# AI 时代，我们把智力外包了 > 当 AI 接管了我们的智力活动，我们还剩下什么？ - 作者：芝士AI吃鱼 - 发布日期：2026-08-07 - 主题：公众号同步、AI - HTML 正文：[https://ai-knowledgepoints.cn/blog/wechat-2026-08-07-5e267d2e](https://ai-knowledgepoints.cn/blog/wechat-2026-08-07-5e267d2e) - Markdown 永久链接：[https://ai-knowledgepoints.cn/blog/wechat-2026-08-07-5e267d2e/index.html.md](https://ai-knowledgepoints.cn/blog/wechat-2026-08-07-5e267d2e/index.html.md) - 原始来源：[芝士AI吃鱼公众号](https://mp.weixin.qq.com/s?__biz=MzIxMjY3NzMwNw==&mid=2247489053&idx=1) 引用本文时，请注明作者与 HTML 正文链接。Markdown 版本用于机器阅读，与 HTML 正文共享同一内容来源。 ## 正文 > 本文同步自「芝士AI吃鱼」公众号，原文链接见文章信息。 当搜索、阅读、总结、分析、写作都可以被压缩成一次 Enter，我们得到的当然更多了。真正值得追问的是：那些被省掉的过程，原本只是时间成本，还是恰好构成了我们的能力？ 过去，我们把体力交给机器，把记忆交给纸张，把计算交给计算器，把检索交给搜索引擎。现在，大模型开始接手另一批更靠近“人”的工作：理解、总结、分析、表达，甚至判断。 问题来了：当这些智力活动越来越顺手地交给 AI，我们还剩下什么？ 几年前，写一份稍微像样的汇报材料，还是一段完整的脑力劳动。 你先得弄明白对方到底在问什么。然后翻资料、找数据、判断口径，看看几个事实是不是互相打架。等资料齐了，事情才刚刚开始。什么是现象，什么是原因；哪些话能下结论，哪些只能写“可能”；一个判断到底有没有证据支撑。很多时候，真正的思考不是发生在打开 Word 的那一刻，而是在第二稿、第三稿里，被一遍遍修改逼出来的。 现在，这条链路可以极短。 打开豆包、千问、DeepSeek、Kimi，或者任何一个你顺手的大模型。把需求贴进去，再补一句：“请整理成一份结构完整、逻辑清晰的分析材料。”按下 Enter。几十秒后，背景、问题、原因、建议、结论都出来了。稍微改几句话，就可以发给同事、领导、客户。 我们当然得到了结果。 可我们有没有经历形成结果的过程？ 这篇文章想讨论的，不是“AI 会不会把人变笨”这样一个过于简单的问题。现在的研究还不足以证明，长期使用大模型会让人的一般智力永久下降。真正值得讨论的是另一件事：**当理解、阅读、分析、组织和表达越来越允许被跳过，人的能力究竟会如何形成？** * * * ## 一、AI 已经进入日常：6.02 亿用户之后，真正变化的是使用习惯 生成式 AI 已经越过了“尝鲜”的阶段。 CNNIC 发布的第 57 次《中国互联网络发展状况统计报告》显示，截至 2025 年 12 月，我国生成式人工智能用户规模已经达到 **6.02 亿**，较 2024 年底增长 141.7%，普及率达到 42.8%。换句话说，生成式 AI 已经不是少数技术从业者的玩具，而是一个数亿中国网民实际接触过的通用工具。 如果只看“有多少人使用过”，还会低估变化。 QuestMobile 2026 年 AI 应用市场半年报显示，截至 2026 年中，AI 原生 App 月活规模约 **4.99 亿**，手机厂商 AI 应用月活约 **7.55 亿**，AI 应用插件月活约 **6.44 亿**。