【摘要】人工智能的迅猛发展，给人类认知发展带来巨大机遇和挑战。一方面，人工智能可能通过存在效应、认知外包、信息茧房等机制，削弱人类的注意与执行功能、深度记忆与批判性思维；另一方面，若科学引导，人工智能可以成为提升人类认知能力的强大工具。面对机遇和挑战，应构建“可信任的按需学习生态”，以基于人脑规律的学习力培养为核心，减少人工智能“幻觉”、促进知识建构、训练认知能力、优化人机协同。实现这一目标需要国家、企业、学校与家庭多层面协同，通过政策引导、技术设计、教育干预与评估改革，使人工智能真正成为增强而非替代人类智能的赋能工具。
【关键词】人工智能 认知外包 按需学习 学习力 脑科学
【中图分类号】TP18/G521 【文献标识码】A
【DOI】10.16619/j.cnki.rmltxsqy.2025.20.003
【作者简介】薛贵，北京师范大学认知神经科学与学习国家重点实验室教授。研究方向为人类学习和记忆的认知和神经机制，主要论文有《脑认知科学和人工智能驱动的未来教育变革》《Greater Neural Pattern Similarity Across Repetitions Is Associated with Better Memory》《From Remembering to Reconstruction: The Transformative Neural Representation of Episodic Memory》等。刘德建，北京师范大学智慧学习研究院联席院长，教授。研究方向为人工智能与大数据教育应用、数字教育，主要论文有《智能技术赋能按需学习：理论进路与要素表征》《Teaching with Robotics in Classroom》等。
前言
当前，人工智能技术加速迭代演进，正在深刻改变人类生产生活方式、重塑全球产业格局。[1]回溯技术演进的漫长历程，生存环境的重大变迁和关键工具的发明普及，不仅是人类能力边界的延伸，更是对人类自身的深刻塑造。这种塑造既体现在生理层面——如免疫系统应对病原体的演化、直立行走对骨骼与手足形态的改变、精细工具的使用影响大脑体积和结构的进化，也体现在认知层面——语言扩展思维疆域、文字与阅读改变视觉系统与注意力模式、数字环境引发国际学生能力评估计划（PISA）的测试成绩波动。上述变化共同构成技术与人类认知协同演化的复杂图景。
人工智能作为一种前所未有的强大“认知工具”，其影响力远超前代。古往今来，很多技术都是“双刃剑”，[2]人工智能亦非中性媒介，其应用充满潜力与风险。一方面，人工智能有望放大人类的智力效能，赋能创新；另一方面，若缺乏审慎地引导与治理，人工智能也可能系统改变我们的认知习惯，对注意力、记忆、思维深度乃至创造力构成潜在威胁。本文通过梳理认知神经科学与行为科学研究的最新证据，系统分析人工智能对人类核心认知功能（特别是注意与执行功能、记忆机制以及思维方式）带来的深刻影响，并探讨其内在作用机制与行为后果，围绕“兴利除弊，促进人类发展”这一目标，提出科学使用智能工具的综合治理策略。
智能社会的人类注意与执行功能
在生成式人工智能与算法平台深度介入个人信息获取的场景下，人类的注意与执行功能正面临系统性重塑。人工智能并非凭空制造注意力问题，而是作为“放大器”叠加并强化移动互联网时代注意分散与中断的生态。同时，人工智能作为一种“认知外包”工具，潜在改变个体在面对复杂任务时的认知投入意愿与能力。这两条路径分别对应着自下而上注意（bottom-up attention）所涉及的凸显系统与奖赏系统，以及自上而下注意（top-down attention）所涉及的目标导向（goal directed）额顶执行控制网络。这两条路径共同构成智能时代影响注意与执行功能的核心机制。
