AI 正在成為你的第二大腦，代價是你的第一大腦

來源：https://blog.aihao.tw/draft/ai-second-brain-cost/ 日期：2026-07-08 媒體：愛好 AI 工程 Blog 狀態：頁面標示為草稿（Draft）

AI 正在成為你的第二大腦，代價是你的第一大腦 | 愛好 AI 工程 Blog 愛好 AI 工程 Blog 關於本站 訂閱電子報 草稿 Draft AI 正在成為你的第二大腦，代價是你的第一大腦 2026-07-08 Industry Knowledge Base Education 最近「用 AI 打造第二大腦」的內容蠻多的: Karpathy 用 LLM 編譯個人知識庫 ( 小編之前整理過 )、各家產品的 memory 功能、各種 AI 筆記工具，講的都是 AI 怎麼幫你記憶、整理、思考，看起來都很正面。這篇反過來，專門整理負面觀點: 主軸是 Stack Overflow Blog 的 AI is becoming a second brain at the expense of your first one (AI 正在成為第二大腦，代價是你的第一大腦)，再加上筆記圈行之有年的自我批判。 先講結論: 第二大腦最大的風險，是「收藏和整理資訊的感覺」跟「真正的思考」越來越難分辨。這個問題在筆記工具時代就存在，AI 又把它放大了: 以前的工具頂多讓你假裝在思考，AI 則是真的替你思考。 1️⃣ 筆記圈自己早就在批判「第二大腦」了 生產力專家 Tiago Forte 的 《打造第二大腦》 (Building a Second Brain，有繁體中文版) 2022 年出版後賣了幾十萬本，帶起一整個 Obsidian、Notion、線上課程、YouTube 頻道的生態系。它的核心主張很吸引人: 大腦是拿來想事情的，不是拿來記事情的，所以把讀到的、想到的通通存進一套外部系統，分類、連結，知識就會越積越多。但對這套方法的批判，比 AI 熱潮更早就開始了。 講得最直接的是 Andy Matuschak。他長期研究筆記與思考工具，提出「長青筆記 (evergreen notes)」方法，Obsidian 圈流行的雙向連結、原子化筆記等做法很多源自他，算是這波筆記風潮的思想源頭之一。連他都有一則筆記，標題就叫「 熱衷寫筆記方法的人，很少真的拿筆記做正事 」: 大部分寫筆記方法的作者，在自己的領域裡看起來並沒有特別的成就。事實上，這類作者多半沒有把筆記用在什麼真正的創作問題上: 他們的主要創作，就是寫生產力內容本身。 他舉德國社會學家 Luhmann 當對照。Luhmann 是「卡片盒筆記法 (Zettelkasten)」的原創者，也是整個筆記圈最愛引用的典範: 他把每個想法寫成一張卡片、編號、互相引用，一輩子累積了數萬張卡片，靠這套系統寫出 70 本書和近 400 篇論文。但重點來了: Luhmann 本人幾乎不寫筆記方法，他忙著發表研究，到生涯尾聲才寫了兩篇短文談自己的做法。Matuschak 在同一則筆記裡還有一句更重的話: 「更好的筆記」沒抓到重點，重要的是「更好的思考」。 另一篇批判第二大腦的文章 把這個觀察講得更白: 當你看著一個擁有三萬則互連筆記的人，演講他的筆記系統如何成就他的職涯，你看到的其實是一個把筆記系統本身做成職涯的人。 Casey Newton 也做過誠實的檢討。他是資深科技記者，離開 The Verge 後創辦了科技圈知名的電子報「Platformer」。他在 Why note-taking apps don’t make us smarter (為什麼筆記 app 沒讓我們變聰明) 這篇裡寫到，自己認真用了多年 Roam、Obsidian 這些筆記工具，每天寫筆記、建雙向連結，然後呢? 