【摘要】人工智能的迅猛發展，給人類認知發展帶來巨大機遇和挑戰。一方面，人工智能可能通過存在效應、認知外包、信息繭房等機制，削弱人類的注意與執行功能、深度記憶與批判性思維；另一方面，若科學引導，人工智能可以成為提升人類認知能力的強大工具。面對機遇和挑戰，應構建“可信任的按需學習生態”，以基于人腦規律的學習力培養為核心，減少人工智能“幻覺”、促進知識建構、訓練認知能力、優化人機協同。實現這一目標需要國家、企業、學校與家庭多層面協同，通過政策引導、技術設計、教育干預與評估改革，使人工智能真正成為增強而非替代人類智能的賦能工具。

【關鍵詞】人工智能 認知外包 按需學習 學習力 腦科學

【中圖分類號】TP18/G521 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2025.20.003

【作者簡介】薛貴，北京師范大學認知神經科學與學習國家重點實驗室教授。研究方向為人類學習和記憶的認知和神經機制，主要論文有《腦認知科學和人工智能驅動的未來教育變革》《Greater Neural Pattern Similarity Across Repetitions Is Associated with Better Memory》《From Remembering to Reconstruction: The Transformative Neural Representation of Episodic Memory》等。劉德建，北京師范大學智慧學習研究院聯席院長，教授。研究方向為人工智能與大數據教育應用、數字教育，主要論文有《智能技術賦能按需學習：理論進路與要素表征》《Teaching with Robotics in Classroom》等。

前言

當前，人工智能技術加速迭代演進，正在深刻改變人類生產生活方式、重塑全球產業格局。[1]回溯技術演進的漫長歷程，生存環境的重大變遷和關鍵工具的發明普及，不僅是人類能力邊界的延伸，更是對人類自身的深刻塑造。這種塑造既體現在生理層面——如免疫系統應對病原體的演化、直立行走對骨骼與手足形態的改變、精細工具的使用影響大腦體積和結構的進化，也體現在認知層面——語言擴展思維疆域、文字與閱讀改變視覺系統與注意力模式、數字環境引發國際學生能力評估計劃（PISA）的測試成績波動。上述變化共同構成技術與人類認知協同演化的復雜圖景。

人工智能作為一種前所未有的強大“認知工具”，其影響力遠超前代。古往今來，很多技術都是“雙刃劍”，[2]人工智能亦非中性媒介，其應用充滿潛力與風險。一方面，人工智能有望放大人類的智力效能，賦能創新；另一方面，若缺乏審慎地引導與治理，人工智能也可能系統改變我們的認知習慣，對注意力、記憶、思維深度乃至創造力構成潛在威脅。本文通過梳理認知神經科學與行為科學研究的最新證據，系統分析人工智能對人類核心認知功能（特別是注意與執行功能、記憶機制以及思維方式）帶來的深刻影響，并探討其內在作用機制與行為后果，圍繞“興利除弊，促進人類發展”這一目標，提出科學使用智能工具的綜合治理策略。

智能社會的人類注意與執行功能

在生成式人工智能與算法平臺深度介入個人信息獲取的場景下，人類的注意與執行功能正面臨系統性重塑。人工智能并非憑空制造注意力問題，而是作為“放大器”疊加并強化移動互聯網時代注意分散與中斷的生態。同時，人工智能作為一種“認知外包”工具，潛在改變個體在面對復雜任務時的認知投入意愿與能力。這兩條路徑分別對應著自下而上注意（bottom-up attention）所涉及的凸顯系統與獎賞系統，以及自上而下注意（top-down attention）所涉及的目標導向（goal directed）額頂執行控制網絡。這兩條路徑共同構成智能時代影響注意與執行功能的核心機制。

長期使用智能設備對大腦結構和功能的影響。長期使用智能設備，對個體的認知、學業表現乃至神經系統功能，都會造成顯著的影響。研究發現，重度媒體多任務者在過濾干擾、工作記憶與任務切換等方面表現出整體劣勢。[3]進一步對執行功能各個子成分的分析發現，抑制控制主要承受過濾無關通知與分心信息的持續壓力；工作記憶則易被“存在效應”和頻繁的任務切換所消耗；認知靈活性并未因“切換頻繁”而變得更強，反而體現出更高的任務切換成本。[4]

基于國際學生能力評估計劃（2022）的跨國數據顯示，課堂內的數字設備分心與數學成績之間存在顯著負相關。值得注意的是，即使學校實行手機禁令，仍有相當比例的學生報告在多數甚至每節課上都受到設備干擾，這凸顯制度執行與有效課堂設計的重要性。[5]還有研究發現，重度媒體多任務行為者的大腦額葉區域呈現出“更高但低效”的激活模式。[6]結構影像學進一步顯示，這類人群的前扣帶回灰質密度較小，且與頂葉的功能連接降低。[7]

在極端情況下，問題性手機和網絡使用會發展成網絡成癮，并影響大腦的結構與功能。影像學研究揭示，互聯網或游戲障礙人群存在前額葉-紋狀體環路的功能失衡及多巴胺系統調節異常，這與自我控制能力受損的臨床表現相呼應。[8]

