人类的思想固化和行为固化

一、引言：被忽视的底层变量

关于人工智能对人类社会冲击的讨论，已在技术层面（模型能力的指数增长）、经济层面（劳动力替代与岗位重构）和伦理层面（偏见、对齐与治理）积累了大量文献。然而，一个更底层的变量——人类大脑本身的认知架构特性——在这些讨论中长期处于边缘位置。

本文的核心论点是：AI时代人类社会面临的最根本挑战不在于AI的能力增长速度，而在于人类大脑的固化倾向与AI要求的认知灵活性之间的结构性矛盾。更精确地表述：

AI时代淘汰的不是”不聪明的人”，而是无法解除自身经验主义锁定的人。

Schultz与Searleman（2002）在一篇覆盖百年研究史的元分析中，将”刚性”描述为一个多维构念，涵盖形成并持续使用心理定势与行为定势的倾向^[1]。然而，这一传统心理学构念从未被系统性地与当代神经科学的习惯回路研究、进化心理学的失配理论以及AI时代的社会分层动力学整合到同一个解释框架中。本文尝试完成这一整合。

二、方法论说明

本文是一篇理论框架论文（theory paper），采用溯因推理（abductive reasoning）作为主要方法论——即从分散在不同学科中的已有事实出发，反向推导能同时解释所有这些事实的最佳统一因果结构。溯因推理是科学方法论的核心组成部分，McMullin（1992）将其称为”使科学成为科学的推理”^[2]，Curiel（2019）论证其至少与标准的演绎和归纳形式同等重要^[3]。

本文的认知产出过程本身即是其方法论的实例：人类研究者以溯因推理确定跨域探测方向，AI系统（Claude Opus 4.6）以归纳检索提供各领域实证碎片，人类研究者再以溯因推理将碎片重组为统一框架。这一”对抗性人机协作”过程贯穿全文。需要透明说明的是：本文后续章节定义的”矩阵认知者”概念与本文的生成过程之间存在自指性关系——生成过程可被视为该概念的一个实例。这既是方法论的特征也是其局限：单个案例可以作为概念的启发来源，但不能替代对该概念的独立实证验证。

为确保认识论透明度，全文采用三级标记体系：

三、思维固化与行为固化的神经生物学基础

3.1 能量经济学：固化作为最优设计

已证实 Ali等人（2022）证明，当递归神经网络在最小化能耗的约束下运作于可预测环境时，预测编码机制作为能量效率优化的自然结果涌现——网络自组织出预测单元和误差单元，学会抑制可预测的感觉输入^[4]。大脑的固化倾向不是设计缺陷，而是受能量约束的信息处理系统中的高效适应策略。

已证实 Barton（2014）从进化角度论证：直立行走所需的信息处理量大幅增长赋予了一种选择优势——加速个体将信息处理从有意识的灵活控制”委托”到更加自动化的系统中^[5]。固化不仅是灵活性的代价，更是灵活性的前提条件。

已证实 Gilbert（1998）从进化心理学角度提出，认知偏差（包括固化思维）是使用对威胁敏感的快速防御算法的自然结果。在各种情境下，尤其是威胁情境中，人类进化为适应性思考而非逻辑性思考^[6]。

3.2 基底神经节：习惯回路的物理载体

已证实 Yin与Knowlton（2006）在《Nature Reviews Neuroscience》上奠定了习惯形成研究的现代框架：习惯形成的神经相关物体现为控制权从联合型皮层-基底神经节网络向感觉运动型皮层-基底神经节网络的转移。背内侧纹状体（DMS）介导目标导向行为，背外侧纹状体（DLS）介导习惯行为^[7]。

已证实 Ashby等人（2010）提出：自动化的发展是一个渐进过程，控制权从皮层下程序学习系统传递到纯粹的皮层-皮层网络。基底神经节的主要功能可能是训练介导自动化的皮层表征^[8]。一旦行为被编入DLS的习惯回路，其执行独立于对结果的表征，因而对结果价值的后续变化具有抵抗性。

已证实 Graybiel与Grafton（2015）进一步证实，习惯、强迫症和成瘾共享重叠的背侧纹状体回路^[9]，说明思维和行为的”过度固化”不仅是日常现象，也是多种精神疾病的核心机制。

