2026：AI 越强，你越容易变笨？真正拉开差距的是这一种能力

“遇事不决问 AI。”

这句话越来越像一种默认设置：写周报、做方案、查资料、拟邮件，几秒钟就能拿到一段“看起来很完整”的文本。

但你有没有一种隐隐的担忧：当 AI 越来越像一个全知全能的学霸，我们是不是正在变成只会点头喊“666”的学渣？

微软和多所大学的最新研究告诉我们：这种担忧不是多余的，但结局未必是悲剧。在 AI 时代，一种被称为 “批判性思维” 的古老能力，正在从“选修课”变成更接近“必修课”的基本功。

更具体地说，在高频使用 GenAI 的场景里，知识工作者更容易从“主动建模与推理”，滑向“被动接收与采纳”。这并不必然导向悲观结局，但它确实提醒我们：判断、验证与追问不能外包。

下面尝试从三个角度拆解：为什么 AI 时代更需要批判性思维，以及如何把 AI 变成训练它的工具。

1. 警惕：你的大脑正在“外包”

心理学里有个概念叫 认知卸载（Cognitive Offloading）：当外部工具能替你完成一部分任务，大脑会倾向于把负担转移出去。

过去我们用计算器外包算术；现在我们更容易把“信息整合、论证结构、结论判断”也交给模型来做。问题不在于使用工具，而在于你是否还保留了对过程的控制权。

常见的副作用包括：

流利性错觉（Fluency Illusion）：模型输出往往语气自信、结构顺滑，让人误以为“说得通”等于“是真的”。如果缺少验证与反问，很容易忽略事实错误、偷换概念或论证跳步。
思维同质化：生成模型偏向高概率表达，给出的常是“最大公约数”式答案。若只照单全收，你的观点会更像“平均值”，而不是你自己的判断。

工具可以节省时间，但如果你把判断权也一起外包，就会在不知不觉中丢掉思考的肌肉。

在传统语境里，批判性思维常被理解为“找问题、挑毛病”，通过不断追问“为什么”来识别矛盾与漏洞。

进入 AI 时代，它更像一套“驾驭能力”：你不仅要能识别问题，还要能把问题定义清楚、把推理组织起来、把输出验证落地。很多时候，提示词设计本身就是一场批判性思维训练。

AI 能生成很多方案，但它很难替你决定“什么值得做”。在目标、约束和风险之间做取舍，仍然是人的责任。

一个实用检验是：如果让你用一句话写下“我真正要解决的是什么”，你能否明确对象、边界与成功标准？做不到时，AI 生成得再多，也只是把模糊放大。

同一个问题，随口一问与结构化提问，会得到完全不同的结果。与其让模型直接给结论，不如要求它把前提、假设与步骤摊开，让你有机会审视其中的跳跃。

例如，你可以要求：

当你这样提问时，你训练的不只是模型输出，更是自己的推理框架。

越来越多场景里，人类更像输出的“责任主体”：你要对引用的数据、结论的适用范围、隐含偏见与潜在风险负责。

把 AI 当作引擎没问题，但方向盘和刹车仍然需要你来握：该查证的查证、该补证据的补证据、该拒绝的拒绝。

与其把 AI 只当搜索引擎，不如把它当成“思维陪练”。下面是三种更利于训练批判性思维的用法，你可以直接复制改写后使用。

不要只问“我说得对吗”，而是让它从对立面攻击你的论证：

1
2
3
4
5


我正在主张：<你的观点>。
请你扮演一个严格的反对者：
1) 列出这段观点中最可能的 3 个逻辑漏洞或未经证明的前提
2) 针对每个漏洞给出反驳
3) 告诉我：如果我要让观点更强，需要补哪些证据（可验证的）

当你在做决策/写方案时，让不同利益相关方分别挑刺：

1
2
3
4
5
6


这是我的方案摘要：<粘贴方案>。
请分别从以下角色视角给出评价与问题清单：
- 激进的投资者：关注增长与风险偏好
- 保守的财务负责人：关注成本、现金流与可控性
- 挑剔的用户：关注体验、迁移成本与真实痛点
每个角色至少提出 5 个问题，并标注“必须回答/可选回答”。

你也可以反过来用 AI 提供“可疑素材”，练习核查与修订：

1
2
3
4
5


请写一段关于 <你熟悉领域> 的分析（800 字左右），并故意加入：
1) 2 个似是而非但可被查证的事实点
2) 2 处没把理由讲清楚就先下结论的地方
3) 1 个可能的刻板印象或偏见
写完后不要标注哪里是故意的。

然后你再像做同行评审一样逐条核对：哪些是事实？证据在哪里？哪些是观点？适用条件是什么？哪些是表达造成的误导？这种“拆解—验证—重写”的循环，比单次写作更能锻炼判断力。

AI 的能力会继续增强：更快、更会写、更像“合理的表达”。但它并不在乎真相，也不会为你的决策后果负责。

因此，批判性思维不是用来与 AI 对抗，而是用来确保你仍然掌握问题的边界、证据的质量与结论的责任。

AI 可以帮你生成答案，但重要的问题仍然需要你自己提出。