智能設備影響注意與執行功能的機制。已有研究發現，智能設備使用可能通過多種機制影響個體的注意與執行功能，包括智能設備對個體注意資源的爭奪與干擾，長期注意力競爭對自上而下注意控制的破壞，以及認知外包對注意投放模式的改變。

首先，智能算法對自下而上注意的劫持。智能設備中各類信息、短視頻和游戲對人具有較強的吸引力，而基于人腦獎勵機制設計的個性化推薦算法能夠加劇這種吸引力，形成對注意力的強效“劫持”。推薦信息流與短視頻平臺普遍利用個人的興趣愛好以及可變比率獎勵模式（variable-ratio schedule），維持用戶的高反應率與使用粘性。這種機制可以放大外部刺激對“自下而上注意系統”的爭奪，使執行功能本就相對脆弱的群體（如青少年、注意力缺陷與多動障礙個體）更易在算法構建的“注意力陷阱”中走向過度使用乃至成癮的結局。

其次，智能設備對自上而下注意的破壞。智能環境對注意功能的影響，還體現為看似微不足道但持續高頻的干擾。研究表明，即便不主動操作電子設備，其在場本身也會占用有限的認知資源，導致工作記憶與流體智力表現下降，這被稱為“存在效應”（Presence Effect）。[9]比如，手機鈴聲或震動的提示，即使不查看具體內容，也足以顯著拉低任務反應速度與準確度，其干擾程度接近實際使用手機。單次干擾的認知成本雖小，但高頻累積會對深度思考所需的認知基礎造成系統性侵蝕。這種干擾的持續存在，則會削弱自上而下認知控制能力，最終形成“越被干擾越難專注，越難專注越易被干擾”的惡性循環。

再次，認知外包改變注意資源投入策略。除了傳統的“分心／中斷”機制，生成式人工智能通過外包任務產出流程，影響個體在其中的注意投入。有研究指出，將記憶、信息檢索乃至部分決策任務交給人工智能，雖在短期內能夠提升效率，但長期可能削弱這些認知能力本身，這種現象被稱為“認知外包”（Cognitive Offloading）。[10]麻省理工學院媒體實驗室的一項研究發現，在使用大語言模型輔助寫作時，參與者大腦在α/β頻段的神經連接性相較于無工具或搜索引擎條件有所下降，作者將其解讀為一種“較低認知投入”的神經活動模式。[11]由此可見，認知外包的核心影響在于提高個體認知資源動員的閾值，從而降低個體在復雜任務中自發投入認知努力的程度。

利用智能設備干預注意與執行功能。智能設備的使用雖然潛藏上述風險，但這并不意味著我們應全然摒棄技術。相反，轉變技術使用邏輯和模式，智能設備也能成為解決問題的鑰匙。智能設備的使用對人類注意和執行功能的影響，取決于人類對其的使用方法。需要強調的是，上述發現并不意味著“一般性的技術使用必然導致神經功能下調”，相關風險主要集中于問題化使用或成癮性使用人群。另外，通過改變使用方式，比如，用批量處理或定時窗口取代“隨到隨響”的通知模式，并在進行高價值任務時將設備移出視線范圍、降低推送的干擾，被證明能為個體創造更利于專注的外部環境，并有效減少抑制控制的持續消耗。[12]

更重要的是，研究可以充分利用短視頻和游戲對注意力的吸引，開發更易被接受的認知干預工具，以提升學習者的注意與執行功能。研究表明，基于計算機和游戲化機制的認知訓練，可以有效提升兒童的注意與執行功能，并具有較高的接受度與可操作性。[13]例如，數字療法“EndeavorRx（AKL-T01）”作為一款游戲化認知訓練軟件，其有效性已獲得多中心隨機對照試驗的支持，研究證實其能顯著改善注意缺陷與多動障礙兒童的客觀注意指標，并因此獲得美國食品藥品監督管理局的處方批準，可用于8-12歲患者的治療。[14]面向健康成人的自適應訓練也能提升持續注意和工作記憶。這些游戲化的干預方式與行為管理策略及環境支持系統協同實施，可以取得更顯著、更持久和更泛化的效果，實現技術對認知功能的正向賦能。

智能社會的人類記憶協作、破壞與提升

隨著生成式人工智能深度介入學習生態，“記憶”正在被重新定義。人腦記憶具有意圖指向性、知識建構性、情景依賴性、容量有限性、獲得漸進性和動態遺忘性等特征；人工智能“記憶”則呈現出高容量、外部化、可精準檢索、近乎無衰減等特征。需要注意的是，大模型的記憶也存在顯著的失真現象。有學者提出跨學科框架，將人類的多種記憶類型（如工作記憶、語義記憶、情節記憶、程序性記憶等）與大型語言模型時代的人工智能記憶機制進行類比映射：例如，將工作記憶對應上下文窗口與緩存機制，長期語義與情節記憶對應參數化知識與外部記憶庫，程序性記憶對應模型的參數更新與任務習得。[15]人類記憶強調意義建構與情境依賴，而人工智能記憶更偏向符號存儲與檢索優化。二者在機制上存在的本質差異，為人與智能工具的互補和協作創造巨大空間。雖然智能體對個體的記憶能力有潛在破壞作用，但如果妥善使用，也可以釋放個體的記憶資源，并促進個體在目標領域的知識建構和長期記憶形成。