3.3 认知灵活性的生命周期轨迹

已证实 认知灵活性的出现与前额叶皮层（PFC）和下顶叶皮层的成熟关联。额叶皮层系统发育缓慢，贯穿青少年期直至成年早期才成熟^[10]。PFC内部不同亚区的成熟进程存在差异——眶额叶皮层较早成熟，背外侧PFC则呈更漫长的时间进程^[11]。

已证实 认知老化伴随突触修剪、髓鞘退化和神经发生减少等结构性改变，但也存在促进持续表现的适应性代偿机制^[12]。

四、奖赏加权记忆与经验主义的形成机制

4.1 多巴胺奖赏预测误差

已证实 多巴胺能神经元在目标导向系统中编码奖赏与期望之间的差异（奖赏预测误差，RPE），在习惯系统中编码所选行动与习惯行动之间的差异。这些预测误差分别触发关于奖赏的学习和习惯的形成^[13]。DLS中的多巴胺信号对习惯形成至关重要，DMS中的多巴胺信号对行动-结果学习必不可少^[14]。

4.2 突触标记与捕获

已证实 高奖赏情境的海马体表征在学习后的静息期间被优先重新激活，重新激活次数可预测高奖赏内容的优先保留^[15]。腹侧被盖区（VTA）的多巴胺调节海马体中的长时程增强效应（LTP），进一步强化与奖赏事件时间上接近的记忆^[16]。被奖赏的信息在睡眠期间被优先重新回放^[17]。

4.3 肠脑轴的全身性强化

已证实 脑-肠轴在奖赏加工中发挥调节作用。肠道中存在超过90%的人体血清素和约50%的多巴胺^[18]。肠道来源的血清素通过迷走神经传入纤维影响中枢神经系统的情绪调节和行为动机^[19]。

五、AI时代的进化失配：经验主义的收益函数翻转

5.1 探索-利用权衡的环境依赖性

已证实 在稳定环境中，探索-利用困境可通过先探索再持续利用最优行动来有效解决；在波动性环境中，探索与利用需被持续平衡。高水平的利用使主体无法适应环境变化，过度的探索则减少奖赏积累^[20]。

已证实 前扣带回皮层和纹状体因果性地调节探索-利用水平，在不确定性高的时期引导探索朝向与奖赏相关的对象，但二者以相反方式运作^[21]——大脑中负责”该不该切换策略”的系统本身就是在拉锯。

5.2 进化失配理论

已证实 进化失配指在祖先环境中具有适应性的生物特征，因快速变化超过进化适应速度，在现代环境中变得适应不良^[22]。Boyd与Richerson（1985）的基因-文化共同进化模型表明，文化传播速度可远超遗传适应速度^[23]。

5.3 AI时代的变化速率：实证锚定

已证实 一项2026年系统综述（94项研究纳入定性综合，42项纳入定量提取）发现，此次LLM特定的劳动力暴露特征集中在非常规性认知工作上——这与此前自动化文献记录的常规性手工和文书任务暴露特征质性不同。约80%的美国劳动力有至少10%的任务暴露于LLM^[24]。

六、认知两极化假说

6.1 自加速机制

假说 认知两极化区别于财富两极化的关键在于其正反馈结构。一篇2026年发表的论文描述了此机制：认知依赖降低了个体驾驭复杂信息的能力，并削弱了应对需要抽象思维的劳动力市场转型的韧性。而反思性地整合AI的人在教育、就业和政治影响力方面获得优势。经过连续技术采用周期，差异累积为认知能动性的结构性分层^[25]。

6.2 认知产出乘法器模型

假说 本文提出AI作为”乘法器而非加法器”的简化数学表达：

引入外生变量E的意义在于打破模型的循环性：B决定α，α决定C，C反馈强化B——如果F仅由B决定，则模型退化为”能力高者获益更多”的同义反复。E的引入意味着制度设计、教育政策和AI界面质量可以独立于个体基线能力影响认知产出轨迹。此模型的定位是概念形式化——它表达了”乘法器而非加法器”的核心机制直觉，而非可直接数值模拟的严格数学模型。后者需要对α、F和E的具体函数形式进行实证标定。

6.3 大脑结构分化的间接证据链

已证实 经验依赖的大脑结构可塑性已被广泛证实：专家在相关脑区灰质体积显著大于新手^[26]；经验诱导的变化可在短期学习后迅速发生，停止练习后也可消退^[27]；社会经济不平等已与可测量的大脑结构差异相关^[28]。

