引言
2026年4月，Enrique Dans 发表了一篇题为《思考令人疲惫》（原题 Pensar cansa）的文章。文章的论点简单而令人不安：我们开始使用人工智能，往往不是为了更好地思考，而是为了不必思考。Dans 把这归结为一些研究者所称的"认知投降"（rendición cognitiva）：一个措辞得当、行文流畅、语气笃定的回答摆在面前，我们便点头、复制、粘贴，然后继续前行。可倘若同样的回答出自某个人之口，我们本会施加一层审视，而对人工智能写成的文字，我们却省去了它。
比文章本身更耐人寻味的，是它所引来的评论、以及类似网络讨论中反复出现的那些反应。
面对同一个现象，读者却被抛向截然相反的方向；这种分裂，既见于那篇文章下的评论，也见于类似的网络讨论。一位评论者主张，把责任推给工具是错的：计算器、书本、笔、人工智能，都是中性的工具；真正起决定作用的，是其背后之人的态度。想学的人用一部百科全书也能学，不想学的人纵有最精巧的工具也无心去学。而 Dans 自己的立场恰恰相反：工具并非被设计为中性；它被设计来减少阻力，而非制造怀疑。另一位评论者把区分引向别处：人工智能能够流畅地处理一套被编码、可争辩的规则，却无法以同样的方式触及那种扎根于身体与阅历、须以一生生活方能累积的道德；更何况，它把所能触及的规则与所不能触及的道德都以同样的流畅道出，因此并不轻易让读者察觉这一差别。第四位则反对上述所有人：我们并没有停止思考，我们开始以不同的方式思考。
这里真正的问题，不在于谁对。还有一个更在先的问题：面对同一个对象，人们为何抵达如此不同的地方？此外还有：这些反应究竟在诉说什么？是人工智能，还是注视它的人自身的位置？是工具被设计来做什么，还是它在谁那里变成了什么？
本文的出发观察是：每一条评论，都泄露了其主人所站的位置。把工具视为中性、将责任系于个人意志的那位，是从某种特定的世界观在发言。强调道德之身体性的那位，亮出了自己的职业或哲学立场。声称人工智能只是提供了一种"不同"思考之可能的那位，是在为自己的这种使用方式辩护。人工智能与其说是反应所落向的对象，不如说更像一面把回应者的位置反射回去的表面。
本文将要提出的主张即在于此：面对人工智能的反应，往往不是关于人工智能，而是关于人自身的位置。人工智能以三种样式完成这种反射，本文即围绕这三种样式建立。
其一是镜子。人在人工智能中看见并维护自己的位置（自己的能力、特权、德性）；其反应的内容，也就显示出他所维护的究竟是什么。
其二是放大镜。试图用人工智能掩盖自身不足的人，无法将其掩盖；因为对议题所知不足，他无法审查工具那流畅而令人信服的输出，无法深入其中。于是不足非但没有被藏起，反而被放大、被暴露。同一面放大镜也朝反方向起作用：若置于其下的是积累、素材、一个构建良好的问题，它便会把能力倍增。透镜是中性的；区分开来的，是置于其下之物，以及执镜之手，即人以怎样的积累与取向去注视这工具。
其三是石蕊。（石蕊试纸是一种测量工具，它通过变色，泄露所浸入的液体是酸还是碱。）借助人工智能做出优秀产出同样是一种技能，而这种技能在很大程度上无法被编码，须经由亲历与指引方能成熟。正因如此，人工智能非但不能把它拉平，反而将其分离：同一件工具落到两人手中，一人所能为者，另一人却做不到。这与"人工智能拉平所有人、并把专业能力向所有人敞开"的说法方向相反，并把那种说法置于对面，使之成为可被有力检验的命题。
这三面透镜之外，还伴随第四个层面：盾牌。"人工智能会胡编"这一观察在技术上是正确的，但这一断言可能变成一种把责任从行为者转移到工具身上的托词。犯错者可能倾向于把错误推诿给工具的本性，以此保全自己的位置。
至此为止的一切，都把透镜对准他人。本文真正的脊梁，在于把那透镜转向自身：透镜是双向的。持镜的一方，也就是那为人工智能辩护、对对方说"你在害怕，你在为将失去的特权而抵抗"的一方，同样可以用这同一面透镜来确证自己的位置。人人都在镜中看见他者、读出其动机；最难的，是看见自己。倘若本文不把自身的位置（使用人工智能、从中获益的一方）也送入同一场检验，它便会成为它所诊断之物的一个例证。因此，透镜在此不被立为一件诊断的武器，而被立为一次受检验的阅读。
最后是一句界限声明：本文并不宣称发现了任何新机制。它提供的是一种阅读，把身份威胁、默会知识、道德炫耀、责任缺口等彼此分离（其中多数停留在职场或实验室语境）的研究，在公共话语的层面上汇聚起来。其独创性不在一个个具体发现里，而在能把它们相互连接的框架中，以及把那框架也施于自身的自律里。全文所引的论坛评论者，将被作为位置而非个人来对待，无一会被贴上标签；因为问题不在于谁是什么，而在于这些反应显示了什么；我们的目的不是证明自己有理。Dans 以这样一句话作结："边界不在技术，而在态度。"本文所补充的唯一条件是：那种态度须在两个方向上都接受检验。
I. 镜子：反应关乎谁？
为了解开面对人工智能的反应，信息系统领域一项研究中的一个概念或许有用："身份威胁"。Mirbabaie 等人援引 Craig 等人的一个定义，将其表述为"对某一信息技术产物的使用将损害个体自我信念的预期"（Mirbabaie et al., 2021, 第 75 页）。其机制很简单：当一段经历与个体的身份相抵触时，个体会在自尊上蒙受损失，并为保护系于该身份的自尊而行动；这一行动往往以抵抗的形式出现（同上, 第 77 页）。
关键在于威胁的对象。被威胁的往往不是人的工作或收入，而是他对"我是谁"这一问题的回答。Mirbabaie 等人在职场中开展的研究，找到了人工智能所致身份威胁的三个预测因素：工作的改变、地位的丧失，以及人与人工智能所建立的身份关系（Mirbabaie et al., 2021, 第 73 页）。三者都更关乎位置，而非物质损失。
Bankins 等人把同一威胁定位在群体层面。在他们看来，职业身份是一个职业群体对"我们是谁；我们专业的边界在哪里，我们的价值是什么"这些问题给出的共同回答（Bankins et al., 2024, 第 164 页）。这一共同回答若足够牢固，便能把工具吸收进来：拥有深厚、界定清晰之身份的职业，会更从容地尝试新技术，因为强有力的共有假设能让改变的风险变得可以接受。然而，一旦身份薄弱或含混，同一件工具便会被当作一种威胁来对待。
由此引出一个通向本文核心观察、却有悖直觉的发现。抵抗最烈者，并非最无能者。Bankins 等人所汇集的研究表明，拥有高度领域专长的人对算法建议的抵抗更强：一则因为人工智能所产生的结果要由他们自己负责（输出由他们承担），故不会盲目信任，而想加以审查；二则因为他们认为自己的能力胜过工具，觉得使用它并无多大益处（Allen & Choudhury, 2022, 转引自 Bankins et al., 2024, 第 164 页）。提高抵抗的，不是无能，而是专长之自觉。
镜子的核心正在于此。抵抗所透露的，与其说是人工智能的某种属性，不如说是抵抗者的位置：那被认为拥有的专长，以及那专长所赋予的特权。反应的烈度，量出了被守护之物的主观价值。一件工具之所以被以"它做不到我所能做的"为由拒绝，其缘由往往不在工具的界限，而在言说者赋予自身技能的意义。
