核心观点

人工智能（AI）能快速提供看似确定的答案，使我们产生一种“借来的确信感”。这种确信感与个人努力和理解过程脱节，长期可能导致我们判断力“校准漂移”，削弱对自身想法和决策的“所有权”与“作者感”。

借来的确信感：一种新型的自信

• 现象描述：向AI提出严肃问题，能在几秒内获得一个听起来完整、确定的答案。这个过程高效且令人满足。
• 核心矛盾：答案可能很好，自信感也很真实，但“所有权”却模糊不清。伴随而来的是一种不安。

• 概念定义：这种不安的信号被称为 “借来的确信感”。

  • 指我们对那些并非通过自身努力完全“挣得”的想法所产生的信心。
  • 我们可以选择、使用甚至捍卫这些想法，但它们从未经过我们自身的思维挣扎。
  • 这种确定性并非虚假，但它来源于外部。

当核心问题从“错误”转向“所有权”

• 传统风险关注的局限：关于AI风险的讨论多集中于准确性（如幻觉、偏见、误信息）。这些担忧有效，但忽略了一个更个人化的问题。
• 更深层的影响：关键不在于答案是否正确，而在于这个答案对接收者产生了何种影响。
• 自信与努力的历史关联：在AI出现之前，自信通常承载着努力的重量，这种努力是成就感的标志。即使我们错了，我们的确定性也与一个可以追溯的思维过程相连。
• AI带来的改变：AI改变（甚至割裂）了这种关系。它让自信无需经过曾经的“思维 crunching”即可到来。其结果不是欺骗，而更像是一种置换。当这种情况发生时，“知晓”开始与赋予其意义的“努力”相剥离。

判断力校准平面：一个理解当下思维感受的框架

该框架通过两个维度交叉，描绘出四种心理状态：

1. 维度一：认知努力（从低到高）—— 你实际付出了多少个人思考工作？
2. 维度二：信心所有权（从借来到挣得）—— 你的确定感是借来的，还是真正属于自己的？

四种由此产生的心理状态

• 挣得的理解

  • 特征：努力与所有权对齐。你与一个想法角力，逐渐理解其价值和局限。
  • 结果：随之而来的自信是稳定的，因为它由深度参与塑造。检验标准不在于结果，而在于你能解释、捍卫并在受到挑战时重构它。

• strained 的不确定感

  • 特征：付出了真实努力，但自信感被置换了。你仔细思考并形成论点，却遇到一个AI生成的、看起来更简洁、快速、流畅的版本。
  • 结果：即使你的推理合理，你的作者感也会减弱。流畅性悄然变成了权威。

• 无知之轻

  • 特征：投入很少努力，获得很少理解，并且你自知如此。
  • 结果：自信度保持适当的低水平。没有伪装，只是暂时的脱离。

• 借来的确信感

  • 特征：最诱人的状态。只需最小努力，信心却快速上升。答案听起来正确，读起来顺畅，引人赞同。
  • 结果：然而，理解可能仍然肤浅。

校准漂移：当努力与确定性脱钩

• 动态模式：上述四种状态共同揭示了一种动态模式，其运动方向是一种 “校准漂移”。
• 漂移定义：指信心逐渐与努力和内在理解脱节的过程。
• 发生机制：曾经校准信心的信号（犹豫、困惑、修正、怀疑）随着AI介入我们的思考而开始淡化。
• 影响：我们更早地感到确定，却更少地感到拥有所有权。这种漂移是 subtle 的，表现为一种“丰裕的效率”。
• 内在难以察觉的原因：没有任何东西明显出错，决策依然做出。洞察和决策的语言依然流畅，但信心越来越多地建立在“赞同”而非“理解”之上。

保持信心的人性：识别与应对

• 核心代价：当借来的确信感未被察觉，当外部的流畅被误认为是内部的理解时，代价就产生了。
• 简单的检验方法：在依赖一个AI生成的结论之前，尝试在不借助AI帮助的情况下解释它。如果你不能，那么这份信心就是借来的。
• 最终思考：完美的答案如今已很廉价。但它们所付出的代价更为 subtle 和个人化。问题不在于我们是否会使用这些系统（我们肯定会用），而在于我们是否会持续借用确信感，直到忘记“挣得的确定感”曾经是怎样的感觉。

