最近看到一篇哈佛和 Tufts 很有意思的论文：Large-Language Models as a Cognitive Virus。
它讨论的是：当越来越多人把思考交给 AI，整个社会会不会跨过某个临界点？

论文把人与 AI 的关系分成三种状态：
U：不依赖 AI 主要靠自己、搜索、书籍和传统工具完成认知任务。
C：使用 AI，但保持自主 AI 帮你查资料、总结、提供建议，但你仍然阅读、验证、判断。
D：形成依赖 搜索、理解、分析、判断、表达，越来越多环节直接交给 AI。
真正危险的不是从 U 进入 C，而是从 C 滑向 D。

更有意思的是，论文认为这个过程可能并不是线性的，而存在一个 Tipping Point，临界点。
当越来越多人把认知任务外包给 AI：
AI 使用增加 -> 独立思考减少 -> 组织和社会中“自己判断”的规范变弱 -> 把任务交给 AI 变得更自然 -> 更多人继续外包认知。
于是形成正反馈。
一旦跨过临界点，系统可能进入另一种稳定状态。
而且更麻烦的是：进去容易，回来更难。

复杂系统里把它叫做 Hysteresis，滞后效应。
哪怕后来降低 AI 使用程度，组织也未必立刻恢复原来的能力，因为流程、习惯、培训方式，甚至人的技能结构都已经变了。

所以未来评价 Agent，也许不能只看一个指标：Task Success Rate。
还应该多看一个：Cognitive Retention Rate,任务交给 AI 之后，人和组织还保留多少理解、判断、验证和接管能力？
有一天，我们会不会发现：整个组织已经失去了“不用 AI，也知道这件事该怎么做”的能力。

#AI #大语言模型 #哈佛 #LLM #Agent #人工智能 #AIAgent #howto用好AI #AI反常识howto #大模型