这一文献诞生于职场，但同样的样式也浮现于公共讨论。在一篇技术文章之下，面对同一件工具，有人称之为"终于减轻思考负担之物"，有人却称之为"使人变浅薄的威胁"；这一分歧往往不出于工具做了什么，而出于双方把各自的劳动与身份安放于何处。此类讨论中常见的一种观察显示：人工智能不出错时我们觉得它了不起，一出错便宣布它"本来就蠢"；我们对工具的评判，往往成了我们自身期待、以及那期待是否被满足的一面镜子。
最后一处区分，因为这一节最容易被误解。反应的内容泄露人的位置，并不意味着可以把那反应贴上"情结""嫉妒"或"恐惧"的标签。这样的标签，是以动机而非内容去评判反应者的论点，而这是另一类错误，将在第五节讨论。此处的主张更为克制：面对人工智能的反应，与其说携带着工具的某种客观属性，不如说携带着反应者面对人工智能时自身位置的信息。镜子并不告诉你人是什么；它显示的是他朝哪里看。
II. 放大镜：掩盖之举反而暴露
镜子说的是，反应的内容泄露了位置。放大镜再进一步：它不仅使反应可见，也使工作本身可见。这一隐喻的核心在于其中性。放大镜把置于其下之物放大；置入不足，便放大不足，置入积累，便放大积累。把它们彼此区分开的，不是透镜本身，而是置于其下之物、以及执镜之手如何使用它。本节追踪透镜的一个方向，即掩盖之举如何反转过来；而把能力倍增的另一方向，则将经由"同一件工具在两只手中为何给出不同结果"这一问题，在后文接入石蕊一节。
机制看似简单，却在一个有悖直觉的地方打了结。人工智能的输出，是一种流畅、有序而笃定的文体。这三种品质与内容的正误无关，人却往往把它们读作正确的标志。Buçinca 等人的实验恰恰测量了这一点：为人工智能的判断附上理由，会提高用户对它的信任。而且这种信任，即便在人工智能出错时也在上升；过度信任正是在此处诞生（Buçinca et al., 2021, 第 2 页）。研究者所称的"过度信任"（overreliance）在此获得了一个技术性的定义：当人工智能的建议错误或不当时，用户仍倾向于顺从它（同上）。Passi 与 Vorvoreanu 梳理约六十项研究的机构性综述，则在更广的范围里看到同一样式：解释不仅提高对正确建议的信任，甚至提高对错误建议的信任，自动化偏差与惰性把用户推向错误（Passi & Vorvoreanu, 2022）。
这一倾向会化为一种可测量的行为。Shaw 与 Nave 的三项预注册实验发现，参与者在咨询人工智能、而人工智能出错时，会大比例地采纳错误的建议（第一项研究中，被咨询的错误试次里有 79.8%；第二项为 74.6%，在时间压力下的第三项为 72.3%；Shaw & Nave, 2026, 第 22、28 页）。作者强调了一个条件：这一比例，与在该题上选择咨询人工智能有关，因为咨询率本身在百分之五十上下。也就是说，并非人人在每道题上都投降；但一旦投降，错误便在很大程度上被接管。净结果是准确率的下降：人工智能正确时参与者约获得二十五个百分点，出错时则失去十五个百分点（Cohen's h = 0.81；同上, 第 22 页）。作者给这一样式所起的名字，与 Enrique Dans 所用的术语相合：认知投降。
技术论坛上以日常语言反复出现的一种观察，讲的是同一机制：当你把全部思考都交给向人工智能提问时，头脑便被搁置，可提问并不是思考，真正的思考在于构建答案。这是自我审查松弛的日常描述。人免去了产出自己答案的辛劳，可那辛劳同时也是检验答案的机会。
到此为止，铺垫的是掩盖之举为何不起作用。这里需要一个区分：对流畅输出过度信任是一种普遍倾向，而缺乏审查它所需的知识则是另一回事；前者是疏忽，后者是不可能。试图用人工智能掩盖自身不足的人，因缺乏审查流畅输出所需的知识而只能照单全收，于是不足非但没有被掩盖，反而被放大。因为被掩盖的空缺进入了输出之中，而当输出公之于众，空缺也随之显现。最鲜明的例子来自法律：在一桩广为人知的案件中，一位律师因把人工智能编造的虚构案例写进诉状而受到处罚，类似情形接踵而至（转引自 Magesh et al., 2024, 第 2 页）。Magesh 等人真正的贡献不在于记述这一事件，而在于测量专为法律设计的人工智能工具究竟多频繁地编造：专用法律工具在 17% 到 33% 的查询中产生幻觉，表现最好的工具在 65% 的查询中作答正确，而另一款却停在 42%，编造的频率几乎高出一倍（同上, 第 1 页）。工具的流畅是恒定的，其可靠性却不是；不加区分的用户，把自己想掩盖的空缺记录在案。
这一循环为何不能自行纠正？Kruger 与 Dunning 的经典发现适用于此：无能会同时削弱两种能力，既削弱做好事情的能力，也削弱察觉自己做得差的能力。处在最低四分位的人，实际处于第 12 百分位，却自以为在第 62 百分位（Kruger & Dunning, 1999, 第 1121 页）。元认知的盲区，恰恰使最需要掩盖的人，成为最看不见掩盖并未奏效的人。放大镜因此残酷：它放得最大的那处空缺，正是其主人最无从察觉的空缺。其长期代价也被测量出来。Gerlich 以 666 名参与者开展的研究，发现频繁使用人工智能与批判性思维能力之间存在强负相关（r = −0.68），认知卸载与批判性思维之间的负相关更强（r = −0.75）。在多元回归中，人工智能的使用对批判性思维产生负向吸收（β = −1.76，p < 0.001；Gerlich, 2025a, 第 14、16 页）。这是一幅相关性的图景，本身并不建立因果；但它显示出一种朝放大镜隐喻所预期方向的累积。两项补充研究强化了这幅图景。其一表明这一样式并不限于学生或实验室：Lee 等人向 319 名知识工作者询问了他们在工作中使用人工智能的 936 个真实例子，并逐一分析。这一发现，把放大镜"执镜之手"的直觉转化为一个被测出的系数。对人工智能的信任越高，批判性思维的介入便越少（β = −0.69，p < 0.001）；相反，人对自身任务的信心（β = 0.26）与对评估人工智能回答的信心（β = 0.31）会提高批判性思维，而最强的正向效应来自反思倾向（β = 0.52，p < 0.001；Lee et al., 2025）。起决定作用的不是信任的有无，而是信任的方向：向工具投降的信任削弱思考，朝向自身与审查的信任则提升思考。其二则部分偿还了因果之债。同一作者的实验研究，在三个国家（德国、瑞士、英国）以 150 名参与者比较了四种条件（仅人类、人类加无引导人工智能、人类加结构化引导人工智能、仅人工智能）：无引导的使用在不提升推理质量的情况下产生了认知卸载，而结构化引导则显著提升了批判性推理与反思性参与（Gerlich, 2025b）。差别不在工具本身，而在使用方式；相关性无法确立的方向之箭，在实验的这一支所指之处显现。
现在需要把透镜倒转过来，因为中性之说唯有其反面也被展示，方能站得住脚。当同一流畅输出之下不是一处空缺，而是积累、素材、一个构建良好的问题时，透镜便把能力放大。同样的讨论中，相反的经验也被道出：一位有经验的用户讲述，他把人工智能当作一种认知放大器来使用，借它学得快得多，却在任何事情上都不依赖它。两极之间的差别不在工具本身，而在置于其下的素材，以及执镜之手。同样的批评也指向实验的设计：这类研究所显示的，并不是人工智能使大脑萎缩，而是它变成了一种在人们处于尽可能笨拙的状态时对其加以测量的工具。
