AI 能帮你查一切、算一切、总结一切。
但有一件事它替不了你：判断它给的答案到底对不对。
最近读到一篇论文，名字就很直白——《The Memory Paradox》。作者是 Barbara Oakley 等人，发在 arXiv（2506.11015），跨了计算机科学和神经科学两个领域。核心结论一句话：
外部 AI 工具越强大，大脑内部的知识结构越容易萎缩。而恰恰是这些内部结构，决定了你能不能用好 AI。
与此同时，Andrej Karpathy 从另一个角度说了类似的事：如果你还年轻，80% 的时间应该砸在数学、物理和 CS 上——不是因为它有用，而是因为它在大脑里刻沟槽。
两个人说的不是同一件事，但底层指向同一个问题：AI 时代，你脑子里的底子，比任何时候都重要。
一、一篇论文揭了一个反直觉的事实
《The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI》——论文标题本身就是论点。
几个核心发现，直接摆数据和结论：
| 发现 | 说了什么 |
|---|---|
| 认知卸载风险 | ChatGPT 和计算器会短路大脑的检索、纠错和图式建构过程 |
| 过早依赖 AI | 实证表明过早依赖 AI 会抑制程序化学习和直觉掌握 |
| 发现式教学的坑 | 发现式教学法可能损害声明性和程序性记忆的巩固 |
| 人机协作的前提 | 有效的人机协作依赖于强大的内部模型——图式和神经流形 |
翻译成大白话：
AI 让你不用记、不用算、不用反复练。但恰恰是记、算、反复练这些过程，在大脑里建起了判断的底座。
论文还提了一个很有意思的类比：深度学习里的”Grokking”现象和人类大脑的过度学习惊人相似。 AI 模型在训练数据上达到 100% 准确率之后，继续训练，才会突然「顿悟」底层规律。人脑也一样——初始掌握之后的反复练习，才是直觉形成的关键阶段。
这就解释了为什么「会用 ChatGPT 查答案」和「真正理解一个领域」之间，隔着一道很难跨越的鸿沟。
二、谷歌效应的 AI 升级版
论文里引用了一个经典研究——2011 年 Sparrow 等人发现的「谷歌效应」：
人一旦知道信息可以在网上找到，大脑就自动降低对这条信息的记忆编码。你记住的不是答案，而是去哪找答案。
这个效应在 AI 时代被放大了。以前你至少还要打开浏览器、输入关键词、筛选结果。现在直接问 AI 一句话，答案就来了。连「搜索」这个动作的认知负担都被卸掉了。
论文用了一个词叫 “元认知惰性”——当 AI 随时可用，人主动深入思考的动机会下降。不是不会想，是不想想。
这里有一个很容易忽略的陷阱：
AI 给的答案通常看起来都很像对的。 格式整齐、逻辑通顺、引经据典。但如果你对这个领域没有足够的基础知识，你根本分不清哪些是真的、哪些是 AI 编的、哪些是「听起来有道理但经不起推敲」的。
论文的原话：
有效的人机交互依赖于强大的内部模型。这些生物学意义上的「图式」和神经流形，使用户能够评估、修正和引导 AI 输出。
少了这层内部模型，你就不是在「用 AI」，而是在被 AI 用。
三、Karpathy 说得更狠：在大脑里刻沟槽
Andrej Karpathy 从另一个角度切入同一个问题。
他的原话：
“If you are a teenager right now, I’d mass-dosage on math, physics, chemistry, CS. These carve grooves in the brain that last a lifetime.”
