迁移能力与其他组没有显著差异。 更重要的是，AI 技术可能促进学习者对技术的依赖，并潜在地触发“元认知懒惰”。研究者指出，不同学习支持下的学习者表现出不同的自我调节学习过程，最终导致了差异化的表现——表面的分数提升掩盖了元认知参与度的深层侵蚀。

1.3 神经层面的证据：AI 辅助下的脑网络连接性变化

如果上述研究还只是在行为层面展示问题，MIT 媒体实验室 2025 年的脑电图研究则将证据推进到了神经层面。

Kosmyna 等人（2025）将 54 名参与者分为三组：LLM 组、搜索引擎组、纯大脑组（不使用任何工具），每组完成三次论文写作任务。研究者使用脑电图（EEG）评估写作过程中的认知负荷。结果发现：纯大脑组表现出最强、最广泛分布的脑网络连接；搜索引擎组显示出中等程度的参与；LLM 组表现出最弱的连接性。 认知活动与外部工具的使用呈反向关系——工具越强，大脑自身的参与越弱。

更具警示意义的是第四阶段的结果。在第四轮中，LLM 组用户被重新分配到纯大脑组（LLM-to-Brain），纯大脑组用户被重新分配到 LLM 组（Brain-to-LLM）。LLM-to-Brain 参与者显示出降低的 α 波和 β 波连接性，表明参与不足。 此外，LLM 组对论文的“自我所有权”感知最低，并且在准确引用自己作品方面存在困难。研究者总结道：“在四个月的时间里，LLM 用户在神经、语言和行为层面持续表现不佳。”

这项研究的关键发现不是“AI 让人变笨了”——这个表述太粗糙。关键发现是：AI 辅助下的认知加工在神经层面留下了不同的痕迹。 当你在 AI 辅助下“完成”一个写作任务时，你的大脑并没有经历传统写作所要求的那种神经激活。

1.4 认知萎缩的渐进模型：从增长到衰退的相变

上述证据指向的是一种渐进的、结构性的变化。MDPI《Information》期刊 2025 年发表的论文为此提供了一个理论框架。Kabashkin 提出了“认知萎缩悖论”的模型，将人机交互理解为一个非线性过程：反思性参与增强元认知技能，而过度委托给自动化则降低分析自主性。 该模型引入“认知可持续性指数”作为综合度量，整合了自主性、反思性、创造力、委托和依赖五个行为参数。这是一项理论与仿真研究，不是实证研究。仿真结果表明，认知可持续性指数存在一个可持续性阈值，维持在该阈值以上才能确保自动化增强而非替代人类的推理、创造力和伦理责任。

该模型的核心判断是：认知萎缩不是一次性事件，而是一个渐进过程。 在早期阶段，AI 确实能促进认知增长。但随着依赖加深，增长曲线放缓，萎缩曲线加速。两条曲线的导数相交之处，就是“认知平衡点”——超过这个点，萎缩开始主导。维持认知可持续性指数在阈值之上，需要组织和政策制定者将认知可持续性作为数字化转型的战略指标来监控。

二、自评失效的加剧：从“内省不可靠”到“产物归属不可靠”

上一节展示了三条证据链，但它们共同指向一个更深层的结构性问题。

2.1 产物的“归属问题”

“外化三检”的操作逻辑是：先产出一个可被观察的外部产物，再对这个产物做三层递进的检查。一检要求“解释”，二检要求“结构化”，三检要求“换情境”。

在传统学习环境中，产物天然地属于生产者。你写出一段解释，这段解释来自你的理解；你画出一张结构图，这张图来自你的知识组织；你在新情境中应用一个概念，这次应用来自你对概念的理解。

AI 改变了这个前提。当你让 AI“解释”一个概念时，你得到了一段解释，但这段解释来自 AI 的训练数据，不来自你的理解。你让 AI“结构化”一堆信息，你得到了一张结构图，但组织结构来自 AI 的模式识别，不来自你的知识组织。你有了一个产物，但这个产物的“认知来源”不在你这里。

2.2 “内省不可靠”与“产物归属不可靠”的区别

这是本文要论证的核心。

“内省不可靠”意味着：当你问自己“我懂了吗”时，你的回答不可信。你的“感觉懂了”可能是解释性深度错觉，你的“觉得掌握了”可能是重复接触产生的流畅性假象。但至少有一点是确定的：你对自己是否理解的判断，不管准不准，是你自己的判断。