人腦與智能體的交易式記憶協作。從機制上看，人類記憶強調意義建構與情境依賴，受到注意、動機和情境的顯著調控；人工智能記憶則更偏向符號存儲與檢索優化，高度依賴外部載體與算法更新。這一差異為“交易式記憶協作”提供很好的基礎。

內容上，人腦和人工智能分別適合記住不同的材料。人腦需要記住的知識應具備以下至少一項特征：屬于自己的專長和創新領域、需要高頻自動化使用、處于關鍵決策節點、需要在斷網或高壓下調用。具體包括：學科基本概念與方法論，這是具有高價值、高可用性和高遷移性的核心知識，也是發展個體專長和創新的基礎；程序性知識與心智模型，即在日常情境下需高效即刻調用的技能與決策框架；元認知規則，即關于何時信任人工智能檢索、何時需要停用外包進行自主思考的判準。相反，一些碎片化、低頻率、非自動化和緊急性的知識存儲，比如，電話號碼、購物清單、旅游路線、偶發事件處理方式等則可以外包。因此，有必要區分“必須由個體掌握的核心知識”與“可由人工智能輔助存儲的碎片知識”。[16]

記憶分工上，人類傾向于記憶“誰知道”或“哪里可以找到”的信息，而非信息本身，即當個體知道信息可以隨時通過網絡檢索時，會更傾向于記住信息的存儲位置而非其具體內容。這種基于人腦記住索引、人工智能記住內容的分工模式，在記憶擴展上具有重要的價值。

記憶協作上，人類更擅長意義建構與意圖主導，人工智能則更擅長內容提供以及實施執行。比如，在文章寫作中，人工智能可以協助收集資料素材，人類更加擅長整理分析，特別是具有高度專業性和創新性的分析和整理。另外，在一些前瞻性的記憶任務中，人類負責意圖和制定規劃，而將具體的提醒與提取任務外包給設備，可帶來顯著的功能性增益。考慮到前瞻記憶（如記住未來的計劃）是老年人常見的認知薄弱環節，這種互補機制在老年認知支持方面前景廣闊。

智能體的非科學使用對記憶的破壞作用。當記憶功能過度外包給人工智能時，可能對內在記憶能力產生一系列影響，但其效應大小和普遍性受到很多復雜因素的影響。

心理學研究的一個典型發現是拍照效應（photo-taking impairment）：通過拍照記錄體驗，會降低對記錄對象本身的后繼記憶準確性。心理學與認知科學證據表明，拍照效應主要由注意分配與編碼方式驅動：在拍攝時，個體把部分認知資源轉移到取景—構圖—操作上，導致對目標事物的精細編碼變淺，從而在后測中對于對象與細節的記憶變差。當拍攝行為本身促使注意更聚焦（如對局部細節進行放大或變焦）時，記憶損傷可以顯著減弱甚至消失。即便不保留照片，只要經歷了拍攝動作，記憶下降依舊會出現，這提示記憶不足的關鍵并非“存儲外包”，而是注意—編碼的脫離。此外，自主性拍攝與拍攝意圖也會調節記憶后果：允許自由拍攝并聚焦視覺信息時，視覺信息的識記可能上升，但往往伴隨聽覺或語義層的代價。這些發現共同說明，拍照可能削弱或重新定向記憶，關鍵在于注意如何被“引導與再投入”。

空間記憶領域會出現導航效應，長期依賴逐向導航指令，會削弱個體構建內在認知地圖的能力。研究表明，倫敦出租車司機的海馬體積顯著大于普通人，[17]說明長期心理的空間導航對空間能力有促進作用。相反，使用GPS導航雖最省時，但使用者在事后繪制草圖或從新起點規劃路線的能力更差，神經與行為證據也支持“被動導航導致認知地圖質量下降”的結論。[18]這反映出“依賴海馬體的主動建構性學習”與“依賴紋狀體的刺激－反應習慣”之間的策略分工，長期偏重后者會導致空間知識表征變淺。

使用人工智能進行創作，會降低個體對作業材料的記憶效果。近年來，學界開始關注生成式人工智能在學習與寫作過程中潛在的“認知副作用”。實證研究表明，人工智能輔助創作往往伴隨較低的認知投入和記憶保持效果。例如，麻省理工學院媒體實驗室的一項研究發現，在寫作任務中使用大語言模型（LLM）輔助的參與者，完成寫作后對所寫內容的回憶正確率大幅低于自主寫作或搜索引擎輔助條件。[19]類似地，教育心理學領域的分析也指出，人工智能工具的使用雖然可能通過“認知卸載”（cognitive offloading）降低對材料的深度加工，短期內提升任務表現，但會削弱對內容的內部記憶表征。[20]由此，有學者提出“人工智能教育的認知悖論”：一方面，人工智能可提供效率與個性化支持，另一方面，過度依賴人工智能可能侵蝕學習者的長時記憶與遷移能力。[21]