翻译：如果你现在是青少年，拼命灌数学、物理、化学、计算机。这些东西在大脑里刻下的沟槽，一辈子都在。
他讨论的重点不是知识点，是大脑底层计算结构的形成：
| 学科 | 训练什么 | 大脑里留下什么 |
|---|---|---|
| 数学 | 抽象能力 | 从具象里提炼结构的回路 |
| 物理 | 第一性原理 | 从现象回溯底层机制的回路 |
| CS | 系统思维 | 拆解复杂系统、管理状态的回路 |
注意他说的不是「这些科目有用」，而是「这些科目在大脑里刻沟槽」。
沟槽，不是知识点。知识点可以查，沟槽查不了。
年龄越大，这些沟槽越难刻。这跟神经科学里的突触可塑性窗口是对应的——青少年时期大脑重塑能力最强，错过了不是不能补，是成本指数级上升。
Karpathy 把这个逻辑拉到 AGI 时间线上：
- AGI 之前：这些认知基础帮你找到工作。
- AGI 之后：这些认知基础让你成为一个有判断力的人。
这才是最值得咀嚼的一句。当 AGI 真的来了，大部分「有用的技能」都可能被替代。到那时候，唯一不被替代的，是你脑子里的底层结构——你能不能看穿一个论证、能不能从第一性原理出发推导、能不能把一个模糊问题拆成可操作的步骤。
四、论文和 Karpathy 在说同一件事
两个人从不同入口走进了同一个房间：
| 论文（Oakley 等人） | Karpathy | |
|---|---|---|
| 切入角度 | 神经科学 + 教育心理学 | 工程师直觉 + 教育建议 |
| 核心主张 | 记忆-检索-纠错循环构建图式和直觉 | 数学物理 CS 的抽象训练在大脑中刻沟槽 |
| 对 AI 的态度 | AI 可以是好的学习伙伴，但不能替代过程 | AI 时代认知基础比任何时候都重要 |
| 底层逻辑 | 认知基础设施不可外包 | 认知基础设施不可外包 |
底层是同一件事：有些东西必须经过你自己大脑的处理才能变成你的。
AI 可以帮你查到公式，但推导公式的过程建立的神经回路，AI 替不了。AI 可以帮你写代码，但调试代码时形成的系统直觉，AI 替不了。AI 可以帮你总结一篇论文，但反复阅读和质疑论文时形成的批判性框架，AI 替不了。
这不是反 AI。恰恰相反——你的内部模型越强，你用 AI 的效率越高、判断越准。
论文里提到的一个发现特别值得记住：在学习初期就大量使用 AI 辅助的学生，短期表现看起来不错，但长期保留率和迁移能力显著低于那些先经历了自主挣扎的学生。
原因不难理解：挣扎本身就是学习。不是因为挣扎「好」，而是因为挣扎时大脑在做检索、纠错和重编码——这些正是图式建构的核心机制。
五、怎么办：不是少用 AI，是换一种用法
说到这里，结论不是「别用 AI」。那是另一种极端。
论文和 Karpathy 都指向同一个实操方向：AI 应该是教练，不是代笔。
具体来说：
- 先挣扎，再求助。 碰到新问题，先自己想 10 分钟。想不出来再问 AI。那 10 分钟的检索和纠错，就是在建图式。
- 用 AI 验证，不是用 AI 替代。 自己写完答案，让 AI 检查。而不是让 AI 给答案，你来复制。
- 基础学科慢慢啃。 数学、物理、CS 这类刻沟槽的东西，不能 AI 速成。该推导的推导，该手写的手写。
- 定期离线思考。 每天给自己一段没有 AI 的时间，只靠脑子想问题。保持大脑的「肌肉记忆」。
最终极的一条：如果你发现自己越来越不敢在没有 AI 的情况下做判断，那就是信号。
写在最后
压成五句：
- 论文揭了一个悖论——AI 越能帮你记，你大脑的记忆结构越容易萎缩
- 谷歌效应被 AI 放大——元认知惰性让人不是不会想，而是不想想
- Karpathy 说刻沟槽——数学物理 CS 不是学知识，是建大脑底层计算结构
- 底层是同一件事——认知基础设施不可外包，你的内部模型决定你用 AI 的上限
- 不是少用 AI——是先挣扎再求助，用 AI 验证而不是替代
AI 时代最危险的错觉：觉得什么都能查到，就什么都不用记。记忆的意义从来不是存储——是让你有底子判断，什么值得信，什么只是听起来像那么回事。
我一个人打造的 Zaokit AI Agent 交易平台，以及 AI PPT / 图文创作 Zaokit.app，做的也是同一件事——工具归工具，判断归你。唯一网站：https://zaokit.app。
企业侧同一逻辑，已经融进可直接接入的服务：
稳定靠谱的 AI 全家桶，开箱即用。
延伸：AI 被大模型绑架了 · 语音不是聊天附件，是 Agent 调度台 · 开放 VS 闭源：公开站队
| 唯一网站：Zaokit.app | Agent 交易平台：Zaokit.ai |
企业 Grok 服务：grok.zaokit.com
企业服务：cx.zaokit.com · cc.zaokit.com · tokenhub.zaokit.ai · gift.junxinzhang.com · 完整产品列表
稳定靠谱的 AI 全家桶，开箱即用。
我是 Jason，自己一个人做 AI 产品。AI 能替你记住一切，但替不了你脑子里的底子。有些沟槽，必须自己刻。
黄仁勋人生第一条帖子，直接对着闭源阵营开炮