AI不是替我们想，而是逼我们想清楚

高和分享

2026-07-24 20:00发布于北京

问AI · 让AI扮演反对者时，思考如何变得更清晰？

一次关于如何用AI辅助深度思考的实验

前些天，与一位疏于联络的老友午餐。他说，近来最大的幸福感，来自独处时的深度思考。

这句话让我有些羡慕。我们都处在信息过剩的年代，真正稀缺的似乎不是知识，而是一个人愿意在某个问题上停留多久。

话题很自然地转到AI。它能迅速查找资料、整理观点，也能把一个模糊念头写成完整文章。那么，它有没有可能不只是替人完成工作，也帮助人想得更深？

饭局结束得匆忙，问题没有答案。

回程的火车上，我翻了几篇公众号文章。其中一篇题为《李开复：我如何使用AI大模型来提升自我思考》。文章介绍了几种颇有吸引力的方法：

这些方法显然比让AI代写高出了一个层次。但我仍有些疑惑。

三个模型说出不同答案，就真的代表三个独立的视角吗？AI负责从0到1，会不会已经把最重要的问题定义和解释过程交了出去？文本变得更多、更复杂，与人的思考变得更深，似乎也不是一回事。

我把这些疑问交给AI，但没有请它继续完善，而是让它站到反方。

它提醒我，几个模型可能使用相近的公开材料，也可能有相似的表达习惯。所谓模型互相辩论，有时只是同一套知识换了几种说法。更重要的是，“AI负责0到1，人类负责价值判断”把人的工作说窄了。一个问题为什么值得提出，哪些事实重要，应当从什么尺度观察，本身就是思考的一部分。

问题由此换了一个方向：AI究竟应该在思考的什么位置出现？

AI随后给出了一张知识地图。最后，我只留下两套与这个问题关系最密切的理论。

第一套来自学习科学家马努·卡普尔。他提出的“生产性失败”，讨论的是一个看似反常的现象：人在面对复杂问题时，过早看到标准答案，未必是好事。

更有效的顺序，有时是先调用已有知识，试着解释和解决。这个尝试可能不完整，也可能失败。随后再接受新的知识和系统讲解，前面的猜测、错误与停顿，反而会让后来的解释有地方落下。

失败本身并不值得赞美。它真正的作用，是让一个人看见自己的认知起点：原来怎么理解，在哪一步卡住，又遗漏了什么。

这也解释了AI带来的某种隐忧。它的问题或许不只是会犯错，而是太快地抹平了困难。一个念头刚刚出现，它便交出一份结构完整的答案。人在还没有意识到自己究竟不懂什么之前，问题已经被回答了。

生产性失败给我的提醒，不是故意为难自己，而是在答案出现以前，保留一小段尚未被填满的时间。至于这段时间有多长，要看自己离这个问题有多远。

第二套理论来自认知科学家米歇尔·希。她提出的ICAP框架，把学习者的认知投入分成四种方式。

最基础的是P，Passive，被动式。阅读一份答案，听取一种解释，知识主要从外部进入。

再往上是A，Active，主动式。学习者会选择、摘抄、标注、分类和整理已有信息。它比单纯阅读更投入，却没有真正增加材料之外的内容。

第三层是C，Constructive，建构式。人开始用自己的语言解释，提出原材料中没有直接给出的联系、问题和推论。新知识不再只是被搬进来，而是与原有经验发生关系。

最高一层是I，Interactive，互动式。双方都在建构，并围绕彼此的观点不断质疑、补充和修正，最终形成任何一方最初都没有完整拥有的新理解。

ICAP的核心判断是：互动式的学习效果通常优于建构式，建构式优于主动式，主动式又优于被动式。换句话说，人以什么方式接近知识，会影响知识最终以什么方式留在头脑里。

这套理论也解释了一个容易被忽略的事实：与AI说了很多话，不等于已经发生了深入的互动。

不断输入“继续”“再详细一点”“帮我总结”，看上去交流频繁，实质上仍可能只是接收。关键并不在对话持续了多少轮，而在它有没有改变参与者原来的知识结构。

ICAP后来的课堂研究也发现，把人分进小组，并不会自动产生互动式学习。只有双方真正围绕彼此的观点生成新的内容，互动才发生。

知道这两套理论后，我没有马上请AI写出结论，而是试着和它完整走了一遍。

第一步，是留下自己的起点。我先写下三个问题：自己真正想解决什么，怎样才算解决，以及对此已经有了怎样的初步判断。

第二步，是让AI真正反对我。我只要求它做三件事：拆出我没有察觉的前提，寻找能够动摇判断的案例，再给出一条别的解释路径。

这一步并不轻松。反对意见越来越多，思绪一度变得混乱。我后来意识到，深度并不等于复杂。AI可以不断增加角度，但角度越多，并不意味着判断越清楚。

于是我停下来，重新整理这场对话。

最后留下来的其实只有三点：问题要从人出发；AI更适合提供知识地图和继续追问；每一轮对话之后，仍要由人解释、回应和修正。

这时，对话才从信息交换，慢慢变成了思考本身。

用AI促进思考，第一步不是向它索取答案，而是由人提出一个真正关心的问题。如果对这个问题已有经验，可以先给出一个不成熟的解释；如果缺少相关知识，则先说清自己的困惑，再让AI提供基本的知识地图，但不要让它过早代替自己下结论。

有了初步判断后，AI可以扮演两个角色：一个是建设性的反对者，指出隐藏前提、反对案例和其他可能的解释；另一个是追问教练，不断追问为什么这样认为，还有没有另一种可能。

人要保留的，不只是最后的选择权，而是提出问题、尝试解释、回应挑战和修正判断的整个过程。

判断一次AI对话是否真正有效，也不难。看自己能不能脱离对话，用自己的语言把问题讲清楚；能不能说出判断发生了哪些变化，以及为什么变化；能不能把新的理解带到另一个问题中。

AI真正的作用，不是替人完成思考，而是让人的思考变得更清楚，也更经得起追问。

火车到站时，问题当然没有结束。但我已经有了一套可以继续试验的方法。