七、被动AI使用的认知衰减风险与三极分化模型

7.1 被动AI使用导致认知退化的早期证据

假说 多项早期研究提示被动AI使用可能削弱认知功能——这一现象在媒体语境中被称为”AI脑腐”（brain rot）——但需注意证据局限：

MIT Media Lab的追踪研究（54名学生，4个月）发现完全依赖AI写作的学生表现出更弱的大脑连接性和更低的记忆保持率，且停止使用后下降持续^[29]。局限：样本量小，尚未完成完整同行评审流程。

卡内基梅隆大学联合研究（319名专业人士）发现62%的参与者报告使用AI时减少了批判性思维投入^[30]。微软研究者Lee等人（2025）的调查进一步证实，生成式AI降低了人们感知到的批判性思维努力^[31]。局限：自我报告数据，主观感知与实际认知能力变化之间的关系需进一步验证。

Eliav（2026）提出”委托反馈循环”假说：AI能力增长 → 人类委托认知阈值降低 → 认知练习减少 → 能力进一步削弱 → 委托阈值进一步降低。两个趋势都不会自发逆转^[32]。

7.2 悖论结构与三极分化模型

假说 综合上述证据，本文提出三极分化模型：

此模型的关键区分在于：使用AI本身不决定认知走向，使用模式才决定。需要强调的是，A/B/C是任务域内的使用模式分类，而非固定的人群分类——同一个体可能在写作任务中表现为模式B（被动使用），在投资决策中表现为模式C（对抗性使用），在技术学习上处于模式A（完全不用）。分化的单位是”人×任务域×时间段”，而非人本身。被动使用的奖赏/成本比极高（极低认知投入获得即时结果），因此比不使用AI更容易被基底神经节编码为强习惯回路——这意味着模式B的新固化可能比模式A的旧固化更难逆转。

八、AI乘法器效应与认知分层放大

8.1 人类认知能力的先天分层

已证实 标准IQ测试以均值100、标准差15设计。约68%人口得分在85-115之间，95%在70-130之间，仅2.5%超过130^[33]。在过去30年中，一般人群在演绎推理、推论形成、论证评估方面的技能平均下降了10-15%^[34]。需要明确的是，标准化智力测验是认知能力差异的一个粗略代理指标，但不能穷尽AI有效使用能力。后者还受经验开放性（大五人格中的Openness维度）、元认知能力、成长型心态（Dweck, 2006）、教育背景、跨文化经验和领域专长等多因素影响。在本文的乘法器模型中，这些因素被综合压缩进基线能力B，但B ≠ IQ。

8.2 乘法器效应的实证支撑

已证实 一篇2025年发表的论文直接建模了此机制：信息提供者通过定制内容复杂度来最大化利润，向认知能力较低的用户提供更少的认知增强性内容。认知能力高的个体从中获益，认知能力低的个体遭受不利影响^[35]。

假说 将此效应与本文提出的乘法器模型（公式1）结合：当AI能力A(t)持续指数增长时，基线能力B的分布（原为正态）通过α和F的正反馈被拉伸。顶端群体的C(t)指数增长，底端群体的C(t)停滞或负增长。数学结果是分布从钟形向幂律方向演化，中间层被压缩。

8.3 信息屏障假说

假说 本文提出，AI制造的信息不对称区别于此前所有技术造成的不对称：过去的差距是”量的差异”——信息获取量不同但认知工具同类；AI时代的差距趋向”质的差异”——屏障两边使用的认知系统不再同类（人脑+AI混合系统 vs. 裸大脑）。对于缺乏抽象推理能力的个体，面对AI输出只能”接受”（认知依赖）或”拒绝”（回退旧模式），而无法”评估并改进”——后者需要的元认知能力本身受限于认知正态分布。

九、溯因推理：人类的不对称优势

9.1 三种推理形式与AI的能力分布

已证实 Peirce区分了三种推理形式：演绎、归纳、溯因^[36]。在许多形式化演绎任务和大规模模式归纳任务中，前沿AI系统已达到或超过多数非专家人类水平，并在部分专业任务中表现突出。归纳——从大数据中提取模式——是深度学习架构的原生优势。

假说 溯因能力受限于当前LLM架构——条件概率分布采样器只能输出训练分布中的模式及其插值，不能自主创造不存在于训练数据中的跨域连接。AI可以在被指定方向后高效执行搜索和重组，但”选择哪个方向值得探测”这一操作——尤其是从物理世界的真实体验中定位认知裂缝——当前仍属于人类。此优势的时间窗口取决于AI架构的演进速度。

