夜雨聆风现在让我将学员分类，我会分为两类：遇到问题一上来就用AI的，和先思考再用AI的。
这两种类型我都见过，也都理解。前者省事，后者费力。问题是，一年之后，两年之后，这两种人会在哪里？
unsetunset起点的错觉unsetunset
很多人觉得，只要产出相同，过程不重要。交一份好作业，不管是自己写的还是AI润色的，结果不都一样吗？
表面上看，是的。短期内，"一上来就用AI"的学生甚至更有效率——他们更快出结果，更少卡壳，老师看到的成品也未必更差。
但这里有一个容易被忽视的机制：认知负荷的去向。
大脑和肌肉一样，用则强，弃则弱。当我们把一道题的思考过程完整地交给AI，我们确实"省"了什么——但省掉的恰好是让大脑生长的那部分。
认知科学把这叫做认知卸载（Cognitive Offloading）：把本该由大脑完成的推理任务转移给外部工具。适度的认知卸载可以腾出资源处理更复杂的事，但过度依赖会让原本应当积累的认知能力停止生长，甚至退化。
2025年，格利希（Gerlich）对666名不同年龄和教育背景的参与者进行了混合方法研究，发现频繁使用AI工具与批判性思维能力之间存在显著负相关，认知卸载是中介变量。年轻参与者对AI工具的依赖程度更高，批判性思维得分也更低。
更直接的证据来自麻省理工学院（MIT）媒体实验室。科斯米纳（Kosmyna）等人招募了54名来自MIT、哈佛、塔夫茨等大学的学生，让他们分别用ChatGPT、搜索引擎或不借助任何工具写论文，同时用脑电图（EEG）记录神经活动。结果显示，不使用工具的学生大脑连接性最强、分布最广；搜索引擎组居中；ChatGPT组的脑连接性最弱。更触目惊心的是，ChatGPT组中有83.3%的参与者无法准确回忆自己刚刚写过的文章中的任何段落。
研究者将这种现象命名为认知债务（Cognitive Debt）——类比技术债务：短期内图了方便，长期积累了隐患。
unsetunset差距的建模unsetunset
我们可以用一个简单的动力学模型来描述这两种学习路径的分化。
设某学生在第 个学习周期末的认知能力为 ，包含独立解题能力、批判性思维、问题结构化能力等综合指标。
核心机制：每个周期，学生面对问题时会选择投入一定比例的自主思考努力（），剩余部分 交由AI处理。
能力的迭代公式为：
其中：
为自主思考带来的能力增长率 为认知卸载导致的能力衰减率 为自主思考比例（越高代表先思考再用AI） 为直接交给AI的比例
两类学生的参数设定
参考相关认知科学文献，设定基准参数：，。
长期演化
A型学生（）每个周期的净增长率为：
B型学生（）每个周期的净增长率为：
注意B型学生的净增长率为负数——他们的能力不是停滞，而是在缓慢退化。
经过 个周期后，两者能力之比为：
以一个学期（约16周）为单位，一年为两个学期：
两年后：
差距并不是直线拉开的，而是复利式的。每一轮迭代，A型学生的基础更高，下一轮的绝对增长也更大；B型学生的基础在收缩，能调用的"本钱"也越来越少。
这个模型是机理性的，参数取值是定性的而非精确测量值。现实中， 不是固定的，会随习惯、任务难度、外部反馈而变化； 和 也因人而异。模型的价值不在于给出精确数字，而在于揭示一个方向：哪怕参数差异不大，只要机制成立，长期分化就不可避免。
unsetunset关键不在起点unsetunset
说到这里，我要说一件和直觉相反的事。
上面的模型容易给人一种印象：B型学生已经"走错路"了，要赶紧转型才行。但我更想强调的是：起点是一方面，迭代是更重要的一方面。
有研究发现，麻省理工学院论文中有一个关键的第四轮实验：先用大脑独立写作、后来转为使用LLM的"脑转LLM"参与者，能更有策略地调用工具，表现更好、神经信号也更稳定。换句话说，有了自主思考的底子，再拿起AI工具，反而用得更好。
这对两类学生都有启示：
A型学生：先思考的习惯是优势，但不能因此排斥AI。AI走完一步之后，自己还要再走两步——审视、质疑、改造、迁移，才能把AI的输出真正内化为自己的理解。
B型学生：当下的路径并非不可逆。问题不在于"用没用AI"，而在于有没有在AI输出之后真正动脑。哪怕只是强迫自己每次用AI前先写三句话的初步判断，都是在打开自主思考的开关。
真正的差距，不是"用没用AI"，而是有没有在每一次人机互动之后形成自己的判断、见解和输出。
弗龙蒂尔斯（Frontiers）期刊2025年的一项研究指出，频繁的AI干预伴随着学生批判性推理和主动处理能力的下降，产生了"先生成、后思考"的行为模式。这个描述非常准确。问题不是"生成"本身，而是"后思考"那一步有没有真正发生。
unsetunsetAI走两步，我也走两步unsetunset
我理想中的人机协作节奏是这样的：
我思考 → AI辅助 → 我审视 → AI深化 → 我内化
这是一个持续交替推进的过程，而不是把任务单方向地扔给AI。
艾瑞克森（Ericsson）的刻意练习（Deliberate Practice）理论告诉我们，专业能力不会通过常规练习自动积累，必须经历有意识地、结构化地在当前能力边界上施压，才能产生持久的认知改变。AI最危险的地方，正是它太善解人意——它总是在我们到达认知边界之前就帮我们越过去了，让我们永远不必感受那种让大脑真正生长的"卡壳感"。
所以，比"用不用AI"更值得追问的问题是：
我上一次被一道题真正难住，是什么时候？ AI给出答案之后，我有没有试着用自己的话再解释一遍？ 我能不能在不看AI记录的情况下，复述昨天用AI解决的核心思路？
如果这三个问题的答案都是"不记得了"，那无论这个人用了多少AI，他的认知账户都在静悄悄地透支。
不管是A型还是B型，最终都要走向同一条路：让每一次和AI的互动，成为自己认知生长的原材料，而不是认知懒惰的借口。AI走两步，我走两步，AI再走，我再走——这才是能持续下去的节奏。
我也在我的新书《巧用DeepSeek进行数学建模》一书中传达了类似观点，同时提供了建模各个环节的理论框架。感兴趣的读者可以关注这本书。（作者：王海华）
本文作者长期从事数学建模教学与竞赛辅导工作，致力于推动建模思维在基础教育阶段的普及与实践。
