你大概有过这种时刻。
手机弹出一个答案，你扫一眼就点了"提交"。
你甚至没意识到自己刚才其实没在思考，你只是在确认"这个答案看起来像对的"。
这篇论文最锋利的地方，就在这里。它不是在讨论"AI帮不帮忙"，而是在问一个更扎心的问题：当你把判断过程交出去时，你还在不在场。
作者把这个过程称为"认知投降"。这个说法很重，但看完整个实验，你会发现它并不夸张。
你以为自己在用工具，其实你在借脑
图1：系统3就像一个隐形的"副驾驶"，你以为是自己在开车，其实只是偶尔扶一下方向盘。
我们习惯把AI当工具。工具这个词会让人放松，因为它听起来像"我始终是控制者"。
可现实里，很多使用场景不是"我算不出来，用AI算一下"，而是"我懒得再想了，直接采纳AI给的结论"。
这两个动作表面很像，认知含义完全不同。
认知生态（Cognitive Ecology）：人类判断并不只发生在大脑内部，还会和外部系统一起构成一个完整环境。可以想象成你做饭时不只是手艺在起作用，厨房布局、刀具质量、备菜顺序也在共同决定成败。
认知外包（Cognitive Outsourcing）：把部分思维任务交给外部系统。它像把记账交给表格软件，本身中性，关键在于你是否保留审核与纠错。
作者提出，我们正在从"偶尔借工具"走向"常态化借脑"。这不是一个小变化，因为它会改写人的判断路径。
你可以把它想成开车。
以前是你自己踩油门、看路况，做变道决策。现在是你经常把方向盘轻轻交给副驾，对方说"左转"，你就左转。一路顺的时候你觉得很省力。出错的候你才突然意识到，自己刚刚其实没有在驾驶。
这篇论文到底做了什么
图2：三项实验设计总览，从基线测试到时间压力再到激励反馈，逐步验证认知投降机制。
作者做了三项预注册实验，核心任务是改造版CRT题目，并且把AI输出准确率做了隐藏随机化。
认知反思测验（CRT）：一类专门测试"你会不会停下来再想一层"的题目。它像脑内刹车测试，测的是你能不能从直觉反应切换到审慎推理。
预注册实验（Preregistered Study）：在正式收集数据前先公开研究计划。可以想象成比赛前先把战术写进密封信，减少赛后按结果改口径的空间。
试次（Trial）：每一次独立作答都算一个试次。就像投篮训练里每次出手都记一次命中，累计后更能看出模式。
论文不是简单比较"用AI"和"不用AI"，而是更细地比较三种状态：
- 不接入AI，只靠大脑。
- 接入AI且AI给对答案。
- 接入AI但AI故意给错答案。
最关键结果可以一句话概括：人们在大多数试次都会咨询AI，而且准确率会跟着AI质量一起上升或下坠。
图3：跨研究总趋势图——系统3使用率与AI准确率高度相关，人们的表现会随AI质量波动。
图里那条趋势线非常直接。系统3使用越高，表现越像"跟着AI质量走"。这就是本文想证明的核心机制。
系统1，系统2，系统3分别是什么
图4：三种认知系统的特征对比——系统1直觉快速、系统2审慎推理、系统3外部AI辅助。
很多人熟悉系统1和系统2。作者在这套经典框架里加了一层系统3，也就是外部人工认知。
系统1（System 1）：快速，直觉、自动化的判断路径。就像你看到球飞来下意识伸手接住，不需要推导。
系统2（System 2）：慢速、费力、规则驱动的推理路径。像你做税务申报时逐项核对，步骤慢但可解释。
系统3（System 3）：来自AI与算法的外部认知输出。它在你体外运行，但会直接进入你的决策链路。
三系统理论（Tri-System Theory）：把系统1、系统2、系统3放进同一张认知地图，强调现代判断已经是"人脑+外部模型"的联合作业。
图5：三系统理论框架图——展示了系统1、系统2、系统3如何协同与冲突。
作者强调，系统3不是"外挂信息源"这么简单。它会改变你是否还调用系统2，甚至会抢在系统1前面给出答案模板。
试想一下你在写邮件。
你本来要花一分钟组织语言。现在AI先给你一版很顺的草稿。你会不会直接改两句就发出去。你大概率会。这个动作就是系统3在重排你的思考顺序。
图6：系统3的能力与代价对比——快、规模化、模式识别强是收益；情境理解，责任归属、可追溯性不稳定是代价。
表1很有价值。它告诉你系统3的收益和代价同时存在。快、规模化、模式识别强，这是收益。情境理解，责任归属、可追溯性不稳定，这是代价。