这些口径之间存在大量重叠，不能相加，但它们揭示了一件比总用户数更重要的事：**AI 在中国已经不是一个单独的入口，而是在同时进入 App、手机系统、浏览器插件、PC 和办公环境。** 更值得注意的是使用强度。QuestMobile 给出的 AI 原生 App 月人均使用次数达到 **92.7 次**。这不是“偶尔打开试一下”的频率，而是逐渐进入习惯层的使用。 于是，一个很容易被忽视的变化发生了。 过去，遇到一个陌生问题，我们会先百度；现在越来越多人会先问 AI。过去拿到一份几十页的材料，我们至少会先翻一遍目录；现在第一反应往往是“丢给 AI 总结一下”。过去写材料之前，通常要先整理一轮思路；现在很多人直接从 Prompt 开始。 QuestMobile 甚至观察到了搜索行为的变化：2026 年 5 月，传统搜索行业人均使用次数同比下降 19.1%，人均使用时长同比下降 13.5%。这当然不能简单归因于 AI，但它至少说明，信息获取的入口和路径正在被重新分配。 真正发生的变化，不是我们多装了几个 AI App。 而是我们正在把一部分原本需要自己完成的认知过程，迁移到这些入口里。 * * * ## 二、从豆包、千问、DeepSeek、Kimi 看，外包的已经不是同一种脑力 把国内几个主流 AI 产品放在一起看，会发现一个很有意思的现象：它们争夺的早已不只是“聊天机器人市场”，而是在分别接管不同类型的脑力劳动。 QuestMobile 的 2026 年 6 月数据里，豆包、千问、DeepSeek 活跃用户规模分别达到 **3.82 亿、1.67 亿和 1.29 亿**。这三个数字背后，其实对应着三种不同的使用心智。 豆包最值得关注的，并不是某一次模型能力排名，而是它的高频和低门槛。 很多时候，你甚至不会把“问豆包改一句话”“帮我想几个标题”“解释一下这个概念”看成一次严肃的 AI 使用。它更像一个随手可叫来的助手。可正因为门槛低，它最容易承接那些细碎、频繁、过去需要自己想几十秒到几分钟的任务。 这种外包很轻，以至于人很难意识到自己正在外包。 千问的变化，则更接近“从回答问题走向替人办事”。QuestMobile 在半年报里把千问任务助理归为生态办事型 Agent 的代表，强调跨生态调度。对用户来说，这意味着 AI 的边界不再停在“告诉我怎么做”，而开始向“替我调服务、替我执行”移动。 这一步很关键。 因为一旦 AI 从答案生成器变成任务执行层，人外包出去的就不只是表达和总结，还包括计划、拆解、调用和执行。 DeepSeek 带来的影响又不一样。 它真正改变的是大众对“AI 会不会思考”的直觉。越来越多用户第一次明显感受到，模型不只是会生成一篇完整文章，还能一步一步给出推理、代码、分析和方案。QuestMobile 把这种方向概括为“推理 Agent 化的认知突破”。2026 年 6 月，DeepSeek 的 10 分钟以上用户占比达到 30.0%，高于豆包的 27.5%。 这会制造一种更强的诱惑：**既然它能把思考过程写出来，我还有没有必要自己先想？** Kimi 的位置则很适合观察“阅读外包”如何继续向“复杂工作外包”演进。 很多用户最早认识 Kimi，是因为长文本、长上下文和总结能力。过去，一份几十页甚至上百页的材料，阅读本身就是一个不可绕过的环节。现在，越来越多人会先让 AI 看，自己只看摘要。到了 2026 年，Kimi 官方对产品的描述已经明显从“读长文”向深度研究、一键建站、智能制表、PPT 自主编辑等复杂工作延伸。 这几类产品放在一起，真正值得关注的不是排行榜，而是一条越来越清晰的迁移路线： **先替你写一句话，再替你读一份材料；先替你分析一个问题，再替你完成一项任务。** 一开始被外包的是表达，后来是阅读，再后来是分析、计划和执行。 如果沿着这条线继续往前，最后剩下的就只剩一个问题：谁来判断 AI 做得对不对？ * * * ## 三、真正被替代的不是搜索框，而是“搜索—阅读—整理”这一整条链 人类从来都在认知外包。 纸张替我们保存记忆，计算器替我们做算术，搜索引擎替我们定位信息，导航替我们记路。认知科学把这类行为称作 cognitive offloading，也就是借助外部工具降低内部认知负担。 外包本身不是问题。人类文明本来就是一部不断把低价值劳动交给工具的历史。 大模型真正不同的地方，在于它开始接管一条连续的认知链。 搜索引擎替你找到网页，但你通常还得自己点开、阅读、比较、理解。计算器替你完成运算，但公式和问题仍然需要你自己定义。 大模型可以把这些环节串起来。 它替你找，替你读，替你总结，替你归纳，再把归纳结果写成一段完整的答案。 于是，以前需要经历“搜索—打开—浏览—筛选—阅读—摘录—整理—判断”的过程，现在可以被压缩成一句：“帮我研究一下这个问题，给我结论。” 这种变化从效率上看几乎无可挑剔。 问题是，过去那些看上去低效的环节，恰好也是我们建立内部知识模型的过程。你在不同网页之间来回跳转时，会发现信息冲突；你在原始材料中寻找答案时，会看到摘要里不会出现的限定条件；你在自己整理笔记时，才会真正意识到哪些事情没有想清楚。 现在，我们越来越容易只接收模型整理后的世界。 世界变得更清楚了。 但也可能更薄了。 * * * ## 四、写材料，是智力外包最清楚的现场 写材料特别值得观察，因为写作处在“想”和“做”的中间。 很多人以为，写作只是把脑子里已经想好的内容打出来。真实情况恰恰相反。很多时候，人是在写的过程中才发现自己究竟想说什么。 一个论点写不下去，可能说明逻辑不成立；一个数据不知道放在哪，可能说明结构有问题；一段话删了半天都删不掉，往往说明作者自己还没有区分什么是事实、什么是观点、什么只是修饰。 所以，传统写材料虽然慢，却强迫人完成一套认知动作。 接任务，理解问题，搜索资料，阅读原文，判断证据，提出假设，组织结构，起草，修改，交付。 今天，一个常见流程正在变成：接任务，写 Prompt，模型生成，改几个词，交付。 OpenAI 对真实使用记录的研究提供了一组可量化的参照。研究显示，2025 年中，ChatGPT 消费者每天约产生 26 亿条消息，其中约 7 亿条与工作有关，写作是工作场景中占比最高的一类。按研究中的分类比例粗略估算，每天进入 ChatGPT 的工作写作请求大约在 **2.8 亿条** 的数量级。 这里统计的是消息，不是文档。一份报告可能需要多轮对话，也不是每一条生成内容都会被最终采用。 但这已经足以说明：表达和总结，正在成为知识工作最先被大规模外包的环节之一。 这些变化落到日常工作里，非常具体。 周报让豆包先起草，会议纪要让 AI 自动总结，标书让模型先搭目录，公众号文章让 AI 先列结构，研究报告先丢给 Kimi 读，代码先让 DeepSeek 改，方案先让千问给一个版本。 问题从来不是这些动作能不能提高效率。 它们当然能。 真正的问题是：**当第一稿、第一轮分析、第一版结构长期都不再由自己完成，我们会不会逐渐失去“从零形成判断”的能力？** * * * ## 五、AI 的效率收益是真的，所以问题才更棘手 如果大模型只能生成垃圾，人类不会如此依赖它。 真正让智力外包变成现实的原因，是它确实能提高效率，而且在很多任务上还能提高平均质量。 Noy 和 Zhang 发表在《Science》上的随机实验发现，在新闻稿、商务邮件、短报告等专业写作任务中，使用 ChatGPT 的参与者平均完成时间下降约 **40%**，输出质量提高约 **18%**。 这是一种足以改变工作习惯的生产率提升。 一份原来要 100 分钟完成的材料，现在 60 分钟就做完了。 理想情况下，节省下来的 40 分钟应该用来做更有价值的工作：检查数据、阅读原文、寻找反例、比较方案、重新判断。 