长期使用智能设备对大脑结构和功能的影响。长期使用智能设备，对个体的认知、学业表现乃至神经系统功能，都会造成显著的影响。研究发现，重度媒体多任务者在过滤干扰、工作记忆与任务切换等方面表现出整体劣势。[3]进一步对执行功能各个子成分的分析发现，抑制控制主要承受过滤无关通知与分心信息的持续压力；工作记忆则易被“存在效应”和频繁的任务切换所消耗；认知灵活性并未因“切换频繁”而变得更强，反而体现出更高的任务切换成本。[4]
基于国际学生能力评估计划（2022）的跨国数据显示，课堂内的数字设备分心与数学成绩之间存在显著负相关。值得注意的是，即使学校实行手机禁令，仍有相当比例的学生报告在多数甚至每节课上都受到设备干扰，这凸显制度执行与有效课堂设计的重要性。[5]还有研究发现，重度媒体多任务行为者的大脑额叶区域呈现出“更高但低效”的激活模式。[6]结构影像学进一步显示，这类人群的前扣带回灰质密度较小，且与顶叶的功能连接降低。[7]
在极端情况下，问题性手机和网络使用会发展成网络成瘾，并影响大脑的结构与功能。影像学研究揭示，互联网或游戏障碍人群存在前额叶-纹状体环路的功能失衡及多巴胺系统调节异常，这与自我控制能力受损的临床表现相呼应。[8]
智能设备影响注意与执行功能的机制。已有研究发现，智能设备使用可能通过多种机制影响个体的注意与执行功能，包括智能设备对个体注意资源的争夺与干扰，长期注意力竞争对自上而下注意控制的破坏，以及认知外包对注意投放模式的改变。
首先，智能算法对自下而上注意的劫持。智能设备中各类信息、短视频和游戏对人具有较强的吸引力，而基于人脑奖励机制设计的个性化推荐算法能够加剧这种吸引力，形成对注意力的强效“劫持”。推荐信息流与短视频平台普遍利用个人的兴趣爱好以及可变比率奖励模式（variable-ratio schedule），维持用户的高反应率与使用粘性。这种机制可以放大外部刺激对“自下而上注意系统”的争夺，使执行功能本就相对脆弱的群体（如青少年、注意力缺陷与多动障碍个体）更易在算法构建的“注意力陷阱”中走向过度使用乃至成瘾的结局。
其次，智能设备对自上而下注意的破坏。智能环境对注意功能的影响，还体现为看似微不足道但持续高频的干扰。研究表明，即便不主动操作电子设备，其在场本身也会占用有限的认知资源，导致工作记忆与流体智力表现下降，这被称为“存在效应”（Presence Effect）。[9]比如，手机铃声或震动的提示，即使不查看具体内容，也足以显著拉低任务反应速度与准确度，其干扰程度接近实际使用手机。单次干扰的认知成本虽小，但高频累积会对深度思考所需的认知基础造成系统性侵蚀。这种干扰的持续存在，则会削弱自上而下认知控制能力，最终形成“越被干扰越难专注，越难专注越易被干扰”的恶性循环。
再次，认知外包改变注意资源投入策略。除了传统的“分心／中断”机制，生成式人工智能通过外包任务产出流程，影响个体在其中的注意投入。有研究指出，将记忆、信息检索乃至部分决策任务交给人工智能，虽在短期内能够提升效率，但长期可能削弱这些认知能力本身，这种现象被称为“认知外包”（Cognitive Offloading）。[10]麻省理工学院媒体实验室的一项研究发现，在使用大语言模型辅助写作时，参与者大脑在α/β频段的神经连接性相较于无工具或搜索引擎条件有所下降，作者将其解读为一种“较低认知投入”的神经活动模式。[11]由此可见，认知外包的核心影响在于提高个体认知资源动员的阈值，从而降低个体在复杂任务中自发投入认知努力的程度。