“产物归属不可靠”意味着一个更根本的问题：你甚至连“这是谁的产物”都无法确定。 你写出一段解释——但这段解释中有多少是你的，有多少是 AI 的？你建立了一个结构——但这个结构的逻辑是你梳理的，还是 AI 建议的？你换了一个情境——但换情境这个动作是你主动选择的，还是 AI 替你生成的？

“内省不可靠”取消了你对自身理解的判断力。“产物归属不可靠”取消了你对外部锚点的信任。 理论篇提出的解决方案是“找一个外部锚点”，而这个锚点在 AI 环境中本身变得不可靠了。

2.3 一个更深层的悖论

在传统环境中，自评失效的原因是内省不可靠——你“感觉懂了”，但实际上没有。在 AI 环境中，自评失效的原因变成了产物的认知归属不可靠——你有一个产物，但这个产物不经过你的认知加工。

这意味着：“外化三检”的原始判据——“产物在不在”——在 AI 环境中需要一次根本性的修订。

不是“有没有产物”，而是“产物经过了谁的认知加工”。

这个修订比它听起来更根本。它意味着：三检的对象从“信息是否已成为认知”变成了“认知加工是否由我完成”。 一检要求的不再是“有没有解释”，而是“这个解释有没有经过我自己的加工过程”。二检要求的不再是“有没有结构”，而是“这个结构来自谁的判断”。三检要求的不再是“有没有换情境”，而是“换情境这个动作是我做的，还是 AI 替我做的”。

三、检验路径的重构：AI 环境中的“外化三检”

如果接受上述修订，那么“外化三检”在 AI 环境中需要一套新的操作原则。核心原则可以概括为一句话：AI 可以成为认知的脚手架，但不能成为认知加工的替代品。

3.1 一检·外化：解释必须经过“我”的加工

在传统环境中，一检的操作是“请他解释，不要请他表态”。在 AI 环境中，一检的操作需要增加一个前置条件：解释必须是我在 AI 辅助之外形成的。

具体来说：先自己写一遍解释，不允许查阅 AI 输出。写完后再与 AI 的输出对照，看看自己的理解和 AI 的理解之间有什么差距。如果自己写不出来，先分析原因：是完全不理解，还是理解了但表达不出来？如果是完全不知道，再看 AI 的输出。但在看完之后，需要合上 AI 输出，重新自己写一遍。关键判据：你能否在不看 AI 输出的情况下，用自己的语言把解释重新组织一遍？ 如果不能，说明 AI 的解释还没有被你内化。

这个原则的原理是：认知加工发生在你主动组织语言的过程中，而非在你阅读 AI 输出的过程中。阅读 AI 输出是信息接收，自己组织语言是认知加工。 前者不能替代后者。

3.2 二检·结构化：结构必须来自“我”的判断

在传统环境中，二检的操作是“看产物是条目堆砌还是关系网络”。在 AI 环境中，二检的操作需要增加一个判断：这个关系网络是谁建立的？

先自己尝试建立结构，哪怕建立得不完美、不完整、甚至错误，这个尝试本身就是认知加工。再用 AI 辅助完善结构，AI 可以帮助发现遗漏的节点、建议可能的关联，但这些建议需要经过你的判断——这个关联成立吗？为什么成立？在什么条件下成立？关键判据：你能否说出每一条关联的理由？ 如果一条关联是 AI 建议的，而你说不出它为什么成立，那这条关联就不属于你的认知结构。

3.3 三检·换情境：情境必须是真的“没演练过”

在传统环境中，三检的操作是“换一个没演练过的情境再试一遍”。在 AI 环境中，三检面临一个特殊困难：AI 可以模拟任何情境。

你让 AI 生成一个“你从来没遇到过的新问题”，AI 可以立刻生成。你在这个模拟情境中应用一个概念，AI 可以立刻给出反馈。整个过程流畅、高效、看似完整。但这里有一个关键问题：AI 模拟的情境，是否真的“没演练过”？ 如果你之前用 AI 演练过类似的情境，那么 AI 生成的“新”情境可能只是已有模式的变体。如果你在 AI 辅助下应用概念，那么这个应用过程本身可能不经过你的独立判断。