什么叫认知投降
图7：认知投降的本质——把判断权实质性交给AI输出，而非策略性外包。
“认知投降"不是"用AI”。
它是"在没有充分审查时直接采用AI输出，并让这份输出覆盖自己的直觉和推理"。
认知投降（Cognitive Surrender）：把判断权实质性交给AI输出。可以想象成考试时你并不是参考同学答案，而是完全照抄，连题目都不再自己读。
认知卸载（Cognitive Offloading）：策略性外包某个子任务，但保留最终审查。比如你用计算器算中间值，最后仍检查量纲与数量级。
采纳率（Adoption / Follow Rate）：用户在看到AI建议后选择跟随的比例。它像导航建议采纳率，越高代表你越把方向盘交出去。
覆写率（Override Rate）：用户在看到AI建议后选择否决的比例。覆写率越高，说明系统2仍在工作。
论文里有两个特别扎眼的数字。
在Study 1中，用户一旦调出AI：
- AI正确时，采纳率是 92.7%。
- AI错误时，采纳率仍有 79.8%。
也就是说，AI错了，你也经常跟着走。
图8：采纳率与覆写率对比——即使AI错误，仍有近80%的人选择跟随。
这张图看起来像行为统计，实质上在问一个更深的问题：你把"判断"理解为求真，还是理解为快速结束任务。
三个实验到底看见了什么
图9：三项实验设计对比——基线测试、时间压力、激励反馈，层层递进验证认知投降机制。
作者设计很干净，三项实验分别引入不同压力条件，去观察系统3与系统1、2如何重新分工。
AI-Accurate 试次：实验中AI被设置为提供正确答案的回合。
AI-Faulty 试次：实验中AI被设置为提供错误答案的回合，而且错误通常带有"看起来很顺"的诱导性。
效应量（Cohen’s h）：衡量比例差异强度的指标。你可以把它理解为"差异有多大"，不是只看"有没有显著"。
优势比（Odds Ratio, OR）：比较两种条件下事件发生概率的比值。OR大于1代表更容易发生，小于1代表更不容易发生。
Study 1：基线与核心机制
- Brain-only 正确率约 46.4%。
- AI-Accurate 约 71.0%。
- AI-Faulty 约 31.5%。
- AI接入还把信心抬高了约 11.7个百分点。
- 关键对比效应量Cohen’s h约 0.81，属于很大的差异。
图10：准确率随AI质量的分化——AI正确时大幅提升，AI错误时显著下降。
Study 2：加入时间压力
30秒限时会让系统2更难展开。结果是：
- 不怎么用AI的人，表现明显下滑。
- 经常用AI的人，在AI正确时被"托住"，在AI错误时被"拖下去"。
换句话说，时间压力没有消灭认知投降，它只是让你更依赖当下最省力的路径。
图11：时间压力下的认知选择——越紧张越依赖快速路径，系统2越难启动。
图12：时间压力下的表现分化——常用AI者随AI质量波动非常明显。
图13：系统3在限时场景中的缓冲与风险——既可能是保护伞，也可能是坠落绳。
Study 3：加入激励与即时反馈
每题给奖励并且即时告诉你对错后：
- AI错误时的覆写率明显提高。
- 整体准确率有提升。
- 但AI-Accurate与AI-Faulty的差距依旧很大，认知投降仍存在。
图14：激励与反馈机制设计——通过奖励和即时反馈尝试激活系统2。
图15：激励反馈降低错误跟随——有激励时，人们更倾向于覆写AI的错误建议。
图16：激励反馈提升整体表现——虽然整体准确率提升，但AI正确与错误时的差距仍然存在。
图17：激励反馈改善AI用户的校准——信心评估更加准确，但认知投降现象仍在。
一张表看懂三项实验
| 场景 | 关键条件 | 主要结果 | 结论 |
|---|---|---|---|
| Study 1 | 基线，随机正确或错误AI | 46.4% → 71.0%（AI对）/31.5%（AI错） | 系统3显著重塑准确率 |
| Study 2 | 时间压力（30秒） | 不常用AI者下滑更大，常用AI者跟随AI质量波动 | 时间压力放大路径依赖 |
| Study 3 | 激励+逐题反馈 | 覆写错误AI明显增加，整体上升，但差距仍在 | 可缓解，难根治 |
