问题在先,工具在后:AI时代人类判断力的复归与跃升

一、引言

      2025 年《Nature Machine Intelligence》相关研究揭示了典型的认知偏差现象：大众对大语言模型的能力感知，与其实际性能存在显著系统性偏差。人类往往高估模型的推理能力、低估其隐性缺陷，形成普遍的 AI 认知误区。与此同时，现有大语言模型评价体系多聚焦量化指标，忽视真实人机协同场景的生态效度，难以适配复杂的现实决策需求。

      生成式 AI 的普及彻底消解了传统内容生产的效率稀缺，认知竞争的核心矛盾发生结构性转移。当下决策质量的核心瓶颈，不再是内容产出效率，而是人类对 AI 输出的甄别、校验与价值判断能力。Perc（2025）在前瞻性研究中提出 “伪造的判断” 分析框架，指出大语言模型可高度复刻人类论证的外在逻辑形态，却不具备真实的认知推理与价值判断能力。Loru 等（2025）通过人机评估对比实验证实，大语言模型依托专属启发式规则完成输出，认知逻辑与人类存在本质分野，无法以简单优劣标准评判。

      面对 AI 的固有认知缺陷，学界普遍担忧长期 AI 依赖会导致人类判断力退化。事实上，能力退化并非技术普及的必然结果。人类判断力具备独特的认知可塑性与层级优势，可通过主动思辨与刻意训练，对冲 AI 依赖带来的认知风险。本文构建三层嵌套、递进支撑的人类判断力操作性体系：第一层辨别层（基础层），甄别 AI 输出的谬误与偏差，是人机协同的前置基础；第二层选择层（决策层），在复杂场景中筛选高价值探究方向，是辨别能力的进阶落地；第三层校准层（迭代层），通过元认知校准自我认知偏差，是判断力稳定输出的核心保障。三层能力层层递进、相互支撑，构成完整的人机协同认知体系。

      全文论证严格锚定三层判断力框架，遵循“风险成因 — 认知机制 — 迭代路径” 的逻辑递进展开，逐层剖析 AI 时代人类判断力的发展困境、驱动机制与升级路径，为当代人机协同的认知建构提供理论参考。

二、AI 时代的认知张力：工具越强大，人类验收能力越稀缺

      本章核心锚定判断力第一层—— 辨别层。辨别层是人机协同的基础认知能力，核心指向人类对 AI 输出谬误、漏洞与隐性偏差的甄别校验能力。本章聚焦该层级能力的发展困境，剖析 AI 技术迭代背景下，人类基础辨别能力面临的稀缺化趋势与结构性认知张力。

2.1 从 “生成稀缺” 到 “判断稀缺风险” 的范式转换

      生成式 AI 落地前，人类认知生产的核心约束是内容产出效率，高质量内容创作依赖长期积累与大量时间成本。大语言模型彻底打破内容生产瓶颈，实现文本、方案、推理内容的批量快速生成，传统 “内容稀缺” 的时代彻底终结，认知竞争正式转向判断能力稀缺风险。

      技术迭代带来认知环境的根本性变革。Steyvers 等人（2025）研究证实，大众对大语言模型存在稳定的系统性误判，极易过度信任模型输出的逻辑性与准确性。结合现有实验结论，AI 流畅自然的文本表达、规整的逻辑框架，会让使用者产生认知错觉，主动放弃自主校验与思辨判断，形成被动依赖的使用习惯。

      长期无条件的 AI 依赖，会持续压缩人类自主思辨的训练场景，弱化逻辑推演与真伪辨别熟练度，让基础判断能力长期缺乏实践锻炼，呈现渐进式弱化趋势。这一过程催生了贯穿全文的结构性张力，可简化为清晰的三环节动态因果模型：外部 AI 迭代推动判断标准持续抬升、大众 AI 依赖导致内部思辨训练持续萎缩、能力标准与实操水平的动态落差不断扩大。

      简言之，结构性张力即外部人机协同判断标准持续攀升，与人类自主思辨训练持续萎缩之间，不断扩大的动态认知落差。这一落差随 AI 性能迭代持续加剧，让人类基础辨别能力长期面临供不应求的稀缺化风险，构成 AI 时代最核心的认知矛盾。