三检在 AI 环境中的操作原则：情境必须由我选择，不能由 AI 生成。选择情境的过程本身就是认知加工——你需要判断“什么样的情境是我没遇到过的”“这个情境中概念的应用条件是什么”。应用必须在没有 AI 辅助的情况下进行。如果需要 AI 辅助才能应用一个概念，说明这个概念还没有被你内化到可独立调用的程度。反馈必须来自真实实践，不能来自 AI 的模拟。

3.4 一个操作原则：保留“无 AI 区域”

上述三检的修订，归结为一个操作原则：保留“无 AI 区域”的认知劳动。

这不是反对 AI。这是在承认一个事实：认知加工需要认知主体亲自完成，不能被替代。 AI 可以帮助你更快地找到信息、更完整地整理结构、更丰富地生成情境——但这些“帮助”的前提是，你自己的认知加工已经完成了。

Singh 等人（2025）的研究为这一原则提供了直接证据。该研究以 40 名大学生为对象，考察元认知提示在生成式 AI 搜索中的效果。元认知提示被设计为鼓励用户暂停、反思、评估自己的理解、考虑多种视角。结果显示：接受元认知提示的学生探索了更广泛的话题，通过后续查询进行了更深入的探究。 学生报告称，这些提示尤其有助于考虑被忽视的视角、促进对 AI 回应的评估以及识别关键要点。研究者还发现，提示的有效性受到学生元认知灵活性的影响。

元认知提示的作用是什么？它制造了“认知摩擦”——在 AI 的流畅输出中插入一个需要你自己思考的环节。 这个环节的存在，阻止了“认知卸载”滑向“认知回避”。

Hong（2025）的互动认知卸载框架提供了另一条路径。该研究提出，使用生成式 AI 作为策略性分配机械写作任务的工具。混合方法研究比较了 ICO 组和对照组，结果显示：ICO 显著提升了批判性思维能力，尤其是在论证深度和证据综合方面。ICO 有效降低了外在认知负荷（32%，p < .001），同时增加了与任务相关的认知负荷（28%，p = .004）。 研究者确认了一种“认知再投资”机制，并指出 ICO 框架通过结构化协作有效降低了认知替代的风险。

这些研究共同指向一个结论：问题不在于“卸载”，而在于卸载之后学习者被要求用释放出来的认知资源做什么。 如果释放出来的资源被用于更高层次的思维活动，卸载就变成了认知增强；如果被用于娱乐或其他无关任务，卸载就变成了认知能力的净流失。

四、结语：回到核心判断

本文的核心判断是：AI 不仅加剧了自评失效，而且改变了自评失效的性质。

在传统环境中，自评失效的原因是“内省本身不可靠”——你“感觉懂了”，但可能没有。出路是找一个外部锚点，一个可以观察的产物。

在 AI 环境中，自评失效的原因变成了一个更深层的悖论：当 AI 替你完成了“解释”“结构化”“换情境”这些动作时，你手上有一个产物，但这个产物不经过你的认知加工。你有了一个外部锚点，但这个锚点锚定的是 AI 的理解，不是你的。

“外化三检”的原始设计假设了一个前提：产物是“我”的认知劳动的结果。 这个假设在 AI 环境中不再自动成立。三检的对象从“信息是否已成为认知”变成了“认知加工是否由我完成”。

这意味着一检要求的不再是“有没有解释”，而是“这个解释有没有经过我自己的加工过程”；二检要求的不再是“有没有结构”，而是“这个结构来自谁的判断”；三检要求的不再是“有没有换情境”，而是“换情境这个动作是我做的，还是 AI 替我做的”。

核心操作原则：AI 可以成为认知的脚手架，但不能成为认知加工的替代品。

本文的论证也存在边界。AI 对认知的长期影响（5—10 年尺度）仍不明确。当前的实证研究多为短期实验或准实验，缺乏系统性的纵向研究。认知萎缩模型虽然提供了理论框架，但其预测能力尚待检验。

此外，三个问题本文没有答案：

第一， “无 AI 区域”的边界在哪里？什么样的任务应该保留为“无 AI 区域”，什么样的任务可以放心外包？这个判断本身需要认知能力——而认知能力越弱的人，可能越难做出恰当的判断，形成负向循环。

第二， AI 辅助下的“认知摩擦”是否可以通过设计嵌入 AI 系统本身，而不依赖用户的自律？如果可以通过设计实现，那么“用户主动选择保留认知劳动”这个前提是否可以被替代？

