狄更斯《雙城記》卷首「這是最黑暗的時代，也是最光明的時代」，十分貼切的反映了今天人類面臨AI大潮來襲的當下。
2025年6月麻省理工（MIT）發表了一篇研究：〈你的大腦用了ChatGPT：使用AI來幫忙寫論文所累積的「認知債務」〉（Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task）。
「認知債務」4個字點燃了長久以來所有人心中的焦慮，「大學教育面臨重大危機，人類文明一樣面對巨大衝擊」。
麻省理工高材生實測 4 個月依賴 AI，大腦認知活動變差
因為接受測試的是全世界最聰明的MIT學生，在4個月的測試後，已經產生十分不利的影響。
此實驗使用腦波偵測來檢驗受試者，結果產生十分顯著的差異（EEG revealed significant differences in brain connectivity）。只用大腦寫作的參與者，腦波顯示了最強、最大的網狀分布（Brain-only participants exhibited the strongest, most distributed networks）。只使用AI的人，腦波顯示了最弱的連結性（and LLM users displayed the weakest connectivity）。
使用AI工具越多，腦的認知活動越差（Cognitive activity scaled down in relation to external tool use）。
但有趣的是，先用AI 3個月後，再用腦寫作1個月，仍然顯示大腦的alpha波與beta波的連結低下，也就是說，大腦在低參與狀態（LLM-to-Brain participants showed reduced alpha and beta connectivity, indicating under-engagement.）。
先用腦3個月後，再用AI協助寫作，則表現出較高的記憶力，也刺激了枕葉、頂葉與前額葉這個意識活躍區（Brain -to-LLM users exhibited higher memory recall and activation of occipito-parietal and prefrontal areas.）。
這個寫作測試，同時探查了思想鏈的擁有程度，全使用AI的學生擁有度最低，全使用大腦的學生有最高的擁有度（Self-reported ownership of essays was the lowest in the LLM group and the highest in the Brain-only group.）
全使用AI的一組，難以正確的重述自己的作品，雖然AI在交出作品的過程中提供了即時的方便，但也明顯的造成了潛在的認知失調代價（LLM users also struggled to accurately quote their own work. While LLMs offer immediate convenience, our findings highlight potential cognitive costs.）
4個月的測試，全使用AI的學生，在神經學、語言學及行為學方面都產生持續性的低度表現（Over four months, LLM users consistently underperformed at neural, linguistic, and behavioral levels.）這些結果（認知功能負債）引發長期教育的關切，必須重視使用AI影響學習過程的深度疑問。（These results raise concerns about the long-term educational implications of LLM reliance and underscore the need for deeper inquiry into AI’s role in learning.）
電腦可以「模擬」大腦，但無法替代人腦！真正的思考「只在大腦裡進行」
不只MIT有發出警訊。
2025年10月，一群先覺者提出了AGI（通用人工智慧）的新定義，因為這個在股市炒作的AGI實在被誇張得太過火了。
Joshua Bengio等人提出傳統CHC（Cattell-Horn-Carroll theory）認知能力理論的十項標準：推理、工作記憶、記憶儲存、記憶提取、視覺、聽覺、速度、知識、讀寫、數學（reasoning, working memory ,memory storage, memory retrieval, visual, auditory, speed, knowledge, reading and writing , mathematics）來測試GPT4、GPT5，分別測得27%、58%，而得分不高（甚至0%）的部分都與記憶和理解有關，在可見的未來，這部分的進步將有如撞牆。
電腦可以「模擬」，但是不可能「替代」人腦，主要是「生命」的意識體驗（consciousness experiences）有「非計算性」的神祕功能，仍然是「計算性」的電腦無法跨越的鴻溝。
這是我看過對AGI定義最深入的思考。問題真的是在memory，特別是長期記憶及其推理，這篇論文也表達，特別在知識密集領域的熟練度，現有的AI系統在基礎認知機器運作上有極關鍵的缺陷，特別是長期記憶儲存功能（While proficient in knowledge-intensive domains, current AI systems have critical deficits in foundational cognitive machinery, particularly long-term memory storage.）
AI有working memory及retrieval memory的初級能力，但是沒有long term memory。這使得AI必須耗電以大量GPU去眾多知識庫（knowledge bases）來回挖找參數化資料（parametric data），並進行資料配對（data fitting），這是暴力運算的本質。
Pretrained預訓練後的參數化資料記在knowledge based data center，就如同記在圖書館，但有做書籤，這不算是長期記憶。
AI其實很「死腦筋」！很難同時「吸收新知」又「保舊」
LLM（編案：Large Language Model，大型語言模型）仍存在一個根本性的重大瓶頸，一旦模型訓練完成，就很難再學習新知識，若強行更新，又常會導致「災難性遺忘」（Catastrophic Forgetting），這是因為現有的作法是把模型架構（architecture）與訓練優化演算法（optimizer）視為兩個獨立部分，因此難以構建出既能吸收新知又保留舊有能力的系統。
新的想法是，透過多層次、多速率的巢狀學習（nested learning）設計，AI 就能在學習新事物時，動態調整內部結構，同時保護好舊有的核心知識。
驗證這個理論，Google團隊打造了一個名為Hope的實驗性架構，具備一種稱為連續記憶系統（Continuum Memory System, CMS）的機制。
實驗結果顯示，在語言建模和常識推理任務上，Hope的表現（以困惑度Perplexity和準確度Accuracy衡量）均優於現有的Transformer和其他先進模型。
AI要更聰明，不只靠算力、得先學人腦
另外在超長文本記憶測試中，Hope展現了更高效的記憶管理能力，能更準確的從龐雜資訊中找回關鍵細節。不過，這個Hope否是AI未來的「希望」，仍然有待考驗。
也就是說，愈來愈多AI專家開始反思這條路怎麼走下去。Google已經先走出這一步，就是從人類的大腦記憶方法，開展一個新模式。
作者簡介_楊憲宏
臺北醫學院牙醫系畢業（1979），台灣大學生理學研究所畢業（1981），美國加州柏克萊大學公共衛生研究所畢業（1983）。
歷任：《民生報》醫藥版編輯、專欄組記者，《聯合報》採訪組副主任、《中時晚報》資深記者室主任、《首都早報》副總編輯、《人間雜誌》總編輯、公共電視籌委會新聞部副理、超級電視台新聞部經理兼總企畫、民視新聞部經理、三立電視台總顧問、環球電視總經理、《Taiwan News財經文化周刊》社長、《Taiwan News》總編輯。
現任：大愛電視台顧問、中央廣播電台主持人、Formosa Forevermore 台灣生態紀錄片製作人（Taiwan Plus 英文頻道）。
本文摘自時報出版《我寫故我在：寫作文明大接力，人類想像力歷史造就AI世紀》