不過，也有研究提示，這種負效應可能取決于使用方式與任務情境。例如，一項預注冊實驗顯示，當學習者在寫作訓練中使用人工智能輔助并保持積極參與時，其次日的寫作測試成績反而優于完全自主寫作組。[22]這意味著，人工智能使用是否損害記憶并非絕對，而是受到“被動依賴”與“主動利用”調節的影響。

總體來看，當前證據支持一種更為復雜的結論：人工智能輔助創作在被動接受情境下，可能弱化記憶效果，但在經過設計的教育實踐中，其負面影響有望通過強化深度加工與主動參與得到緩解。

利用智能體促進知識建構和長期記憶。科學地利用人工智能可以有效促進記憶，關鍵在于使人工智能與經過驗證的學習原理相契合。比如，讓人工智能充當間隔計劃器，根據遺忘曲線（如復習間隔設定為目標保持期的10%～20%）規劃復習節點，并推送即測型檢索練習。大量腦成像研究表明，間隔學習（spaced learning）能夠顯著增強長期記憶保持效果。研究發現，間隔學習通過減少神經重復抑制，使得刺激的重復呈現仍能激活梭狀回等編碼相關腦區，從而提高識別記憶表現。[23]相關同步腦電-功能磁共振（EEG-fMRI）平行研究表明，間隔學習能夠降低短時提取強度，并增強存儲強度，即在學習階段激活更多與后續記憶相關的腦區。[24]有學者指出，間隔學習顯著提升跨重復的神經模式相似性，這種更穩定的表征重建可以直接預測更好的后續記憶表現，從而提高記憶力。[25]另外，以人工智能作為智能出題機，生成跨情境、分層級的測試題目，利用“測試效應”能夠促進長時記憶保持。還可以指示人工智能打亂題型和情境，促進交錯與變式練習，從而削弱知識提取對特定線索的依賴，提升記憶效果和遷移能力。

研究表明，人工智能可以作為一種自適應的“認知腳手架”，通過動態調整提示方式和強度，來促進學習者主動知識建構。已有研究指出，人工智能驅動的“腳手架”正從靜態提示向漸隱式（fading）和自適配支持演進，這是未來教育技術的重要方向。[26]在理論層面，有學者提出基于大型語言模型的自適應腳手架框架，結合認知科學設計原則，可以使人工智能在不同學習階段提供恰當的提示。[27]實證研究顯示，在醫學模擬和學習系統中，自適應腳手架比固定腳手架更能提升表現、減輕認知負荷并促進長期保持。[28]此外，人工智能元提示（meta prompting）和蘇格拉底式提問等方式，被證明能避免學習者被動接收信息，同時通過重述、重構與追問加深理解。[29]在低水平學習者中，人工智能提供提綱、示例與結構化支持可有效降低學習門檻；在高水平學習者中，則應優先采用蘇格拉底式追問，以防止“努力替代效應”。對于老年用戶，人工智能更適合承擔提醒、事務性導航、藥物管理等高負荷任務，而將意義建構與情感互動保留在人機之外，以保障認知與情感的平衡。因此，人工智能若能在交互中融入漸隱式引導、關系性提示、路線復述與自適應指令調節等機制，便可成為真正適配個體差異的認知腳手架，不斷提升個體的主動學習與知識建構能力。

智能社會的思維約束與重塑

在生成式人工智能與算法平臺深度介入的信息生態中，人類的思維模式正被系統性重塑。人工智能既能作為思維的“放大器”，也可能無意間成為“限制器”，其影響主要體現在信息結構、批判思維與創造能力三個層面。

信息繭房：算法窄化與個體選擇的合力。人工智能驅動的個性化推薦系統，旨在提升用戶體驗和信息獲取效率，但其核心機制也可能導致“過濾氣泡”（Filter Bubble）或“信息繭房”（Information Cocoons）的形成。算法會根據用戶的歷史行為篩選并推送其可能偏好的內容，這在無形中減少用戶接觸與自身觀點相悖信息的機會。近期的研究證實并深化這一觀點。針對短視頻平臺的數據分析發現，用戶的興趣暴露范圍會隨著使用時間的增加而逐漸收窄，尤其是在更深層次的內容子類別上，表現出顯著的同質化傾向，形成“深度過濾氣泡”。[30]

然而，信息繭房的形成并非完全由算法決定，用戶的個人選擇在其中發揮重要作用。一項針對Facebook用戶的研究發現，盡管算法排序會減少跨立場內容的曝光度，但用戶自身的主動點擊行為，通常比算法本身造成更強的收窄效應。[31]這意味著，算法與人類選擇的共同作用，加劇認知視野的窄化與偏見的固化。這種長期暴露于同質化信息環境的模式，會削弱個體兼容并整合復雜信息的能力。