利用智能设备干预注意与执行功能。智能设备的使用虽然潜藏上述风险，但这并不意味着我们应全然摒弃技术。相反，转变技术使用逻辑和模式，智能设备也能成为解决问题的钥匙。智能设备的使用对人类注意和执行功能的影响，取决于人类对其的使用方法。需要强调的是，上述发现并不意味着“一般性的技术使用必然导致神经功能下调”，相关风险主要集中于问题化使用或成瘾性使用人群。另外，通过改变使用方式，比如，用批量处理或定时窗口取代“随到随响”的通知模式，并在进行高价值任务时将设备移出视线范围、降低推送的干扰，被证明能为个体创造更利于专注的外部环境，并有效减少抑制控制的持续消耗。[12]
更重要的是，研究可以充分利用短视频和游戏对注意力的吸引，开发更易被接受的认知干预工具，以提升学习者的注意与执行功能。研究表明，基于计算机和游戏化机制的认知训练，可以有效提升儿童的注意与执行功能，并具有较高的接受度与可操作性。[13]例如，数字疗法“EndeavorRx（AKL-T01）”作为一款游戏化认知训练软件，其有效性已获得多中心随机对照试验的支持，研究证实其能显著改善注意缺陷与多动障碍儿童的客观注意指标，并因此获得美国食品药品监督管理局的处方批准，可用于8-12岁患者的治疗。[14]面向健康成人的自适应训练也能提升持续注意和工作记忆。这些游戏化的干预方式与行为管理策略及环境支持系统协同实施，可以取得更显著、更持久和更泛化的效果，实现技术对认知功能的正向赋能。
智能社会的人类记忆协作、破坏与提升
随着生成式人工智能深度介入学习生态，“记忆”正在被重新定义。人脑记忆具有意图指向性、知识建构性、情景依赖性、容量有限性、获得渐进性和动态遗忘性等特征；人工智能“记忆”则呈现出高容量、外部化、可精准检索、近乎无衰减等特征。需要注意的是，大模型的记忆也存在显著的失真现象。有学者提出跨学科框架，将人类的多种记忆类型（如工作记忆、语义记忆、情节记忆、程序性记忆等）与大型语言模型时代的人工智能记忆机制进行类比映射：例如，将工作记忆对应上下文窗口与缓存机制，长期语义与情节记忆对应参数化知识与外部记忆库，程序性记忆对应模型的参数更新与任务习得。[15]人类记忆强调意义建构与情境依赖，而人工智能记忆更偏向符号存储与检索优化。二者在机制上存在的本质差异，为人与智能工具的互补和协作创造巨大空间。虽然智能体对个体的记忆能力有潜在破坏作用，但如果妥善使用，也可以释放个体的记忆资源，并促进个体在目标领域的知识建构和长期记忆形成。
人脑与智能体的交易式记忆协作。从机制上看，人类记忆强调意义建构与情境依赖，受到注意、动机和情境的显著调控；人工智能记忆则更偏向符号存储与检索优化，高度依赖外部载体与算法更新。这一差异为“交易式记忆协作”提供很好的基础。
内容上，人脑和人工智能分别适合记住不同的材料。人脑需要记住的知识应具备以下至少一项特征：属于自己的专长和创新领域、需要高频自动化使用、处于关键决策节点、需要在断网或高压下调用。具体包括：学科基本概念与方法论，这是具有高价值、高可用性和高迁移性的核心知识，也是发展个体专长和创新的基础；程序性知识与心智模型，即在日常情境下需高效即刻调用的技能与决策框架；元认知规则，即关于何时信任人工智能检索、何时需要停用外包进行自主思考的判准。相反，一些碎片化、低频率、非自动化和紧急性的知识存储，比如，电话号码、购物清单、旅游路线、偶发事件处理方式等则可以外包。因此，有必要区分“必须由个体掌握的核心知识”与“可由人工智能辅助存储的碎片知识”。[16]
记忆分工上，人类倾向于记忆“谁知道”或“哪里可以找到”的信息，而非信息本身，即当个体知道信息可以随时通过网络检索时，会更倾向于记住信息的存储位置而非其具体内容。这种基于人脑记住索引、人工智能记住内容的分工模式，在记忆扩展上具有重要的价值。