2.2 AI 输出的隐性认知挑战：伪造式表达与认知盲区

      大语言模型的表层叙事与逻辑包装能力持续升级，但底层真实推理能力始终存在固有缺陷，形成极具迷惑性的认知挑战。依托差异化启发式规则，模型可生成语句通顺、结构完整但内核失真的“伪造论证”，普通使用者难以通过表层阅读识别隐性偏差（Loru et al., 2025）。

      Polonioli（2025）从人类判断研究的视角出发，指出当前大语言模型评估存在根本性的范式缺陷：现有评价体系过度依赖窄口径、碎片化的量化基准，脱离真实决策场景，忽视了人类判断研究中有限理性与生态效度的核心理论洞见。其研究并非单纯批判现有评价短板，更提出了体系化的重构思路，主张借鉴认知科学经典的 “启发式与偏差” 分析框架，构建具备生态效度的评估范式，弥补量化评测脱离实际的固有缺陷。这一方法论短板，进一步放大了人类辨别 AI 隐性偏差的难度。

2.3 人类判断的不可替代性：人机认知差异的互补价值

      本节内容为人机辨别校验能力的价值收官。文中涉及的置信度校准相关结论，仅作为辅助论据印证人类辨别判断的优化价值，属于校准层能力的微观具象示例，完整的元认知校准理论、能力边界与迭代机制，将在第四章校准层专题系统展开。

      AI 的标准化推理优势持续强化，但机器认知的固定化、模板化缺陷无法根除。Hemmer 等人（2025）的人机协同研究表明，人类与 AI 的错误模式、认知盲区存在显著差异化互补特征，这是人机协同增益的核心前提。纯机器判断存在固化偏差，而人类具备动态调整、自我反思的认知潜力。

      Yáñez 等人（2026）的实证研究进一步印证，融入人类置信度自我校准的人机融合决策，效果显著优于纯 AI 输出。从辨别层视角来看，这一结论核心佐证了人类自主甄别、修正机器偏差的不可替代价值：人类可通过基础的自我认知校验，修正 AI 固化偏差，弥补模型输出缺陷，证明完全依赖机器判断存在显著局限性，人类辨别校验是人机协同决策不可或缺的核心环节。

三、好奇心作为决策习惯：可训练的人类认知优势

      本章核心锚定判断力第二层—— 选择层。选择层是判断力的进阶核心，依托基础辨别能力，完成复杂场景下的价值筛选、方向取舍与决策落地。本章聚焦好奇心的认知驱动机制，论证好奇心如何重塑人类问题筛选能力，对冲辨别层弱化风险，实现选择层判断力的主动精进。

3.1 好奇心的认知范式重构：先天特质到后天能力

      传统认知将好奇心归为先天人格特质，认为其难以后天改变。但近年认知科学研究推翻了这一认知，证实好奇心是可调控、可训练、可固化的动态认知状态（Monosov, 2024），是驱动人类突破浅层信息束缚、开展深度探究的核心内生动力。

      人类天然存在认知惰性，倾向于规避高强度思辨思考。AI 即时答案的便捷供给，进一步放大了惰性思维，催生常态化认知外包行为。而好奇心可生成独立于外部激励的内在认知奖赏，有效克服思维偷懒本能，驱动人类主动跳出 AI 浅层信息牢笼，维持自主思辨能力（Spitzer et al., 2025），是对抗认知弱化的核心心理支撑。

3.2 好奇心双因素模型：价值选择的核心指引

      Dan 等人（2025）提出的好奇心双因素模型，为选择层能力训练提供了核心理论支撑。模型将好奇心划分为两类差异化维度：一是长期兴趣导向，聚焦深度、高价值的探究问题，对应高质量认知决策；二是瞬时冲动导向，追逐浅层、碎片化的即时信息，对应低效表层思考。

      基于 702 名参与者的系列对照实验证实，人类存在显著的认知当下偏差：个体习惯性优先满足瞬时认知冲动，追逐碎片化、浅层次的即时信息反馈，持续搁置具备长期认知价值的深度探究问题。当下短视频、AI 问答等信息模式，持续强化人类的瞬时求知冲动，让大众习惯性沉溺浅层信息浏览，放弃深度价值探究。基于该模型的训练逻辑可明确：通过刻意区分冲动性提问与价值性探究，克制浅层信息依赖、深耕长期认知价值，可将好奇心转化为稳定的决策习惯，持续锤炼选择层的价值筛选能力。