批判思維：提高效率與降低深度的權衡。人工智能工具，特別是生成式人工智能，通過提供即時、原有的答案，能極大提升信息處理的效率。然而，這種便利性可能以犧牲思維深度為代價。有學者指出，互聯網鼓勵快速、多任務的淺層信息瀏覽，而非傳統閱讀所培養的專注、深入的思考。[32]生成式人工智能無疑將加劇這一趨勢，用戶傾向于直接接受人工智能提供的答案，從而跳過自行搜集、評估、綜合信息的完整過程——而這正是批判性思維訓練的核心環節。

相關研究表明，用戶對人工智能的信任度越高，其投入的認知努力就越少，而學習者對任務的自信心則能在一定程度上緩沖這種依賴。[33]研究發現，受教育水平較高的人往往能以批判性和選擇性的方式使用人工智能，而年輕人更容易輕信，因而更易受到負面影響。此外，對人工智能的過度依賴還可能引發“解釋深度錯覺”（illusion of explanatory depth），即用戶因為能輕易找到答案而高估自己對該問題的真實理解水平。加工深度和批判思維的缺失，在人工智能本身存在“幻覺”（hallucination）的情況下（即生成看似合理但與事實不符的內容）變得尤為嚴重。不可靠的人工智能輸出不僅會誤導用戶，還可能損害其元認知判斷能力。

創造能力：個體賦能與群體同質化的悖論。關于人工智能本身是否具備真正的創造力，哲學和認知科學領域仍在持續探討。但從應用角度看，關鍵在于如何使用人工智能來提升創新成果。研究指出，人工智能增強創造力的核心并非僅僅是生成想法，而是通過迭代的互動來發展和完善想法，從而提升創意的全面性。[34]另外，人工智能可以顯著增強批判性思維，批判性思維又能夠促進創造力的提升。然而，這一作用鏈條并非自動實現，而取決于若干條件：人工智能需作為互動性與探究性的伙伴，而非答案提供者；學習者須具備一定的知識與元認知能力，以避免依賴性效應；任務應具有開放性和論證性，以引導深度思考；教師或人工智能需提供適當的支架與追問。唯有在這些條件下，人工智能才能真正成為批判性思維與創造力的催化劑。

人工智能對創造力的影響呈現出一種復雜的二元性。一方面，人工智能可以成為個人創造力的強大“杠桿”，快速生成大量創意原型和替代方案，充當靈感催化劑，顯著提升個體產出。研究證實，接觸人工智能后生成的個體創意產出，會得到“更有創意、更優質”的評價，這種提升效果在創造力基線較低的個體上尤為明顯。[35]在組織層面，人工智能能力也被證實對組織創造力和創新有顯著的積極影響。[36]

另一方面，個體層面的創造力提升，可能以犧牲群體的創意多樣性為代價。人工智能的“創造”本質上基于其訓練數據的重組與優化，這決定著其難以產生真正突破框架的顛覆性思想，這將降低整個創意生態的活力。當所有人都使用相似的人工智能工具進行創作時，產出的內容在主題和模式上可能趨于同質化。因此，盡管人工智能輔助下的頭腦風暴能提高單個創意的平均質量，但創意集合的整體多樣性卻顯著下降。

治理建議：構建可信任的按需學習生態

為應對人工智能給人類認知帶來的挑戰并善用其潛力，應構建一個以學習者為中心、多層次協同的治理框架。其核心目標是構建一個可信任的按需學習生態，確保人工智能作為增強而非替代人類智能的工具。

可信任的按需學習生態的關鍵特征。按需學習是指學習者在自然情境中，根據多樣化的學習需求，滿足多層次的學習目標進階要求，以智能技術促進有效連接教學資源、環境與服務的一種學習范式。[37]在學習內容上，強調圍繞核心素養、學業成就、職業取向、就業結構“按需”學習；在學習環境上，注重物理空間與信息空間、虛擬空間的融合，實現對真實場景的模擬以及對學習者學習狀態和需求的全方位技術和數據支持；在學習方式上，按照學習者的認知需求，提供個性化的交互引導，實現知識的積極主動深度建構，而非被動學習或者認知外包。可以看到，按需學習可以激發學習動機、提高學習效率、提升學習深度、避免“過度教育”及“學業過剩”的陷阱，推動學習目標從追求標準答案和高分，轉向核心素養培養和高階能力訓練。

在內容上，增加知識豐富性、減少人工智能“幻覺”，構建基于專家知識的內容體系。人工智能工具雖然能為大規模高質量的學習內容生成提供可能，但學習型人工智能工具的高可信度是其有效應用的前提。當前，生成式人工智能普遍存在的“幻覺”問題，成為構建信任學習框架的主要障礙。為解決此問題，在人工智能工具的開發中，必須引入經過嚴格驗證的專家知識體系，以作為內容生成和事實核查的基準。將人工智能的多模態內容生成能力與結構化、高質量的知識庫相結合，可以顯著降低信息錯誤的風險，為學習者提供一個更可靠、更值得信賴的信息來源，這是實現“按需學習”的基礎。

