83% ChatGPT用戶認知失憶！iKala創辦人：大腦外包後果不只如此|數位時代 BusinessNext

83% ChatGPT用戶認知失憶！iKala創辦人：大腦外包後果不只如此

麻省理工學院研究顯示，長期依賴 AI 寫作恐致「認知失憶」與「認知債務」，83% GPT 用戶記不住自己寫的句子。

##### iKala 創辦人：AI 讓大腦外包全面啟動在 ChatGPT 引爆生成式 AI 熱潮後，大量的 AI 工具廣泛應用在工作、學習與日常生活中，而且人類對其依賴性有逐漸加深的情況。然而，便利的 AI 工具是輔助人類思考，還是悄然引發一場大規模的「大腦外包」？

iKala 創辦人程世嘉今日（6 /18）發文，引用麻省理工學院（MIT）的最新研究，指出長期仰賴 AI 工具進行寫作，恐導致人類「認知能力」的顯著退化，並累積一種新的「認知債務」。

這項由麻省理工學院研究員 Nataliya Kosmyna 等人進行的研究，主要是探討 AI 輔助寫作對大腦神經與行為層面的影響。

研究團隊邀請 54 名參與者，讓他們戴上腦電圖（EEG）設備，並在四個月內分批完成多篇文章寫作任務。

參與者被分為三組：全程使用 ChatGPT 輔助的「ChatGPT 組」、僅能使用傳統搜尋引擎的「Google 搜尋組」，以及完全不使用任何工具，只靠自身思考與寫作的「純大腦組」。

麻省理工的研究結果顯示，「純大腦組」展現了最強且分佈最廣泛的神經網路連結，而「Google 搜尋組」顯示中等程度的認知參與，至於「ChatGPT 組」則表現出最弱的整體耦合。

簡單來說，當人類將把建構論點、組織文字等認知重任交給 AI 時，大腦相應區域的活動與連結就會明顯下降，程世嘉更將此比喻為「就像請了代駕後，自己卻忘了怎麼開車」。

##### ChatGPT 83% 用戶出現認知失憶，記不住寫的句子更令人不安的是，研究發現有高達 83% 的 ChatGPT 使用者，無法準確引用幾分鐘前由他們自己（在 AI 輔助下）寫出的句子，麻省理工學院研究將此稱為「認知失憶」；相較之下，「純大腦組」只有 11% 的參與者面臨同樣的困難，兩者差距甚大。

麻省理工的研究進一步證實，ChatGPT 組的參與者在神經、語言和寫作評分等各方面，表現均持續落後於「純大腦組」的對照者。

程世嘉指出，這是因為思考與組織的過程被徹底外包，使得使用者淪為資訊的「搬運工」，而非知識的「內化者」。

##### 依賴 AI 產生「認知債務」：以未來能力換取眼前便利麻省理工研究人員將這種過度依賴 AI 工具，以未來認知能力換取眼前短暫便利的後果，命名為「認知債務」（cognitive debt），這種認知債務的形成，根植於大腦的神經可塑性（neuroplasticity）。

程世嘉指出，這就像 GPS 導致許多人變成「路痴」的道理一樣：過度依賴 GPS 會削弱我們內建的空間感與認路能力。如今，ChatGPT 則將這種外包的層次從「方向感」提升到了「思考」本身，令人深感憂慮。

他強調，思考能力是人類之所以自詡為萬物之靈的關鍵，這項科學發現，無疑是對人類核心能力潛在風險的極大警告。

##### 大腦不用後果嚴重，不能缺失基本功程世嘉表示，大腦具有「用進廢退」的特性：當我們努力思考、解決問題時，相關的神經連結就會被強化。如果長期將這些任務外包，這些連結就會弱化，導致腦袋變得越來越不好用。

想要強化大腦連結性，最好的方式包括「刻意練習」（deliberate practice）與「必要難度」（desirable difficulty）。大腦在面對超出舒適圈、具有一定難度的挑戰時，學習效果最好，長期記憶也最深刻。

然而，AI 提供的無縫便利，恰恰剝奪了我們經歷這種「有益困難」的機會，使得知識浮於表面，難以在腦中紮根。

程世嘉還以日本職人精神舉例，指出日本的壽司師傅都會將一項技藝做到極致，不斷提升基本功。

日本傳統技藝也注重「守破離」學習三階段論，如果使用生成式 AI 工具，就像連「守」的階段都未經歷的學徒，卻想直接跳入「破」與「離」的境界，其成果看似華麗，實則根基不穩。

##### 一線曙光：願意寫初稿再用 AI 大腦會增強雖然麻省理工的研究結果令人擔憂，但也提供了一線曙光。

研究中的第四階段實驗顯示，那些先獨立完成初稿，再利用 ChatGPT 進行潤飾和編輯的參與者，其大腦連結性反而呈現增強的趨勢。

這些「Brain-to-LLM」組的參與者（原「純大腦組」轉而使用 LLM）展現了更高的記憶回溯能力，並重新啟動了廣泛的枕葉 - 頂葉和前額葉區域，類似於「Google 搜尋組」。

這代表，AI 工具在特定階段的介入，若能引導使用者進行更深層次的認知整合，反而可能帶來正向效益。

##### 與 AI 共存之道：先「守」後「破離」程世嘉對此提出明確的「與 AI 共存」之道，他強調答案絕非禁用 AI，而是聰明地使用。也就是說，先用自己的大腦完成認知上的重擔（守），再將 AI 作為強化工具，以求突破（破、離）」。

他呼籲，如果你是下一代的孩子和所有領域的新手，應該要將 AI 當作一個潛力無窮的「協作者」（collaborator），而不是一個可以外包思考的「替代品」（substitute），不能想也不想就把任務全部丟給 AI 去解決。

本文合作轉載自：[加密城市][1]

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。