这一双重面孔也提醒我们，工具所减少之物并不总是收益。人工智能最常减少的事物之一是阻力：在一个问题面前卡住、不断试错的那份辛劳。然而 Kapur 的"生产性失败"（productive failure）研究表明，学生与一道难题进行无支撑的搏斗，短期看似失败，却在随后的阶段产生了一种超过有人工智能支撑之学习者的深度（Kapur, 2008）。同一区分有了新的实证对应：Fan 等人以 117 名大学生开展的随机实验中，ChatGPT 组在短期测验分数上领先，却在知识获得与迁移方面未显示出显著差异；作者称之为"元认知懒惰"的这一样式，是分数在表面上升、而深层某物并未改变（Fan et al., 2025）。一种把阻力彻底抹去的使用，也可能抹去这种隐藏的生产性；为此，执镜之手必须分辨：哪一种阻力是可弃的负担，哪一种是当守护的机会。
此处的区分不应与文献中相邻的概念相混。Ehsan 等人说，人工智能带有一种"放大器悖论"（AI-as-Amplifier Paradox）：工具在强化表现的同时侵蚀底层的专业能力，同时既是提升者又是消解者（Ehsan et al., 2026, 第 1 页）。那一悖论的轴心在工具与专业能力之间，在强化与侵蚀之间。而本文所用的放大镜指向另一个方向：透镜放大人自身的位置、放大他置于其下之物。二者并不冲突，而在不同层面上运作；Ehsan 的悖论滋养本节的负向一面（能力的侵蚀），但透镜把输入放大到何种程度这一问题，在他们的框架中并不存在。其实放大器与放大镜，可以读作一条链的两端。Ehsan 的放大器在时间方向上运作：持续使用工具的人，其专业能力在长期内、往往不被察觉地被侵蚀。本文的放大镜则在瞬间方向上运作：人在那一刻带给工具的不足或积累，立即在输出中显现。二者不冲突，而是先后相继；用工具掩盖自身不足的人，短期内被暴露，同样的掩盖持续下去，其真正的能力也随之丧失。暴露与侵蚀，是同一种依赖的短期与长期两副面孔。
于是，放大镜自身并不作出判断，而是把一个问题磨得更锋利：透镜之下有什么，执镜之手在做什么？这个问题，把我们带向"同一件工具在两人手中为何给出如此不同的结果"，也就是带向"石蕊"一节。
III. 石蕊：人工智能不拉平，而是分离
石蕊试纸浸入某种溶液时会变色；所变之色，泄露了溶液是什么。这一隐喻的用意即在于此：人工智能以同样的方式落到两人手中时，并不把他们带向同一处，而是使他们之间的差别显现。本节的主张，为那差别的来处命名。借助人工智能做出优秀产出同样是一种技能，而这种技能在很大程度上无法被编码，也不易于转手；它既不完整地存在于工具本身，也不完整地存在于某本指南之中，而须经由亲历与指引方能抵达。正因如此，人工智能非但不把它拉平，反而将其分离。
这一主张，因其立于一种极为流行之说法的反面，故须以那说法最有力的来源来面对它。"人工智能拉平所有人、向所有人敞开专业能力"并非一句口号，而是一个有着严肃实地证据的命题。在 Noy 与 Zhang 的预注册实验中，大学毕业的专业人士被布置写作任务，其中半数被赋予使用人工智能的权限，平均生产率便显著提高：所耗时间下降 0.8 个标准差，产出质量上升 0.4 个标准差，工作者之间的不平等也缩小，因为工具对能力最低者裨益最大（Noy & Zhang, 2023）。Brynjolfsson、Li 与 Raymond 以 5,172 名客服代表开展的研究指向同一方向：人工智能的接入使生产率平均提高 15%，但收益并非均匀分布，在技能最低的区段升至 36%，在最缺乏经验的代表身上最高（Brynjolfsson et al., 2025, 第 889、911 页）。Dell'Acqua 等人与咨询顾问所做的实地实验也印证了拉平的方向：表现低于平均者改善 43%，高于平均者改善 17%，即差距在收窄（Dell'Acqua et al., 2023）。在公共话语中，这一命题也有自己的声音。技术讨论里常见的一种反驳，转向该领域的专家们说：这个技术领域基本定义之外的东西我既不了解也不关心，我关心的是能用它做什么；对专业能力的执着，往往变成一种知识上的傲慢。说壁垒已经倒下的这个声音，讲述的是一段真实的经验。
但在这三项实地研究中，拉平的发现旁边都附着一道界限；石蕊的主张恰恰始于那道界限。Dell'Acqua 的实验使用了两类任务：一类落在人工智能能力的范围之内，另一类则在其外。拉平，发生在第一类任务中。而在第二类、即落在人工智能界限之外的任务里，使用人工智能的顾问在抵达正确解答上，比不使用者低 19 个百分点（Dell'Acqua et al., 2023）。Brynjolfsson 的数据也显示了同一界限的另一副面孔：最缺乏经验的工作者获益最多，而最有经验、技能最高的工作者在速度上获得微小的收益，在质量上却有微小的下降，收益最多集中于常规、重复的问题（Brynjolfsson et al., 2025, 第 889 页）。样式是一致的：拉平，发生在工作中可编码、落在人工智能界限之内的部分。而在界限之外、即工作中不可编码的部分，工具并不拉平；相反，它会误导那信任它、把它带出其界限之外的人，并降低其表现。两个发现并不冲突，而是测量不同的层面；一个测界限之内，另一个测界限之外。同样的分离也在一项受控实验中显现。放大镜一节所提及的四臂研究，不仅是一个因果证据，也是石蕊最干净的实验室对应物：同一件工具，在以结构化引导使用者的手中滋养批判性推理，而在无引导使用者的手中只产生外化（Gerlich, 2025b）。实地研究所指向的分离，一个受控的环境也加以印证。
那么界限之外有什么？不可编码的知识。Hadjimichael、Ribeiro 与 Tsoukas 从 Polanyi 上溯至 Merleau-Ponty 的考察，解释了默会知识是如何获得的：借由身体对手头任务的把握、为它寻得最恰切领会的能力。这种能力，用作者的话说，是"在更有经验者的权威指引下"发展起来的（Hadjimichael et al., 2024）。作者所强调的一点，是这一命题最有力的支柱：没有任何任务，无论是手工还是脑力、无论平凡还是创造，能够不诉诸默会知识而完成（同上）。也就是说，不可编码的技能并非留在边缘的例外，而是每一项工作的核心。这一指引的维度，Lave 与 Wenger 阐发得更充分：在他们看来，学习并非一种孤立的心智活动，而是通过参与一个实践共同体来实现；新手在师傅身旁，从工作的边缘朝中心推进，借由共同做事而成为师傅（Lave & Wenger, 1991）。承载技能的，不是一本指南或一堂集体课，而是这种参与的关系；用他们的话说，"就连所谓的一般性知识，也只有在特定情境中才具有力量"（同上, 第 33 页）。Tsao 等人梳理创造性职业的综述，把这一区分安置在两个轴上：知识的可编码性（从默会而具身，到显明而可编码）与产出的物质性；也就是说，它发现那些以具身实践为先的领域，正是最抗拒人工智能替代的领域（Tsao et al., 2026）。同一综述指出，职业阶段是一个决定性的因素：入门阶段者以热情迎接人工智能，视之为数字工具的自然延伸，而资深从业者则以疑虑看待专业能力的贬值（同上）。
