你以为 AI 在帮你，结果它先让你不想思考了

一项覆盖 1222 名参与者的随机对照研究发现：只要 10 到 15 分钟，把 AI 当答案机来用，人之后独立作答的正确率会下降，也更容易直接放弃。

你可能也有过这种时刻。

明明一开始只是想“先让 AI 帮我过一下这道题”“先让我看个答案找找感觉”。

结果看完之后，当你真的要自己做，反而更不想动脑了。

这次，问题不是玄学，也不是代际焦虑。

而是有研究开始给出比较扎实的因果证据，AI 不只是会帮你省力，它也可能顺手降低你继续思考的意愿。

如果你做教育产品、学习工具、知识型 AI，或者只是一个每天都在用 AI 的普通用户，这事都值得认真看一眼。 

🔥 先说结论，这次被击中的不是“做题能力”，而是“继续想下去的能力”

这项研究题为 《AI Assistance Reduces Persistence and Hurts Independent Performance》。

研究覆盖 1222 名参与者，任务包括分数运算和 SAT 阅读理解，属于样本量较大的随机对照实验。

它测试的问题非常直接。

不是“你会不会担心自己依赖 AI”，而是：

当你先在 AI 帮助下完成任务，之后再把 AI 拿走，你还能不能自己做出来？

研究结果也很直接。

• 在 AI 辅助阶段，参与者短期表现更好

• 但在失去 AI 后，独立作答正确率下降

• 同时，参与者更容易跳过题目，直接放弃继续尝试

这里最值得警惕的词，不是 performance，而是 persistence。

也就是，坚持尝试的能力。

这点为什么重要？

因为实验里，答错没有惩罚，报酬也不和成绩挂钩。所以很多人不是“实在不会”，而是主观上更不愿意继续投入努力。

很多时候，学习真正先坏掉的，不是正确率，而是你不想再硬着头皮想下去了。

这句话，才是这项研究最扎人的地方。

⚔️ 真正的分水岭，不是“有没有 AI”，而是“你把 AI 当成什么”

