旧金山一位创业者把麦克风别在衣服上，录下自己一天所有对话，晚上丢给Claude做总结分析。他说，Fable的批判性思考比自己强，所以现在所有思考都交给它。这个说法最近被写进一篇讨论"人类是否正在把思考外包给AI"的文章里，配的证据是METR那份著名的AI任务完成时间跨度研究——听起来像是坐实了"AI已经能替人做深度研究"。
问题是，这份证据被引错了对象。
METR这把尺子，量的是编程代理
METR的Task-Completion Time Horizons研究，测的是前沿模型在编程代理脚手架下、独立完成不同时长人类任务的成功率。按最新TH1.1口径，任务集从170个扩到228个，评测基础设施也换成了UK AI Security Institute的Inspect框架。用2024年以来的数据估算，模型能力的翻倍周期约为89天，但METR自己特别提醒：这个数字对任务构成非常敏感，换一批任务估算结果就会变。GPT-5的50%成功率时间跨度大约是2小时17分钟，GPT-5.1-Codex-Max约2小时42分钟。
这些数字描述的是"模型写代码、跑测试、修bug"的能力增长曲线，和Google Deep Research、OpenAI Deep Research这类面向普通用户的检索总结工具，根本不是一回事。METR从没评测过这两款产品。把"编程代理能力翻倍"当成"AI已能替代人类做深度研究"的证据，是一次不小的概念滑移——原文没有意识到，读者往往也不会意识到。
被反复引用的两份研究，没那么绝对
支撑"AI让人变懒"这个直觉的，还有两份常被引用的实证研究，但它们的边界经常被忽略。
微软研究院与卡内基梅隆大学2025年那篇CHI论文，调查了319名知识工作者、936个真实使用生成式AI的案例，发现按认知活动分类，55%到79%的案例报告了认知努力减少；越信任AI的人，报告的批判性思考参与度越低。这是自我报告数据，不是直接测量能力变化，但样本量和方法都算扎实。
MIT媒体实验室那份被广泛传播为"ChatGPT让大脑变笨"的EEG研究，情况就没那么牢靠。前三阶段54人参与，用来做交叉对比的第四阶段只有18人，还没经过同行评审。用ChatGPT写作组的脑电连接性最弱、对作品的"拥有感"更低，这个发现有意思，但样本小、地区单一，学界已经有人质疑其可重复性。把它当成"AI导致认知衰退"的定论，是过度解读。
真正的风险不是外包，是外包错了环节
外包思考本身不新鲜。计算器外包了心算，搜索引擎外包了记忆检索，这些都没被当成道德问题。学界区分了三层：认知卸载是中性行为；去技能化是长期不练习导致能力退化；自动化偏见是对AI建议不加批判地采信。三者混在一起谈，才让人觉得"用AI就是偷懒"。
真正值得警惕的地方在Deep Research类产品的表现上。2025年一项JMIR的生物医学综述评测里，OpenAI的o1-pro Deep Research草稿质量优于Google的Gemini 1.5 Pro Deep Research，但两者都出现了虚构文献、把观点错误归到真实学者名下的问题。同年一篇ACL论文测了低资源非洲语言NLP综述，结论反过来：两家Deep Research识别高价值研究的表现都低于平均水平，Google的区域覆盖缺口更大，一次普通Google搜索反而比它们找到的文献更全、更新。没有哪家全面领先，报告写得越流畅完整，用户越难发现它漏掉了哪些反面证据。
报告越顺眼，越难被看穿漏了什么
- 风险.如果工作制度只考核产出速度，不给独立练习机会，去技能化就不是个人自律问题，而是结构性的。
这套"验证悖论"，比原文那种"AI帮你省时间也帮你省思考"的朴素说法要精细得多——错的不是AI给了假答案，而是它给的答案看起来太完整，让人失去了核查的冲动。
谁该多留一个心眼
最先感知到这条落差的，是知识工作者和依赖AI辅助研究的学生。如果工作流程默认"先问AI再动脑"，被稀释的不是效率，是形成问题、评估证据的那部分能力。比较靠谱的顺序，是先自己列出问题和猜测，再用AI去检索、去反驳、去补漏，而不是让AI直接给出结论再回头找理由认同它。判断谁替你做了决定之前，先看清楚它到底是帮你查资料，还是替你下了判断。