AI 让答案变得廉价，却让判断变得更昂贵

最近，我读到了一项由博科尼大学研究人员与 OpenAI 经济研究团队合作开展的实验。

一千多名大学一年级学生需要为学校的纪念品商店制定营销方案。研究人员把他们随机分成四组，分别使用 ChatGPT、接受因果推理训练、两者兼有，或者两者皆无。

能够使用 ChatGPT 的学生，在五分制评分中平均提高了将近一分。他们提出了更多想法，逻辑更加清晰，最终方案也更接近专家的水平。

接受因果推理训练的学生，传统评分却没有明显提高。不过，他们更善于解释一个方案为什么可能有效、又会在什么情况下失败，也提出了更多与其他人不同的想法。

同时使用 ChatGPT 并接受思维训练的学生，则兼具两方面的收益。

这项研究有 OpenAI 参与，因此仍需要更多独立研究验证。但它至少揭示了一个值得思考的问题：

AI 可以让一个人交出更好的答案，却不一定让他理解得更深。

答案变好了，人却未必变强

ChatGPT 很擅长补充想法、整理结构和修正表达，让一份原本普通的作业变得完整、清晰，看起来更加专业。

但是，当 AI 可以快速生成一份完整方案以后，只看最终答案，我们已经很难知道一个人是否真正理解其中的逻辑，能否发现隐藏的错误，又能不能在条件变化时重新作出判断。

这件事并不只发生在学校里。我自己使用 AI 时，也经常满足于拿到一个结论。

AI 给出的答案通常结构完整、语气肯定、理由看起来也很充分。只要它符合我的预期，我就很容易直接接受，而不再继续追问：这些事实准确吗？推理中间有没有跳步？它是不是忽略了某个重要条件？

问题在于，表达得像正确答案，并不等于它真的是正确答案。

AI 掌握的信息远远超过普通人，但它并不是一个天然可靠的事实数据库。它可能混淆事实、误解语境，也可能用流畅的语言掩盖推理中的漏洞。如果我对一个领域完全没有基础，就连它错在哪里都很难发现。

我偶尔也会反驳 AI，指出它上一轮回答里的问题。它会根据新的信息重新分析，有时甚至会推翻自己刚才的结论。这样的过程反而让我很有成就感，因为我不再只是在等待答案，而是在一轮又一轮的交锋中逼近更准确的判断。

真正有价值的人机协作，可能正是这种“回合制”：AI 提供信息、方案和不同视角，我负责检查前提、补充现实条件，并决定哪些内容值得接受。

当然，这需要付出时间、精力和脑力。很多时候，我真正缺少的不是使用 AI 的机会，而是不愿意继续投入。拿到一个差不多的答案就停下来，要比反复验证和思考轻松得多。

知识越来越容易获取以后，一个很自然的问题是：我们还有没有必要学习？

我的答案恰恰相反。AI 时代对人的要求不是降低了，而是提高了。

以前，我们学习知识，首先是为了得到答案。现在，答案越来越容易获得，学习的作用更多地变成建立自己的判断基础。我们不一定需要记住所有事实，但需要理解一个领域最基本的概念、因果关系和边界。只有这样，面对 AI 的输出时，我们才能知道应该相信什么、质疑什么，以及还缺少什么。

没有基本知识的人，也很难提出一个足够好的问题。因为提出问题不只是在输入框里写下一句话，而是发现现有解释没有覆盖什么、哪些条件彼此冲突、真正需要解决的矛盾在哪里。

批判性思维也不是习惯性地反对 AI，而是检查证据是否支持结论，区分事实与推测，寻找可能的反例，并且愿意在发现自己错了以后修改判断。

AI 越强，这些能力越重要。能力弱的工具只能给出粗糙的答案，我们很容易发现问题；能力强的工具却可以把错误包装得非常完整，让人失去继续思考的动力。

我以前很容易得出一个结论：既然互联网和 AI 已经让知识触手可及，那么唯一限制一个人的，就是他愿不愿意主动学习和行动。

现在看来，这个判断并不完整。

知识可以被公开，不代表每个人拥有同样的时间、精力、教育基础和实践机会。如果把所有差距都归结为一个人够不够努力，很容易落入优绩主义的陷阱：成功被解释成个人优秀，失败则被解释成不够主动，而资源、运气和现实限制都被忽略了。

AI 降低了一部分知识获取成本，却没有自动抹平这些差距。在所有人都能使用 AI 以后，真正稀缺的可能会变成使用它所需要的基础、时间、注意力和判断能力。

但这并不意味着主观能动性不重要。它不是决定结果的唯一条件，却仍然是我最能影响的那一部分。

对我来说，眼前的问题不是还能不能找到更多知识，也不是能不能接触到更强的 AI，而是我是否愿意在得到答案以后再多走一步：检查它、质疑它，把它放回现实中验证，并最终形成属于自己的判断。

AI 让答案变得越来越廉价，但理解答案、判断它是否可信，并对采用它的后果负责，依然需要人来完成。

这可能正是 AI 时代对我们提出的更高要求。