如果真是这样，AI 没有让人少思考，只是把思考从低价值环节迁移到了高价值环节。 可现实里还有另外一种路径。 组织看到一个人一天能完成三份材料，很快就会把“三份”变成新的正常产能。生成越来越便宜，产量越来越高，审核时间却不会同步增长。 于是效率红利开始变成另一种东西。 我把它叫作**认知债务**。 今天为了更快交付，跳过理解；未来一旦场景变化，就要补交当初欠下的那部分认知成本。 材料是你交付的，但你不一定知道为什么这么写；代码是你提交的，但你不一定知道边界在哪里；结论是你发出去的，但被追问时，你可能只能重新回到 AI 里寻找理由。 这就是认知债务的典型状态：**我们拥有结论，却没有形成结论所依赖的内部模型。** * * * ## 六、现有研究看到的，不是“人变笨”，而是思考发生了迁移 关于 AI 与认知，一个容易制造流量的标题是：“研究证明，使用 AI 会让大脑退化。” 但这样写并不严谨。 目前更可靠的证据，是 AI 正在改变人把认知投入放在哪里。 微软研究院与卡内基梅隆大学在 CHI 2025 的研究调查了 319 名知识工作者，收集了 936 个真实的 GenAI 工作案例。研究发现，对 AI 完成某项任务越有信心，受访者报告的批判性思考越少。与此同时，在知识获取、理解、分析、综合等活动中，许多人认为使用 GenAI 后需要投入的认知努力降低了。 但人的工作并没有完全变成“不思考”。 更准确地说，它发生了迁移。 从寻找信息，变成验证信息；从亲自解决问题，变成整合模型的回答；从亲手执行任务，变成监督模型执行。 这其实提出了一个比“会不会变笨”更严肃的问题。 **如果未来人的主要工作是审核 AI，那么谁有资格成为审核者？** 一个真正懂业务的人，可以很快发现模型把因果关系写反了，可以知道哪个数字的口径不对，可以识别一个看似完整的方案遗漏了什么。 可一个从未经历过完整训练的人，根本不知道应该检查什么啊！ 于是同一个 AI，对专家和新手可能产生完全不同的结果。 专家借助 AI 把机械劳动外包出去，把时间花在更困难的判断上；新手则可能直接跳过成为专家所必需的训练过程，却提前拥有了“像专家一样的输出”。 这和之前讨论的一样，AI 把梯子抽走了，导致人的能力出现断代了，再也没有初级人员了。 大模型由此制造了一种新的能力幻觉： **拥有输出，被误认为拥有能力。** * * * ## 七、真正危险的是“审核剪刀差” 生成式 AI 改变知识工作的逻辑，可以用一条很简单的曲线来理解。 模型生成答案的能力，在快速增长。 人的注意力、专业知识和审核时间，却增长得极慢。 当 AI 一分钟可以生成十个方案时，人不可能在一分钟内严肃验证十个方案。当 AI 一夜可以改完几千行代码时，团队不可能在第二天早上凭空拥有十倍的代码审查能力。 于是，两条线之间会自然出现一块越来越大的区域。 这就是“审核剪刀差”。 生成能力越强，未经充分验证的内容反而可能越多。 这听起来有点反常识，但它非常符合组织行为。 以前写一份报告需要两小时，审核半小时；现在生成只要五分钟，组织很少会说：“很好，那剩下的一小时五十五分钟都用来审核。”更常见的是：“很好，那再做三份。” 最后出现的结果就是：材料越来越多，真正被认真读完的越来越少；方案越来越多，能解释方案为什么成立的人越来越少。 AI 解决了“写不出来”的问题，却可能制造一个更大的问题：**看不完、核不动、分不清。** * * * ## 八、当答案变得廉价，能力开始变得难以识别 过去，一个人能不能写出一份好材料，大体还能反映他的理解和表达能力。 现在，这层关系正在变弱。 一个不熟悉行业的人，也可以生成一份行业术语齐全的分析；一个刚入行的程序员，也可以提交结构漂亮的代码；一个没系统读过相关文献的人，也可以很快得到一份“综述”。 这会带来一个新问题：组织越来越难从结果反推能力。 