问题——随着大语言模型加速进入搜索、写作、办公和学习场景，人机协同正在改变人们获取信息与做出判断的方式；研究人员发现，用户对这类工具的使用大致分为两种：一类把它当作能力强但可能出错的“助手”，会坚持人工复核和事实校验；另一类则更倾向把批判性思考“交给工具”，对看似权威的结论直接采信。研究将后者的风险概括为“认知投降”：关键不在于“省事”，而在于对推理与判断过程的非批判性放弃。 原因——研究基于经典“双系统”理论，将人类决策分为快速直觉的系统1与缓慢审慎的系统2，并指出在大模型普及后出现了类似第三条路径——“外部算法推理”：决策越来越由外部、自动化、数据驱动的推断推动。过去从计算器、导航到自动化表格，人们更多是在做“认知卸载”，把重复性任务交给工具，同时保留监督与评估。但大语言模型以自然语言输出，表达连贯、语气笃定，容易被误当作“认识论权威”。在几乎无摩擦的交互中，用户更容易降低审查门槛，触发系统2所需的“警觉信号”也随之变弱，进而形成“少监督、少验证”的依赖。 影响——研究团队使用改造后的认知反射测试进行了多轮实验，允许受试者选择向对话工具求助，而该工具被设定为约一半概率给出错误答案。结果显示，在一项实验中，实验组大约在一半题目上咨询工具：当工具给出正确答案时，受试者93%的情况下会采纳；而当工具出错时，仍有80%选择接受。这意味着即便错误并不罕见，工具也可能在很大程度上“替代内部推理”。总体表现上，工具正确会显著抬高成绩，工具错误则显著拉低成绩。更需要指出，尽管工具出错概率不低，使用者的自信度仍整体上升：研究记录显示，其信心评估得分比对照组高约11.7%，提示存在“错得更自信”的风险。 对策——研究更检验了情境因素对纠错的影响：当引入小额激励并提供即时反馈时，受试者推翻错误答案的可能性较基线提高19个百分点，说明明确后果与可验证反馈能促使人们投入额外时间核验；相反，在30秒倒计时等时间压力下，纠正错误的倾向下降12个百分点，提示在“赶时间”的决策场景中，冲突检测与深思监督更难被激活。综合1372名参与者、9500余次试验，研究者观察到受试者在73.2%的情况下会接受错误推理，而仅在19.7%的情况下予以推翻，表明“低摩擦采信”并非个别现象。此外，个体差异同样明显：流体智力测量得分较高的人群求助比例更低，即便求助也更可能识别并纠正错误。 面向现实应用，上述发现对教育、媒体与职场治理都有启示：一是加强数字素养与批判性思维训练，把“核验”设为使用规范而不是可选项，尤其在学习、医疗、金融、公共管理等高风险领域，建立“结论可追溯、依据可复核”的基本要求。二是从产品设计上减少“认知投降”的诱因，例如提示不确定性、标注信息来源、提供反例检索与引用链路、引导用户提出可检验的问题，强化“人类在环”的审查流程。三是优化组织流程，避免在关键决策中叠加不必要的时间压力；对必须快速响应的岗位，可用双人复核、抽样审计、事后回溯等机制补上校验环节。四是建立清晰的责任边界与合规要求，明确生成内容的适用范围、风险提示与纠错机制，降低“工具被权威化”带来的误判成本。 前景——大语言模型的价值在于提升信息处理效率，但效率不应以牺牲审慎为代价。随着工具进一步嵌入办公套件、智能终端与公共服务系统，“人类判断是否仍能保持主导”将成为数字社会治理的重要议题。研究指出的并非技术必然导致思维退化，而是在提醒：面对高流畅度输出，制度设计、教育训练与使用习惯，将决定人机协作走向“增智”还是“减智”。
工具越强大，越需要把“审慎”写进使用方式；“认知投降”并非技术必然，而是人们在高效率诱惑下更容易走的心理捷径。推动大语言模型健康发展，既要发挥其在信息整合与辅助创作中的优势，也要通过制度、产品与教育协同发力：让核验成为习惯——让责任边界清晰——让关键决策回到可审计、可复核的轨道。只有把批判性思维留在场，智能工具才能成为可靠助力，而不是隐蔽的风险来源。