记忆协作上，人类更擅长意义建构与意图主导，人工智能则更擅长内容提供以及实施执行。比如，在文章写作中，人工智能可以协助收集资料素材，人类更加擅长整理分析，特别是具有高度专业性和创新性的分析和整理。另外，在一些前瞻性的记忆任务中，人类负责意图和制定规划，而将具体的提醒与提取任务外包给设备，可带来显著的功能性增益。考虑到前瞻记忆（如记住未来的计划）是老年人常见的认知薄弱环节，这种互补机制在老年认知支持方面前景广阔。
智能体的非科学使用对记忆的破坏作用。当记忆功能过度外包给人工智能时，可能对内在记忆能力产生一系列影响，但其效应大小和普遍性受到很多复杂因素的影响。
心理学研究的一个典型发现是拍照效应（photo-taking impairment）：通过拍照记录体验，会降低对记录对象本身的后继记忆准确性。心理学与认知科学证据表明，拍照效应主要由注意分配与编码方式驱动：在拍摄时，个体把部分认知资源转移到取景—构图—操作上，导致对目标事物的精细编码变浅，从而在后测中对于对象与细节的记忆变差。当拍摄行为本身促使注意更聚焦（如对局部细节进行放大或变焦）时，记忆损伤可以显著减弱甚至消失。即便不保留照片，只要经历了拍摄动作，记忆下降依旧会出现，这提示记忆不足的关键并非“存储外包”，而是注意—编码的脱离。此外，自主性拍摄与拍摄意图也会调节记忆后果：允许自由拍摄并聚焦视觉信息时，视觉信息的识记可能上升，但往往伴随听觉或语义层的代价。这些发现共同说明，拍照可能削弱或重新定向记忆，关键在于注意如何被“引导与再投入”。
空间记忆领域会出现导航效应，长期依赖逐向导航指令，会削弱个体构建内在认知地图的能力。研究表明，伦敦出租车司机的海马体积显著大于普通人，[17]说明长期心理的空间导航对空间能力有促进作用。相反，使用GPS导航虽最省时，但使用者在事后绘制草图或从新起点规划路线的能力更差，神经与行为证据也支持“被动导航导致认知地图质量下降”的结论。[18]这反映出“依赖海马体的主动建构性学习”与“依赖纹状体的刺激－反应习惯”之间的策略分工，长期偏重后者会导致空间知识表征变浅。
使用人工智能进行创作，会降低个体对作业材料的记忆效果。近年来，学界开始关注生成式人工智能在学习与写作过程中潜在的“认知副作用”。实证研究表明，人工智能辅助创作往往伴随较低的认知投入和记忆保持效果。例如，麻省理工学院媒体实验室的一项研究发现，在写作任务中使用大语言模型（LLM）辅助的参与者，完成写作后对所写内容的回忆正确率大幅低于自主写作或搜索引擎辅助条件。[19]类似地，教育心理学领域的分析也指出，人工智能工具的使用虽然可能通过“认知卸载”（cognitive offloading）降低对材料的深度加工，短期内提升任务表现，但会削弱对内容的内部记忆表征。[20]由此，有学者提出“人工智能教育的认知悖论”：一方面，人工智能可提供效率与个性化支持，另一方面，过度依赖人工智能可能侵蚀学习者的长时记忆与迁移能力。[21]
不过，也有研究提示，这种负效应可能取决于使用方式与任务情境。例如，一项预注册实验显示，当学习者在写作训练中使用人工智能辅助并保持积极参与时，其次日的写作测试成绩反而优于完全自主写作组。[22]这意味着，人工智能使用是否损害记忆并非绝对，而是受到“被动依赖”与“主动利用”调节的影响。
总体来看，当前证据支持一种更为复杂的结论：人工智能辅助创作在被动接受情境下，可能弱化记忆效果，但在经过设计的教育实践中，其负面影响有望通过强化深度加工与主动参与得到缓解。
