验证还不够:在 AI 时代,继续锻炼判断力的三种方法

判断力长在亲手做的事里，而不是长在检验里。

一、我们都以为，这事跟自己无关

这件事最容易被谁忽略？

不是那些直接复制 AI 答案的人，而是那些自认为很会用 AI 的人。

因为我们确实不是在偷懒。AI 让很多事情都变得更轻松：它能更快地写作，更有条理地整理，也能在几秒内找到信息。对用得好的人来说，AI 不是拐杖，而是一个真正的伙伴：它激发洞见、提升效率，也为我们节省时间。

正因如此，当我们听到"AI 会削弱批判性思维"这类担忧时，大多数人会下意识地把它推开。

我们觉得那说的是别人。是那些直接抄 AI 答案的学生，是那些还不懂门道的新手。

那跟我们无关，因为我们依然会评判 AI 给出的东西。我们会反驳，会修改，我们仍然掌控着局面。

二、但请再看一眼那个瞬间

你打开一个新项目，手里只有一个模糊的方向，也没有太多想法。下一步该怎么办？

几乎是不假思索地，你转向 AI："我看看你会怎么想。"几分钟后，一段清晰、结构完整的回应出现了。你读它，用自己的判断去检验 AI 产出的想法，调整几处，然后继续往前。

活儿干完了。结果还不错。一切看起来都很好。

每一次使用 AI，我们都在动用判断力，所以我们想当然地以为，判断力一定在变强，至少也在原地保持。

但这恰恰是最容易误判的地方：动用一种能力，并不等于训练一种能力。

三、判断力从哪里来？

但有一个安静的问题。

我们用来评判 AI 的那份判断力，究竟从哪里来？它真的来自"检验 AI 产出的想法"吗？

不。它不来自使用 AI，它来自 AI 出现之前的许多年——来自没有外援的写作，来自卡壳，来自在艰难地搭建一个有力论证的过程中，慢慢体会到"一个站不住脚的论证"是什么感觉。

我们今天动用的判断力，像一个账户，经年累月慢慢积攒。而每一次我们检验 AI 产出的想法，我们都在从这个账户里支取，但如果我们越来越少亲自生产，就未必还在往里存。

账户会见底——只支取、不再存入的时候。

我们身上那个"验证者"是真实的，但这个验证者，是由我们曾经那个"生产者"塑造出来的。

四、判断力，长在"困难"里

要回答这个问题，得先问一个更根本的问题：判断力到底从哪里来？

认知心理学的研究早已表明：判断力生长于"困难"，而非"顺滑"。

判断力生长于困难，而非顺滑。

Bjork 夫妇的研究指出：

判断力来自笨拙的尝试，也来自失败。Karpicke 与 Roediger 的研究发现：

而 Lee 等人的研究，则恰好描述了 AI 正在带来的那种转变：

五、"验证"也分不同层级

如果判断力来自"生产"，那接下来的问题就是："验证"能不能也构建判断力？

我认为答案不是简单的"能"或"不能"。关键在于，我们说的到底是哪一种验证。

有些验证，只是在接收和挑选。AI 给出一个答案，我们读一遍，觉得哪里对、哪里不对，然后做一些修改。这当然比完全照单全收要好，但它更多是在动用已有判断力。

还有一些验证，则更接近建构和互动。我们先提出自己的解释、计划或判断，再让 AI 找漏洞、提反例、指出盲区。这个过程里，AI 不是替我们完成第一步，而是在挑战我们已经做出的东西。

这两种验证，表面上都叫"验证 AI"。但它们对判断力的影响并不一样。

认知科学家 Michelene Chi（2009）研究过这个问题，提出了一个区分四种认知投入模式的框架：

• 被动：只是接收信息
• 主动：对材料进行操作
• 建构：从材料出发，生成新的东西
• 互动：与另一个头脑对话

她的研究展示出一个清晰的层级：

把这个框架放回 AI 使用里看，问题就变得清楚了：如果我们只是阅读、筛选、修改 AI 已经产出的内容，那种验证更接近"主动"，但未必进入"建构"。

只有当我们先生成自己的东西，再让 AI 反过来挑战它，验证才更可能变成一种建构性的练习。

也就是说，真正重要的不是"我有没有验证 AI"，而是：我有没有先把自己的判断放上桌面。

六、真正的分界线：是谁先出手

大多数时候，AI 给我们一个答案，我们读一遍，留下认同的部分，改掉几处不喜欢的地方。

这感觉很像在思考。但很多时候，我们其实只是在对 AI 设定的起点做出反应，而不是创造属于自己的起点。

真正的分界线不是谁赢，而是谁先出手。

AI 先定义了问题。AI 先安排了结构。AI 先给出了可能的方向。AI 先决定了什么值得被放进答案里。

然后，我们开始判断。

这不是没有价值。但它和"从零开始想清楚一个问题"，不是同一件事。

即便我们去"挑战"AI，模式也常常没有真正改变。我们问："你为什么这么说？"它给出另一段解释；我们让它"换个方式再试一次"，它又生成一个新版本。

我们可能觉得自己投入得很深，因为我们一直在评判、追问、打磨它的回应。但这场对话，始终是从 AI 开始的。

真正的转变，只发生在我们停下来，先试着自己产出点什么的时候。有时我会突然意识到自己在想："如果 AI 不在这儿，我会写出什么？"

