Cognitive Debt

认知债务是人们借助 AI 完成的工作与他们在完成工作过程中形成的理解之间不断累积的差距。如果有人不理解推理过程就接受答案、文章或代码更改，他们眼下省下了精力，却没有完成学习或核验。“债务”会在他们需要解释结果、发现错误或独立调整工作时显现出来。

John V Willshire 于 2025 年 4 月阐述了这一聚焦 AI 的含义，并于同年 5 月在他对认知债务的原始说明中进一步展开。他描述了这样一种组织成本：人们获取答案，却跳过理解答案所需的思考；这一说法延伸了 Ward Cunningham 提出的技术债务隐喻。

认知债务如何累积#

生成式 AI能在用户掌握评估所需知识之前，提供润色完善的输出。大语言模型 (LLM)可以提供解释或实现方案，而用户的理解仍不完整。反复委派任务会减少练习回忆信息、构建论证和诊断错误的机会。因此，认知债务关乎监督 AI 产出所需的人类能力。

在软件团队中，这种差距也会影响团队的共同理解：谁知道某个组件为何存在、它的依赖项如何相互作用，以及某项更改会影响什么。Margaret-Anne Storey 描述了一支学生开发团队在创业课程中遇到这种情况的经历。到了第七或第八周，即使是简单的更改也会导致意外故障，团队成员也无法再解释重要的设计决策。他们零散的理解让后续开发变得困难。

认知债务与相关概念#

有几个相关术语描述了这个问题的不同方面：

• 认知卸载：将脑力劳动转移给外部资源，包括笔记、搜索引擎或 AI。认知债务描述的是这种委派取代学习后，未能发展的理解能力。
• 技术债务：因采用便捷的设计或实现方案而产生的未来维护工作。认知债务关注的是人们对系统的理解以及他们修改系统的能力。
• 技能退化：因练习减少而导致已有能力衰退。认知债务还包括某人在完成 AI 辅助工作时从未学会的知识。

在智能体编程和氛围编程中，这些区分有助于将软件产出量与维护软件所需的理解能力区分开来。在更广泛的职场语境中，这个说法也涵盖了因决策未记录而累积的理解差距。

认知债务出现在哪里#

AI 辅助写作提供了一个直接的例子。Nataliya Kosmyna 及其同事在 2025 年 6 月发表的论文 你的大脑与 ChatGPT中使用了这个术语。54 名参与者使用 LLM、搜索引擎或不借助任何工具，完成了三次论文写作任务。研究方法结合了用于记录大脑电活动的脑电图、自然语言处理、论文评估和回忆测试。LLM 用户对自己论文的归属感最低，也更难准确引用自己写的内容。这些结果将完成的作品与该任务中较弱的回忆和参与度联系起来。

在计算机视觉领域，相关责任是理解并检查模型生成的标签。Ultralytics Platform 的智能标注编辑器使用 Ultralytics YOLO 预测结果生成可编辑标注；审核人员可以调整边界框、更正类别并移除错误的预测结果。这使认知债务与数据标注息息相关：自动化负责初始标注，而人们仍需对标注规则和最终的训练数据负责。

识别并减少认知债务#

切实可行的应对方法是将理解情况纳入任务完成标准。有效的检查方式包括让某人用自己的话解释一项决策、预测更改的后果，或在不请求另一个生成式答案的情况下诊断错误。对团队而言，记录决策原因并共同审查更改，可以在团队成员之间保留知识。在人在回路工作流中，这意味着让审核人员进行实质性判断，而不是只走个简单的批准流程。

AI 素养包括了解何时请求解释、检验假设以及核验输出。这些做法有助于落实AI 安全和持续模型监控所需的监督。

在 Judy Hanwen Shen 和 Alex Tamkin 的随机编码实验中，52 名开发者学习了 Python 异步编程库 Trio，以此单独评估理解程度和输出质量。与更多委派任务的参与者相比，主动请求解释或提出概念性问题的参与者掌握得更扎实。AI 辅助组在后续测验中的平均分为 50%，而手动编写代码组为 67%，两组相差 17 个百分点；差距在调试题上最大。