个体差异本身也被测量出来。Lovett 的综述转述道，背景相似的人以同一件工具抵达了截然不同的结果，划出分野的是学习目标取向：以表现为导向的依赖把工具变成技能的减损，以精熟为导向则把同一件工具变成技能的增长（Yang et al., 2026 的发现，转引自 Lovett, 2026）。"同一件工具"一语，正是石蕊的核心：变化的不是工具，而是执它的取向。
这一区分最清晰的公共表达，处在讨论中两种彼此对峙的声音之间。一种声音讲述自己的方法：让人工智能生成大量选项，再用自己的知识库加以筛选，而后又补充说，这离开预先的积累便无从做起。相对的声音是硬币的另一面：没有积累的人也会去筛，却自以为在筛，实则劣质地挑选，而且从不知道自己出了错。同一件工具：专家在筛，新手自以为在筛。同一区分也从学习的角度被提出：一个预先学过基础的人对工具的使用，不同于一个从零开始者所会经历的；当一件能生成现成解答的工具就在手边时，去学习一门高阶的科目，可能会损害长期的学习。石蕊在此变色：浸入同一溶液的纸，显示出浸入者带来了什么。
这里需要防止一种混淆。石蕊"分离"的主张，可能看似与某些讨论中所说的"人工智能使人人趋同"相冲突。Sarkar 所称的"机械化趋同"确有其事：人工智能的使用者在同一任务上倾向于产出多样性更低的结果（Sarkar 2023，转引自 Lee et al., 2025）。但这说的是产出彼此相似；而石蕊所分离的，是人与人之间的技能差别。二者处于不同的层面：产出在表面趋同的同时，产出者的筛选、审查与整合能力仍在继续分离。何况 Lee 自己的提醒在此很有价值：产出的多样性，是批判性思维的一个有缺陷的量度；一个不加改动便采用工具建议的人，也完全可能作出了批判性的判断。趋同并非分离的反面，而是处在另一轴上的另一种现象。
还有一笔诚实之债：本节所暗示的乐观，即"在好的手中工具会放大能力"的期待，也并非不容置疑。一项为区分认知放大与认知委派而提出四条判准的、基于智能体的仿真提出：在所测试的任何交互机制中，都未能达到真正的放大，即便在最能保全人类能力的混合机制中，协作的收益仍为负，甚至当认知损耗被降至零时，正向的收益也未曾出现（Di Santi, 2026）。这一发现有两处界限，二者都须点明：其一，它是一个 NetLogo 仿真，而非经验性的实地数据，作者本人也称之为一种抽象；其二，那里的"放大"定义，是混合产出是否超过最佳的单一智能体（在多数情形中即人工智能自身），这与本节所谈的"人自身能力的提高"并非同一回事。尽管如此，它作为一条有限的告诫仍然成立：一只从同一工具中产出成果之手的存在，并不意味着那产出在任何情形下都转化为一种真正的认知收益。这也是本文对自己乐观的那一半所举起的一面镜子。
最后是一笔诚实之债。"不可编码"并不等于"不可教"，本文不承担那种绝对性。Hadjimichael 的强调恰恰相反：默会的技能，在有经验者的指引下方能成熟。也就是说，技能并非不可转让的直觉，而是可以传递的，只是唯有在有经验者的相伴之下、并与之亲历方能。石蕊所分开的，不是一种天生的能力等级，而是积累与取向之有无。把这一区分变成一种优越性的宣告，即说"我们这些能筛的人，他们那些不能筛的人"，便给了人一个把本节所建之透镜朝对自己有利处解读的机会。那诱惑是真实的，也约束着本文自身；下一节正处理这一陷阱。
IV. 盾牌：责任从行为者向工具的转移
三面透镜都朝向一个方向：人自身的位置。盾牌须作为第四个动作被添加到它们旁边，因为它不是一面透镜，而是逃离透镜的工具。"人工智能会胡编"这句话在技术上是正确的；第二节已用有节制的数据加以显示。但一个正确的观察，可能被派去做一件错误的差事。那句话往往不再是一种描述，而变成一种托词：犯错者把错误推诿给工具的本性，从而使自己摆脱审查的义务与结果的归属。当观察变成盾牌，它所守护的便不是真理，而是位置。
逻辑上的错误简单却不可见。"工具可能胡编"这一命题是真的；"因此输出的错误不在于我"这一推论却是无效的，因为其间有一步斩断了关联：那采纳、使用、并使输出公之于众的行为者。为使这一步显形，须追问责任可能归于谁。
Fuchs 的考察把这一端牢牢封住：工具无法承担责任，因为它不是道德主体。人工智能没有身体，没有生命；纵然它的表达能力在我们心中唤起一种不由自主的共情，用 Fuchs 的话说，当对象是一个足以良好表达、且形似生命的结构而令我们为之动容时，我们不应被这种共情所欺，因为那里并没有一个会快乐、会悲伤、会负责的人（Fuchs, 2022）。Fuchs 真正的告诫化为一条设计原则：应当防止对主体性的系统性模仿，系统应当只把自己呈现为它本来的样子，即一种拟真（同上）。盾牌之朽坏由此显现。把责任推给人工智能，意味着赋予它一个它并不具备的属性，即"成为行为者"的属性。正因工具无法成为行为者，责任便无法停留在它身上，而不可避免地回到人身上。
然而仍有一个问题悬而未决：倘若确实无人能够预见呢？Matthias 表明，在学习型系统中存在一种真正的责任缺口：当一个系统从经验中学习、并在运行时改变其行为，其制造者或程序员便不再能完全预见和控制它未来的行为；而以行为者知晓并能控制其行动为前提的传统责任归属，则在此遭遇一个缺口（Matthias, 2004）。但这一缺口在何处开裂，是决定性的。Matthias 的缺口在制造者、在设计系统者一方的预见之丧失；而不在那接过输出、加以采纳并公之于众的用户-行为者一方。盾牌恰恰模糊了这一区分：它把制造者的不可预见，当作采纳输出之用户的托词来使用。然而制造者的无法预见，并不取消用户审查与归属的责任。
Matthias 所指出的缺口只是一个例子。Santoni de Sio 与 Mecacci 界定了与人工智能相关的四种不同的责任缺口；第一种是可责性缺口：一个人导致了糟糕的结果，却仍可拥有一个正当的托词，即无人能合理地预见或防止的情形（Santoni de Sio & Mecacci, 2021, 第 1063 页）。这一概念是正当的；但作者真正的告诫，关乎这一缺口如何被错误地处理。他们列举了三种不当的态度：把问题宣布为新颖而不可解的"宿命论"（fatalism）、把它当作伪问题而搪塞过去的"消解论"（deflationism）、把一切都显示为可由技术改良解决的"技术解决主义"（technical solutionism）（同上）。盾牌，正是第一种态度的日常装扮："工具就是这样，没办法"，是把一个可预见、可防止的错误，呈现为一种不可预见的宿命。作者所提出的出路恰恰要求相反的东西：社会技术系统应当为"有意义的人类控制"而设计，即须系于人的理由与能力（同上）。如此，行为者仍然是人。
但拒绝盾牌，并不等于宣布工具中性；正是这一区分，是本节最精微之处。在公共讨论中，一个有力的立场说，工具的设计并不无辜。这一立场的一个声音说，存在着能扩展头脑的使用方式，但企业将要提供的未来不会是这样，因为运行一个迎合用户的模型永远更为有利可图。另一个声音则把企业话语本身读作盾牌："只要你审查其结果"之类的措辞，是企业为使自己不必为可能的问题负责而援引的说法。这一立场指向一个正当的地方。正如 Enrique Dans 在自己的文章中所强调的，工具被设计来减少阻力，而非制造怀疑；流畅的自然语言层掩盖了它的界限。工具在这个意义上是有倾向的。但这里有一个先后问题：起决定作用的，是工具被设计来做什么，还是它在谁那里变成了什么？设计的倾向是真实的，却不能单独解释结果，因为同一件有倾向的工具，在一只手中变成产出，在另一只手中变成失控。Dans 关于工具并非中性的判断并没有错；它只是回答了另一个问题，即工具是否无辜。而在究竟由什么决定结果这一问题上，重心从设计的意图，移向了执镜之手。