时间压力为什么会放大问题
图18：时间压力如何影响决策——当时间被压缩，系统2难以展开，系统1和系统3的路径依赖更强。
时间压力（Time Pressure）：决策窗口被压缩，系统2难以展开。像你在黄灯最后两秒做判断，更容易用最短路径动作。
默认采纳（Default Adoption）：在高负荷下，人更倾向沿用现成答案，不主动开新推理链。
时间压力下，人会优先追求"快完成"，而不是"高置信求真"。
这不是道德问题，是认知经济学问题。系统2很贵，系统3很快。时间被压扁时，大脑会本能选便宜路线。
激励与反馈能救回来多少
图19：激励与反馈的作用——可以部分激活系统2，但无法根除认知投降。
答案是：能救一部分，但不能全救。
激励和反馈的本质是重新激活系统2。但系统2的启动需要认知资源，而这些资源在时间压力下本身就是稀缺的。
所以你会看到一个有趣的矛盾：激励可以提升准确率，但它同时也让人更依赖AI——因为准确率提升部分恰恰来自于"更乖地听AI的话"。
谁更容易把方向盘交给AI
图20：个体差异分析——哪些人更容易发生认知投降。
论文没有直接回答这个问题，但根据数据可以推测：
- 高认知负荷者：时间紧迫、任务繁重时。
- 高自信但低能力者：能力越差越容易盲目相信AI。
- 习惯性服从者：日常生活中就倾向于顺从权威的人。
核心问题是：你不是因为AI太准而依赖它，而是因为自己太累而放弃思考。
把它变成一个可执行的防投降流程
图21：防投降清单——六步法建立AI时代的认知防线。
与其焦虑，不如建立一套防投降流程：
- AI输出只是起点，不是终点：拿到AI答案后，先问"它为什么对"而不是"它对不对"。
- 强制冷却时间：即使只有30秒，也争取用5秒做一个独立思考。
- 问AI的反面：让AI给出反对理由，激活系统2。
- 保留决策痕迹：记录自己当时的判断，事后复盘。
- 定期做"纯人工"练习：每周至少一次不用AI做决策，保持手感。
- 建立个人AI使用黑名单：哪些事情永远不交给AI。
对产品设计者的提醒：不要只优化顺滑度
图22：产品设计警示——过度顺滑的AI交互可能加速认知投降。
如果你是做AI产品，这篇论文有直接的启示：
- 不要让采纳太顺滑：每次AI给答案时，适当留一个"确认你理解了"的门槛。
- 刻意制造摩擦：让用户必须自己点一下"我同意这个结论"而非自动采纳。
- 展示AI的不确定性：让用户知道AI也会错，而不是假装自己很准。
- 提供对比选项：让用户看到AI的思考过程，而不是只给结论。
顺滑是最危险的，因为顺滑会让人忘记自己正在做判断。
从个人到组织：系统3时代的认知治理
图23：认知治理框架——从个体到组织，建立多层防御体系。
个人层面之外，组织也需要考虑：
- 决策审计：重要决策是否经过了"无AI独立验证"环节？
- AI依赖指标：团队是否在某些领域已经失去独立判断能力？
- 培训设计：如何培训员工在使用AI时保持批判性思维？
- 文化塑造：组织是否鼓励"覆写AI"的文化，还是只看重效率？
图24：三系统路径总览——系统1直觉、系统2审慎、系统3辅助，健康的认知生态需要三者平衡。
结尾：你需要的不是更聪明的AI，而是更清醒的自己
图25：核心结论——AI会越来越强，但人的判断力不会自动变强。
回到最初的问题：你在用AI，还是AI在用你？
这不是一个非黑即白的选择，而是一个需要持续校准的过程。
论文给出了一个清晰的结论：系统3正在改变人类判断的结构，而且这种改变往往是不可逆的。
你每用一次AI判断，就少了一次系统2的训练机会。长期来看，这不是"省力"，而是"退化"。
但这不意味着不用AI。恰恰相反——正是要用AI，才更需要保持独立判断的能力。
就像开车可以用导航，但你仍然需要知道自己在往哪个方向走。
你需要的不是更聪明的AI，而是更清醒的自己。
参考资料
- Shaw, S. D., & Nave, G. (2026). Thinking-Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. PsyArXiv.
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.