3.3 直觉到问题的认知转化：选择层能力的核心落地

      AI 擅长基于训练数据的信息重组与模式匹配式生成，能够产出结构完整、逻辑仿真的论证内容，但其局限在于无法完成人类特有的、基于内在经验与直觉的高阶认知转化过程。这一认知过程包含不确定性焦点识别、隐性疑问外化、探究目标收敛三个递进环节。好奇心是牵引这一转化的核心动力，推动人类将零散、模糊的内在感知，打磨为具备研究价值的精准问题。

      人机推理的本质差异在此充分凸显：AI 的严谨输出仅为文本模式模拟，人类的思辨过程包含真实的自我审视与迭代优化。在 AI 全覆盖的信息环境中，主动完成直觉梳理、问题提炼、方向筛选，是人类独有的认知优势。

      这一由模糊感知到精准问题的认知转化过程，正是判断力选择层能力的核心运作方式—— 在信息过载、场景不确定的 AI 时代，主动筛选有效认知方向、摒弃无效浅层信息，实现高阶价值决策。

四、自增强循环：判断力、AI 产出与认知升级

      本章核心锚定判断力第三层—— 校准层。校准层是判断力的迭代保障核心，区别于辨别层的“识错校验”、选择层的 “价值筛选”，其核心是广义元认知能力：依托前两层基础能力，通过持续自我复盘、偏差修正、置信度调控，实现判断力的动态迭代与精准优化，是构建长期认知优势的核心机制。本章聚焦校准层的迭代机制，阐释人机协同下的认知自增强循环，破解结构性认知张力，实现人类判断力的持续升级。

4.1 校准层能力：人机协同的质量核心过滤器

      AI 输出质量高度依赖使用者的认知能力，而校准层的自我反思、偏差修正能力，是决定人机协同质量的关键。Corvelo Benz 和 Gomez Rodriguez（2025）研究发现，缺少自我校准能力的使用者，容易陷入 AI 盲从误区，将模型偏差持续放大；而具备完善校准能力的使用者，可精准识别模型优劣，动态优化交互逻辑。

      由此可见，校准层判断力并非后置验收环节，而是贯穿提问设计、逻辑校验、方案取舍的全流程核心能力。精准的自我校准，能够规避人机协同的双向认知偏差，最大化释放人机互补优势。

4.2 人机双向赋能：AI 素材驱动判断力迭代

      人类判断力的精进依托持续的实践复盘，而 AI 的普及为认知训练提供了海量、高频的实操素材。多样化的 AI 输出内容，包含真伪交织、优劣并存的论证体系，为人类辨别校验、价值筛选、自我校准提供了天然训练场景（Polonioli, 2025）。

       Thorp（2026）于《Science》发表的社论指出，AI 介入学术生产后，内容同质化、缺陷隐蔽化问题愈发突出，大幅提升了内容审核与真伪辨别的难度。从延伸逻辑来看，复杂的 AI 内容场景，倒逼人类提升精细化判断与自我校准能力，形成 “AI 多元输出 — 人类思辨校验 — 认知能力精进” 的双向赋能关系。

4.3 认知自增强效应：人机认知差距的指数分化

      依托三层判断力体系的协同运作，人机协同会形成完整的认知自增强循环：校准层复盘优化交互逻辑→产出更高质量 AI 内容→积累更优质思辨素材→进一步精进辨别、选择、校准能力，形成正向循环的认知加速度。

     反之，被动依赖 AI、放弃自主校准与思辨训练的个体，会持续丧失认知锻炼机会，判断力逐步停滞弱化。二者形成鲜明的双向分化：主动构建认知循环者持续迭代高阶判断力，被动依赖工具者逐步丧失核心思辨能力，最终形成指数级的个体认知差距。

      在 AI 算力、模型能力趋于同质化的时代，这种由校准层能力主导的认知自增强机制，是人类突破工具桎梏、构建长期认知优势的核心壁垒。

五、结论与展望

      本文基于三层判断力递进框架，系统剖析了 AI 时代人类认知的结构性张力、驱动机制与迭代路径，构建了 “辨别层识错、选择层择优、校准层迭代” 的完整认知理论体系。研究表明，AI 普及带来的不是人类判断力的必然退化，而是认知能力的结构性重构：基础辨别能力面临稀缺化风险，高阶选择、校准能力成为人类不可替代的核心优势。

