5 April 2026

AI 用戶正在把思考外包給模型：研究揭露「認知投降」現象

by Kyle Orland

AI News · 2026-04-05

原文連結： “Cognitive surrender” leads AI users to abandon logical thinking, research finds

摘要

賓州大學研究提出一個新概念：面對 LLM 時，部分使用者不是單純「把工作外包」，而是直接把思考流程也交出去，也就是「認知投降」
在 1,372 名受試者、超過 9,500 次測試中，受試者有 73.2% 的機率直接接受錯誤的 AI 推理，只有 19.7% 會主動推翻
研究中，AI 正確時使用者接受其推理的比例高達 93%；即使 AI 故意提供錯答案，仍有 80% 的情況被照單全收
時間壓力會讓人更不願意糾錯；相反地，小額獎勵與即時回饋可讓受試者多 19 個百分點推翻錯誤 AI
高度信任 AI 的人更容易被誤導；流體智力較高的人則較能保留自己的判斷
研究者也提醒，這種現象不一定全然負面：如果 AI 在某些情境真的更準，讓它主導決策未必是錯，但前提是模型品質要夠好

· · ·

當談到大型語言模型工具時，使用者大致可分成兩類：一類把 AI 視為強大但偶爾會出錯的服務，因此仍會保留人工監督與查核；另一類則把它當成全知機器，直接把批判性思考外包出去。

最近一項研究替後者建立了新的心理框架：研究者將這種對 AI 權威答案的順從，稱為「認知投降」（cognitive surrender）。這不只是把一個任務交給模型，而是連判斷本身都交出去。研究同時也探討了，人們在什麼情況下更願意把思考外包給 AI，以及時間壓力與外部誘因如何改變這個決定。

直接問答案機器

在〈Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender〉這份研究中，賓州大學研究者延伸了既有關於人類決策的理論：一種是由「快速、直覺、情緒驅動」主導的 System 1；另一種則是由「緩慢、審慎、分析式」推理主導的 System 2。

研究者認為，AI 的出現開啟了第三種型態：他們稱之為「人工認知」（artificial cognition），也就是決策來自「外部、自動化、資料驅動的推理」，而不是來自人腦本身。

過去，人們偶爾會把部分工作交給計算機或 GPS，這比較像是一種任務特定的「認知卸載」（cognitive offloading）：把某些工作交給可靠的自動化工具，但仍由自己監督與判斷結果。研究者指出，AI 帶來的現象完全不同——它會讓使用者只保留極少的內部參與，然後毫無查核地接受模型的推理。這種「無批判地放棄推理本身」的情況，特別容易發生在 LLM 的輸出看起來流暢、自信、而且幾乎沒有使用摩擦時。

為了測量這種「認知投降」的普遍程度與影響，研究團隊設計了一系列以認知反思測驗（Cognitive Reflection Tests, CRT）為基礎的實驗。這類測驗通常會誘發人們給出直覺式但錯誤的答案；若願意多想一步，其實答案相當簡單。

研究中，受試者可以選擇使用一個 LLM 聊天機器人；該機器人被刻意改造成大約有一半機率會給出錯誤答案。研究者原本推測，常常使用這個聊天機器人的人，會更容易讓 AI 的錯誤答案「覆蓋」自己的直覺與審慎推理，進而拉低整體表現，凸顯認知投降的風險。

結果確實如此。某個實驗中，能使用這個「故意有時出錯」AI 的組別，大約在 50% 的題目上會主動向 AI 求助。當 AI 給的是正確答案時，這些使用者有 93% 的時間會接受它的推理；即使 AI 隨機地給出錯誤答案，仍有高達 80% 的時間被照單全收。也就是說，AI 的存在本身常常就足以「取代內部推理」。

不意外地，在 AI 提供正確答案時，使用 AI 的組別表現明顯優於完全不靠 AI 的控制組；但當 AI 提供錯誤答案時，這組人的表現也明顯更差。更值得注意的是，儘管 LLM 有一半時間都答錯，AI 使用組在「對自己答案的信心」指標上，仍比控制組高出 11.7%。

另一項研究則顯示，加入獎勵機制（例如小額報酬）與正確答案的即時回饋後，受試者成功推翻錯誤 AI 的機率提升了 19 個百分點，代表只要有足夠明確的後果，人們就比較願意停下來驗證答案。相反地，若加入 30 秒倒數計時的時間壓力，糾正錯誤 AI 的傾向就會下降 12 個百分點。研究者因此認為，當決策時間不足時，負責偵測衝突並促使思考的內部監控機制，比較不容易被啟動。

降低審查門檻

綜合 1,372 名受試者、超過 9,500 次單次試驗後，研究者發現，受試者願意接受錯誤 AI 推理的比例高達 73.2%，只有 19.7% 的情況會主動推翻它。研究者認為，這證明人們會以極低的摩擦與懷疑，把 AI 產出的結果直接納入決策流程。

在認知層面上，流暢且自信的輸出很容易被視為「具備認識論權威」，也就是說，它會降低人們的審查門檻，削弱原本應該觸發反思的元認知訊號。

不過，這種效應並不是對所有人都一樣。流體智力（fluid IQ）較高的人，比較不會直接依賴 AI，也更能在 AI 出錯時推翻它；相反地，在問卷中更傾向把 AI 視為權威的人，則更容易被錯誤答案帶偏。

研究者同時也提醒，「認知投降」不一定天生就是不理性的。若 AI 的整體品質真的高於人類，在機率判斷、風險評估或大量資料處理等領域，讓它主導決策也可能帶來比人類更好的結果。

研究者最後寫道：

「隨著依賴程度增加，表現會跟著 AI 的品質走：AI 正確時表現上升，AI 錯誤時表現下降。這既展現了超級智慧的承諾，也暴露了認知投降的結構性脆弱。」

換句話說，只要把推理交給 AI，最後能依賴的就只剩下那個 AI 本身。對使用者來說，真正的問題不只是模型會不會答錯，而是它會不會太像權威，讓人連驗證都不想做。

· · ·

這篇研究真正戳到的，是「把驗證也省掉」

這篇研究的重點，不在於 AI 會不會出錯；那是老問題。真正值得警惕的是，模型一旦輸出得夠順、夠肯定，使用者就很容易把「看起來合理」直接等同於「已經驗證過」。

時間壓力會放大這個傾向，因為人腦本來就傾向省能。問題是，當產品設計把速度與便利性拉到極致，驗證步驟如果沒有被同步做得更便宜、更自然，人們就會默默跨過那條線：從「使用 AI」變成「讓 AI 幫忙思考」。

對真正要把 AI 放進工作流程的人來說，這篇研究其實是在提醒一件很實際的事：不是每個流程都該追求讓模型回答得更快，而是要讓「反問、比對、核查」同樣方便。否則，模型越強，使用者反而越容易停止思考。