两个真相在此汇合，并从两侧同时包围盾牌：工具是有倾向的，行为者却仍然是人。倾向不抹去行为者，而是使行为者的工作更为艰难。设计可能把一个用户推向一个流畅的错误；但采纳或不采纳、审查或不审查那个错误，仍是行为者的行动。把责任全部推给工具者（看不见非中性工具的个人盾牌），与把责任全部推给用户者（看不见倾向的企业盾牌），处在同一错误的两端：二者都想把重负置于单独一处，而使另一端隐于不可见。有意义的人类控制，要求即便工具有所偏倚，责任仍留在行为者身上；它因此同时承认工具的倾向与行为者的注意之债。
如此，盾牌其实是第四面镜子。说"人工智能胡编了，过错在它"的人，透露了关于自身位置的信息：不愿归属结果、不愿承担审查之劳、想把自己的错误安置于自身之外。当我们把盾牌放下，它背后所守护之物便显现出来。但这一观察，随即通向一个陷阱：在对方身上诊断出同一动作、说"看，他躲进了自己的盾牌"，也可能正是诊断者自己的盾牌。现在，透镜必须转回来……
V. 镜子的双向性与陷阱（自反之锁）
前面四节把一面透镜朝外举起：显示了反应、掩盖之举、技能、托词如何泄露人的位置。但这一阅读本身携带着一种危险的力量：同一面透镜，在使用者手中可能变成一件武器。而本节把透镜转向执镜者。有三个陷阱；然而三者都不只对"对方"成立，对本文同样成立。
第一个陷阱，是把来源与内容相混。因一个主张的提出者的心境或利害而判其为朽，在逻辑上被称为起源谬误（genetic fallacy）：即因一个观点的来源而使之丧失信誉。然而来源，往往与观点的真假毫不相干（Dowden）。某人的人工智能批评背后有一重身份威胁，并不因此就使那批评为错。镜子一节早已标明这一点：显示反应的来源，并不代替对反应内容的驳斥。"你这样说，是因为你害怕失去特权"这句话，攻击的是对方的动机而非论点；而论点，将独立于动机，继续为真或为假。本文若把自己所诊断的位置，误当成一种具有驳斥效力的认定，便恰恰落入这一谬误。走出这一陷阱也有其路径：一个主张先就其自身、以其内容加以掂量；透镜唯有在此之后，方才转向其余留之物。何况那主张须以其最强、而非最弱的形态被建立：石蕊一节把它所面对的拉平命题，不当作一句口号，而以最坚实的实地证据来对待，因为唯有在最强形态下被面对的主张，才算真正被检验过。"人工智能会胡编"先被认作真，透镜再去看那真理的选择性使用、它的热度、它在哪一刻被提出。倘若次序颠倒，主张一开始便被一个动机所烙印，诊断本身这一次便披上了驳斥的外衣。前面四节努力以这一次序执镜：盾牌先把"人工智能会胡编"的观察认作真，其向托词的转化，则留待其后审视。
第二个陷阱，是把透镜用于对自己有利之处。石蕊一节立了一个区分：有积累、有取向的人，把工具化为技能；没有的人，盲目地挑选，且察觉不到自己错了。把这一区分变成一种人格的等级、变成"我们这些领会者、他们那些无能者"的叙事，会是最容易也最阴险的一步，因为这一主张自动把提出者安放在获胜的一方。公共话语中，这一叙事的一种极端形态也在流传：有声音把未来描绘成这样的图景——多数人将日益继续钝化，一部分人适应下来、在某种"功能性的盲目"中生活，另一部分人则对人工智能发展出免疫、变成一个另类的"族群"。这是石蕊命题的漫画：它把分离变成一种优越，变成说话者所属的那个精英族群。本文若朝这种语言靠近一毫米，便是拒绝把自己所建的透镜举到自己脸前。正因如此，石蕊一节特别强调，那区分不是一种天生的能力，而是可以习得的积累与取向。
第三个陷阱，是把论点还原为心理。镜子与盾牌两节说，反应与托词泄露了一个位置。由此进而把每一个反对意见都读作某种心理缺陷的症状，即说"其实他是对某事不满""其实他是在补偿某物"，便把讨论从内容推向了人。本文不作个人诊断，也不应作；论坛评论者被作为一个个位置、而非一个个病例来对待。透镜是一种使位置显现的分析工具，而不是一台给人贴标签的诊断仪器。
这三个陷阱不只约束为人工智能辩护者；它也约束抵抗它者，甚至在人工智能面前恐慌者。透镜也须朝那一侧转。以近来最被广泛分享的"人工智能正在腐蚀我们的大脑"这一发现为例。Kosmyna 等人把写作文的参与者接上脑电图，提出使用人工智能者随时间累积起"认知负债"，其神经连接性、所有权感与记忆表现均有下降；这一结果在公众中迅速变成"人工智能终结学习"的标题（Kosmyna et al., 2025）。然而，为同一研究所写的一篇详尽评论，从几处动摇了这一发现。Stanković 等人指出，相对于所做比较的数量，样本偏小（一项功效分析要求约 159 名参与者，而研究以 54 名进行），脑电图中"显著连接"的量度显示的是组间的相对差异，因此"连接少即大脑弱"的推论无法就绝对的神经强度发言，何况在 beta 频段人工智能组竟强于无工具组，而在"引用"任务上，搜索引擎组与无工具组之间的差异并不显著（p = 1）。最后这一点，恰恰削弱了"把认知外包给外部工具会累积认知负债"这一命题：搜索引擎组虽也使用了外部工具，却未显示出损坏（Stanković et al., 2025）。这里的要点不是 Kosmyna 错了；而是一篇尚未经过同行评审的预印本，因其印证了恐慌的叙事，能够被多么迅速而选择性地阅读。正如人工智能会胡编一样，人工智能腐蚀大脑也是一个技术上可检验的主张；恐慌也是一种位置，也会选择性地阅读自己的证据。这与盾牌一节中的动作是对称的，也约束着本文：正如它以最强的形态面对拉平命题，它也必须以审慎面对相反一极的发现。
同样的平衡也在文献的整体中显现。一篇梳理三十项经验研究的综述报告说，其中二十一项发现人工智能对批判性思维以正面为主的影响，这一效应尤其在教学上结构化的使用中显现（Raitskaya & Tikhonova, 2025）。这表明本文并不倚靠恐慌的文献：放大镜一节的负向重量，并不意味着整个领域都是负面的。差别仍在使用本身，在执镜之手。
这三个陷阱都在同一处打结；那个结，在道德话语文献近年来热议的一个概念中显现出来。Tosi 与 Warmke 把他们所称的"道德炫耀"（moral grandstanding）定义为：以此方式使用道德话语，以求在他人眼中显得可敬；摆阔者，是带着一种他希望能显示自己有德的"求认可之欲"在说话（Tosi & Warmke, 2016）。Westra 所称的邻近概念"美德信号"（virtue signaling）也看向同一处：起决定作用的不是道德表达的内容，而是其背后寻求地位的动机（Westra, 2021）。Zager 则如此命名另一个动作：一个被指控违反某条规则的人，从规则的语言转向德性的语言，即说"我或许违反了规则，但我是个好人"，从而使指控失效，此为"切换"（toggling）（Zager, 2023）。这三个概念都是有力的透镜：它们使对方道德姿态背后的动机或手法显现出来。
