当人们开始用LLM「思考」：AI依赖症的真实切片

一个帖子引发的思考

在Hacker News上，一个只有8个积分的简短帖子悄然出现：「So I guess everyone uses LLMs to think now」（我猜现在大家都用大语言模型来思考了）。没有正文，没有链接，只有标题本身。那句看似随意的感叹，却精准戳中了当下AI圈一个心照不宣的现实：越来越多人不再自己「动脑子」，而是把思考过程外包给了大语言模型。

这条帖子本身就是一个有趣的样本——它短到不需要额外解释，也不需要数据支撑，却因为标题里那股「见怪不怪」的语气而引发共鸣。它没有批评谁，也没有给出结论，只是把一个正在发生的现象描述出来，然后留给读者自己去对号入座。

从「辅助工具」到「认知基础设施」

把LLM当作思维工具早已不是新鲜事。从最初用它润色文字、解释概念、生成代码片段，到如今在决定晚餐吃什么、评估一段关系、诊断工作困惑时先问问模型，人与模型的交互边界正在悄悄移动。

这种转变的关键在于「默认选项」的替换。过去遇到问题，人的第一反应是搜索、翻书、或者找朋友聊；现在，打开对话框输入一段自然语言，成了阻力最小的路径。当一条路径足够顺滑，它就会变成习惯；当习惯足够普遍，它就成了一种认知基础设施。帖子标题里的「everyone」和「now」两个词，暗示的正是这种从个例到常态的转变。

「认知基础设施」这一说法借自基础设施研究的视角：基础设施的典型特征是，它在正常运转时几乎不可见，只有当它出故障时人们才会意识到它的存在。电力、自来水、搜索引擎都经历过这样的角色转变。把LLM称为认知基础设施，意味着它已经从「需要特意调用的工具」变成了「默认就在那里、不问也会用的背景条件」。这一视角的价值在于提醒我们关注依赖性与单点故障风险：如果大量思考都经由同一类模型完成，那么模型的偏差、幻觉或接口中断，就会像停电一样波及整片认知活动。基础设施的另一层含义是公共性与治理问题——谁训练它、谁定价、谁决定它的默认行为，都会间接塑造千万人的思维习惯。

「用LLM思考」到底意味着什么

说「用LLM思考」，并不等于说人类停止了思考。更准确的描述是：思考的「脚手架」发生了变化。人依然要提出好问题、判断回答是否靠谱、在多个选项之间做取舍，但中间那段发散、检索、组织语言的劳动，被模型接管了。

这里存在两种截然不同的解读。乐观者认为，这是认知杠杆的又一次放大——就像计算器没有让人失去算术能力，而是让人能把精力放在更复杂的问题上；搜索引擎没有让人停止求知，只是改变了求知的入口。模型接走的，是繁琐的「思维体力活」。

谨慎者则担心，被外包的恰恰是思考中最有价值的挣扎过程。写出一段磕磕绊绊的初稿、在概念之间反复试错、被卡住后强迫自己重新组织逻辑——这些「低效」的环节，往往才是真正形成理解的地方。如果每次卡住都立刻交给模型，人可能保留了答案，却丢失了理解答案从何而来的路径。

文中的「认知杠杆」可以更具体地理解：杠杆的本质是用较小的主动投入撬动较大的产出，前提是支点足够稳固。计算器、搜索引擎、拼写检查都曾被视为认知杠杆，它们的共同点是接管了确定性强、可验证的机械环节。大语言模型的不同之处在于，它接管的环节边界模糊——既能做检索和措辞这类机械劳动，也会输出判断、框架与倾向性建议。因此杠杆是否成立，取决于使用者能否稳定地区分「可外包的机械部分」与「必须自己承担的判断部分」。这为文中乐观与谨慎两种解读提供了共同的分析坐标：争论的实质不是杠杆有无，而是支点被放在了哪里。

一个被忽略的代价：思考的「可追溯性」

当大量判断和决策建立在模型输出之上，一个更隐蔽的问题浮现出来：我们还能追溯自己的结论是怎么来的吗？

自己推演出来的观点，通常伴随着完整的推理链条，哪怕链条有漏洞，至少知道漏洞在哪。而从模型那里得到的答案，往往是一个封装好的成品，接受它只需几秒，拆解它却要花更久。长期下来，个人的判断会变成一堆来源不明的结论集合，而失去「为什么会这样想」的线索。这对于需要承担责任的专业决策——写代码、做诊断、给建议——尤其值得警惕。

可追溯性在认识论中对应的是「辩护」问题：一个信念不仅要为真，还需要主体能说明它凭什么为真。自己推演得出的结论，即便错误，也携带推理路径，因而可以被检查、修正与迁移到新情境；而直接采信的模型输出，往往只提供结论与貌似合理的解释，解释本身未必反映模型真实的生成过程。这在专业场景中构成实质风险：代码审查、临床诊断、合规判断都要求决策者能对结论负责，而责任的前提是可复述的依据。因此「追问依据」不只是好习惯，更是一种把不可追溯的成品重新转化为可追溯判断的操作手段。

或许问题不在「用不用」，而在「怎么用」

那条短帖没有给出立场，但它提出的问题本身已经足够有价值。与其在「该不该用LLM思考」上站队，不如把注意力放在更实际的分界线上：

• 把LLM当陪练，而不是替身：先自己给出第一版想法，再用模型对照、挑错、补充盲点，而不是把空白输入直接变成成品输出。
• 保留「卡住」的时间：遇到难点时，给自己设定一段不求助模型的缓冲期，让挣扎本身发挥作用。
• 追问来源：对模型给出的关键结论，养成追问「依据是什么」的习惯，把封装好的答案重新打开。

标题里那句略带调侃的「I guess」，其实留有余地。它既是在描述现状，也像是在提醒：如果所有人都默认用模型思考，那么「不这样做」本身，或许会重新变成一种稀缺能力。

常见问题

用LLM思考会让人的思维能力退化吗？ 目前没有定论。关键在于使用方式：把模型当第一反应容易削弱独立思考，把它当第二意见则可能放大认知能力。

这条Hacker News帖子有给出具体数据或案例吗？ 没有。帖子本身只有标题，没有正文和数据，属于对现象的观察式表达，而非实证研究。

怎样判断自己是否过度依赖LLM？ 一个简单的信号是：遇到问题时的第一反应是否是打开对话框，以及离开模型后是否明显难以独立组织思路。