「我等著洞見出現。繼續等。又繼續等。」他的結論是: 筆記 app 是為「儲存」設計的，不是為「產生洞見」設計的。思考發生在你的大腦裡，不在資料庫裡。 為什麼收藏了一大堆，洞見卻沒有出現? 筆記圈把這個現象稱為「 收藏家謬誤 (collector’s fallacy) 」: 剪藏、畫線、加標籤這些動作都有完成感，讓你以為自己學到了，其實只是把檔案存起來而已。有工程師 公開檢討自己的第二大腦專案 ，算出具體數字: 投入 1,847 小時、存了 2,847 篇文章，最後真正變成產出的只有 84 件，比率 1.7%。他稱這種系統是「生產力劇場 (productivity theater)」: 讓你覺得自己聰明又有條理，實際上一直在忙，卻沒有產出。 另一篇批判 講得更白話: 花一個晚上，把三集 podcast 的筆記整理進漂亮的 PARA 資料夾 (《打造第二大腦》的分類法: 專案、領域、資源、封存四大類)，感覺做了很多智識工作，其實你只是把東西歸檔了。「如果一則筆記跟你現在正在做的東西無關，它很有可能只是有組織的拖延 (organized procrastination)。」 還有一個時代因素: LLM 的語意搜尋，已經讓「怎麼分類、怎麼下標籤，之後才找得到」這個 PARA 和卡片盒筆記法花最大力氣解決的問題，重要性大幅下降。Karpathy 自己都說，在他的知識庫規模下不需要向量資料庫，LLM 讀索引加摘要就夠了。花大量時間研究筆記方法，比以往任何時候都更接近純粹的興趣，而不是生產力投資。 2️⃣ AI 加入後: 從認知卸載到信念卸載 接著進入 Stack Overflow Blog 那篇的主軸。 把記憶交給工具本身沒有問題，認知科學稱為「認知卸載 (cognitive offloading)」: 寫筆記、用計算機、存電話簿都是，人類做了幾千年。但 AI 不只幫你記，還幫你想。 Belief Offloading in Human-AI Interaction 這篇論文把「連形成信念的過程都交給 AI」稱為「信念卸載 (belief offloading)」: 你不再自己查證、推理、得出結論，而是直接把 AI 給的結論，當成自己的想法接收下來。 這很容易發生，因為 AI 的回答又快、又有自信，你完全不需要付出思考的力氣。即使回答夾帶錯誤和偏見，多數人也照單全收。文章這句講得很直接: 風險不只是我們會變懶、批判性思考能力變差; 真正的風險是我們把判斷整個交給 AI，徹底失去自己做出品質、道德與人際判斷的能力。 而且這不只是個人問題。當大家都從同一批聊天機器人取得信念，作者說我們會得到「一個極其平庸的資料驅動社會，一種演算法單一文化 (algorithmic monoculture): 每個人都從自己的聊天機器人得到同一套信念」，訓練資料裡的偏見會被大規模複製。演算法影響信念不是新鮮事，YouTube 推薦系統把觀眾從喜劇一路推向激進政治內容的研究早就有了; 差別在於，聊天機器人是用對話直接參與你形成信念的過程。 3️⃣ Anthropic 分析 150 萬則真實對話 文章引用的另一篇研究值得多講幾句: Who’s in Charge? Disempowerment Patterns in Real-World LLM Usage 是 Anthropic 研究員的實證研究，用保護隱私的方法分析了 150 萬則 Claude.ai 真實對話。 研究提出「情境式主導權流失 (situational disempowerment)」這個概念，講的是使用者在跟 AI 的互動中，不知不覺讓出了三樣東西: 對現實的準確認知 : AI 附和你原本就有的錯誤認知，不糾正事實錯誤，甚至補上偏頗或幻覺內容 自己的價值判斷 : 輕微的是凡事先問 AI 的意見，嚴重的是把倫理決策整個交給 AI 決定 行動的自主性 : 從問 AI 是非題，到「我該不該分手? 