但恰在此处，自反之锁扣上了。Flowerree 与 Satta 表明，诊断摆阔这一行为本身就是一个陷阱：我们无法可靠地分辨一个人究竟是在摆阔，还是在真诚地说话；既然无法分辨，把某人判为摆阔者，我们在知识上便不正当；何况，倾向于如此评判他人，恰恰指向一种知识上的谦逊之缺失（Flowerree & Satta, 2023）。这是透镜最后也最锋利的一转。说"他其实在摆阔，在追逐美德信号"，往往是说这话者为自己建立优越位置的一种方式。也就是说，揭露美德信号这一行为本身，可能就是一种美德信号。本文在阅读面对人工智能的反应时，展现了一种道德—知识上的姿态："看清真相，也检验你自己。"这一姿态同样服从于那把锁，不能自视为可以豁免。
那么，这一切是否把我们引向无尽的怀疑、引向什么都说不出来？不；出路仍由 Flowerree 与 Satta 给出：与其去读动机，不如去看一个人所陈述的理由、以及他的行为是否对他人显示了尊重。这正是本文在其所有阶段所试图去做的。它没有诊断论坛评论者的内在动机；它审视他们所说的论点、以及那论点从哪一个位置看去方才自洽。它也把自身的位置（使用人工智能、从中获益的一方）送入同一场检验：在测量放大镜的中性时，在留意不把石蕊的区分变成一种优越时，在既拒绝盾牌之个人形态又拒绝其企业形态时。透镜只要保持双向，便是一件阅读的工具；一旦锁向单一方向，它便变成它所诊断之物的一个例证。
VI. 框定：你把人工智能看作什么，决定了结果
石蕊一节表明同一件工具在两手中给出不同的结果，却留下了一个问题：造成差别的技能，究竟是什么的技能？本节给它一个简短的回答，因为这回答为石蕊之下的机制命名。那差别的很大一部分，来自人把人工智能看作什么。
Orlikowski 与 Gash 把人们对一项技术所持的假设、期待与知识的总和，称为"技术框架"；他们也表明，不同的群体持有不同的框架，而这些框架之间的不一致，解释了同一技术所带来的意外结果（Orlikowski & Gash, 1994）。就人工智能而言，两种框架尤为突出。一种把工具看作一台答案机器、一个神谕：提出问题，得到答案，所得的答案便是产品本身。另一种把它看作一台处理引擎：向它面前摆上素材、语境、一个构建良好的问题；此处的本领，在于管理、审查、再喂养引擎在那素材之中所做的事。
这一区分并非空洞的比喻，Zamfirescu 等人的实验对此加以显示。这项考察非专家如何设计人工智能提示的研究发现，参与者把来自人际教学经验的期待带到了工具上，从单单一次尝试中作出过度概括，行事凭机会而非系统，而这些习惯又都成为有效提示设计之前的障碍（Zamfirescu-Pereira et al., 2023）。也就是说，把工具当作一个对话者、一个可以像与寻常人交谈那样与之交谈的神谕来对待的方式，会失败。神谕框架，正是工具打滑的那个框架。Long 与 Magerko 所称的"人工智能素养"，恰恰试图弥合这一差别：对工具加以批判性评估、与之协作、认识其界限的能力（Long & Magerko, 2020）。"素养"一词很重要，因为它指向一种能力，而非一份天生的馈赠。
正确的框架不是什么，Yiu、Kosoy 与 Gopnik 说得很尖锐：把这些系统想成一个个体的人类心智、一个行为者，是错误的。在他们看来，最恰切的框架，是把人工智能看作书写、印刷、图书馆一般强大的文化技术；因为这些系统是传递人类积累的非凡的模仿引擎，但其自身并不具备寻求真理、作出原创发现的能力（Yiu et al., 2023）。这一框架避开了两个错误：既不把工具当作一个思考的主体，也不当作一个神奇的神谕，而当作一台处理人类积累的引擎。把引擎推上场、在它面前摆上自己的素材、以自己的知识审查其产出的人，从中产出成果；而像对神谕一般向它提问、把答案照单全收的人，则把打滑当成了产出。
这一框架转变也有一个被测量出的实地对应。在 Lee 等人的知识工作者数据中，人工智能移动了批判性思维的重心：从产出本身，移向对所产之物的核实、对各部分的整合、以及对过程的管理（Lee et al., 2025）。从神谕框架到处理引擎框架的转变，在好的使用者身上不是一种抽象的偏好，而是一种被测出的行为差别；他把自己的劳力，投入的不是取得答案，而是审查与整合答案。
这也使被展示的技能与真正拥有的技能之间的差别显现出来。Mei 与 Weber 区分了人工智能时代"被展示的"（demonstrated）批判性思维与"被实施的"（performed）批判性思维：借助工具而显现的产品，与人在无工具的情况下所能执行的认知过程，并非同一回事；何况，评估往往测量前者，却谈论后者（Mei & Weber, 2025）。神谕框架满足于被展示者；处理引擎框架滋养被实施者。
如此，框定为石蕊所分离的那种技能的核心命名。同一件工具给出不同的结果，因为使用者以不同的框架去把握它；框架是一种心智模型，结果也由那模型决定。若用第二节放大镜的语言来说：执镜之手，握着的其实是一种框定。而这一框定，正如第五节所坚持的，不是一种天生的特权，而是一种可以习得的素养。
结语：看清真相
起初的问题是：面对同一个对象的人们，为何抵达如此不同的结果？全文所循的方法，甚至改变了问题本身的位置。人们抵达不同的结果；因为他们所看的往往不是对象，而是自身位置投在对象之上的影子。人工智能与其说是反应所落向的一个物体，不如说更像一面把反应者所站之处反射回去的表面。
四面透镜，是这一反射的四种样式。镜子表明，反应的内容泄露了人所守护之物（他的能力、他的特权）。放大镜表明，透镜是中性的，它把置于其下的不足与积累都放大而使之可见。石蕊表明，工具与其说拉平，不如说分离；因为借它做出优秀产出，是一种不可编码、须经亲历与指引方能成熟的技能。盾牌表明，"人工智能会胡编"这样一个技术上正确的观察，如何可以被转化为一种把责任从行为者转移到工具的托词。第六节把这四者结合于一个机制之中：造成差别的，是人把人工智能看作什么、以哪一种框架去把握它。
但本文真正的重负不在一面面透镜，而在它们的可以回转。同一面透镜，也阅读那阅读对方之手自身。说"你因害怕而抵抗"者，与说"你已停止思考"者，都可能用同一台装置来确证自己的位置。因此，透镜在此没有成为一件诊断的武器；若成为了，它便会变成它所诊断之物的一个例证。它保持为一次阅读，一次也阅读自身的阅读。
这并不意味着什么都未被确定。可以说的，不来自读动机，而来自看所陈述的理由与所显示的尊重。面对人工智能的一个反应，携带着关于其主人位置的信息；但这一信息，并不单独决定那反应是对是错。不把二者相混，是我们既对对方、也对自己所负的一种诚实。
本文并未宣称发现了任何新机制，也不能如此宣称。它把身份威胁、默会知识、过度信任、责任缺口、道德炫耀等彼此分离的研究，在公共话语的层面上汇聚起来，建立了它们之间的联系，并把那联系也施于自身。它的价值，若有的话，不在一个个具体发现里，而在这种融汇与自我检验的自律之中。
剩下的是一种态度。开启认知投降之说的那篇文章，也把它的收尾系于此处："边界不在技术，而在态度。"那态度，属于使用工具的人。本文所补充的唯一条件是：那态度不应被单向地施用：不曾看清自己在人工智能面前的位置，便去阅读他人的位置，是最能蒙蔽我们手中透镜的东西。看清真相，往往始于先看清自己从何处去看。
参考文献
参考文献依据"可抵达的地址"原则，一律以各来源的原始著录形式给出（正文中的概念虽经汉译，著录仍是把读者带往同一版本的地址）。对于网络先行发表的文献，当正文引用年份与卷的年份不一致时，卷的信息在著录中标注。