这个问题彻底改变了整场互动。在那一刻，不再是 AI 做主要的思考、我来反应；而是我把自己的思考，带进了这场对话。

这是让我感到不舒服的地方：很多 AI 使用看起来都"智力活跃"，因为我们在不停地评判、修改、回应。但并非所有形式的验证，都能同等地构建判断力。

真正的分界线，不是我们有没有使用 AI，也不是我们有没有反驳 AI，而是这场思考，到底是谁先出手。如果总是 AI 先出手，我们可能会慢慢失去那种"硬着头皮先想清楚自己问题"的习惯。

七、别让 AI 替你思考，让它来挑战你

那么，我们到底该如何跨过那条线？

默认情况下，我们很容易把 AI 当成"答案提供者"：我们提问，AI 给答案；我们再验证、修改、追问。在这种关系里，永远是 AI 先出手。

即使我们反驳它、修改它、否定其中一部分，我们也仍然是在回应 AI 已经产出的东西。

但这段关系可以反过来。我们可以先把自己的想法、计划、判断放出来，再让 AI 来找漏洞、提反例、补盲区。三个简单的提问转变，就能改变很多：

1.「我写了这些，帮我找出其中最弱的论点。」——而不是让 AI 替你写第一稿。

2.「这是我的计划，我还遗漏了什么？」——而不是让 AI 直接给你一份计划。

3.「我认为 X 是对的，请给我三个有分量的反对论证。」——而不是问 AI 它怎么看。

在这种用法里，验证不再只是"评判 AI 的输出"。Singh 等人 2025 年的研究，也支持了这个方向：元认知式的提示能帮助 AI 使用者停下来、反思，并注意到自己原本忽略的视角。

这种提问方式，并没有把思考中的"摩擦"抹去。你先暴露自己的判断，AI 再指出它哪里薄弱；你先搭出一个框架，AI 再帮你看哪里缺失；你先给出一个立场，AI 再迫使你面对反方。

这时，AI 没有拿走思考中的摩擦。它只是把摩擦放到了更有价值的位置。

八、一个重要的前提

但这里有一个重要的边界。它只在一种情况下有效：我们懂得足够多，能够先创造出一些东西，供 AI 去挑战。

如果我们身处一个自己几乎不了解的领域，AI 很容易就从"伙伴"退化成"捷径"。在那种情况下——

它说什么都像有道理。它省略了什么，我们不知道。它偷换了什么，我们也未必看得出来。它用一段流畅的解释包住一个薄弱判断，我们可能还会觉得"讲得真清楚"。

更好的做法不是更仔细地去验证 AI，而是先通过书籍、专家、案例和时间，建立起足够的背景知识。

写在最后：我把这套想法，做成了一个工具

写完这篇文章后我意识到，前面那三个提问转变，其实是"手动版"——每次都得靠自己记得去那样问 AI。一旦忘了，它又会滑回那个"答案提供者"的默认角色。

所以前段时间，我把这整套原则做成了一个 Claude 的 skill，叫Learn for Real。它要对抗的，正是这篇文章从头到尾在说的那个东西——"我学会了"的错觉（fluency illusion）：讲解读起来很顺，你点头说懂了，但真正的理解几乎没发生。

它和普通的"让 AI 讲一遍"最大的不同有三点：

• 不先给你完整解释。
  它会先逼你产出一版自己的尝试（"你猜这大概怎么运作？"），哪怕答得很烂——因为这正是文中说的，把"恰当的摩擦"重新加回来。
• 按需给最小帮助。
  你卡住了它才给一点，你能往下走了它就立刻把球交回给你，而不是一口气倒完整段讲解。
• 不把"我懂了"当数。
  最后它会扔给你一道换了皮、但内核相同的新题。做得出，才算真的学透；做不出，就回到那个具体的缺口继续补。

换句话说，它把 Bjork 说的"合意困难"、Karpicke 说的"提取练习"，直接变成了一次对话的默认流程。

如果你想试试这套方法，我把它整理成了两个版本：

• Claude Skill 版
  ：适合已经在用 Claude Skills 的人。
• Prompt 版
  ：适合在 ChatGPT、Claude 或其他 AI 工具里直接复制使用。

它们做的是同一件事：不让 AI 一上来给完整答案，而是先让你产出自己的理解，再通过提示、追问和迁移题，检查你是不是真的学懂了。我把 Skill 文件、Prompt 版和使用说明放在了文末「阅读原文」里。