利用智能体促进知识建构和长期记忆。科学地利用人工智能可以有效促进记忆，关键在于使人工智能与经过验证的学习原理相契合。比如，让人工智能充当间隔计划器，根据遗忘曲线（如复习间隔设定为目标保持期的10%～20%）规划复习节点，并推送即测型检索练习。大量脑成像研究表明，间隔学习（spaced learning）能够显著增强长期记忆保持效果。研究发现，间隔学习通过减少神经重复抑制，使得刺激的重复呈现仍能激活梭状回等编码相关脑区，从而提高识别记忆表现。[23]相关同步脑电-功能磁共振（EEG-fMRI）平行研究表明，间隔学习能够降低短时提取强度，并增强存储强度，即在学习阶段激活更多与后续记忆相关的脑区。[24]有学者指出，间隔学习显著提升跨重复的神经模式相似性，这种更稳定的表征重建可以直接预测更好的后续记忆表现，从而提高记忆力。[25]另外，以人工智能作为智能出题机，生成跨情境、分层级的测试题目，利用“测试效应”能够促进长时记忆保持。还可以指示人工智能打乱题型和情境，促进交错与变式练习，从而削弱知识提取对特定线索的依赖，提升记忆效果和迁移能力。
研究表明，人工智能可以作为一种自适应的“认知脚手架”，通过动态调整提示方式和强度，来促进学习者主动知识建构。已有研究指出，人工智能驱动的“脚手架”正从静态提示向渐隐式（fading）和自适配支持演进，这是未来教育技术的重要方向。[26]在理论层面，有学者提出基于大型语言模型的自适应脚手架框架，结合认知科学设计原则，可以使人工智能在不同学习阶段提供恰当的提示。[27]实证研究显示，在医学模拟和学习系统中，自适应脚手架比固定脚手架更能提升表现、减轻认知负荷并促进长期保持。[28]此外，人工智能元提示（meta prompting）和苏格拉底式提问等方式，被证明能避免学习者被动接收信息，同时通过重述、重构与追问加深理解。[29]在低水平学习者中，人工智能提供提纲、示例与结构化支持可有效降低学习门槛；在高水平学习者中，则应优先采用苏格拉底式追问，以防止“努力替代效应”。对于老年用户，人工智能更适合承担提醒、事务性导航、药物管理等高负荷任务，而将意义建构与情感互动保留在人机之外，以保障认知与情感的平衡。因此，人工智能若能在交互中融入渐隐式引导、关系性提示、路线复述与自适应指令调节等机制，便可成为真正适配个体差异的认知脚手架，不断提升个体的主动学习与知识建构能力。
智能社会的思维约束与重塑
在生成式人工智能与算法平台深度介入的信息生态中，人类的思维模式正被系统性重塑。人工智能既能作为思维的“放大器”，也可能无意间成为“限制器”，其影响主要体现在信息结构、批判思维与创造能力三个层面。
信息茧房：算法窄化与个体选择的合力。人工智能驱动的个性化推荐系统，旨在提升用户体验和信息获取效率，但其核心机制也可能导致“过滤气泡”（Filter Bubble）或“信息茧房”（Information Cocoons）的形成。算法会根据用户的历史行为筛选并推送其可能偏好的内容，这在无形中减少用户接触与自身观点相悖信息的机会。近期的研究证实并深化这一观点。针对短视频平台的数据分析发现，用户的兴趣暴露范围会随着使用时间的增加而逐渐收窄，尤其是在更深层次的内容子类别上，表现出显著的同质化倾向，形成“深度过滤气泡”。[30]
然而，信息茧房的形成并非完全由算法决定，用户的个人选择在其中发挥重要作用。一项针对Facebook用户的研究发现，尽管算法排序会减少跨立场内容的曝光度，但用户自身的主动点击行为，通常比算法本身造成更强的收窄效应。[31]这意味着，算法与人类选择的共同作用，加剧认知视野的窄化与偏见的固化。这种长期暴露于同质化信息环境的模式，会削弱个体兼容并整合复杂信息的能力。
批判思维：提高效率与降低深度的权衡。人工智能工具，特别是生成式人工智能，通过提供即时、原有的答案，能极大提升信息处理的效率。然而，这种便利性可能以牺牲思维深度为代价。有学者指出，互联网鼓励快速、多任务的浅层信息浏览，而非传统阅读所培养的专注、深入的思考。[32]生成式人工智能无疑将加剧这一趋势，用户倾向于直接接受人工智能提供的答案，从而跳过自行搜集、评估、综合信息的完整过程——而这正是批判性思维训练的核心环节。