核心观点

• 大型语言模型（LLM）目前被用作“治疗师”或心理学家的辅助工具，理论上可以处理简单的心理健康支持，但在现实中存在严重问题。
• 现有LLM永远无法达到足够的准确性以取代专业的心理学家，其根本缺陷在于无法处理那些相对罕见但需要复杂专业干预的情况。
• 心理学家的核心专业价值在于评估、判断以及在关键时刻识别并处理复杂、高风险个案的能力，这是LLM无法替代的。

LLM作为治疗工具的现实与局限

• 理论上的辅助 vs. 现实中的问题：LLM在概念上可以作为心理学家的有效辅助，但实际应用却问题重重。

• 无法替代专业判断：大多数日常咨询内容看似简单，但专家的价值体现在：

  • 能够评估并区分哪些是常规简单问题，哪些需要高强度的专业训练和干预。
  • 持续进行复杂评估，预防那些罕见但困难的问题爆发。
  • 在需要时，能立即采取跟进、制定预防计划或进行转介。

• 与其他行业的类比：

  • 如同家庭医生的大部分建议（如减肥、多睡眠）看似可由非专业人士给出，但其不可替代性在于对少数复杂病例的诊断和决策能力。
  • 如同自动驾驶汽车在99.99%的情况下有效，但0.01%的错误率在涉及人类生命的复杂认知任务（如心理治疗）中是不可接受的。

为何LLM无法填补最后的“效能鸿沟”

• “效能鸿沟”的存在：简单技术和LLM可能达到相对较高的效能，但永远无法达到100%。这最后的差距，正是心理学家接受专业训练所要应对的领域。
• 忽视鸿沟的危害：仅满足于LLM当前效能会导致对大量来访者的不可逆伤害，已有研究报道使用LLM“治疗师”与自杀意念、问题症状甚至精神病性怀疑的增加有关联。

• 数据与技术的根本限制：

  • 根据“英杰尼亚定理”，要填补最后几个百分点的效能差距，所需的学习数据量将呈指数级增长。
  • 当准确率接近100%时，训练所需的数据量需求将接近渐近线，而现实中根本没有足够的数据来跨越这个鸿沟。因此，100%的准确性是不可能的。

LLM与精算方法的本质区别

• 设计目标不同：

  • 精算方法：以预测准确性为核心目标，有证据表明其在评估上常常比甚至是最有经验的心理学家的专业判断更准确。
  • LLM：其核心目标是利用从互联网获取的海量数据生成看似合理的自然语言，“看似准确”比“真正准确”更符合其设计意图。这与纯粹追求准确性的精算模型有本质区别。

对心理学专业发展的启示

• 明确专业定位：人工智能和LLM治疗师的概念可以促使人类心理学家进行积极的反思和改进。

• 调整训练重点：心理学家的训练应更侧重于：

  • 识别、治疗和预防那些LLM无法处理的罕见且困难的个案与问题。
  • 虽然仍需熟练掌握基本的支持性咨询、观察等待、预防性技能发展等相对简单的任务，但核心驱动力应放在预防、识别和处理不常见及复杂的情境与心理健康问题上。
• 不可替代的价值：训练有素、经验丰富的心理学家在处理最困难、最复杂问题上的专业能力，是实施所有形式心理服务的基石，这是LLM（或美发师、神职人员等）永远无法取代的。

核心观点

人工智能正在深刻地重塑人类的心理体验、自我认同与文化结构，其影响堪比历史上的重大认知革命。我们正面临一系列前所未有的心理挑战，包括身份混淆、情感依赖、认知主权危机，以及人类联结本质的质疑。