      纵观 2024—2026 年人机认知领域前沿成果，可将全文理论支撑凝练为两大核心研究脉络，与文章三层论证结构精准对应：第一，AI 生成缺陷与评估范式短板研究，以 Loru 等（2025）实证结论、Perc（2025）前瞻性理论及 Polonioli（2025）方法论批判为核心，揭示大语言模型固有认知漏洞与现有评价体系的生态缺陷，支撑第二章辨别层的稀缺化风险论证；第二，人类认知可塑性与人机协同增益研究，涵盖好奇心认知机制、认知偏差矫正、人机互补决策等多维度成果，依托 Monosov、Spitzer、Dan 的认知训练研究与 Hemmer、Yáñez 的协同实验结论，支撑第三章选择层、第四章校准层的能力精进与迭代机制论证。

      AI 技术的持续迭代，会持续弱化人类浅层、基础的辨别判断价值，但会不断放大问题筛选、元认知校准、价值决策等高阶判断力的稀缺性与重要性。未来的人机协同竞争，不再是工具使用能力的竞争，而是人类自主认知体系完善度的竞争。

      在工具万能的 AI 时代，坚守人类思辨主体性，坚持问题在先、工具在后，以好奇心驱动价值选择、以自主思辨夯实辨别能力、以元认知校准迭代认知体系，才能跳出 AI 认知桎梏，构建不可替代的核心认知优势。

参考文献

[1] Steyvers, M., Tejeda, H., Kumar, A., Belém, C. G., Karny, S., Hu, X., Mayer, L. W., & Smyth, P. (2025). What large language models know and what people think they know. Nature Machine Intelligence, 7, 221–231. https://doi.org/10.1038/s42256-024-00976-7

[2] Polonioli, A. (2025). Moving LLM evaluation forward: lessons from human judgment research. Frontiers in Artificial Intelligence, 8, 1592399. https://doi.org/10.3389/frai.2025.1592399

[3] Perc, M. (2025). Counterfeit judgments in large language models. Proceedings of the National Academy of Sciences, 122(48), e2528527122. https://doi.org/10.1073/pnas.2528527122

[4] Loru, E., Nudo, J., Di Marco, N., Santirocchi, A., Atzeni, R., Cinelli, M., Cestari, V., Rossi‑Arnaud, C., & Quattrociocchi, W. (2025). The simulation of judgment in LLMs. Proceedings of the National Academy of Sciences, 122(42), e2518443122. https://doi.org/10.1073/pnas.2518443122

[5] Yáñez, F., Luo, X., Valerio Minero, O., & Love, B. C. (2026). Confidence-weighted integration of human and machine judgments for superior decision-making. Patterns, 7(2), 101423. https://doi.org/10.1016/j.patter.2025.101423

[6] Hemmer, P., Schemmer, M., Kühl, N., Vössing, M., & Satzger, G. (2025). Complementarity in human-AI collaboration: concept, sources, and evidence. European Journal of Information Systems, 34(6), 979–1002. https://doi.org/10.1080/0960085X.2025.2475962

[7] Monosov, I. E. (2024). Curiosity: primate neural circuits for novelty and information seeking. Nature Reviews Neuroscience, 25(3), 195–208. https://doi.org/10.1038/s41583-023-00784-9

[8] Dan, O., Leshkowitz, M., Livnat, O., & Hassin, R. R. (2025). Urges now, interests later: On the factors and dynamics of epistemic curiosity. Cognition, 259, 106107. https://doi.org/10.1016/j.cognition.2025.106107

[9] Spitzer, M. W. H., Strittmatter, Y., Marti, M., Schumacher, A., & Bardach, L. (2025). Curiosity overpowers cognitive effort avoidance tendencies. Cognition, 262, 106167. https://doi.org/10.1016/j.cognition.2025.106167

[10] Corvelo Benz, N. L., & Gomez Rodriguez, M. (2025). Human-alignment influences the utility of AI-assisted decision making. Scientific Reports, 15, 29154. https://doi.org/10.1038/s41598-025-12205-1

[11] Thorp, H. H. (2026). AI in scientific publishing: Slower, worse, and more expensive. Science, 393(6808), 225. https://doi.org/10.1126/science.aek5570