相关研究表明，用户对人工智能的信任度越高，其投入的认知努力就越少，而学习者对任务的自信心则能在一定程度上缓冲这种依赖。[33]研究发现，受教育水平较高的人往往能以批判性和选择性的方式使用人工智能，而年轻人更容易轻信，因而更易受到负面影响。此外，对人工智能的过度依赖还可能引发“解释深度错觉”（illusion of explanatory depth），即用户因为能轻易找到答案而高估自己对该问题的真实理解水平。加工深度和批判思维的缺失，在人工智能本身存在“幻觉”（hallucination）的情况下（即生成看似合理但与事实不符的内容）变得尤为严重。不可靠的人工智能输出不仅会误导用户，还可能损害其元认知判断能力。
创造能力：个体赋能与群体同质化的悖论。关于人工智能本身是否具备真正的创造力，哲学和认知科学领域仍在持续探讨。但从应用角度看，关键在于如何使用人工智能来提升创新成果。研究指出，人工智能增强创造力的核心并非仅仅是生成想法，而是通过迭代的互动来发展和完善想法，从而提升创意的全面性。[34]另外，人工智能可以显著增强批判性思维，批判性思维又能够促进创造力的提升。然而，这一作用链条并非自动实现，而取决于若干条件：人工智能需作为互动性与探究性的伙伴，而非答案提供者；学习者须具备一定的知识与元认知能力，以避免依赖性效应；任务应具有开放性和论证性，以引导深度思考；教师或人工智能需提供适当的支架与追问。唯有在这些条件下，人工智能才能真正成为批判性思维与创造力的催化剂。
人工智能对创造力的影响呈现出一种复杂的二元性。一方面，人工智能可以成为个人创造力的强大“杠杆”，快速生成大量创意原型和替代方案，充当灵感催化剂，显著提升个体产出。研究证实，接触人工智能后生成的个体创意产出，会得到“更有创意、更优质”的评价，这种提升效果在创造力基线较低的个体上尤为明显。[35]在组织层面，人工智能能力也被证实对组织创造力和创新有显著的积极影响。[36]
另一方面，个体层面的创造力提升，可能以牺牲群体的创意多样性为代价。人工智能的“创造”本质上基于其训练数据的重组与优化，这决定着其难以产生真正突破框架的颠覆性思想，这将降低整个创意生态的活力。当所有人都使用相似的人工智能工具进行创作时，产出的内容在主题和模式上可能趋于同质化。因此，尽管人工智能辅助下的头脑风暴能提高单个创意的平均质量，但创意集合的整体多样性却显著下降。
治理建议：构建可信任的按需学习生态
为应对人工智能给人类认知带来的挑战并善用其潜力，应构建一个以学习者为中心、多层次协同的治理框架。其核心目标是构建一个可信任的按需学习生态，确保人工智能作为增强而非替代人类智能的工具。
可信任的按需学习生态的关键特征。按需学习是指学习者在自然情境中，根据多样化的学习需求，满足多层次的学习目标进阶要求，以智能技术促进有效连接教学资源、环境与服务的一种学习范式。[37]在学习内容上，强调围绕核心素养、学业成就、职业取向、就业结构“按需”学习；在学习环境上，注重物理空间与信息空间、虚拟空间的融合，实现对真实场景的模拟以及对学习者学习状态和需求的全方位技术和数据支持；在学习方式上，按照学习者的认知需求，提供个性化的交互引导，实现知识的积极主动深度建构，而非被动学习或者认知外包。可以看到，按需学习可以激发学习动机、提高学习效率、提升学习深度、避免“过度教育”及“学业过剩”的陷阱，推动学习目标从追求标准答案和高分，转向核心素养培养和高阶能力训练。