这并不意味着人变得不重要。 恰恰相反，真正懂的人会变得更重要，因为只有他们知道哪些地方不能被模型的流畅感骗过去。 未来知识工作的分化，很可能不再是“会不会使用 AI”。 人人都会使用。 真正的分化会变成： 有些人只是会让 AI 产生结果；另一些人知道如何定义问题、判断证据、识别错误、推翻答案。 前者拥有的是操作能力。 后者拥有的是认知主权。 * * * ## 九、哪些脑力可以外包，哪些必须留下？ 所以，答案当然不是不用 AI。 不用 AI 既不现实，也没有必要。 真正重要的是建立一条边界：哪些智力活动可以放心交给 AI，哪些活动只能让 AI 辅助，却必须由人自己完成。 基础改写、格式整理、会议纪要、信息归纳、常规代码补全，这些任务的共同特点是后果风险相对低，结果容易验证。把它们交给 AI，通常是纯粹的生产率收益。 越靠近分析、归因、策略和决策，情况就越不同。 因为这些任务不是“有没有一个答案”，而是“为什么相信这个答案”“还有哪些反例”“如果错了谁承担后果”。 一个比较实用的原则是： **可验证性越低，后果风险越高，人越应该保留最终判断权。** AI 可以帮你生成假设，但不要替你确认因果。 AI 可以帮你列方案，但不要替你定义目标。 AI 可以帮你找理由，但不要替你决定相信什么。 AI 可以替你做大量工作，但不要让它替你承担那个最关键的动作——决定这件事是否真的成立。 * * * ## 结语 未来最不稀缺的，可能不是信息，也不是答案，而是**一个看起来很像正确答案的东西**。 真正稀缺的，会是知道它为什么成立、在哪些条件下会失效，以及什么时候必须推翻它的人。 AI 正在把人从“答案的生产者”，推向“答案的验收者”。这看起来像一次能力升级，但它藏着一个更深的问题：**判断力本身从哪里来？** 今天能够快速识别 AI 错误的专家，恰恰是因为他们曾经亲自做过那些如今正在被外包的事情——阅读、推导、试错、争论、重写。 **真正的认知债务，不是今天少想了一次，而是我们可能正在一点点删除“人成为专家”的过程。** 如果一代人从进入专业领域的第一天起，就可以跳过这些过程，直接得到足够好的答案，那么多年以后，我们是否还拥有足够多的人，能够在机器出错时看出它错了？ 所以，AI 时代最值得担心的，也许从来不是模型会不会犯错。 **而是当它犯错时，还有谁能够接管？** * * * ## 主要数据与研究来源 * CNNIC，第 57 次《中国互联网络发展状况统计报告》，2026。 * QuestMobile，《2026 年 AI 应用市场发展半年报》，2026 年 7 月。 * QuestMobile，《2026 年一季度 AI 应用洞察》，2026 年 4 月。 * Moonshot AI / Kimi 官方产品与研究页面，2026。 * OpenAI，《How People Use ChatGPT》，真实使用数据研究。 * Noy, S. & Zhang, W., _Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence_, Science, 2023。 * Lee et al., _The Impact of Generative AI on Critical Thinking_, CHI 2025 / Microsoft Research & Carnegie Mellon University。 * Risko, E. F. & Gilbert, S. J., _Cognitive Offloading_, Trends in Cognitive Sciences, 2016。 当一个人不再需要通过思考，就能获得一个好答案，我们还会不会存在真正的思考者？ 如果 AI 失灵、犯错，或者面对它从未见过的问题——谁来接管？