“不论什么问题，AI 几秒钟之内就能给出答案，实在是太方便了。”
这似乎已经成了这个时代的共鸣。AI 愈发渗透于生活的方方面面，但某种“怪异”感也越来越强：每天阅读的公众号文章，最近经常品出 AI 味；让 AI 帮忙写东西，里面编造了根本不存在的实验和数据；跟它聊天，它总是顺着人说……AI 真的让我们的生产质量和效率提高了吗？
虽然 AI 名字里有个“Intelligence”（智能），但是它的智能在很多方面仍不能代替人类，尤其是理性思考和专业判断能力。而这些人类大脑才具备的能力，必须来自扎实的锻炼。呃……但所谓“锻炼”又是什么呢？
很简单，就是“死记硬背”。在这个 AI 时代，我们前所未有地需要“死记硬背”。
图库版权图片，转载使用可能引发版权纠纷
AI 擅长统计而非学习
AI 的模型是基于大数据统计的，它学习的是概率分布，目前并不能真正理解世界的逻辑结构。
举个例子，AI 准备考试，刷了 1000 套历年真题，判断第一题选 C 的概率高达 90%，所以就告诉你第一题可以选 C。这种做法大概率是对的，但是也有可能错；不过最危险的是，你听它的话选 C 答对了，就会形成更加信任它的习惯，一旦未来遇到答案不是 C 的情况，就容易“吃瘪”。
与 AI 不同，人能识别规律中的意外，并且思考意外的成因，人脑的推理、决策并不是基于概率的。假如在 16 世纪人们用上了 AI，那么日心说大概永远不会被发现了，因为 AI 的大数据掌握了“地球是宇宙的中心，这个信息来源科学而且权威，历史上多位学者都发表过相关学术著作，我可以为您找到原文，需要我做吗？”
所以，当我们使用 AI 时，根据它的这种特性，可以把它当成一个超级快速的资料查找小助手，或者翻阅大量资料提取数据的统计小助手，或者当你不想做大量重复性高的机械工作时的虚拟机器手臂，这些工作它都能很好地胜任。但是，要让它替你思考或者判断，可真得当心。
AI 幻觉普
更需人脑的甄别能力
“AI 幻觉”（AI Hallucination）是今年大热的 AI 相关词汇之一，指的是 AI 基于它的统计模型来“胡编”的能力。最出名的胡编事故，是 2023 年一家纽约律所使用 ChatGPT 来帮忙写诉讼材料，结果法官发现里面引用的案例全都不存在，是 AI 编造的。这种幻觉在法律和学术场景中经常出现，有些甚至连专业人士都无法识别。
这种幻觉不会消失，相反，还可能越来越严重，今年 3·15 期间爆出的完整 AI 数据污染产业链就是例证。一些人利用 AI 是数据模型的特性，来制造完整的、可以交叉查证的伪造信息链，用来给一些商家的品牌提高被 AI 提及的概率。这其实和之前的搜索引擎优化没什么本质上的区别，而 AI 也不能甄别其中的真假，它默认出现频率高的、有密集关联的、语义上靠近的就是“正确”答案。
图库版权图片，转载使用可能引发版权纠纷
当这种情况发生时，假如你不是相关领域的专业人士——了解知识框架和底层逻辑，阅读过大量的文献，在面对没有明确答案的问题时有自己的思考和验证方式——真的很容易被 AI 蒙在鼓里。当没有甄别能力的人，对 AI 给出的虚假答案给出正面反馈的时候，就无形中强化了一次它编造的行为，这是大模型基于人类反馈的强化学习（RLHF）中面临的问题。
我们可以试着把 AI 想象成一个更高级的搜索引擎，虽然它功能更强，但是当虚假和垃圾信息越来越多，数字泔水开始进入循环生态系统时，依然会出现“我找不到想要的东西”的情况，只不过还更隐蔽了，因为 AI 不会说“我不知道”。
“我不知道”是人脑的优势
要想使用AI，而不是被它带跑偏，人类大脑必须比从前更强，尤其是在这些方面。
1
“我不知道”
这是人类的“元认知”功能，也就是对自身知识边界的感知能力，能辨别“我知道”和“我不知道”。
如果说 AI 做的是选择题，按概率推算，甚至有可能蒙对，那人类做的就是填空题，知道才能填，不知道只能空着。
这是个非常重要的能力。当元认知发现自己不确定的答案时，人脑有个隐含的校验步骤，把脑子里的答案和自己的经验、尝试、记忆的可靠程度等信息做一次核对。这是对自己思维过程的觉察和调节能力：我的判断依据是不是可靠？哪些地方还需要补充信息？“不知道”才能引起下一步的探索、追问、验证，人类历史上的重大发明和发现，都离不开对“我不知道”的执着追问。
图库版权图片，转载使用可能引发版权纠纷