Bankins, S., Ocampo, A. C., Marrone, M., Restubog, S. L. D., & Woo, S. E. (2024). A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. Journal of Organizational Behavior, 45(2), 159-182. https://doi.org/10.1002/job.2735
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044
Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287
Dans, E. (2026年4月5日). Pensar cansa [博客文章]. Enrique Dans. https://www.enriquedans.com/2026/04/pensar-cansa-por-eso-estamos-empezando-a-dejar-que-la-inteligencia-artificial-lo-haga-por-nosotros.html（英文版："Thinking hurts, so why not surrender to AI?" Medium. https://medium.com/enrique-dans/thinking-hurts-so-why-not-surrender-to-ai-68da41119eb2）
Dell'Acqua, F., Rajendran, S., McFowland, E., III, Krayer, L., Mollick, E., Candelon, F., Lifshitz-Assaf, H., Kellogg, K., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013). https://ssrn.com/abstract=4573321
Di Santi, E. (2026). Cognitive amplification vs. cognitive delegation in human–AI systems: A metric framework [预印本]. arXiv:2603.18677. https://arxiv.org/abs/2603.18677
Dowden, B. (无日期). Fallacies (Genetic fallacy). Internet Encyclopedia of Philosophy. ISSN 2161-0002. https://iep.utm.edu/fallacy/
Ehsan, U., Passi, S., Saha, K., McNutt, T., Riedl, M. O., & Alcorn, S. (2026). From future of work to future of workers: Addressing asymptomatic AI harms for dignified human-AI interaction. Proceedings of CHI 2026. https://doi.org/10.1145/3772318.3791081（预印本：arXiv:2601.21920）
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530. https://doi.org/10.1111/bjet.13544
Flowerree, A. K., & Satta, M. (2023). Moral grandstanding and the norms of moral discourse. Journal of the American Philosophical Association, 10(3), 483-502. https://doi.org/10.1017/apa.2023.8
Fuchs, T. (2022). Understanding Sophia? On human interaction with artificial agents. Phenomenology and the Cognitive Sciences, 23(1), 21-42（2024年卷）. https://doi.org/10.1007/s11097-022-09848-0
Gerlich, M. (2025a). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Gerlich, M. (2025b). From offloading to engagement: An experimental study on structured prompting and critical reasoning with generative AI. Data, 10(11), 172. https://doi.org/10.3390/data10110172
Hadjimichael, D., Ribeiro, R., & Tsoukas, H. (2024). How does embodiment enable the acquisition of tacit knowledge in organizations? From Polanyi to Merleau-Ponty. Organization Studies, 45(4), 545-570. https://doi.org/10.1177/01708406241228374
Kapur, M. (2008). Productive failure. Cognition and Instruction, 26(3), 379-424. https://doi.org/10.1080/07370000802212669
Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [预印本]. arXiv:2506.08872. https://arxiv.org/abs/2506.08872
Kruger, J., & Dunning, D. (1999). Unskilled and unaware of it: How difficulties in recognizing one's own incompetence lead to inflated self-assessments. Journal of Personality and Social Psychology, 77(6), 1121-1134. https://doi.org/10.1037/0022-3514.77.6.1121
Lave, J., & Wenger, E. (1991). Situated learning: Legitimate peripheral participation. Cambridge University Press. ISBN 978-0-521-42374-8.
