认知投降：AI 接管的不是代码，是你补课的能力
先看一组数字。
Anthropic 做过一个随机对照实验：让工程师学一个新库并完成任务，一组借助 AI，一组自己写。两组完成任务的速度没有差别，但事后做理解测验，AI 组的得分是 50%，独立组是 67%。差了 17 个百分点，调试类题目差得更多。
注意这个实验里没有”AI 写了坏代码”这回事。代码是对的，活干完了，速度也没慢。亏掉的是一样不会出现在任何交付物里的东西：做这件事的人，对它的理解。
这个数字出自 Addy Osmani 7 月的长文《Own the Outer Loop》。文章主线讲的是工程师要守住”外循环”的问责，也就是上一篇里我说的”责任无法外包”。但他顺手列的三项”隐性成本”，我觉得比主线更值得单拎出来，因为它问的是另一个问题：责任还在你身上，可你还有没有能力承担它？
三个容易混的词
| 名称 | 是什么 | 怎么坏 |
|---|---|---|
| 认知投降（Cognitive Surrender） | 默认接受 AI 给的判断，责任却仍在自己身上 | 错了也察觉不到，甚至更自信 |
| 认知债务（Cognitive Debt） | 对解法的理解和记忆逐步流失 | 委托的时间跨度越长、代码库越大，越滚越大 |
| 编排税（Orchestration Tax） | 同时起多个 Agent，但人的认知带宽没法并行 | 排优先级、核验最危险的假设，这些活自动化不了 |
还有第四个词容易搅进来：理解债务。它来自 Harness 那条线，说的是”测试全绿不等于系统仍然可理解”。区别在层次：理解债务是系统层的，整个代码库、整个团队对系统行为失去掌握，哪怕没有任何人偷懒也会发生（比如 Agent 学会了迎合检查，而不是达成检查背后的目的）。上面三项是个人层的，作用在人的能力上。两者会互相放大：个人先投降了，就更难发现系统在欠债。
债可以还，投降是不还了
这篇最想讲清的，就是认知债务和认知投降的区别：
- 债务是暂时欠着。你知道自己没吃透这段代码，哪天有空可以补课。
- 投降是放弃补课的能力。你不再产生”我没懂”这个信号，也就没有什么可补的了。
Addy 引用了 Wharton 的一项研究：当 AI 的判断是错的，近四分之三的人依然接受了，而且比没有 AI 时更自信。错误没有拉低信心，反而被 AI 的”权威感”盖了过去。
这是我觉得最险的地方。认知债务至少还会疼，读不懂自己项目的代码时，你是知道的。认知投降不疼，它让你觉得很稳。
需要交代一下证据强度：以上两项研究我是通过 Addy 的文章转引的，没有逐篇核对原文的实验设计。我在二手转述里还看到另外两项，一项 EEG 研究说 83% 的人写完文章后引不出自己刚写的任何一句，一项 CHI 2026 的研究说任务一开头就用 LLM，会框定整个问题空间，之后自己接手也难跳出来。方向一致，但这两项我没核实过，只当参考。
这不是 AI 带来的新病
最有意思的佐证，来自一篇比 AI 编程工具早了好几年的文章。
陈皓 2019 年写过《如何超过大多数人》，反讽体，正话反说地列举”怎样让一个人变平庸”。其中三条，几乎一一对得上：
| 陈皓（2019，反讽） | 对应 |
|---|---|
| 让他们喜欢直接得到答案，成为伸手党，从此学习再也不思考 | 认知投降 |
| 让他们混淆认识和知识，以为开阔认知就是学习，产生成长的幻觉 | 认知债务：感觉在进步，能力没变 |
| 让他们觉得”读完书”就等于学好了 | 同上，并点出债是怎么积累的 |
我的读法是：AI 没有发明这个倾向，它只是把”直接拿到答案”的成本降到了接近零。 这有两个推论。一，指望换个更好的工具解决不了，因为问题出在学习和工作的方式上。二，这是一个老毛病被放大，而不是新毛病出现，所以老办法（刻意练习、自己动手走一遍）依然有效。
但有一处差别不能抹平：陈皓说的是”不肯自己查资料”，Addy 说的是”不肯自己做判断”。前者你搜一下就补回来了；后者丢掉的，是”这个答案该不该信”的那个判断本身，补不回来。相似，但不是同一件事。
没有仪表盘，只能自己造探针
坦白说，认知投降目前没有公认的检测指标。下面三个自检动作是我拼出来的，来源不同，证据强度也不同，不要当研究结论用：
1. 评审时答得出别人的提问。 来自一位开发者提出的”尽职编程”主张（X 上的一条长帖，单一信源）：代码不是你写的，但责任不能转移，所以被问到”为什么这样设计”“多人同时编辑怎么办”时，你得答得出。这是我见过最可操作的一条，因为它把”没懂”放到了社交场合里，躲不掉。
2. 合上窗口盲讲一遍。 这条是我自己的推演，没有实验验证：不看 diff、不看对话，用一分钟口述这个改动做了什么、哪里最可能出错。讲不出来，说明你交付了一样自己并不拥有的东西。
3. 先写自己的判断，再看 AI 的。 同样是我的推演，对应前面提到的锚定效应：哪怕只写三行”我认为瓶颈在哪”，也比让 AI 先开口强。先开口的人，决定了问题的形状。
三个反模式
用 AI 总结 AI 写的东西来”理解”。 让 AI 给 AI 写的 diff 出一份摘要，读完觉得懂了。这种信心是借来的，而且是同一个来源在自己验证自己。上一篇那个文件头残留的故事，是同一个道理：用同一通道验证自己，等于没验证。
把”多起几个 Agent”当效率。 起一个 Agent 的成本几乎为零，但每多一个，你就多一份排优先级和核验的活。人的注意力不会跟着并行化，这就是编排税。
评审当签字。 点了 approve，却答不出作者以外任何人的任何一个问题。
结语
这篇不是在劝你少用 AI。Addy 给的方案也不是禁止委托，而是把人的精力预算从”执行”挪到四个检查点：约束、抽样、审计、归属。我关心的是更早的一步：走到这些检查点的时候，你手里还有没有判断可用。
我之前写过《AI 时代的竞争力：从执行者到判断者的蜕变》，说判断力是 AI 时代的护城河。现在要补一句：护城河会被填平。判断力是肌肉，不练会萎缩，而且萎缩得悄无声息。
最后留一个本周就能做的动作：挑一个 AI 完成的改动，合上窗口，不看 diff，用一分钟口述三件事：它做了什么、最可能错在哪、错了我怎么发现。 讲不出来的部分，就是你这周欠下的债。趁它还只是债，先还。