在内容上，增加知识丰富性、减少人工智能“幻觉”，构建基于专家知识的内容体系。人工智能工具虽然能为大规模高质量的学习内容生成提供可能，但学习型人工智能工具的高可信度是其有效应用的前提。当前，生成式人工智能普遍存在的“幻觉”问题，成为构建信任学习框架的主要障碍。为解决此问题，在人工智能工具的开发中，必须引入经过严格验证的专家知识体系，以作为内容生成和事实核查的基准。将人工智能的多模态内容生成能力与结构化、高质量的知识库相结合，可以显著降低信息错误的风险，为学习者提供一个更可靠、更值得信赖的信息来源，这是实现“按需学习”的基础。
在方法上，促进人类知识建构。对抗认知外包的核心在于强化学习者内在知识体系的构建。人工智能时代的教育不应放弃对知识掌握的要求，而应利用认知科学的成果，推广有效的学习策略，促进知识体系的构建，提高自动化水平和迁移能力。上文提到的很多利用人工智能提升记忆的策略都可以成为参考。另外，人工智能应用的普及，要求教育的核心目标从知识传递转向高阶思维能力的培养，从而帮助学习者构建真实、创新的知识体系。评估体系中，应重点从考核静态的知识记忆，转向评估学生利用人工智能作为工具进行信息整合、复杂问题解决和创新性输出的动态过程。
在过程上，保护与锻炼注意、记忆、思维和执行功能，系统性提升学习者认知能力。在可信任的按需学习系统中，我们必须保证学习所必需的认知资源，并创设适度的任务训练，注重提升这些认知能力。通过系统性的环境优化和工具设计，为学习者创造一个有利于深度投入和认知能力发展的环境。重塑思维模式与评估体系，识别人工智能潜在的逻辑谬误与偏见，激发深度思考的“真问题”，加强元认知训练，引导学生“思考自己的思考过程”，有意识地反思何时、为何以及如何使用人工智能，避免陷入“元认知懒惰”。
在系统上，优化人机协同机制，发挥互补优势。人机协同的有效性高度依赖任务类型和应用场景。一项系统性的元分析研究指出，人机组合并非总是最优解：在需要明确规则和数据分析的决策类任务中，人类易过度依赖人工智能，当人工智能存在偏差时，组合表现甚至劣于人类独立决策；相反，在创作类任务中，人工智能可以有效激发灵感、拓展思路，人机协同更容易实现增益。[38]因此，可信任的按需学习系统，应该根据学习目标来界定人工智能的适用范围：对于底层知识的记忆和理解，应鼓励学习者独立完成；对于需要发散性思维和创造性整合的任务，则可将人工智能作为辅助工具。
多层次合力构建可信任的按需学习生态。构建可信任的按需学习生态，并非单一主体能够完成，需要形成“国家宏观治理－企业平台赋能－学校与家庭介观干预”的多层面协同体系，共同促进学习者在智能时代的认知发展。
国家与社会层面：筑牢宏观制度治理根基。国家与社会作为顶层设计的主导者，需通过制度规范、评估机制与公共倡导，为可信任按需学习生态划定“安全边界”，提供“发展保障”。国家应构建法治与伦理框架，完善相关法规，明确在教育和未成年人保护等高风险场景的人工智能应用边界，推动算法透明度和问责制；引入“认知影响评估”（Cognitive Impact Assessment）：借鉴环境评估等成熟做法，要求高影响力的人工智能系统（特别是面向教育和未成年人的产品）开发者，对其产品可能对用户认知（如注意力、记忆、批判性思维）产生的长期影响进行前置评估和持续监测；设立长期追踪研究项目，监测人工智能技术对国民认知能力的系统性影响，为政策优化提供科学依据；加强公共教育与倡导：发起数字健康、深度学习等主题活动，提升全民人工智能素养和数字环境下的自我管理和科学学习能力。
