我们正越来越习惯把思考这件事外包出去。写周报、查资料、出方案、回邮件，模型几秒钟就能递上一份像样的成品。省力当然不是坏事，只是有个问题很少被认真提起：当一件需要动脑的事不再需要你亲自思考，你在这件事上的能力，究竟会原地踏步，还是悄悄退化？
被豢养的物种，会先失去生存的力气
要回答这个问题，不妨看一个几十年前的实验。
1960 年代，美国生态学家约翰·卡尔霍恩设计了一座封闭空间，把几只老鼠放了进去。那里食物管够、没有天敌、没有疾病，连生存竞争都被抹平了。他给这个乌托邦起名叫「25 号宇宙」。
起初一切顺理成章：种群稳步增长，到第 560 天左右，老鼠数量逼近 2200 只。随后灾难降临。年轻雄鼠找不到自己的社会位置，开始互相攻击；母鼠甚至会撕咬自己的幼崽；还有一批老鼠整天只舔自己的毛，对周围的一切无动于衷。
最致命的不是暴力，而是冷漠。卡尔霍恩观察到，老鼠会从死去的同伴身上跨过去，毫无反应。他把这种状态称为「第二次死亡」——精神和社交的死亡，先于肉体的死亡到来，而且不可逆。哪怕后来空间重新变得宽裕，幸存者也没能恢复正常的群居行为。
卡尔霍恩的结论很刺耳：一个不再有匮乏的环境，可能恰恰摧毁了生物的适应力。它们不是饿死的，而是「闲」死的。
今天，AI 正在给大脑建造一座类似的乌托邦。它把执行成本、信息获取成本和创作门槛，一点点压到接近零。当越来越多的事变得不费力，人会不会也慢慢失去「较劲」的肌肉？
好消息：鼠群的结局不可逆，人却可以主动长本事
老鼠没法选择自己的处境，但人可以。面对越来越强的 AI，真正要守住的，不是某一两项具体技能，而是三种机器短期还替代不了的思维习惯。
第一样本事：跨域联想
AI 本质上是一台收敛机器。你给它一个明确的问题，它沿着已知的路径，逼近那个「最优解」。它极其擅长在框定的范围内做到极致，却不擅长自己跳出框。
人恰恰相反。我们的长项，是把两个看起来毫不相干的东西连在一起。达尔文读马尔萨斯的《人口论》，想到「过度繁殖与生存竞争」也能解释物种演变；城市公交调度借鉴了电报网络的拓扑思路；就连现代分布式系统，也从深海热泉里那种不依赖中心、各自存活的生物群落中获得过启发。
这种把 A 领域的结构，移植到 B 领域的本事，是目前 AI 做不到的。模型能在一个领域里深挖，却很难主动说：「这个问题，用另一个领域的办法解决可能更妙。」
所以，越是 AI 把单一领域做透的时代，人越该故意让自己「不务正业」——去碰那些和主业无关的知识，让脑子里多几套可以互相借用的方法论。
第二样本事：指数直觉
人的直觉默认是线性的。工资每年涨一点，技术慢慢变好，成本是平缓下降的——这是大脑最熟悉的剧本。
但算力、数据、模型能力，常常是按指数节奏跃迁的。一个实用的训练方法很简单：每当出现一项新技术，先问自己一句「它多久会翻一倍」，再往前推三个翻倍周期。假如推理成本每半年降一半，那么两年后，同样一笔预算能跑起的模型，会比今天大几个数量级？
线性外推会严重低估变化的速度。那些真正踩中时代的人，往往不是知道得更多，而是更早把「指数」装进了自己的直觉里：他们看得到拐点，也愿意在拐点到来前下注。
第三样本事：登月式野心
人天然喜欢安全。面对目标，我们倾向于在现有框架里做 10% 的修补，因为那样风险最小、最不容易出错。
但真正的跃迁，来自把目标设到「看起来有点荒唐」的程度。1954 年之前，医学界和体育界几乎一致认定：人类不可能在 4 分钟内跑完一英里。罗杰·班尼斯特跑出 3 分 59.4 秒之后，仅仅 46 天，这个纪录就被人再次打破。阻碍人类的从来不是生理极限，而是一堵叫「不可能」的心理墙。
追求 10 倍改进，而不是 10% 提升。10% 的优化让你在旧地图里打转，10 倍的目标却逼你重新画一张地图。AI 擅长帮你把既有的路走得更顺，但「该往哪个方向开荒」，仍然只能由人拍板。
把 AI 当陪练，而不是代练
跨域联想让你走别人走不了的路，指数直觉让你看得见变化，登月式野心让你敢追上去。
回到开头那个问题：AI 越强，人会不会退化？答案取决于你怎么用它。
把活全丢给模型，你是在把自己养废；把模型当拐杖，你是在培养依赖；只有把它当作逼你更进一步的陪练，你才会在一次次「刚好有点吃力」的较劲里，越磨越利。
技术会一直变强，这一点没有悬念。真正稀缺的，永远是那个愿意在困难处多停留一会儿的人。