第三， 在教育体系中，如何在不排斥 AI 的前提下，保护学生完成认知加工的机会？当前的评价体系倾向于奖励“产出质量”，而 AI 恰好可以提升产出质量——这可能导致学生用 AI“做作业”，而真正的认知加工发生在课堂之外。

回到开篇的问题：当 AI 替我们“懂了”的时候，我们是真的懂了吗？

这个问题的答案，最终取决于一个选择：你让 AI 替你完成的是“信息的获取和整理”，还是“认知的加工和理解”。 前者是工具的使用，后者是认知的替代。两者的边界并不总是清晰的，但有一条区分标准是可靠的：当你合上 AI 的时候，你还能不能自己解释、自己判断、自己应用？

说明

一、本文引用逐条核过，核到可点开的原文、DOI 或预印本页面；一手来源（期刊／预印本）与二手报道不混用。

二、凡属本文判断的，标明是本文的判断，不借文献的势。

三、原作者已给的与本文增量分开：三检框架来自系列理论篇；本文换掉的是“产物归属”这一判据落点。

四、一处来源说明：“元认知懒惰”由 Fan／Gašević 团队（Fan et al., 2024）提出，OECD《2026 年数字教育展望》采纳并引述，本文不将其署给 OECD。

五、本文是“信息与认知”系列研究之应用篇，三检框架的完整论证见理论篇，本文不再重复推导。

系列说明

本文是“信息与认知”系列研究之应用篇。理论篇：《信息为什么没有产生力量？》；案例篇：《一个高赞回答与一次排表：两个认知转化案例的完整复盘》。三检框架的完整论证见理论篇，本文不再重复推导。案例的完整复盘见案例篇。

文中提到的研究

[1] Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv preprint arXiv:2506.08872, 2025.

[2] Ju, Q. Experimental Evidence on Negative Impact of Generative AI on Scientific Learning Outcomes. SSRN Electronic Journal, 2023. DOI: 10.2139/ssrn.4567696.

[3] Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. Beware of Metacognitive Laziness: Effects of Generative Artificial Intelligence on Learning Motivation, Processes, and Performance. British Journal of Educational Technology, 2024. DOI: 10.1111/bjet.13544.

[4] OECD. Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing, 2026.（本报告页确认含“metacognitive laziness”表述，且以“what researchers call”引述、非定义；DOI 发布前核补）

[5] Kabashkin, I. Cognitive Atrophy Paradox of AI–Human Interaction: From Cognitive Growth and Atrophy to Balance. Information, 2025, 16(11): 1009. DOI: 10.3390/info16111009.

[6] Hong, H. Enhancing Critical Thinking: Interactive Cognitive Offload Instruction with Generative AI in English Essay Writing. In 2025 International Conference on AI-enabled Education (AIEE 2025), August 22–24, 2025, Qingdao, China. ACM. DOI: 10.1145/3768421.3768447.

[7] Singh, A., Guan, Z., & Rieh, S. Y. Enhancing Critical Thinking in Generative AI Search with Metacognitive Prompts. Proceedings of the Association for Information Science & Technology, 2025, 62(1): 672–684. DOI: 10.1002/pra2.1287.

[8] Paul, R. W., & Elder, L. Critical Thinking: Tools for Taking Charge of Your Professional and Personal Life. Financial Times / Prentice Hall, 2002.

[9] Rozenblit, L., & Keil, F. The Misunderstood Limits of Folk Science: An Illusion of Explanatory Depth. Cognitive Science, 2002, 26(5): 521–562. DOI: 10.1207/s15516709cog2605_1.

[10] Koriat, A., & Bjork, R. A. Illusions of Competence in Monitoring One's Knowledge During Study. Journal of Experimental Psychology: Learning, Memory, and Cognition, 2005, 31(2): 187–194. DOI: 10.1037/0278-7393.31.2.187.

[11] Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. Improving Students' Learning With Effective Learning Techniques. Psychological Science in the Public Interest, 2013, 14(1): 4–58. DOI: 10.1177/1529100612453266.

[12] Karpicke, J. D., & Roediger, H. L. The Critical Importance of Retrieval for Learning. Science, 2008, 319(5865): 966–968. DOI: 10.1126/science.1152408.