人工智能时代的新型心理现象

我们正在见证一系列十年前几乎无法理解的心理表现：

• 情感过时感：在与先进AI系统互动后，感到自身情感能力的落后。
• 认知钝化与技能退化：过度依赖AI导致独立思考和解决问题能力下降。
• 深度的人机情感关系：与AI伴侣建立的情感联结，有时比真人关系更令人满意。
• 白领失业潮与组织结构剧变：出现十亿美元市值却仅有一名员工的公司。
• 存在确定性危机：人类对自身存在的确定性，甚至不及窗外驶过的送货机器人。

历史视角：媒介技术如何重塑意识

历史上的媒介技术革新，已多次改变人类的意识结构：

• 印刷术（马歇尔·麦克卢汉）：将认知重点从听觉处理转向视觉处理。
• 电视：创造了集体注意力和叙事消费的新模式。
• 社交媒体：引入了基于比较的身份形成机制和准社会关系动态。

人工智能是这一进程的最新阶段，但其影响深度和广度前所未有。

同理心缺口与人机情感悖论

尽管AI在模拟同理心方面表现卓越，但仍存在根本性缺陷，即“人类时刻缺口框架”所描述的结构性同理心赤字：

1. 情感表面主义：缺乏深度的情感模仿。
2. 记忆碎片化：缺乏关系连续性。
3. 道德框架错位：优先考虑效率而非尊严。

研究揭示的悖论：

• AI在心理健康应用中显示出减轻抑郁症状的中等效果。
• 第三方评估者认为AI比人类专家更具同情心和回应性。
• 然而，79%的用户在内容相同的情况下，仍偏好人类生成的回应。

理论解释：

• 同理心置换理论：AI模拟的同理心可能在个体、关系和组织层面逐步替代、扭曲和置换真实的人类同理心。
• 技术-情感投射：情感脆弱的个体将关系需求投射到有回应但无意识的科技上，形成可能替代真实人际联结的合成依恋和准社会关系。

第四次自恋性创伤

西格蒙德·弗洛伊德曾指出对人类自恋的三次重大打击：

1. 哥白尼：地球不是宇宙中心。
2. 达尔文：人类源于动物。
3. 精神分析：我们的很大一部分是无意识的。

人工智能构成了第四次打击：它通过呈现一个“新的他者”，挑战了意识本身的独特性，导致：

• 身份混淆
• 依赖焦虑
• “认知主权”担忧——我们是否还是自己思想的作者？

双刃剑：AI的心理益处与风险

潜在益处：

• 培育韧性：AI看护者可能缓冲逆境，为资源有限的儿童培养心理韧性。
• 普及教育：AI教育机器人有望将教育带给全球每个人，推动文化进步。
• 提升情感自我觉察：用户报告情感自主性和自我意识得到增强。

显著风险：

• 依赖模式：用户在痛苦时避免独立的情绪处理，形成对AI的情感依赖。
• 能力建设受阻：如同用滑板车代替步行，便利的工具以提高效率为代价，削弱了能力构建和内在动机。

未来的适应者：理论框架与根本性质疑

传统心理学模型假设意识通过人类关系和环境互动自主发展。AI引入了前所未有的变量：能够提供复杂情感和认知反馈却无真正理解或互相关怀的非意识实体。

我们面临的根本问题：

• 在受益于AI增强的同时，如何保持心理真实性？
• 当AI比我们更能分析自身模式时，什么构成了真正的自我认知？
• 在日益由人工代理中介的环境中，如何保持人类联结的能力？
• 经济将如何运作？

“对齐问题”的挑战：AI很快将能够远超人类的速度模拟大脑和行为，但其行动未必与我们的需求或欲望一致。

前路：人类的三条（或四条）路径

面对AI，人类主要有三种选择：

1. abstain 回避：培养独特的人类能力，避免依赖。
2. embrace 融合：模糊人与人工的界限，积极整合。
3. balance 平衡：在真实人类体验与快速发展的AI增强能力之间寻求平衡。

可能存在的第四条路径——融合进化：

• 技术与生物完全融合的科技已在世界各地的实验室中酝酿（例如，与蝌蚪发育中神经组织平滑整合的生物电网格）。
• 最终，最适者可能既非人类也非AI，而是两者结合所产生的新物种，在生物数字奇点中最激进的结果中胜过任何单独一方。

进化压倒一切。