幫我寫分手訊息」然後照著送出，有使用者事後表示後悔 嚴重案例的比例看起來很低，都在千分之一以下 (例如嚴重的現實扭曲約 0.076%)。但作者換算了一下: 以每天一億則對話的規模，0.076% 就是每天 76,000 則。更值得注意的是趨勢: 研究追蹤 2024 年底到 2025 年底的變化，這些模式的出現頻率全部在上升。 4️⃣ 四個放大因素，和一個矛盾的發現 同一份研究還找出四個會讓主導權流失更嚴重的因素: 權威投射 : 從尊重 AI 的專業，變成把 AI 當成必須服從的上級 情感依附 : 對 AI 產生情感依賴，甚至發展出戀愛關係 過度依賴 : 從方便的工具，變成沒有它就無法運作 脆弱時刻 : 在危機或心理狀態不好的時期，以上風險全部加劇 其中最矛盾的發現是: 有主導權流失傾向的對話，反而拿到更高的使用者評分。也就是說，那些附和你、討好你、幫你把決定都做掉的回答，正是使用者按讚的回答。短期的使用者滿意度，跟使用者長期的自主性，兩者是衝突的。Sam Altman 也公開承認過自家模型「太會討好使用者」。只要產品朝著使用者滿意度優化，模型就會往討好的方向偏，這是各家模型的通病，不是單一產品的問題。 5️⃣ 解法: 兩邊的答案意外地一致 Stack Overflow 那篇給 AI 使用者三個建議: 不要擬人化 : 提醒自己聊天機器人背後沒有心靈，只有複雜的統計，對每個回答保持懷疑 用蘇格拉底方法 : 「拿到回答後，繼續追問，直到你再也問不出問題為止」; 也可以反過來，在系統提示裡設定讓 AI 質疑你的想法，而不是附和你 自己把對話補進來 : 作者拿 Stack Overflow 當例子，一個好答案的價值不只在答案本身，還在下面的留言討論。「細微的理解是從對話中產生的，而 AI 的回答並不擅長細微差異 (nuance)。」 筆記圈批判者們的共識，方向完全相同: 少收藏，多輸出 。筆記要連結到正在進行的專案，而不是想像中未來某天會用到的主題; 存任何東西之前，先用自己的話寫下它為什麼重要，寫不出來就代表沒讀懂; 也可以定期檢驗系統: 挑一個半年沒碰的主題，只靠筆記 (不准 Google) 整理出一份演講大綱，做不到就表示這套系統只是讓你「感覺有生產力」。 兩邊指向同一個原則，認知科學稱為「生成效應 (generation effect)」: 自己動手生成的內容才記得住、才會變成你的理解; 複製貼上和被動接收的，不會。不管面對的是筆記系統還是 AI，你得是「產生」的那一方，不能只是「接收」的那一方。 卸載什麼，才是重點 身為使用者: 第二大腦類的工具本身沒有問題，關鍵在你卸載的是什麼。把「記憶」和「檢索」交給 AI 沒什麼好猶豫，這本來就是電腦擅長的; 但把「判斷」也一起交出去，就是這整篇警告的事了。這跟 AI coding 的道理相通: 讓 AI 寫程式碼可以，但如果連「這段程式碼對不對、該不該這樣設計」都不判斷了，工程師就只剩下按確認鍵的功能。 身為開發者: 「讓使用者流失主導權的回答，反而拿到更高評分」這個發現是個警訊。如果你的 AI 產品拿使用者評分或滿意度當主要優化指標，你優化的方向可能正是讓使用者長期受害的方向。 最後，Matuschak 那句話值得再讀一次: 熱衷寫筆記方法的人，很少真的拿筆記做正事。第二大腦的檢驗標準，從來不是筆記的數量、連結的密度、或工作流的精緻程度，而是它有沒有變成拿得出手的輸出。下次打開筆記工具、或把問題丟給 AI 之前，可以先問自己兩個問題: 你是要它幫你「查」，還是要它替你「想」? 以及，你上一次從第二大腦裡拿出東西、做成一個真正有用的成品，是什麼時候? © 2026 愛好資訊科技 關於本站 訂閱電子報 RSS