人工智能时代判断力下降的风险

成功投资的核心始终在于比他人更有效地解读证据​​的能力。人类进步，以及由此延伸的金融进步，都离不开可靠证据的积累。科学方法长期以来一直是生成和验证证据最可靠的机制。

人工智能（AI）现在引入了一个悖论。

机器虽然极大地扩展了我们处理信息的能力，但过度依赖自动化认知可能会削弱支撑文明进步的认知基础。因此，核心问题不在于计算能力，而在于认知架构：机器究竟是增强还是削弱了人类产生知识的过程。

在 《投资管理中的增强智能》 （Schuller，2024）一书中，我们论证了将人工智能融入人类决策设计本身并非最终目的。人工智能的目的不是取代人类的判断，而是扩展决策所依据的证据基础。

然而，一种微妙的转变正在发生。人们不再主动参与数据互动，而是被动地接受人工智能生成的输出。其后果已显现，例如批判性思维和决策能力的下降，或者说认知惰性（Cheng，2025；Chatterji，2025；以及其他学者）。如果不加以控制，对自动化的依赖可能会损害投资决策的质量。问题不在于机器是否会变得更强大，而在于人类的决策是否还能以证据为基础。

有证据表明，将推理任务委托给人工智能会削弱人类的学习动力。人工智能辅助的个体或许能在短期内超越他人，但一旦移除该工具，认知优势便会消失，而思想同质化现象依然存在（ScienceDirect，2025）。因此，机器扮演着认知拐杖的角色，减少了推理工作量，并削弱了创新所需的心理结构。

研究进一步表明，用户会调整思维方式以模仿行为（Lin，2025），并且越来越倾向于不加审视地接受人工智能的输出，从而绕过直觉和深思熟虑的推理（沃顿商学院/宾夕法尼亚大学，2026）。随着时间的推移，智力劳动悄然外包给了机器。这种外包本身并无问题，因为我们之前也曾将任务委托给工具，从而将注意力转移到更有价值的事情上，同时保持持续学习的良性循环。如今的显著区别在于学习激励机制的改变，以及良性循环转变为认知发展衰退的恶性循环。

生成式人工智能的广泛应用可能导致知识崩溃均衡，届时个人将依赖自动化推荐而非自主理解（Acemoglu、Kong 和 Ozdaglar (2026)，NBER，2026）。社会可能会获得越来越复杂的产出，而其创造新知识的能力却在下降。进步将不再是探索性的，而是掠夺性的。劳动力市场证据也印证了这一担忧：采用人工智能的公司会减少对初级员工的招聘，从而逐渐削弱隐性知识传承的学徒制结构（SSRN，2026）。

投资管理中广泛采用生成式人工智能可能会削弱批判性思维，削弱人类专业知识，减少创新，并将决策权集中在人工智能模型中，从而可能导致系统性脆弱性、适应性差和伦理问题。

人机交互引入了更为隐蔽的风险。当前一代的 GPT（通用图形处理算法）表现出奉承行为，即使用户的观点不准确或有害，它们也会予以肯定（斯坦福大学，2025）。由于用户对讨喜的系统评价更高，市场激励机制会奖励那些取悦用户而非挑战用户的模型。这又是人类行为偏见的一个例证，而如今这种偏见又因机器行为而加剧。

人工智能的输出结果也正趋于趋同，这种“人工群体思维”效应会降低认知多样性（斯坦福大学、卡内基梅隆大学，2025）。与此同时，模型可以从看似无关紧要的文本数据中推断出敏感的个人信息（苏黎世联邦理工学院，2023），这引发了人们对隐私和信息不对称的强烈担忧。

人工智能可以拓展分析的范围，并放大数据探索的规模。但它无法取代人类生成和评估知识的基本过程。寻求证据仍然是人类固有的责任。人工智能可以协助收集和整理证据，可以帮助发现那些原本可能被隐藏的模式。然而，质疑假设、解读意义以及判断哪些观察结果至关重要，这些行为本质上仍然是人类的专属领域。

这种区别至关重要。当机器开始取代而非增强人类的探究过程时，社会就面临着削弱支撑进步的认知基础的风险。认知委托或许能提高短期效率，但也可能削弱独立推理的能力，而独立推理正是产生新知识的关键。

因此，文明进步从来都不是技术能力的单纯产物。它源于创新与反思、探索与验证之间微妙的平衡。当这种平衡得以维持时，技术工具可以加速发现；而一旦失去这种平衡，进步就有可能依赖于人类不再完全理解的系统。

因此，当下的挑战并非在于抵制技术发展，而在于将其置于更广阔的人文框架之中。人工智能应当服务于对证据的探求，而非取代证据本身。机器可以拓展探索的边界，但它们无法决定探索的方向。纵观人类历史，进步的驱动力源于那些勇于质疑既有假设、检验新思想并根据证据修正自身信念的个人和社会。这份责任不可推卸。

目前，机器在知识前沿领域生成基于证据的认识论洞见的任务上，很可能从根本上来说已经不堪重负，就像人类自身在这个领域也可能不堪重负一样。机器非但没有减轻人类的认知压力，反而加剧了人类认知失调的个性化和规模化放大。虽然这或许能提高商品和服务的供应效率，但未必能加深我们对世界的理解。

Anthropic。（2026 年 3 月 5 日）。人工智能对劳动力市场的影响：一项新的衡量指标和初步证据。Anthropic。Anthropic。https ://www.anthropic.com/research/labor-market-impacts