在方法上，促進人類知識建構。對抗認知外包的核心在于強化學習者內在知識體系的構建。人工智能時代的教育不應放棄對知識掌握的要求，而應利用認知科學的成果，推廣有效的學習策略，促進知識體系的構建，提高自動化水平和遷移能力。上文提到的很多利用人工智能提升記憶的策略都可以成為參考。另外，人工智能應用的普及，要求教育的核心目標從知識傳遞轉向高階思維能力的培養，從而幫助學習者構建真實、創新的知識體系。評估體系中，應重點從考核靜態的知識記憶，轉向評估學生利用人工智能作為工具進行信息整合、復雜問題解決和創新性輸出的動態過程。

在過程上，保護與鍛煉注意、記憶、思維和執行功能，系統性提升學習者認知能力。在可信任的按需學習系統中，我們必須保證學習所必需的認知資源，并創設適度的任務訓練，注重提升這些認知能力。通過系統性的環境優化和工具設計，為學習者創造一個有利于深度投入和認知能力發展的環境。重塑思維模式與評估體系，識別人工智能潛在的邏輯謬誤與偏見，激發深度思考的“真問題”，加強元認知訓練，引導學生“思考自己的思考過程”，有意識地反思何時、為何以及如何使用人工智能，避免陷入“元認知懶惰”。

在系統上，優化人機協同機制，發揮互補優勢。人機協同的有效性高度依賴任務類型和應用場景。一項系統性的元分析研究指出，人機組合并非總是最優解：在需要明確規則和數據分析的決策類任務中，人類易過度依賴人工智能，當人工智能存在偏差時，組合表現甚至劣于人類獨立決策；相反，在創作類任務中，人工智能可以有效激發靈感、拓展思路，人機協同更容易實現增益。[38]因此，可信任的按需學習系統，應該根據學習目標來界定人工智能的適用范圍：對于底層知識的記憶和理解，應鼓勵學習者獨立完成；對于需要發散性思維和創造性整合的任務，則可將人工智能作為輔助工具。

多層次合力構建可信任的按需學習生態。構建可信任的按需學習生態，并非單一主體能夠完成，需要形成“國家宏觀治理－企業平臺賦能－學校與家庭介觀干預”的多層面協同體系，共同促進學習者在智能時代的認知發展。

國家與社會層面：筑牢宏觀制度治理根基。國家與社會作為頂層設計的主導者，需通過制度規范、評估機制與公共倡導，為可信任按需學習生態劃定“安全邊界”，提供“發展保障”。國家應構建法治與倫理框架，完善相關法規，明確在教育和未成年人保護等高風險場景的人工智能應用邊界，推動算法透明度和問責制；引入“認知影響評估”（Cognitive Impact Assessment）：借鑒環境評估等成熟做法，要求高影響力的人工智能系統（特別是面向教育和未成年人的產品）開發者，對其產品可能對用戶認知（如注意力、記憶、批判性思維）產生的長期影響進行前置評估和持續監測；設立長期追蹤研究項目，監測人工智能技術對國民認知能力的系統性影響，為政策優化提供科學依據；加強公共教育與倡導：發起數字健康、深度學習等主題活動，提升全民人工智能素養和數字環境下的自我管理和科學學習能力。

企業與平臺層面：踐行負責任產品開發理念。企業和平臺作為人工智能工具的直接開發者，應該以促進而不是破壞人的認知發展為核心價值和發展目標。首先，人工智能工具應遵循“認知友好”的設計原則，減少認知損耗。例如，提供“專注模式”，默認批量處理非緊急通知，避免不必要的中斷對學習者造成認知負荷；增加用戶對認知外包危害的意識，在用戶進行認知外包行為時（如復制粘貼）給予元認知提示，或者對人工智能生成作品打上明顯標簽；設計“認知促進型”產品，在產品設計中嵌入促進深度思考的功能，為用戶提供算法選擇權（如“多樣性”信息流），在推薦系統中設置“反同溫層”機制，等等。其次，在使用中引入“有益摩擦”（Beneficial Friction）：改變追求“無縫體驗”的設計哲學，在適當環節增加認知阻力。例如，在轉發信息前設置“讀后再轉”提示，或要求用戶對人工智能生成的內容進行總結或標注，以促使其進行更深度的信息加工。再次，切實加強對未成年人的保護，為青少年用戶設置更嚴格的默認值，如限制使用時長、關閉個性化推薦等，提供易于理解的隱私控制選項，特別注重針對未成年用戶加強深度思考和批判性思維的提醒與培養。

學校與家庭層面：深化介觀行為干預實效。學校與家庭作為學習者日常認知活動的“直接場景”，需通過規則制定、課程改革和行為引導等方式，加強對學生的介觀干預，避免人工智能對認知的負面影響。首先，學校應明確規定在不同學習場景下（如課堂、圖書館、課后）的設備使用規則，減少數字分心和認知外包。其次，學校需要改革評估體系，評估重點應從“記憶知識”轉向“應用和創造知識”。設計需要綜合運用人工智能工具與個人批判性思維才能完成的開放性任務。教育者應設計“抗人工智能”的作業與評估模式，例如，增加對過程的考核、鼓勵學生對人工智能生成內容進行批判性反思，以此助推學生深度思考，避免將人工智能作為單純的“答案生成器”。再次，加強教師培訓，為教師提供關于人工智能倫理、人工智能教學法以及如何引導學生進行批判性使用的系統培訓。此外，學校、家庭和學習者還需協同努力，提升科學使用人工智能的理論與實踐。比如，建立“數字意圖性”：有意識地規劃和選擇何時、為何以及如何使用人工智能和數字設備；倡導“單任務工作法”：在進行需要深度專注的任務（如閱讀、寫作）時，盡量避免媒體多任務，以保護持續注意力；定期進行“數字戒斷”或“無導航挑戰”，主動鍛煉空間記憶和方向感，等等。

