来自美国和英国多所院校的研究人员联合开展了一项关于AI对人类大脑影响的研究,结论令人警醒。相关成果发表在一篇题为《AI辅助降低了坚持性并损害独立表现》的论文中,标题本身已说明了一切。
"我们发现,AI辅助能提升即时表现,但这背后伴随着沉重的认知代价。"研究如此写道。研究人员进一步指出,仅仅十分钟的AI使用就足以让人产生对该技术的依赖,一旦工具被移除,使用者的表现会明显下滑,并出现倦怠感。
研究聚焦于将AI用于"推理密集型"认知工作的人群,涵盖写作、编程和创意构思等最常见的使用场景。
研究团队招募了350名美国参与者,要求他们完成一系列分数运算题。其中一半人被随机分配,可借助基于OpenAI GPT-5搭建的专用聊天机器人获得帮助,另一半人则须独立作答。测试进行到中途时,AI组的使用权限被切断。
结果显示,AI组的答题正确率大幅下降,且出现了大量直接放弃的情况。这一表现下滑与坚持意愿同步降低的现象,在随后一项纳入670名参与者的更大规模实验中得到了重复验证。研究人员最终还进行了一项以阅读理解而非数学题为内容的实验,结论如出一辙。
"一旦AI被拿走,人们不只是给出错误答案,他们甚至不愿意在没有AI的情况下尝试。"加州大学助理教授、该研究共同作者Rachit Dubey在接受Futurism采访时表示,"人们的坚持意愿明显下降。"
Dubey进一步警告,在教育领域快速推进AI部署,可能会催生出"一代不清楚自己真实能力的学习者,这将严重稀释人类的创新力与创造力。"
研究将使用AI的效应类比为"温水煮青蛙"——"持续使用AI会侵蚀驱动长期学习的动力与坚持性",而这些影响会不断积累,"等到显现时,已难以逆转"。
不过,本研究存在两点说明:其一,该论文尚未经过同行评审;其二,研究人员也发现了一个小小的积极信号——那些仅将AI用于获取提示和澄清疑问的参与者,在聊天机器人被移除后,相较于直接用AI生成答案的参与者,表现要好得多。
这只是众多试图揭示AI对人类认知影响的研究之一。此前已有研究发现,AI会加剧重度依赖工具的全职员工的疲劳感,由此催生了"AI大脑过载"这一说法。与此同时,也有研究表明,使用AI的员工实际上比不用AI的员工工作更努力、时间更长。
在教育领域,相关影响更为突出。多项研究发现,在校使用AI会导致学生社交与智识发展迟缓,依赖聊天机器人的孩子在测试中的表现也往往更差。
Q&A
Q1:这项研究是如何验证AI对认知能力产生负面影响的?
A:研究团队通过三组实验进行验证。第一组招募350人完成分数运算,其中一半人可使用基于GPT-5的聊天机器人,中途切断权限后,AI组正确率大幅下滑且出现大量放弃行为;第二组扩大至670人,重复了相同结果;第三组改用阅读理解题目,结论依然一致。研究表明,仅十分钟的AI使用便可让人产生依赖,并在工具移除后显著降低表现与坚持意愿。
Q2:使用AI辅助学习有没有对大脑影响较小的方式?
A:研究发现,将AI用于获取提示和澄清疑问的参与者,在聊天机器人被移除后表现明显优于那些直接用AI生成答案的人。这说明将AI作为辅助思考的工具,而非替代思考的工具,对认知能力的负面影响相对较小。
Q3:AI对教育领域的学生具体有哪些负面影响?
A:多项研究显示,在校使用AI会导致学生社交与智识发展迟缓,依赖聊天机器人的学生在测试中往往表现更差。研究人员还警告,若教育领域快速推进AI部署,可能培养出一代不了解自身真实能力的学习者,长远来看将削弱人类整体的创新力与创造力。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。