9.2 “矩阵认知者”：定义与行为指标框架

假说 本文提出”矩阵认知者”（Matrix Cognizer）概念，描述溯因推理能力在遇到AI工具放大时产生的涌现认知范式。其三元操作结构为：

问题选择直觉（从物理世界体验中定位认知裂缝）+ 溯因推理（从跨域碎片中反推统一解释框架）+ AI作为归纳/演绎加速器（极速跨域信息获取与验证）

为使此概念具备可操作性，初步提出以下行为指标框架：

需明确的限制：矩阵认知者不是一种可通过短期训练普遍获得的能力。溯因推理的前提能力——抽象模式识别、跨域类比、假说生成与自我检验——受限于认知能力的正态分布。此概念描述的是AI时代认知分化的顶端表现形态。

十、制衡变量与框架边界

前述章节构建的分化框架基于当前可观测的趋势做出推导。但一个诚实的理论框架必须同时识别可能延缓、改变甚至逆转预测轨迹的制衡变量。本章讨论三个此类变量，并评估其对核心论证的影响。

10.1 AI交互界面的普惠化演进

假说 本文第八章论证了与AI有效交互需要的元认知能力受限于认知正态分布。然而，这一论证隐含了一个假设：AI的交互范式保持当前形态不变。历史上，技术的普惠化通常将极少数人才能掌握的操作转化为大众可用的基础设施——从命令行到图形界面，从编程到电子表格，每一次界面革命都大幅降低了有效使用的认知门槛。

当前已有研究方向——可称为”主动苏格拉底引导”（Proactive Socratic Scaffolding）——致力于让AI系统主动引发用户的反思性参与，而非被动等待高质量输入。如果未来的AI系统能在检测到用户处于”被动接受模式”时，主动切换为追问、挑战和引导模式，这将从工具侧降低模式C所需的认知门槛——部分用户可能在AI引导下进入对抗性使用模式，即便其自发动机不足。

对核心论证的影响评估：此变量不否定乘法器效应的存在，但可能缩小其放大幅度。它将部分模式B的用户上移至模式B与模式C之间的过渡地带。然而，这一变量的实际效力取决于两个未知数：（a）苏格拉底引导模式是否能在用户缺乏自发动机的情况下持续生效——我们前述的行为衰减证据^[29]暗示这并不容易；（b）商业激励是否会支持这种设计——当前数字市场的竞争结构系统性地选择最大化用户参与度（即迎合被动使用的多巴胺回路），而非最大化用户认知发展^[39]。让用户”爽”且”无摩擦”永远比让用户”痛苦地思考”更符合留存指标——对抗性界面的规模化，本身逆着当前的商业动力学。

10.2 认知外包的代偿效应

假说 本文第七章将被动AI使用单向定义为认知退化路径。但需要考虑一个重要的反向机制：将低级认知任务外包给AI可能释放前额叶的认知负荷，使其被重新分配到更高维度的任务上。

历史类比提供了部分支撑：计算器的普及削弱了人类的心算能力，但并未导致数学能力的整体毁灭——相反，它促成了更高维度的数学与工程发展。文字处理软件减少了人们手写的能力，但释放了更多认知资源用于内容构思。每一次认知外包都伴随着特定子能力的退化和其他能力的潜在增强。

对核心论证的影响评估：代偿效应的关键问题不是”理论上是否可能”，而是”实践中是否普遍发生”。被释放的认知资源是否真的被重新分配到更高维度的任务上，还是被消耗于更多的被动内容消费？目前的实证数据倾向于后者——大多数成年人通过”替代”而非”放大”的视角与技术互动^[34]，被释放的认知资源被短视频、社交媒体和低强度信息消费所吸收，而非被引导至深度思考。计算器类比的局限在于：计算器释放的认知资源有自然的去处（更复杂的数学问题就在那里等着），而AI释放的认知资源面对的是一个精心设计的注意力经济系统，该系统的商业逻辑恰好是截获这些被释放的资源^[39]。因此，代偿效应在理论上成立，但其实现需要有意识的制度设计来对抗注意力经济的默认引力。