總之，人工智能的迅猛發展，既對人類的認知能力提出“適應技術變革”的新要求，也為認知發展帶來“技術賦能學習”的新機遇。未來教育體系的設計需要突破知識傳遞的局限，推動以人類持續繁衍與認知進化為目標、以學習力培養為核心、以個性化按需學習為導向、以人腦學習規律為指導、以技術創新為依托，幫助個體構建有機鏈接的知識體系、強大的核心認知能力和持久的內在學習動力。[39]面對人工智能對認知的挑戰，我們應該盡早正視其嚴峻性和迫切性，從國家、社會、企業、學校和家庭層面加強協同治理，促進個體認知能力的健康發展，從而更好地適應時代發展的需求，并推動社會的進步。

注釋

[1]《習近平向2025世界智能產業博覽會致賀信》，《人民日報》，2025年9月6日，第1版。

[2]習近平：《在網絡安全和信息化工作座談會上的講話》，《人民日報》，2016年4月26日，第2版。

[3]E. Ophir et al., "Cognitive Control in Media Multitaskers," Proceedings of the National Academy of Sciences, 2009, 106(37); M. Moisala et al., "Media Multitasking Is Associated with Distractibility and Increased Prefrontal Activity in Adolescents and Young Adults," NeuroImage, 2016, 134.

[4]M. R. Uncapher and A. D. Wagner, "Minds and Brains of Media Multitaskers: Current Findings and Future Directions," Proceedings of the National Academy of Sciences, 2018, 115(40); R. Alzahabi and M. W. Becker, "The Association Between Media Multitasking, Task-Switching, and Dual-Task Performance," Journal of Experimental Psychology: Human Perception and Performance, 2013, 39(5).

[5]OECD, Education at a Glance 2024: OECD Indicators, 2024, OECD: Paris.

[6]J. Luo et al., "The Association Between Media Multitasking and Executive Function in Chinese Adolescents: Evidence from Self-Reported, Behavioral and Fnirs Data," Cyberpsychology, 2021, 15(2).

[7]K. K. Loh and R. Kanai, "Higher Media Multi-Tasking Activity Is Associated with Smaller Gray-Matter Density in the Anterior Cingulate Cortex," PLOS One, 2014, 9(9).

[8]D. J. Kuss et al., "Neurobiological Correlates in Internet Gaming Disorder: A Systematic Literature Review," Frontiers in Psychiatry, 2018, 9; R. Z. Goldstein and N. D. Volkow, "Dysfunction of the Prefrontal Cortex in Addiction: Neuroimaging Findings and Clinical Implications," Nature Reviews Neuroscience, 2011, 12(11).

[9]A. F. Ward et al., "Brain Drain: The Mere Presence of One's Own Smartphone Reduces Available Cognitive Capacity," Journal of the Association for Consumer Research, 2017, 2(2).

[10]M. Gerlich, "AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking," Societies, 2025, 15(1).

[11][19]N. Kosmyna et al., "Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an AI Assistant for Essay Writing Task," 2025, https://arxiv.org/abs/2506.08872v1.

[12]N. Fitz et al., "Batching Smartphone Notifications Can Improve Well-Being," Computers in Human Behavior, 2019, 101.

[13]Y. Wu et al., "Computer-Based Multiple Component Cognitive Training in Children with ADHD: A Pilot Study," Child and Adolescent Psychiatry and Mental Health, 2023, 17(1).

[14]S. H. Kollins et al., "A Novel Digital Intervention for Actively Reducing Severity of Paediatric ADHD (STARS-ADHD): A Randomised Controlled Trial," The Lancet Digital Health, 2020, 2(4).

[15]Y. Wu et al., "From Human Memory to AI Memory: A Survey on Memory Mechanisms in the Era of LLMs," 2025, https://arxiv.org/abs/2504.15965.

[16]薛貴、劉德建：《筑牢按需學習能力，構建成長型知識體系》，《教育家》，2025年第12期。

[17]E. A. Maguire et al., "Navigation-Related Structural Change in the Hippocampi of Taxi Drivers," Proceedings of the National Academy of Sciences, 2000, 97(8).

[18]A.- H. Javadi et al., "Hippocampal and Prefrontal Processing of Network Topology to Simulate the Future," Nature Communications, 2017, 8(1); L. Dahmani and V. D. Bohbot, "Habitual Use of GPS Negatively Impacts Spatial Memory During Self-Guided Navigation," Scientific Reports, 2020, 10(1).