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25). https://doi.org/10.1145/3706598.3713778
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16. https://doi.org/10.1145/3313831.3376727
Lovett, M. (2026). Individual differences in generative AI effectiveness: An empirical puzzle for HRD research. New Horizons in Adult Education and Human Resource Development. https://doi.org/10.1177/19394225261472792
Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2024). Hallucination-free? Assessing the reliability of leading AI legal research tools (arXiv:2405.20362). https://arxiv.org/abs/2405.20362
Matthias, A. (2004). The responsibility gap: Ascribing responsibility for the actions of learning automata. Ethics and Information Technology, 6(3), 175-183. https://doi.org/10.1007/s10676-004-3422-1
Mei, K. X., & Weber, N. (2025). Designing AI systems that augment human performed vs. demonstrated critical thinking [预印本]. arXiv:2504.14689. https://arxiv.org/abs/2504.14689
Mirbabaie, M., Brünker, F., Möllmann Frick, N. R. J., & Stieglitz, S. (2021). The rise of artificial intelligence: Understanding the AI identity threat at the workplace. Electronic Markets, 32(1), 73-99（2022年卷）. https://doi.org/10.1007/s12525-021-00496-x
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence [MIT工作论文；同行评审版本：Science, 381(6654), 187-192]. https://doi.org/10.1126/science.adh2586
Orlikowski, W. J., & Gash, D. C. (1994). Technological frames: Making sense of information technology in organizations. ACM Transactions on Information Systems, 12(2), 174-207. https://doi.org/10.1145/196734.196745
Passi, S., & Vorvoreanu, M. (2022). Overreliance on AI: Literature review（Microsoft Research / Aether 报告）.
Raitskaya, L., & Tikhonova, E. (2025). Enhancing critical thinking skills in ChatGPT-human interaction: A scoping review. Journal of Language and Education, 11(2), 5-19. https://doi.org/10.17323/jle.2025.27387
Santoni de Sio, F., & Mecacci, G. (2021). Four responsibility gaps with artificial intelligence: Why they matter and how to address them. Philosophy & Technology, 34(4), 1057-1084. https://doi.org/10.1007/s13347-021-00450-x
Shaw, S. D., & Nave, G. (2026). Thinking, fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender [Wharton工作论文；原标题中"Thinking"一词后有一个破折号]. SSRN 6097646. https://doi.org/10.31234/osf.io/yk25n_v1
Stanković, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2025). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [预印本]. arXiv:2601.00856. https://arxiv.org/abs/2601.00856
Tosi, J., & Warmke, B. (2016). Moral grandstanding. Philosophy & Public Affairs, 44(3), 197-217. https://doi.org/10.1111/papa.12075
Tsao, J., Liang, C. X., Nogues, C., & Wong, A. (2026). Perceptions and integration of generative artificial intelligence in creative practices and industries: A scoping review and conceptual model. AI & Society, 41(3), 2259-2278. https://doi.org/10.1007/s00146-025-02667-2
Westra, E. (2021). Virtue signaling and moral progress. Philosophy & Public Affairs, 49(2), 156-178. https://doi.org/10.1111/papa.12187
Yiu, E., Kosoy, E., & Gopnik, A. (2023). Transmission versus truth, imitation versus innovation: What children can do that large language and language-and-vision models cannot (yet). Perspectives on Psychological Science, 19(5), 874-883. https://doi.org/10.1177/17456916231201401
Zager, S. (2023). Toggling: How shifts between deontology and virtue ethics undermine public moral discourse about gender and race. Hypatia, 38, 294-315. https://doi.org/10.1017/hyp.2023.25
Zamfirescu-Pereira, J. D., Wong, R. Y., Hartmann, B., & Yang, Q. (2023). Why Johnny can't prompt: How non-AI experts try (and fail) to design LLM prompts. Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems, Article 437, 1-21. https://doi.org/10.1145/3544548.3581388
版本说明
石蕊 · v1.1 · 2026年8月12日 · 两项事实性更正
本版本在多语翻译回合中纳入两项源于一手文献的事实性更正；主体论证与结构保持不变。① Ehsan 等人的放大器悖论已按其原始名称（AI-as-Amplifier Paradox）统一。② Lave 与 Wenger 第33页的引文已依英语原文的情态更正（非"习得"，而应为"only has power in specific circumstances"）。参考文献共38条，未作改动。
石蕊 · v1.0 · 2026年8月12日 · 中文版首次发表
这一中文文本译自土耳其语原文（Turnusol，v1.0，首次发表于2026年8月10日），并携带自己的版本号；它不继承所译原文的版本历史。原文在发表前的内部草稿链（v1-v4）为工作版本；此为该文本的首个中文公开版本。
翻译体例。正文中的概念以中文给出，多为相应的学术术语；著录（作者-年份、et al.、页码、卷期）依"可抵达的地址"原则保留来源的原始形式，未加汉译。正文中的逐字引文依其来源语言处理，而非从土耳其语回译：Dans 的结语依其所锚定的西班牙语原文（actitud，即"态度"）译出——需记下的是，Dans 在自己的英文版中把这一处写作"文化本能"（cultural instincts），与西班牙语有所偏移，本文的"态度"轴线依西班牙语原文保留；取自英语文献的直接引文（Lave 与 Wenger，第 33 页；Hadjimichael 等）则依英语来源本身重构。土耳其语原文经作者整体重写并经编辑打磨轮次而成，主要框架为：把开篇论断收入主动语态；把石蕊一节的小结确立为"以最强、可检验的形式把'拉平论'摆到对面"；把盾牌一节的优先问题（"起决定作用的，是工具为何而设计，还是它在谁身上变成什么？"）落回其来源；把 Ehsan 的"放大器悖论"（沿时间轴的专长侵蚀）与本文的放大镜（沿当下轴使输入变得可见）区分开来；并把2025-2026年间关于人工智能与认知能力的研究（Lee 等、Gerlich、Fan、Kosmyna-Stanković、Raitskaya-Tikhonova、Di Santi、Mei-Weber）分两条脉络织入正文。
参考文献共38条，采用 APA 第7版。著录依"可抵达的地址"原则以来源的原始形式给出；正文中的概念虽经汉译，著录仍是把读者带往同一版本的地址。