这项研究有一个特别重要的价值。

它没有简单粗暴地下结论说，“用了 AI 就会变笨”。

它把问题拆开了。

根据 The Decoder 的报道，AI 组用户里，大约 61% 主要采用的是“直接答案模式”。而这群人在失去 AI 后，表现最差，跳题也最多。

这意味着什么？

意味着问题不只是“你是否使用了 AI”。

而是：

你到底把 AI 当成脚手架，还是当成代做机器。

如果 AI 给你的是这些东西：

• 提示

• 思路拆解

• 纠错反馈

• 反问引导

• 局部线索

那它更像一个脚手架，帮你把能力搭起来。

但如果 AI 给你的是：

• 现成答案

• 一步到位的结论

• 已经替你推完的过程

那它也可能在悄悄拿走更关键的东西：

你独立推导、坚持尝试、识别卡点的能力。

所以，真正的问题不是“AI 能不能帮你”。

而是：

AI 帮你的方式，究竟是在保住能力，还是在替代能力。

🧠 为什么会这样，研究给了两个很关键的解释

1. AI 会重置你对“正常难度”的感受

当系统总能在几秒内给出答案，你的大脑会很快适应这种流畅感。

于是，一旦 AI 被拿走，原本正常的卡顿、推导、试错、修正，就会突然显得格外难，格外慢，也格外不值得。

不是题目真的变难了。

而是你的耐受阈值被改写了。

换句话说，AI 不是只改变了结果。

它还改变了你对“我应该付出多少努力才算正常”的心理预期。

2. AI 可能抹平了最有价值的“有效挣扎”

论文里提到一个很关键的学习概念，叫 productive struggle，也就是有效挣扎。

很多知识并不是“听懂了”就算掌握。

真正让能力长出来的，往往是这几个过程：

• 先自己试一遍

• 卡住

• 出错

• 修正

• 再试一次

这个过程不舒服。

但它很重要。

如果 AI 直接把这段过程整体跳过，你拿到的可能只是一个正确结果，却没长出那套支撑长期能力的认知结构。

看上去是更高效了。

但从长期看，可能是在透支未来独立解决问题的能力。

📊 这事为什么不是教育圈的小问题，而是所有 AI 产品都该重视的设计信号

过去大家常说，AI 最理想的角色应该像老师、导师、教练，而不是单纯的答案库。

这句话听起来对，但也有点空。

这次研究的价值就在这里。

它把一个模糊担忧，慢慢变成了一个可讨论、可设计、可验证的产品问题：

如果一种 AI 交互方式短期提高了正确率，却削弱了用户离开 AI 后的独立能力和 persistence，它就不是优质协作。

这条标准，至少值得被放进产品评估里。

你可以把它理解成一个很现实的判断：

• 这个 AI 是在帮用户更快完成

• 还是在帮用户更会完成

这两个方向，长期结果可能完全不同。

对教育科技产品意味着什么

更好的学习型 AI，也许不该默认直接给完整答案。

更合理的帮助顺序，可能是：

1. 先提示

2. 再拆步骤

3. 再给检查线索

4. 必要时反问

5. 最后才考虑完整示范

重点不是“不帮”。

而是不轻易替用户把最关键的思考步骤走完。

对企业培训、编程辅导意味着什么

很多团队已经默认把 AI 当效率放大器。

这当然没错。

但如果一个工具长期把人训练成“只会验证结果，不会自己推过程”的工作习惯，代价可能会在后面出现。

比如：

• 新人上手越来越快，但独立判断越来越弱

• 编程速度变快了，但调试与定位问题能力变差

• 写作更顺了，但结构判断和论证能力在退化

短期效率，未必天然等于长期能力。

对所有知识工作者意味着什么

你会发现，真正危险的不是 AI 偶尔替你做了一件事。

而是它的输出太流畅、太自信、太省事，让你越来越少追问：

• 这个结论对吗？

• 为什么是这样？

• 我自己能不能再推一遍？

这也是为什么另一类关于 cognitive surrender（认知让渡） 的研究会受到关注。

风险不只是“偷懒一次”。

而是你慢慢失去了判断：

什么时候该怀疑，什么时候该坚持，什么时候必须自己再想一轮。

⚠️ 也别走到另一个极端，这项研究有边界

说到这里，也需要理性回归一下。

这项研究并不等于所有真实世界任务都会以同样幅度受影响。

它测的是：

• 短时任务

• 受控实验环境

• 主要集中在基础数学与阅读理解

所以，我们不能机械地把结论外推到所有工作、创作、协作场景。

但它至少已经清楚说明了一件事：

AI 的帮助方式不是中性的。

不同的交互设计，会把人推向完全不同的能力轨迹。

这不是“要不要 AI”的问题。

而是“什么样的 AI，正在把人带向更强，什么样的 AI，正在把人带向更弱”。

💡 对你意味着什么，今天就能做的 3 个小调整

如果你本来就在高频使用 AI，这里其实有三个非常低门槛的用法调整。

1. 先让 AI 给提示，不要一上来就要答案

你可以直接改问法。

比如把“直接告诉我答案”改成：

• 先提示我第一步

• 不要直接给结论

• 帮我找错，不要替我重做

• 用提问方式引导我

很多时候，问题不是 AI 太强，而是你的调用方式默认把自己放到了旁观者位置。

2. 给自己留一个“先独立尝试 3 分钟”的缓冲区

尤其是学习、写作、分析、编程这类任务。

先想 3 分钟，再问 AI。

这个动作很小，但很有用。

它至少能让你先暴露出自己的真实卡点，而不是直接跳过思考过程。

3. 用 AI 做反馈器，不只做答案机

最好的协作方式，往往不是“你替我完成”，而是“你帮我校准”。

比如：

• 我先写，你帮我挑逻辑漏洞

• 我先做，你帮我指出哪一步最容易错

• 我先判断，你帮我给反方视角

这样你得到的不只是结果，还有能力回路本身。

🌱 最后一句，真正高级的 AI，不是替你想完，而是帮你保住思考能力

这项研究真正想提醒我们的，不是“别用 AI”。

而是：

别把 AI 用成答案机。

真正高级的 AI，不该只是更快替你做完题、写完段落、给出结论。

它更应该像一个靠谱的老师。

知道什么时候该帮。

也知道什么时候，不能替你把最重要的那一步想完。

未来 AI 产品真正的分水岭，可能不是谁回答得更快，而是谁能在提升效率的同时，保住人的思考能力。

💬 互动区

你平时用 AI 时，更常见的是哪一种状态？

• A. 先自己想，再让 AI 提示

• B. 会让 AI 直接给答案，再回头看

• C. 看任务，有时提示，有时直接要结果

欢迎在评论区留一个 A / B / C，也可以补一句你最常用 AI 的场景。

我想看看，大家现在到底是在把 AI 当“脚手架”，还是当“代做机”。

参考来源

• The Decoder, Just ten minutes of using AI as an answer machine can measurably erode problem-solving skills, new study finds

https://the-decoder.com/just-ten-minutes-of-using-ai-as-an-answer-machine-can-measurably-erode-problem-solving-skills-new-study-finds/

• Christian et al., AI Assistance Reduces Persistence and Hurts Independent Performance

https://arxiv.org/html/2604.04721

• Ars Technica, “Cognitive surrender” leads AI users to abandon logical thinking, research finds

https://arstechnica.com/ai/2026/04/research-finds-ai-users-scarily-willing-to-surrender-their-cognition-to-llms/