10.3 教育干预的重定向潜力

假说 本文的分化框架可能被解读为认知宿命论——暗示大多数人”注定”无法跨越信息屏障。但教育干预研究提示这一解读过于确定。批判性思维的发展受到生理因素、心理因素、社会文化因素、技术因素和教育因素的共同影响^[41]。小规模项目——强调通过多维度、解释性项目进行学习而非依赖数字化内容的被动消费——在6-12年级学生的流畅认知和个体批判分析指标上显示出改善的早期迹象^[34]。

对核心论证的影响评估：教育干预可以改变个体在三极分化模型中的位置，但受限于两个约束：（a）规模约束——现有有效干预多为小规模项目，大规模推广面临资源和制度壁垒；（b）时间约束——本文引用的数据表明AI冲击的时间窗口为2-3年级，而教育系统的改革周期通常以十年计。干预可能在速度上无法匹配冲击。

10.4 综合评估：制衡变量改变的是斜率而非方向

上述三个制衡变量——界面普惠化、代偿效应、教育干预——都有可能延缓本文预测的分化进程。在当前商业激励结构、教育响应速度和用户默认使用模式不发生根本改变的前提下，它们改变的更可能是分化的速度（斜率），而非分化的方向（符号）。只要以下两个底层条件不变，分化的方向就不会翻转：（a）大脑的能量最小化默认设置使固化成为无需外力维持的基线状态；（b）AI能力的指数增长持续扩大有效使用者与无效使用者之间的产出差距。制衡变量在最佳情况下可以扩大模式C的边界、减缓中间层塌陷的速度、为更多人提供跨越信息屏障的阶梯——但在上述前提条件不变的情况下，它们不能消除屏障本身，因为屏障的物理基础是神经可塑性的差异分布和基底神经节的生物学特性。若上述前提条件中任何一个发生根本改变（如AI界面大规模演化为苏格拉底引导模式，或教育系统成功将对抗性AI使用训练纳入基础课程），分化方向可能出现局部逆转——但这本身需要克服当前商业逻辑的逆向激励。

10.5 本框架未覆盖的维度

本文将”人类认知”视为相对普遍的现象进行讨论，但至少两个维度可能对框架的预测产生结构性修正，需在未来研究中纳入：

文化差异。认知灵活性、对变化的态度和从众效应的强度在不同文化中差异显著。集体主义文化（如东亚地区）中的从众压力可能加速社会层面对固化的放大；个人主义文化（如北美）中的探索激励可能提供更多打破固化的机会。不同国家的AI采用模式、教育体系设计和社会激励结构都可能导致分化轨迹的地区差异。本框架的预测在何种文化条件下最为适用、在何种条件下需要修正，是一个尚未回答的问题。

原生AI世代。本文的分析主要针对在非AI环境中完成认知发育后再面对AI冲击的成年人群。但2020年以后出生、从出生起即与AI系统共存的一代人，其基底神经节从一开始就在AI环境中被训练。他们的认知架构可能与前AI世代存在结构性差异——其”默认设置”可能已经包含了与AI协作的基本回路。这一变量可能从根本上改变本文的长期（20年以上）预测，但不影响当前过渡期（5-10年）的分析有效性。

十一、结论：可检验假设与未来研究方向

本文构建的六层因果链——从大脑能量经济学经由奖赏加权记忆、探索-利用翻转、认知两极化到大脑结构分化——提供了一个从微观到宏观的统一解释框架。其核心理论主线可压缩为：

人类经验锁定本质上是过去收益被神经系统加权固化后的行为模型。在低变化环境中，它是高效策略；在AI造成的高变化环境中，它变成认知锁定。因此，AI时代真正的分化，不是会不会使用AI，而是能否用AI持续打破自己的经验锁定。

为将此框架从”理论模型”推进为”可验证的科学程序”，本文提出三个可检验假设：

本框架的主要局限：（a）H3尚未有任何纵向神经影像研究直接检验；（b）乘法器模型（公式1）的参数α、F和E的具体函数形式需通过实证研究标定；（c）”矩阵认知者”的行为指标框架需经过信效度检验；（d）三极分化中模式B与模式C的边界在实践中是连续谱而非离散分类；（e）框架未充分覆盖文化差异和原生AI世代的潜在结构性影响（见10.5节）。

这些局限同时构成未来研究的直接起点。本文所能做的，是以溯因推理的方式提出这一框架，并为其后续的归纳验证和演绎推导提供方向。