说这是在 AI 时代最重要的能力也不为过，因为 AI 永远“知道”，但它不知道它其实不知道。具备元认知能力的人，才能在 AI 自信满满给出答案的时候，对它给出的信息产生怀疑，并进行验证。完全依赖 AI 会让各种认知功能退化。
2
依赖工具的过程会让认知退化
把本来在脑子里完成的信息处理，转移到外部工具上去完成，认知学上把这样的过程称为“思考外包”（Cognitive Offloading）。这个词是中性的，比如一边折手指一边数数就是一种思考外包。
问题在于不能把太重要的项目也外包出去，因为外包出去的认知过程就是不再练习、不再强化的认知过程。神经学经常被引用的一句俗语“Fire together，wire together”，指的就是神经元之间连接的用进废退。如果外包了判断、推理、记忆提取这些高级的认知功能，那么人将越来越难独立思考。
2025 年的一项随机对照试验发现，让学生不受限制地使用 ChatGPT 进行自主学习，其长期的知识留存显著低于不使用 AI 的对照组。另一项大样本研究中发现，频繁使用 AI 与批判性思维能力呈显著的负相关，接受过高等教育的人群呈现出更强的抵抗认知外包的能力。
现在我们可以回答一下开头的问题了，死记硬背还有用吗？反正 AI 都知道？
没有“死记硬背”
就无从谈论批判性思维
人的认知资源是有限的。当我们进行高级认知功能时——比如思考、批判、决策——所有参与运算的信息都必须被调用，这个部分的容量是有上限的。比如，我们不能在游戏里一边读攻略一边同时大杀四方，因此必须先提高武器熟练度。
没错，突破这个上限的方式就是让知识“内化”，让知识、技能以图式（schema）的形式存入长期记忆。这个图式可以理解为大脑自动总结的一些规律，它可以以各种形式存在，比如一个经验丰富的玩家，看到特定怪兽就能立刻使出一套小连招，这个过程不用重新思考、推理、回忆要怎么操作，他们已经形成了图式。
图库版权图片，转载使用可能引发版权纠纷
而批判性思维就是在这样的机制上运作的：要想发现错的，得先知道对的什么样，而这个“对的什么样”是以记忆和图式的形式存储在大脑里的。
比如，一个没有经过学术训练的人，面对 AI 输出的、用学术名词堆砌出的文章，可能察觉不出问题，或者最多觉得“有点别扭”，但说不出是哪里，为什么。而一个自己做过大量研究试验、把学术研究方法——甚至包括偷懒的方法、造假的方法等——都吃过见过的学者，能一眼看出各种问题：数据分析方法故意选的另一种，用来支持它不牢固的论点，样本量太少，可能接受了来源不明的经费等等。
这中间的区别，在于谁的记忆里有更多的参考资料可以供批判性思维调用。这些参考资料，只能通过反复阅读、提取、找到规律等活动来建立，没有捷径。
无论是陈述性记忆还是程序性记忆，形成机制都是重复重复再重复。次数越多，记忆越巩固。“死记硬背”被这么叫，大概是因为这个过程太枯燥，太乏味。重复锻炼身体也很枯燥，但能获得飞跃式进步的技能，都来自重复和枯燥。要想让大脑肌肉发达，指挥 AI，也得靠自己先锻炼才行。
图库版权图片，转载使用可能引发版权纠纷
当然，有人可能会说，“死记硬背”背下来的东西不一定用得上啊？的确有这种可能，但不能排除也可能是它还没到派上用场的时候。还记得史铁生那个“多年后子弹正中眉心”的描述吗？很多网友热评，自己小时候背过的课文，当时不懂其中的含义，人到中年突然想起来泪流满面。那些“被逼着抄 100 遍”的课文，成了现在最能共情的文字。
还有些类似的现象，比如“当时记住了但是没懂，过了很久突然明白了甚至激发了灵感”，这被称为“孵化效应”。虽然当时可能并没把这个知识接到大脑“电路”里，只是在那放着，但其实在不注意的时候，大脑无意识的加工还在继续。或许突然有一天，我们会发现它已经接好了，灯泡亮了。这种离线巩固知识的过程，靠的也是记忆力。发现苯环的凯库勒，不就是因为记忆中有炼金术衔尾蛇的形象，才触发了伟大发现的吗？
结语：
AI 时代，锻炼大脑的基本功，是为了保持清醒的判断。AI 像一个放大镜，放大的是使用者本身的能力，我们的思考、分析、理解能力越高，越能问出精确的问题，得到精确的答案，从而用它来辅助工作和生活。
如果放弃思考，把自己全权交给它，那等待我们的，可能就是难以辨别的幻觉了。
参考文献
[1]Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