企业与平台层面：践行负责任产品开发理念。企业和平台作为人工智能工具的直接开发者，应该以促进而不是破坏人的认知发展为核心价值和发展目标。首先，人工智能工具应遵循“认知友好”的设计原则，减少认知损耗。例如，提供“专注模式”，默认批量处理非紧急通知，避免不必要的中断对学习者造成认知负荷；增加用户对认知外包危害的意识，在用户进行认知外包行为时（如复制粘贴）给予元认知提示，或者对人工智能生成作品打上明显标签；设计“认知促进型”产品，在产品设计中嵌入促进深度思考的功能，为用户提供算法选择权（如“多样性”信息流），在推荐系统中设置“反同温层”机制，等等。其次，在使用中引入“有益摩擦”（Beneficial Friction）：改变追求“无缝体验”的设计哲学，在适当环节增加认知阻力。例如，在转发信息前设置“读后再转”提示，或要求用户对人工智能生成的内容进行总结或标注，以促使其进行更深度的信息加工。再次，切实加强对未成年人的保护，为青少年用户设置更严格的默认值，如限制使用时长、关闭个性化推荐等，提供易于理解的隐私控制选项，特别注重针对未成年用户加强深度思考和批判性思维的提醒与培养。
学校与家庭层面：深化介观行为干预实效。学校与家庭作为学习者日常认知活动的“直接场景”，需通过规则制定、课程改革和行为引导等方式，加强对学生的介观干预，避免人工智能对认知的负面影响。首先，学校应明确规定在不同学习场景下（如课堂、图书馆、课后）的设备使用规则，减少数字分心和认知外包。其次，学校需要改革评估体系，评估重点应从“记忆知识”转向“应用和创造知识”。设计需要综合运用人工智能工具与个人批判性思维才能完成的开放性任务。教育者应设计“抗人工智能”的作业与评估模式，例如，增加对过程的考核、鼓励学生对人工智能生成内容进行批判性反思，以此助推学生深度思考，避免将人工智能作为单纯的“答案生成器”。再次，加强教师培训，为教师提供关于人工智能伦理、人工智能教学法以及如何引导学生进行批判性使用的系统培训。此外，学校、家庭和学习者还需协同努力，提升科学使用人工智能的理论与实践。比如，建立“数字意图性”：有意识地规划和选择何时、为何以及如何使用人工智能和数字设备；倡导“单任务工作法”：在进行需要深度专注的任务（如阅读、写作）时，尽量避免媒体多任务，以保护持续注意力；定期进行“数字戒断”或“无导航挑战”，主动锻炼空间记忆和方向感，等等。
总之，人工智能的迅猛发展，既对人类的认知能力提出“适应技术变革”的新要求，也为认知发展带来“技术赋能学习”的新机遇。未来教育体系的设计需要突破知识传递的局限，推动以人类持续繁衍与认知进化为目标、以学习力培养为核心、以个性化按需学习为导向、以人脑学习规律为指导、以技术创新为依托，帮助个体构建有机链接的知识体系、强大的核心认知能力和持久的内在学习动力。[39]面对人工智能对认知的挑战，我们应该尽早正视其严峻性和迫切性，从国家、社会、企业、学校和家庭层面加强协同治理，促进个体认知能力的健康发展，从而更好地适应时代发展的需求，并推动社会的进步。
注释
[1]《习近平向2025世界智能产业博览会致贺信》，《人民日报》，2025年9月6日，第1版。
[2]习近平：《在网络安全和信息化工作座谈会上的讲话》，《人民日报》，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]薛贵、刘德建：《筑牢按需学习能力，构建成长型知识体系》，《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]刘德建等：《智能技术赋能按需学习：理论进路与要素表征》，《电化教育研究》，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]薛贵、刘德建：《脑认知科学和人工智能驱动的未来教育变革》，《人民论坛·学术前沿》，2024年第17期。
责 编∕李思琪 美 编∕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
