AI 可以把跑步讲得很详细。身体跑起来是什么感觉，还得自己去跑。
写作和学习也会遇到这样的落差：AI 已经生成一段完整解释，自己却还讲不出依据。这里说的判断力，包括核对事实、识别假设、比较其他解释，以及说明为什么接受一条结论。
想用 AI 又保留判断力，先得想清楚：这次只需要一份成品，还是也想学会其中的本事？整理格式，交付文件可能就够了。练论证、学写一场戏，自己做判断的过程，也在目的里面。
草稿和参考书，都放在伸手能拿到的地方。
做完以后，我希望自己会什么？
打开对话框之前，补完这句话：“这次结束后，我希望自己能独立做到什么？”
答案不同，辅助方式也该不同。把笔记转成表格，可以大量交给工具。想弄懂一条结论背后的证据，收到一张漂亮的结论表，后面还有很多事要做。
做事需要具体语境和判断。眼前究竟要解决什么？一段描写哪里怪？一个搜索问题应该由什么页面回答？AI 可以提供候选，真正做事的人，往往还知道很多没有写进任务说明的背景。
这些背景也要经得起检查。由我决定，意味着由我负责，专业能力仍然得另外获得。缺少领域知识，就增加可靠资料，必要时找有能力的人复核。
先说清真正想完成的任务，再决定要不要收集更多指令、增加 AI 使用额度。容量扩大了，可以装下更多工作；方向仍然需要自己确定。
有辅助时做得好，撤掉辅助以后呢？
2025 年《美国国家科学院院刊》（PNAS）的一项现场实验，把这个区别摆得很具体。研究对象是土耳其一所高中的近千名数学学生。使用无学习约束的 GPT 助手时，练习表现相对对照组提高 48%；之后不能用助手的测验里，这一组表现相对低了 17%。
这是相对差异，不能理解成下降 17 个百分点。带学习约束的辅导版本，在很大程度上缓解了负面影响。结论有具体学校、科目和设计的范围，不能推广到所有 AI 用法。
值得留意的是条件变化：辅助还在，结果很好看；辅助撤掉，另一种能力才露出来。既然想学，就得给自己看到后一种结果的机会。
工作场景也有相关观察。Lee 等人发表于 2025 年人机交互领域 CHI 会议的研究，调查了 319 名主要依靠知识与信息处理完成工作的受访者，收集 936 个使用生成式 AI 的第一手工作案例。对 AI 更有信心，与较少的自报批判性思考相关；对自己完成任务的能力更有信心，则与更多思考相关。思考也会转向核查、整合和管理结果。
问卷无法证明永久认知退化，也没有测出“智商下降”。它让人注意到，答案出来以后，使用者还在做什么。检查和整合，本来就需要思考；因为对方说得像那么回事就接受，很多该想的部分便可能跳过去了。
先留下一个能被质疑的版本
不用先独立解决所有难题。写下目前的判断、已有证据，以及卡住的地方，就有东西可以讨论。
写稿，可以先有一个观点和一个例子；计算，先列数量与关系；做决定，先写选项，以及什么条件会改变选择。
然后把这个版本交给 AI 挑战：
这是我的暂时解释。请找出最弱的假设，给一个合理的替代解释，并告诉我，需要什么证据才能区分它们。把事实和猜测分开，先不要改写全文。
这是建议练习，效果还得看任务和回答。反驳说得很自信，也可能缺证据。收到十条意见，先追最可能改变结论的一条，别顺手又收了一份聪明话清单。
写小说时，多个解释能打开人物的不同路径。写事实文章时，解释还需要依据。一段很像心理学的分析，只能说明某种动机可能存在；要说现实中的某个人就是这样想的，还缺证据。
沿着重要说法，回到来源
有链接，只是多了一个核查入口。打开以后，还得看实际研究了什么，和答案说的是不是同一件事。
说“研究证明某方法有效”，就查参与者、比较对象、测量结果和研究设计。说“工具支持某功能”，就查当前官方文档，以及自己的权限。说某人出于嫉妒，就看目前真正知道什么，还有什么解释能说通。
检查力度可以按后果安排。虚构脑暴容得下猜测，公开的事实文章需要重要说法有据可查；医疗、法律、金融决定，可能需要专业复核。
核心说法查不到，就缩小表述、说明不确定，或者不用。把一句没依据的话改得谨慎一点，缺的证据仍然没补上。
私人资料也有边界。只提供有权分享的内容，不需要身份细节就先去掉。想让 AI 更懂自己，不能自动解决文件可不可以上传的问题。
先有自己的尝试，再看 AI 给的可能。
在一个能检查自己的地方，关掉工具
学完一个概念，换个相关但不同的问题，暂时不用助手做一遍。改动要足够明显，免得只是复述刚才的答案。
比如学“确认偏误”，也就是更容易重视支持已有看法的证据。可以自己写一个新场景：认定某个软件不好用，接着只读差评。解释哪些行为支持这个判断，再考虑另一种可能，例如这个人当时专门在排查故障。随后对照可靠资料或有能力的人提供的反馈，检查自己的理由。这样，测试的内容就超过了背定义。
写作里的对应练习，是换一场戏。能不能自己决定，哪句回答应该晚一点出现？能不能说清，哪个细节改变了读者对人物的理解？漂亮范例展示了方法，新的选择才会暴露自己掌握到哪一步。
做不出来，可以回来要提示、看讲解，再试一次。缺口露出来，下一步反而清楚了。完全陌生的领域，也可以先看入门解释，再安排独立尝试，不用把学习变成硬撑。
这个检查还帮人分清两种目标。有时需要改好一段文字，拿到以后就完成了。有时想练的是自己写这段文字的能力，就得另外留出动手的部分。
留下判断的理由
比起只收藏一条好用提示词，我更想留下：最初怎么想，哪里被挑战，查了哪条说法，最后为什么接受或拒绝一个建议。
几行就够，放在正在做的东西旁边。能帮助下一次继续就留着，用不着再做一套判断力评分表。
需求说不清，就先写下目标、已有证据、限制和想要的输出；怎样向 AI 提出更好的问题有更多例子。解释存了很多却没试过，就挑一个概念，安排一件不用助手也能尝试的小任务；把收藏想法变成日常行动可以作为延伸阅读。
下一次学习，给关掉对话框后的自己留一点事：解释一个新例子，查一条重要说法，或者写一小场戏。AI 的答案先放在旁边，等做完，再打开比较。