当你的手指在键盘上敲下"帮我写一篇关于幸福的议论文"时，你的大脑正在经历什么？2025年6月，MIT Media Lab的Nataliya Kos'myna团队发表了一篇震动学术界的研究预印本——"Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task"。同年9月，Neil deGrasse Tyson在其StarTalk频道邀请Kos'myna深度解读这项研究，视频迅速引爆全网讨论。这项研究用32通道EEG脑电设备监测了54名波士顿地区大学生在三种条件下写SAT议论文时的大脑活动，结论令人不寒而栗：ChatGPT组的大脑连接性显著低于纯脑力组，83%的ChatGPT用户甚至无法引用自己刚写完的文章中的一句话。 这不是一篇反AI宣言——而是一堂关于"认知负荷"为何是学习科学中最被误解的概念的深度课。对于我们每一个正在使用AI工具学习、工作、创作的人来说，这项研究迫使我们重新思考一个根本问题：效率的提升，是否以认知能力的萎缩为代价？
| 项目 | 内容 |
|---|---|
| 视频标题 | New Study Shows What ChatGPT Does to Our Brains |
| 频道 | StarTalk（Neil deGrasse Tyson） |
| 时长 | 约52分钟 |
| 频道订阅 | 550万+ |
| 核心主题 | MIT脑电实验揭示ChatGPT对学习认知的深层影响 |
Kos'myna团队精心设计了一个为期4个月的实验。54名来自波士顿地区大学的学生被分为三组，每组需要在20分钟内就"什么是幸福？""是否存在完美社会？""开口前该三思吗？"等SAT级别的哲学命题撰写议论文。三组的条件是：ChatGPT组（自由使用LLM辅助写作）、搜索引擎组（可用Google搜索资料）、纯脑力组（不允许使用任何数字工具）。所有参与者全程佩戴Neuroelectrics Enobio 32通道EEG头盔，以500Hz采样率记录大脑活动。研究团队还设计了一个关键的交叉实验（Crossover Session）：部分参与者互换条件——让ChatGPT用户尝试纯脑力写作，让纯脑力用户尝试用ChatGPT——以检测技能迁移效应。
这个设计的精妙之处在于，它不仅测量了"结果"（文章质量），更直接窥探了"过程"（大脑在写作时的实时活动）。[视频原话] Kos'myna将EEG数据比作"看大脑里谁在跟谁说话"：当你在无辅助条件下思考时，"你的大脑真的在燃烧——'她叫什么名字来着？那个研究在哪里？发生了什么？'你需要真正用大脑去冲破障碍。"
研究使用多变量自回归模型计算了动态定向传递函数（dDTF），追踪不同脑区之间的信息流动方向和强度。结果清晰而惊人：大脑连接性与外部辅助程度呈反比。
最引人注目的差异出现在Alpha频段——这个频段与内部注意力和语义加工密切相关。举例来说，从左侧顶叶到右侧颞叶的通路在纯脑力写作时强度远超ChatGPT组（p=0.0002）。这意味着什么？当你的大脑不得不"自己干活"时，语言检索、概念组织、记忆提取等高阶认知网络全面激活；而当AI替你完成这些工作，这些网络就安静了下去。
[延伸分析] 这一发现与认知科学中经典的"用进废退"原则高度吻合。就像肌肉在卧床两周后开始萎缩，认知网络在长期被AI"代劳"后也可能逐步弱化。但研究团队谨慎地指出，他们的数据反映的是认知卸载效应（cognitive offloading），而非永久性大脑损伤——至少目前还不能确定后者。
实验中最震撼的数字不是脑电数据，而是一个极其简单的测试。写作完成60秒后，研究者要求参与者引用自己文章中的任意一句话。
结果： - ChatGPT组：83%无法引用任何内容，0人给出完全正确的引用 - 搜索引擎组：11%无法引用 - 纯脑力组：11%无法引用
这个数字太尖锐了。你花20分钟"写"完一篇文章，一分钟后却连一个句子都复述不出来——这还算"学习"吗？Kos'myna在视频中用一个词解释了这一现象：ownership（所有权感）。15%的ChatGPT用户明确表示"不觉得这篇东西是我写的"。而当被追问"如果你不在乎、不记得，那这整个过程的意义是什么？"时，答案令人沉默。
[延伸分析] 这与心理学家Endel Tulving提出的"编码特异性原则"直接呼应——记忆的形成深度取决于编码时的加工深度。ChatGPT将写作从"深度加工"降级为"浅层选择"（只需在AI给出的选项中挑一个），大脑自然不会为其分配太多存储资源。这不仅仅是"记不住"的问题，而是你的认知系统在说："既然不是你做的，为什么要记？"
交叉实验揭示了一个耐人寻味的模式。当ChatGPT用户被要求纯脑力写作时，他们的Alpha和Beta网络活跃度明显低于一直纯脑力写作的人——大脑似乎已经"学会了偷懒"。而当纯脑力用户首次使用ChatGPT时，他们的脑连接性反而飙升，仿佛在好奇和警觉地审视这个新工具的输出。
[视频原话] Kos'myna对此的解释发人深省：这不是简单的"新奇效应"。长期ChatGPT用户在被剥夺工具后依然表现出较弱的脑活动，这说明存在某种"认知惯性"——一旦习惯了低认知负荷的操作模式，你的大脑不会因为你"想努力"就自动恢复到高水平运作。