[20]B. Sparrow et al., "Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips," Science, 2011, 333(6043).

[21]B. Jose et al., "The Cognitive Paradox of AI in Education: Between Enhancement and Erosion," Frontiers in Psychology, 2025, 16.

[22]B. Lira et al., "Learning Not Cheating: AI Assistance Can Enhance Rather Than Hinder Skill Development," 2025, https://arxiv.org/abs/2502.02880.

[23]G. Xue et al., "Spaced Learning Enhances Subsequent Recognition Memory by Reducing Neural Repetition Suppression," Journal of Cognitive Neuroscience, 2011, 23(7).

[24]X. Zhao et al., "Neural Mechanisms of the Spacing Effect in Episodic Memory: A Parallel EEG and fMRI Study," Cortex, 2015, 69.

[25]K. Feng et al., "Spaced Learning Enhances Episodic Memory by Increasing Neural Pattern Similarity Across Repetitions," Journal of Neuroscience, 2019, 39(27).

[26]A. S. Omar et al., "AI-Driven Visual Scaffolding in Education: A Comprehensive Literature Review," International Journal of Research and Scientific Innovation, 2025, 12(3).

[27]C. Cohn et al., "A Theory of Adaptive Scaffolding for LLM-Based Pedagogical Agents," 2025, https://arxiv.org/abs/2508.01503.

[28]T. J. Faber et al., "Effects of Adaptive Scaffolding on Performance, Cognitive Load and Engagement in Game-Based Learning: A Randomized Controlled Trial," BMC Medical Education, 2024, 24(1); A. Munshi et al., "Analysing Adaptive Scaffolds That Help Students Develop Self‐Regulated Learning Behaviours," Journal of Computer Assisted Learning, 2023, 39(2).

[29]B. Degen, "Resurrecting Socrates in the Age of AI: A Study Protocol for Evaluating a Socratic Tutor to Support Research Question Development in Higher Education," 2025, https://arxiv.org/abs/2504.06294; L. Favero et al., "Enhancing Critical Thinking in Education by Means of a Socratic Chatbot," 2024, https://arxiv.org/abs/2409.05511.

[30]N. Sukiennik et al., "Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation," 2024, https://arxiv.org/abs/2403.04511; N. Li et al., "An Exploratory Study of Information Cocoon on Short-Form Video Platform," 2022, https://dl.acm.org/doi/10.1145/3511808.3557548.

[31]E. Bakshy et al., "Exposure to Ideologically Diverse News and Opinion on Facebook," Science, 2015, 348(6239).

[32]N. Carr, The Shallows: What the Internet Is Doing to Our Brains, 2020, New York: W. W. Norton & Company.

[33]H.- P.Lee et al., "The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects from a Survey of Knowledge Workers," 2025, https://dl.acm.org/doi/10.1145/3706598.3713778.

[34]J. A. Steppe et al., "AI-Augmented Creativity: Insights into Idea Generation and Development Using Generative AI," 2025, https://journals.aom.org/doi/abs/10.5465/AMPROC.2025.17500abstract.

[35]A. R. Doshi and O. P. Hauser, "Generative AI Enhances Individual Creativity But Reduces the Collective Diversity of Novel Content," Science Advances, 2024, 10(28).

[36]M. A. I. Gazi et al., "AI Capability and Sustainable Performance: Unveiling the Mediating Effects of Organizational Creativity and Green Innovation with Knowledge Sharing Culture As a Moderator," Sustainability, 2024, 16(17).

[37]劉德建等：《智能技術賦能按需學習：理論進路與要素表征》，《電化教育研究》，2023年第4期。

[38]M. Vaccaro et al., "When Combinations of Humans and AI Are Useful: A Systematic Review and Meta-Analysis, Nat Hum Behav, 2024, 8(12).

[39]薛貴、劉德建：《腦認知科學和人工智能驅動的未來教育變革》，《人民論壇·學術前沿》，2024年第17期。

責 編∕李思琪 美 編∕周群英

Cognitive Challenges, Opportunities, and Governance Recommendations in the Intelligent Society

Xue Gui Liu Dejian

Abstract: The rapid development of artificial intelligence presents both significant opportunities and challenges for human cognitive development. On the one hand, AI may weaken attention and executive functions, deep memory, and critical thinking through mechanisms such as the mere presence effect, cognitive offloading, and information cocoons. On the other hand, with scientific guidance, it can become a powerful tool for enhancing cognitive abilities. Confronting these opportunities and challenges requires building a "trustworthy on-demand learning ecosystem". This ecosystem should center on cultivating learning capabilities based on the principles of brain sciences, aiming to reduce AI hallucinations, promote knowledge construction, exercise cognitive capacities, and optimize human-AI collaboration. Achieving this goal necessitates multi-level collaboration between the government, enterprises, schools, and families. Through policy guidance, technological design, educational intervention, and assessment reform, AI can truly become an enabling tool that enhances, rather than replaces, human intelligence.

Keywords: artificial intelligence, cognitive offloading, on-demand learning, learning capability, brain science