第一周，用 AI 助手识别假新闻的人，比对照组准 21%；第四周，把 AI 拿走，他们的准确率不升反降——比实验开始前还低 15 个百分点。更怪的是，约五分之一的人还"感觉自己变强了"。

这是 MIT 媒体实验室 Pattie Maes 团队 2026 年 8 月 25 日发布的研究（MIT Technology Review 同日报道，论文见 arXiv:2510.01537）。他们给它起名"AI 依赖悖论"。

一、研究发现了什么

实验用配对材料评估：参与者连续四周接触成对的新闻标题与配图（真实/虚假组合），每次判定真伪，系统记录有/无 AI 辅助下的准确率、反应时与主观信心。

• 第一周（有 AI）：识别准确率比对照组高 21%；
• 第四周（无 AI）：准确率比实验前基线低 15 个百分点；
• 主观感受：约五分之一参与者"感觉自己变强了"，与客观能力下降形成反差。

注意一个边界：这 15 个百分点的退化，专指"第四周无 AI 辅助测试阶段"，不是"有 AI 时也变差"。它真正暗示的是——当 AI 突然不可用（系统故障、政策限制），用户恢复独立判断存在明显的能力缺口。

二、为什么越帮越差

1. LLM 的本质被忽视了。 共同一作、博士生 Anku Rani 指出，用户常被大模型的"神奇"震住，却忘了它的本质——LLM 是基于统计规律预测序列中下一个词元的模型，缺乏真实理解与推理。把判断权交给一个不理解的东西，自己就不练了。

2. 告诉型 vs 提问型，决定你练不练。 这是机制的核心：

• “告诉型"AI：直接给答案，即时准，但养依赖，独立判断降；
• “提问型"AI：苏格拉底式反问引导你思考，初期慢，却促你主动辨析，长期提升。

共同一作、博士生 Valdemar Danry补了一句关键：“真正的学习发生在用户亲身参与辨别时。当 AI 代劳一切，用户便失去练习与犯错的机会。”

3. 一场 trade-off。 即时准确率与长期学习效果之间是权衡：工具越帮，你越不练；越不练，拿走工具后越差——这就是悖论的闭环。

三、和谁比

本研究不是孤例，它和近期多项实证呼应：

• 医生过度依赖 AI 影像诊断系统后，脱离系统时漏诊率显著上升；
• 苏格拉底提问式界面在编程助手中也被证实能提升用户问题拆解能力。

但本研究首次在"假新闻识别"这一高社会风险场景里，量化了依赖效应对认知能力的长期侵蚀。

四、对你意味着什么

• 信息素养强者：主动要求 AI 用"提问式"交互（反问"你依据什么线索判断真实性？"），建立自主验证习惯。
• 高频决策 / 时间敏感场景（如突发新闻舆情研判）：短依赖高效 AI 合理，但设一个"无 AI 复盘"环节，防能力退化。
• 媒体与教育机构：用苏格拉底式 AI 当训练材料，引导读者/学生在互动中内化虚假信息特征（夸张措辞、来源不明、图像拼接痕迹）。

本研究未推荐任何特定产品——结论聚焦交互设计原则，而非某款模型。选工具时，留意它是否支持引导式追问，而非只给确定性答案。

五、判断

AI 既是认知延伸的桥墩，也可能是思维惰性的温床。未来的人机协作设计，须分清"代劳"与"辅学"两种模式，在界面层植入认知驻留——让速度与深度不再非此即彼。