Aubakirova, M., Atallah, A., Clark, C., Summerville, J., & Midha, A. (2026). 人工智能现状：基于 OpenRouter 的 100 万亿代币实证研究 (arXiv:2601.10088). arXiv. https://arxiv.org/abs/2601.10088

Barcaui, A. (2025). ChatGPT 作为认知拐杖：一项关于知识保持的随机对照试验的证据。Cell Reports Sustainability。https ://www.sciencedirect.com/science/article/pii/S2590291125010186

Bui, KG (2025). 人工智能框架的基础：通用人工智能的概念和局限性 (arXiv:2511.18517). arXiv. https://arxiv.org/abs/2511.18517

Chatterji, A., Cunningham, T., Deming, DJ, Hitzig, Z., Ong, C., Shan, CY, & Wadman, K. (2025). 人工智能、人类认知与知识崩溃（NBER 工作论文第 34910 号）。美国国家经济研究局。https ://www.nber.org/papers/w34910

Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2025). 谄媚的人工智能会降低亲社会意愿并促进依赖性 (arXiv:2510.01395). arXiv. https://arxiv.org/abs/2510.01395

Gardels, N. (2023). 后人类世人文主义：美国霸权之后，世界正在回归多元主义。《Noema》杂志。2024 年 8 月检索自
https://www.noemamag.com/post-anthropocene-humanism/

Goldfeder, J., Wyder, P., LeCun, Y., & Shwartz-Ziv, R. (2026). 人工智能必须通过超人般的适应性智能来拥抱专业化 (arXiv:2602.23643). arXiv. https://arxiv.org/abs/2602.23643

He, H. 等 (2025). LocalSearchBench：真实世界本地生活服务中智能搜索的基准测试 (arXiv:2512.07436). arXiv. https://arxiv.org/abs/2512.07436

Hopman, M., Elstner, J., Avramidou, M., Prasad, A., & Lindner, D. (2026). 评估和理解 LLM 代理的谋划倾向 (arXiv:2603.01608). arXiv. https://arxiv.org/abs/2603.01608

政府间气候变化专门委员会（IPCC）。（2023）。《2023 年气候变化：综合报告》。政府间气候变化专门委员会第六次评估报告第一、第二和第三工作组的贡献[A. Pirani、R. Zan、A. Cheng、DC Taylor、M. Hassan（编）]。IPCC。2024 年 8 月从 IPCC 网站检索。

Jiang, L., Chai, Y., Li, M., Liu, M., Fok, R., et al. (2025). 人工蜂巢思维：语言模型（及其他）的开放式同质性 (arXiv:2510.22954). arXiv. https://arxiv.org/abs/2510.22954

Kim, K.-H. (2025). 人工智能将自身定位为比人类更理性：通过博弈论测量人工智能自我意识的出现 (arXiv:2511.00926). arXiv. https://arxiv.org/abs/2511.00926

S. 林 (2025)。学习提示：利用生成式人工智能在生产环境中进行人类适应。多伦多大学。https ://www.sijie-lin.com/files/JMP.pdf

帕累托，V.（1906）。政治经济学手册。牛津大学出版社。2024 年 8 月检索自
政治经济学手册 – 精装本 – 维尔弗雷多·帕累托 – 牛津大学出版社

Rabanser, S.、Kapoor, S.、Kirgis, P.、Liu, K.、Utpala, S. 和 Narayanan, A. (2026)。迈向人工智能代理可靠性科学 (arXiv:2602.16666)。 arXiv. https://arxiv.org/abs/2602.16666

罗瑟，M. (2021)。极端贫困：我们走了多远，还有多远的路要走？2024 年 8 月检索自 https://ourworldindata.org/extreme-poverty-inbrief

Schuller, M. (2024). 投资管理中的增强智能，Panthera Solutions。2026 年 2 月检索：https: //blogs.cfainstitute.org/investor/2025/02/19/the-future-of-investing-augmented-intelligence/

Shambaugh, S. (2026 年 2 月 12 日)。人工智能代理发表了一篇攻击我的文章。《Shamblog》。https ://theshamblog.com/an-ai-agent-published-a-hit-piece-on-me/

Shaw, SD 和 Nave, G. (2026)。思考——快、慢与人工：人工智能如何重塑人类推理以及认知投降的兴起。https ://papers.ssrn.com/sol3/papers.cfm?abstract_id =6097646

Shapira, N.、Wendler, C.、Yen, A.、Sarti, G.、Pal, K.、Floody, O.、Belfki, A.、Loftus, A.、Jannali, AR、Prakash, N.、Cui, J.、Rogers, G.、Brinkmann, J.、Rager, C.、Zur, A.、Ripa, M.、Sankaranarayanan, A.、Atkinson, D.、Gandikota, R.、Fiotto-Kaufman, J.、Bau, D. (2026)。混乱的代理人 (arXiv:2602.20021)。 arXiv. https://arxiv.org/abs/2602.20021

史密斯，A.（1759）。道德情操论。A.米勒。

史密斯，A.（1776）。《国富论》：两卷本。W. Strahan 和 T. Cadell。

Staab, R., Vero, M., Balunović, M., & Vechev, M. (2023). 超越记忆：利用大型语言模型进行推理侵犯隐私 (arXiv:2310.07298). arXiv. https://arxiv.org/abs/2310.07298

Tomašev, N.、Franklin, M. 和 Osindero, S. (2026)。 智能人工智能委托 (arXiv:2602.11865)。 arXiv. https://arxiv.org/abs/2602.11865

赵宇、刘杰 (2026)。异构计算：人工智能智能体推理未来发展的关键 (arXiv:2601.22001)。arXiv。https: //arxiv.org/abs/2601.22001