AI时代，为什么批判性思维比以往任何时候都更重要

假设再合理，也需要真实数据来验证。

长期来看，这种使用方式的分化或将加剧。一小部分人学会用AI放大自身思考，成为在问题框架和洞见产出上拉开差距的“超级人类”；而多数人若持续外包思考，则可能逐渐被边缘化。当然，这一点目前行业内仍有不同声音。若个人主动保留验证环节，如追问反方观点并自己重构论证，AI就能转为强大杠杆；否则，它可能变成越用越依赖的认知拐杖。究竟个人与组织将如何平衡这一边界，仍需时间给出答案。

大多数参与者首先注意到的，是AI在日常任务上的显著提效。代码生成、会议总结、文档起草甚至初步设计草案，都能在几秒内完成，工程师得以从枯燥循环中抽身，转向高层决策和原创洞见。HN评论区不少声音认可这种转变，认为去除低价值工作后，团队能更好专注真正需要判断力的环节。不过，这种乐观也很快遭遇质疑：高效的表象下，是否正在滋生一种新的浅薄模式？

每一次思维外包，都在为未来的认知债务支付利息。短期内，职场新人易陷入“模拟 competence”陷阱，看似专业却在调试和判断上力不从心；长期来看，行业人才分层将加剧，能用AI放大思考者脱颖而出，习惯回避者则被边缘化。对个人而言，创造力和适应力可能退化，在快速变化环境中竞争力下滑。AI不会取代坚持思考的人，但会让回避思考者迅速落后——这一点目前行业内仍有不同声音，我的判断是，但这个判断可能需要修正。

最近在Hacker News上，Koshy John于4月19日发布的文章引发热议。他在与多家科技巨头工程管理层交流后观察到，软件工程师群体正悄然分化。一类人借助AI甩掉重复的样板代码、测试脚手架和文档整理等琐碎劳动，将节省的时间投入到问题定义、方案权衡、风险识别和原创洞见等高层思考；另一类则把AI当成思考的替代，直接粘贴prompt获取 polished 输出，却难以解释背后的逻辑。

表面上看这只是生产力话题，实际却触及更深层的创造性思维考验：AI究竟是放大器，还是悄然侵蚀人类判断力的工具。

最近在Hacker News上，Koshy John的一篇博客《AI should elevate your thinking, not replace it》引发广泛讨论。作者观察到软件工程领域正悄然分裂：一类工程师用AI移除重复琐事，腾出精力进行高层框架构建、风险权衡和原创洞见；另一类则直接将AI视为思考替代品，复制提示生成的输出却难以捍卫其逻辑。表面生产力看似大幅提升，实则埋下AI依赖症的隐患，即长期认知卸载可能悄然削弱思考能力。

Koshy John的观察比单纯的生产力讨论更深，它直接指向我们如何避免让AI成为思考的替代品，而是真正扩展人类的创造力。

从短期影响看，早期职业阶段大量依赖AI模拟思考的工程师，判断力退化风险值得警惕。就像学开车时全程依赖自动辅助，遇到突发情况就容易手足无措。不少管理层已观察到，这种“产出不错但底层空洞”的现象在新人群体中有所增加。长期而言，这对整个行业提出新要求：组织需培养“理解AI所做一切”的文化，不能只考核最终结果，还要追问过程逻辑和决策依据。

这种现象的普遍性远超想象。Hacker News上Koshy John的一篇讨论文章迅速引发数百条评论，指出软件工程领域正悄然分裂：一部分人用AI剔除琐碎任务，把节省的时间投入到问题框架构建和风险权衡上；另一部分则直接把AI输出当作最终成果，短期效率看似提升，长期却在模拟能力而非构建能力上原地踏步。MIT近期一项针对ChatGPT使用者的研究也显示，过度依赖组在神经连接和认知参与度上显著低于独立完成组，数据支持了这一观察。

大多数早期工程师的常见做法是跳过自主构建问题框架的步骤，直接索要 polished 方案。这就像把思考的苦力活完全交给外部工具，却忽略了能力积累需要反复的认知负荷。模拟 competence 代替 building competence，长期来看会让职业路径在看似光鲜的产出下悄然收窄。

这个方向是对的，但具体路径需要根据实际情况不断优化。