[2]Bastani, H., et al. (2024). Generative AI Can Harm Learning. The Wharton School Research Paper.
[3]Chelli, M., et al. (2024). Hallucination Rates and Reference Accuracy of ChatGPT and Bard for Systematic Reviews: Comparative Analysis. Journal of Medical Internet Research, 26, e53164. https://doi.org/10.2196/53164
[4]Huang, L., et al. (2025). A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM Transactions on Information Systems, 43. https://doi.org/10.1145/3703155
[5]Felin, T., et al. (2024). Theory Is All You Need: AI, Human Cognition, and Decision Making. Manuscript. https://www.alejandrobarros.com/wp-content/uploads/2024/08/07.pdf
[6]Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
[7]Carpenter, S. K., et al. (2022). The science of effective learning with spacing and retrieval practice. Nature Reviews Psychology, 1, 496–511. https://doi.org/10.1038/s44159-022-00089-1
[8]Zhao, F., et al. (2019). Spaced Learning Enhances Episodic Memory by Increasing Neural Pattern Similarity Across Repetitions. Journal of Neuroscience, 39(27). https://doi.org/10.1523/JNEUROSCI.2741-18.2019
[9]Golchin, S., & Surdeanu, M. (2024). Time Travel in LLMs: Tracing Data Contamination in Large Language Models. ICLR 2024. https://arxiv.org/abs/2401.06059
[10]Kosmyna, N., et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an AI Assistant for Essay Writing Task. arXiv preprint, arXiv:2506.08872.
[11]Lee, K., et al. (2018). Hallucinations in Neural Machine Translation. ICLR 2018 Workshop. https://openreview.net/forum?id=SkxJ-309FQ
[12]Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. Proceedings of ACL 2020, pp. 1906–1919. https://aclanthology.org/2020.acl-main.173/
策划制作
作者丨段晨 科普创作者
审核丨于乃功 北京工业大学教授 中国人工智能学会理事
詹丽璇 广州医科大学附属脑科医院神经内科教授 中华医学会神经病学分会生化学组委员 中国研究型医院学会神经科学专业委员会委员 中国老年医学学会脑血管病分会委员
策划丨何雨濛
责编丨何雨濛