从教育方法论角度看，这暗示了一个关键原则：先用脑、再用AI。 先建立强大的认知基座，再引入工具作为辅助，比从一开始就依赖AI要健康得多。
研究者还请了两位盲审的英语老师对文章进行评分，同时用一个AI评分系统作为对照。结果揭示了另一个层面的问题：
ChatGPT组产出的文章词汇高度同质化。用Kos'myna的话说："这个组使用的词汇非常、非常相似。搜索引擎组和纯脑力组则不是这样。"更值得注意的是，人类老师反而更偏好纯脑力组和搜索引擎组的文章——因为它们"更有人味，更自然"。AI评分系统则倾向于给所有文章打出接近满分4/5的分数，缺乏区分度。
[延伸分析] 这触及了一个深层的教育哲学问题。当代教育评估越来越依赖AI批改（效率和成本考量），但AI评分系统恰恰无法识别那些真正有价值的"人性特征"——个人声音、独特视角、认知挣扎的痕迹。如果评估系统被AI主导，而产出也是AI主导的，我们就创造了一个完美的自我封闭系统——AI写、AI评、无人真正学习。
这项研究的理论根基在于认知负荷理论（Cognitive Load Theory）——由John Sweller在1988年提出，如今已成为教育心理学最重要的框架之一。Kos'myna在视频中对这个概念做了精彩的重塑：
"很多人会说：'哦，太棒了，LLM和这些工具的承诺就是消除认知负荷。'但我们不应该把它拿走……我知道这听起来很反直觉——'认知负荷？我们不是应该消除它吗？'不，我们实际上不应该消除它。"
这段话精准地抓住了当前教育科技的终极悖论。认知负荷分三种：内在负荷（由材料本身难度决定）、外在负荷（由不良教学设计造成的浪费性负荷）、相关负荷（促进深度学习的有效负荷）。AI工具擅长消除外在负荷（比如帮你快速找到资料而不是翻遍图书馆），但问题是——当它开始替代你的内在思考时，相关负荷也被一并消灭了。
[延伸分析] 想象你去健身房。举杠铃的"负荷"是让肌肉生长的必要条件。如果你发明了一台机器替你举起杠铃，你确实更轻松了，但你也不会变得更强壮。认知负荷之于大脑，正如重量训练之于肌肉。关键不是消除负荷，而是设计恰到好处的负荷。
这项研究并未被全盘接受。2025年，Nature发表了一篇题为"Does using ChatGPT change your brain activity? Study sparks debate"的文章，引用了Makransky等人2025年发表在Educational Psychology Review上的研究作为平衡视角。批评者的主要论点包括：样本量相对较小（54人）、EEG的空间分辨率有限、实验室环境可能不反映真实使用场景。
Kos'myna本人在视频中多次强调谨慎解读："数据反映的是认知卸载，而非大脑损伤。"她也指出了一个更深层的问题：这项研究引发的不是学术争论，而是价值观争论——我们到底想要什么样的学习？如果"记住"本身不再是教育的目标（毕竟信息随时可查），那么ChatGPT导致的记忆衰退是否真的重要？
我的判断是：记忆从来不是最终目标，但它是几乎所有高级认知活动的基础设施。 你无法对完全不了解的事物进行批判性思考。ChatGPT的83%遗忘率不是关于"记不记住文章"，而是关于"你的大脑是否真的参与了思考"。
mindmap
root((ChatGPT与认知负荷))
实验设计
54名大学生
3组条件对比
ChatGPT组
搜索引擎组
纯脑力组
32通道EEG监测
交叉实验验证
核心发现
脑连接性断崖下降
Alpha: 79 vs 42通路
语义加工网络弱化
83%遗忘率
所有权感缺失
编码深度不足
文章词汇同质化
认知惯性效应
理论框架
认知负荷理论
内在负荷
外在负荷
相关负荷
认知卸载效应
认知债务积累
实践启示
先用脑再用AI
保持适度认知负荷
AI作为审计工具
警惕自动化依赖
读完这项研究，你可能会想："所以我是不是不该用ChatGPT了？"我的回答是：恰恰相反，你应该更聪明地使用它。
1. "先苦后甜"法则：面对任何学习任务或写作任务，先花10-15分钟用自己的大脑"暴力破解"。哪怕产出粗糙，这个挣扎的过程本身就是认知负荷在发挥作用。然后，再引入AI进行结构优化、逻辑检验和语言打磨。记住交叉实验的教训：纯脑力用户用ChatGPT时脑连接性飙升——因为他们"有东西可以比对"。
2. "认知审计"模式：把AI当作一个"提问机器"而不是"回答机器"。与其让ChatGPT写初稿，不如让它扮演反方辩手挑战你的观点。这种"对抗性使用"维持了高认知负荷，同时利用了AI的广度优势。
3. 定期"数字断食"：每周至少安排1-2次完全不使用AI的学习时间。不是出于浪漫主义的"回归原始"，而是确保你的认知网络保持足够的"肌肉记忆"。就像运动员不能永远骑电动自行车训练一样。
4. 对教育者的特别建议：在课程设计中明确标注哪些环节允许AI辅助、哪些不允许。这并非"反技术"，而是对认知负荷理论的科学应用。课程设计的核心不是让学生"更轻松"，而是让他们在适当的难度区间内"恰当地挣扎"。
认知负荷不是学习的敌人，而是学习的燃料——当AI把"挣扎"从学习中移除时，它也移除了学习本身。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。